将深度学习与实地验证相结合，应用于玉米北方玉米叶枯病管理的决策支持系统中

《BMC Plant Biology》：Integrating deep learning and field validation into a decision support system for Northern Corn Leaf Blight management in maize

　　

摘要

北方玉米叶枯病（NCLB，又称Turcicum叶枯病TLB）由Exserohilum turcicum（其终态形态为Setosphaeria turcica）引起，是全球最具破坏性的玉米叶部病害之一，在适宜条件下常导致严重的产量损失。我们开发了一个针对玉米的、基于网络的决策支持系统（DSS），用于实时检测和管理NCLB（https://maize-nclb.streamlit.app/），该系统整合了先进的深度学习技术以实现自动化诊断和杀菌剂推荐。在评估的十三种机器学习和深度学习模型中，视觉几何组16层卷积神经网络（VGG16）的表现最为出色，准确率达到94.0%，精确度、召回率和F1分数均为0.94，AUC-ROC值为0.93。混淆矩阵分析显示误分类情况极少，357个样本中仅有12个错误，这证实了该模型在区分健康植株和感染植株方面的高可靠性；同时，Grad-CAM可视化技术能够清晰地显示具有生物学意义的病斑区域，进一步证明了模型的可解释性及其与植物病理症状的一致性。通过实地验证发现，基于DSS推荐的杀菌剂组合（Azoxystrobin 18.2% + Difenoconazole 11.4% w/w SC）具有显著效果：病害发生率降至6.8%，而对照组为67.4%，病害减少了90%，谷物产量提高了35.4%（每公顷8.55吨），成本效益比为1:2.49。季节性病害进展分析进一步证实了DSS的有效性，与未处理对照组相比，累计病害负担减少了约85%。这些结果凸显了将深度学习技术与经过实地验证的管理策略相结合，开发实用决策支持系统的潜力，展示了其在精准控制玉米病害方面的应用前景。