《Advances in Space Research》：Machine Learning-Based Detection of Fusarium Wilt in Tomato using Ground-based and Satellite Hyperspectral Imagery
编辑推荐：
本研究利用地面及卫星平台的多尺度高光谱数据，结合四种机器学习模型，检测并映射番茄根腐病在不同严重程度下的分布。区域覆盖263平方公里，检测准确率从60%（无症状）到93%（完全萎蔫），验证了在早期无症状阶段仍能有效检测（85%-88%）。
H. Chaitra| Sivaganesh| C.V.S.S. Manohar Kumar| R.G. Sharathchandra| Priya Narayanan| Rama Rao Nidamanuri
印度图姆库尔大学（Tumkur University）环境科学研究与研究中心，图姆库尔 572103
摘要
高光谱遥感技术作为一种多用途的光谱数据采集工具，在农业领域的应用日益广泛。在作物中实现无症状疾病的检测对于结合传感技术的农艺实践至关重要。番茄是全球蔬菜生产的重要组成部分，但容易受到多种病虫害的侵袭。镰刀菌枯萎病是影响番茄作物的毁灭性病害之一，其造成的作物损失风险可超过70%。多项研究尝试利用高光谱数据对受病番茄叶片进行光谱区分。然而，目前尚不清楚在野外或实验室观察到的光谱区分特征是否能在实际应用的区域级农场中得到有效体现。本研究的目的是利用从野外、地面和卫星平台获取的高光谱数据，在植株和区域层面实现对番茄镰刀菌枯萎病的光谱检测与绘图。2022年，我们在印度图姆库尔地区的番茄种植区采集了地面（野外和地面）以及PRISMA卫星的高光谱数据，涵盖了叶片、冠层和田间的数据。通过确定从叶片光谱测量到基于卫星的高光谱图像之间的最佳光谱波段，我们校准并应用了四种不同的机器学习模型，对263平方公里范围内的五种不同病情严重程度的镰刀菌枯萎病进行了检测与绘图（包括症状肉眼不可见的轻度感染、需要专家检查才能定位的感染、可见感染、广泛传播的感染以及完全枯萎的情况）。结果表明，这些模型在不同病情严重程度下都能准确检测出镰刀菌枯萎病。在地面层面，四种机器学习模型的检测准确率均在85%至88%之间。将模型扩展到区域层面进行检测时，结果质量有所不同，准确率从60%（症状不可见）到93%（完全枯萎）不等。通过适当组合光谱波段和机器学习算法，可以在疾病处于早期阶段时准确检测并绘制出番茄镰刀菌枯萎病的分布图。
引言
番茄（Solanum lycopersicum L.）是印度种植和消费最广泛的蔬菜作物。2024年，印度的番茄年产量达到2150万吨，在全球番茄生产中排名第二（FAOSTAT，无日期）。印度卡纳塔克邦的农村农业经济严重依赖番茄的生产和市场价格。虽然番茄是一种适应多种气候和土壤类型的作物，但它也是最易受害病的作物之一，可能受到200多种细菌、真菌、病毒和生理性病害的侵袭。其中，枯萎病（Fusarium wilt）是一种极具破坏性的病害，会导致超过70%的作物损失（Nagesh等人，2020年）。多项研究利用高光谱数据对受不同病害影响的番茄叶片进行了光谱区分。然而，目前尚未明确在野外或实验室条件下观察到的光谱区分特征是否能在实际操作的区域级农场中得到保持。本研究旨在利用从野外、地面和卫星平台获取的高光谱数据，在植株和区域层面实现对番茄镰刀菌枯萎病的光谱检测与绘图。2022年，我们在印度图姆库尔地区的番茄种植区采集了地面（野外和地面）以及PRISMA卫星的高光谱数据，涵盖了叶片、冠层和田间的信息。通过识别从叶片级光谱测量到基于卫星的高光谱图像之间的最佳光谱波段，我们校准并应用了四种不同的机器学习模型，对263平方公里范围内的五种不同病情严重程度的镰刀菌枯萎病进行了检测与绘图（轻度感染（症状肉眼不可见）、感染但需要专家检查、可见感染、感染且病害蔓延以及完全枯萎）。结果表明，这些模型在不同病情严重程度下都能有效检测出镰刀菌枯萎病。在地面层面，四种机器学习模型均能准确检测出所有程度的镰刀菌枯萎病，准确率在85%至88%之间。将模型扩展到区域层面进行检测时，结果质量有所差异，准确率从60%（症状不可见）到93%（完全枯萎）不等。通过适当组合光谱波段和机器学习算法，可以在疾病处于早期阶段时准确检测并绘制出番茄镰刀菌枯萎病的分布图。
引言（续）
番茄（Solanum lycopersicum L.）是印度种植和消费最广泛的蔬菜作物。2024年，印度的番茄年产量为2150万吨，全球排名第二（FAOSTAT，无日期）。印度卡纳塔克邦的农村农业经济高度依赖番茄的生产和市场价格。尽管番茄是一种适应性强、能在多种气候和土壤类型中生长的作物，但它也是最易受害病的作物之一，可能受到200多种细菌、真菌、病毒和生理性病害的侵袭。一些常见的病害，如晚疫病、细菌性斑点病、镰刀菌枯萎病和叶卷曲病毒，会对作物生产造成巨大损失（Nagesh等人，2020年）。在印度，尤其是卡纳塔克邦，土传病害每年会导致高达50%的产量损失（Nagesh等人，2020年）。镰刀菌枯萎病是由Fusarium oxysporum引起的真菌病害，它会侵入植物的维管系统，阻碍水分和养分的运输。这是常见于番茄植株的毁灭性病害之一（Srinivas等人，2019年）。大规模绘制受不同感染程度影响的番茄田块分布图有助于制定有效的管理策略。区域性的病害检测与绘图方法对于协调农业管理措施至关重要。
得益于过去十年在农业领域的技术发展和应用示范，高光谱遥感（HRS）有望成为一种快速且对田间情况敏感的病害检测方法（Terentev等人，2022年）。高光谱遥感越来越多地应用于农业内部，特别是在评估作物健康状况和生物物理特性方面（Kganyago等人，2021年；Yu等人，2022年；Terentev等人，2022年）。多项研究报道了利用高光谱技术检测多种作物（包括番茄）的病害，如晚疫病（Zhang等人，2023年）、靶斑病（Lu等人，2018年）和细菌性枯萎病（Cen等人，2022年）。然而，这些研究大多在受控环境和实验室培养的作物植株下进行光谱测量。此外，对于逐渐出现的作物病害（尤其是镰刀菌枯萎病），不同病情严重程度的研究尚未从功能角度进行探讨。了解病害植株与健康植株之间的光谱差异对于任何有用的遥感应用都非常重要。先前的研究（Bilgili等人，2022年；Sivaganesh等人，2025年）已经证明，在叶片层面可以区分不同病情严重程度的番茄镰刀菌枯萎病。除了受空间分辨率影响的野外反射率测量外，任何成像系统提供的遥感数据都是在冠层或田间层面进行的，汇总了地面采样单元下的土壤-植物空间信息。
植物的光谱特征是定量分析病害状况的基础，它受到植物非叶片结构成分、植株内部间隙和土壤背景的综合影响（Crofts等人，2024年）。因此，番茄植株的冠层光谱特征与叶片光谱特征存在显著差异，推断和判别模型的性能必须在植株或田间层面进行评估（Li等人，2021年）。为了全面了解番茄作物中镰刀菌枯萎病的光谱差异，有必要将病害检测的光谱方法从叶片层面扩展到冠层和田间层面。一些研究强调了不同尺度上的光谱差异（Seeley等人，2023年；Wang等人，2024年）。这些研究使用了从机载或卫星层面获取的高光谱数据（Crofts等人，2024年；Dai等人，2024年；García-Vera等人，2024年）。关于高光谱遥感在农业中的应用现状的文献综述（Singh等人，2020年；Terentev等人，2022年；Ram等人，2024年）表明，需要多级传感平台和数据分析算法来有效利用高光谱数据。详细介绍了从野外测量到基于卫星的传感的不同传感器配置的发展（Xuan等人，2022年），光谱成像传感器与硬件实现的组合（Watt等人，2023年；Ram等人，2024年），以及包括机器学习和深度机器学习方法在内的数据分析方法（Bai等人，2024年），这使得作物病害检测领域重新受到关注。通过查阅相关文献和参考资料（例如Huang等人，2021年；Hornero等人，2021年；Xuan等人，2022年；Roy等人，2024a），可以看出，从自然农业景观的角度来看，作物病害检测尚未得到充分解决，而利用从地面到卫星的传感器来研究植株或作物冠层的光谱和空间变化对于保留高光谱数据中的光谱和空间特征至关重要。
现代高光谱传感器主要是成像系统，能够采集数百个具有非常窄光谱带宽的光谱带数据。在将高光谱图像数据作为病害检测的主要数据集时，必须明确考虑数据的维度问题（Lapajne等人，2022年）。随着数据维度的增加，每个像素的病害检测计算组合数量增加到数百万，从而降低了模型收敛和保持良好性能的能力（Song等人，2024年）。因此，不考虑光谱数据维度的情况下进行简单的光谱区分在基于图像的检测中并不实用，尽管它在野外测量中效果较好。多项研究独立提出了处理高光谱图像的不同降维机制和方法（Jiang等人，2018年；Morales等人，2021年；Xu等人，2023年）。然而，这些技术也存在局限性，需要根据具体问题进行选择。选择合适的波长（也称为最优波长或有效波长）在高光谱数据分析中具有重要意义（Wei等人，2021年）。特别是在番茄中考虑不同病情严重程度时，需要对高光谱图像的维度进行处理，同时评估病害植株与健康植株的光谱差异。本研究的目标是利用地面和基于卫星的高光谱图像，在植株和区域层面识别最佳光谱波段，并检测番茄镰刀菌枯萎病。特别是，本研究尝试利用高光谱数据实现番茄镰刀菌枯萎病的无症状早期检测。2022年11月，我们在印度图姆库尔地区的几个农民管理的作物田块进行了基于地面的光谱反射率测量和超高分辨率高光谱成像。我们采用了三种不同的方法（顺序特征选择（SFS）、递归特征消除（RFE）和遗传算法（GA）来确定适合检测不同病情严重程度下番茄镰刀菌枯萎病的波长范围。随后，利用PRISMA卫星获取的基于卫星的高光谱图像，应用了表现最佳的机器学习判别模型进行病害检测（Cogliati等人，2021年）。使用地面真实数据验证的结果表明，当病害发展到可见症状时，预测准确率相当高。
部分内容摘要
叶片和冠层光谱数据采集
图1展示了从实际农业应用角度出发的光谱数据及其功能相关性的概念性视图。为了评估基于高光谱数据在不同病情严重程度下检测番茄镰刀菌枯萎病的可行性，我们收集了多株番茄植株的叶片光谱反射率数据
对检测镰刀菌枯萎病敏感的光谱波段
表1和图7展示了应用于野外高光谱数据的降维技术的结果。与数百个全维度光谱波段相比，结果表明仅有一组选定的光谱波段具有足够的区分能力来检测番茄镰刀菌枯萎病。如表1所示，被识别为对镰刀菌枯萎病检测敏感的光谱波段数量会随着维度的变化而有所变化
讨论
基于空间参考的遥感数据方法对于实现可持续和生态合理的农业实践至关重要。大量研究（Zahra等人，2023年；Zhang等人，2023年；Ou等人，2024年）探讨了光谱成像技术的实用性，从智能手机（Debnath等人，2023年）到自部署无人机（Shahi等人，2023年）的应用
结论
本研究通过推进关于光谱优化、模型扩展以及从叶片到田间病害检测的迁移性的知识，研究了利用多种机器学习算法和多传感器高光谱数据在印度番茄种植区检测和绘制镰刀菌枯萎病的前景。通过识别一组紧凑的光谱波段，实现了从植株到田间的镰刀菌枯萎病映射
未引用的参考文献
Bai等人，2025年；FAOSTAT，xxxx年；Jia等人，2022年；Mather，2005年；Ren等人，2021年；Roy等人，2024a年；Roy等人，2024b年。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文的研究工作。
致谢
本项工作是主要作者的硕士和博士论文的一部分，由图姆库尔大学与印度特里凡得琅的印度空间科学技术研究所合作完成，旨在寻找大规模作物病害绘图的方法。
我们衷心感谢三位审稿人的建设性批评和宝贵建议，这些评论和建议帮助我们重新聚焦并提高了手稿的质量。
