无人机高光谱成像赋能田间烟草花叶病毒早期无症状诊断

《Precision Agriculture》：Early asymptomatic diagnosis of tobacco mosaic virus in fields utilizing hyperspectral imaging technology from unmanned aerial vehicle

为解决传统烟草花叶病毒（TMV）诊断方法效率低、难以实现大田早期无症状监测的问题，研究人员利用无人机高光谱成像结合机器学习技术，首次在田间条件下成功实现了TMV的早期无症状诊断，准确率超90%，并构建了简化的TMV特异性植被指数TMVI。此项研究为TMV的大规模、快速田间筛查提供了实用解决方案。

　　

烟草，作为一种全球性的重要经济作物，其健康生长关乎农业经济。然而，烟草花叶病毒（TMV）——这种在植物界“臭名昭著”的病原体——犹如一个无声的破坏者，持续威胁着烟草的产量与品质。病毒入侵早期，植株看似安然无恙，实则病毒已在内部悄然增殖。待叶片出现典型的褪绿、斑驳等症状时，往往为时已晚，现有防治手段效果大打折扣。因此，在病毒“图穷匕见”前将其识别，是精准防控的关键。然而，传统依赖人工肉眼观察的方法效率低下且主观性强，基于聚合酶链式反应（PCR）、酶联免疫吸附测定（ELISA）的实验室检测虽然精准，却耗时费力，难以应用于广阔田野的实时、大规模筛查。近年来兴起的机器视觉技术，也大多“后知后觉”，只能在症状显现后才能“亡羊补牢”。能否有一种“火眼金睛”，能穿透植株健康的表象，在无症状阶段就洞察其内部的病变信号？

为了解决这一挑战，一项创新性研究于《Precision Agriculture》上发表，首次将无人机搭载的高光谱成像（Hyperspectral Imaging, HSI）技术与先进的机器学习模型相结合，在真实的田间环境中，成功实现了对TMV的早期、无症状诊断，为烟草病害的精准监测打开了新局面。

关键技术方法：研究团队在湖南浏阳的烟草田开展实验。首先，对烟草品种“云烟87”进行了人工接种TMV。随后，利用配备SPECIM AisaKestrel 10高光谱相机的DJI无人机，分别在接种后2天（无症状期）和11天（明脉症状期）采集了两个时期（数据集D0427和D0506）的烟草冠层高光谱数据。在数据分析阶段，研究人员首先评估了十种光谱预处理方法的效果，并使用包括支持向量分类（SVC）、偏最小二乘判别分析（PLS-DA）和极限梯度提升（XGBoost）在内的五种机器学习模型进行分析。为了从数百个光谱波段中提取关键信息，他们应用了六种特征波长选择算法进行两轮筛选。最后，基于选出的核心波长，通过逻辑回归构建了一个专门用于早期诊断TMV的植被指数。

研究结果

光谱数据预处理结果：研究对比了不同预处理方法对建模效果的影响。结果显示，标准正态变量变换（Standard Normal Variate, SNV）预处理能最有效地提升模型性能，其平均分类准确率最高，达93.11%。这归因于SNV能够有效消除由光照、传感器差异等引起的散射干扰，增强内在光谱特征。

特征波长选择结果：通过第一轮六种算法筛选，在无症状期（D0427）和症状期（D0506）数据集中分别保留了71个和133个特征波段，其中59个波段为两数据集共有。随后，对共有波段进行第二轮竞争性自适应重加权采样法（Competitive Adaptive Reweighted Sampling, CARS）筛选，最终确定了三个对TMV早期诊断至关重要的核心特征波长：527.33 nm、544.37 nm和705.37 nm。前两者位于绿光区，与叶绿素吸收有关；后者位于红边区域，能敏感反映叶片内部生理状态的变化。

保留特征波段的建模结果：使用上述三个核心波长进行建模，在外部验证中表现出色。当以无症状期数据为测试集时，基于支持向量分类（SVC）的模型准确率高达91.32%；反之，准确率达90.75%。这表明，仅用三个波长就能在症状出现前高精度地识别感染植株。相比之下，11种传统的植被指数在无症状期的诊断表现普遍不佳，进一步凸显了这三个特定波长的诊断价值。

早期TMV感染诊断植被指数的构建：为了提供一个更简便、更易于现场部署的解决方案，研究人员基于三个核心波长，通过逻辑回归构建了烟草花叶病毒指数（Tobacco Mosaic Virus Index, TMVI），其计算公式为 TMVI = 18.18R_527.33- 18.57R_544.37+ 14.59R_705.37+ 7.42。该指数在两个独立数据集上的诊断准确率分别达到82.52%和82.92%。虽然精度略低于复杂的机器学习模型，但TMVI计算简单，为开发低成本的多光谱无人机专用传感器、实现大面积快速筛查奠定了技术基础。

可视化效果：研究将三个核心波长的反射率信息合成为假彩色图像，并与原始RGB图像对比。结果显示，在无症状期，RGB图像中健康与感染区域几乎无法区分，而基于三波长的图像则能清晰地将感染区域以亮白色凸显出来，实现了感染区域的“可视化”预判。

研究结论与讨论：本研究首次在田间尺度上，成功论证了无人机高光谱遥感技术用于TMV早期无症状诊断的可行性。通过两轮严谨的特征波长筛选，锁定了527.33 nm、544.37 nm和705.37 nm这三个关键诊断波段，基于此构建的机器学习模型诊断准确率超过90%。所开发的TMVI为实际应用提供了一个高性价比的简化工具。这项工作不仅深化了对TMV感染早期光谱响应机制的理解，更重要的是，它架起了实验室高光谱技术与田间大规模应用之间的桥梁。它证明了通过精心筛选的有限波段，完全可以实现高效的早期病害诊断，这为未来开发定制化的低成本多光谱无人机监测系统指明了方向，推动烟草TMV的防控从“症状后应对”转向“症状前干预”，对发展智慧农业、实施精准植保具有重要的理论和实践意义。未来研究可扩展至烟草其它病害（如马铃薯Y病毒）及虫害的监测，以构建更全面的烟草健康评估体系。