基于田间光谱学与机器学习的葡萄霜霉病侵染检测研究

《Precision Agriculture》：Detection of downy mildew infection in grapevine leaves using field spectroscopy and machine learning

　　

摘要 由 Plasmopara viticola引起的葡萄霜霉病是葡萄牙北部绿酒产区（Vinhos Verdes）等高湿葡萄种植区最具破坏性的病害之一。传统检测方法依赖目视检查与实验室分析，存在主观性强、反应滞后等问题，往往延误有效干预时机。本研究旨在评估田间光谱学结合机器学习在 Vitis vinifera品种 Loureiro 田间条件下检测霜霉病的潜力，目标是提供一种早期、非破坏性的检测方法，应用于精准葡萄栽培，减少对广谱农药的依赖及成本投入。研究人员在2023与2024生长季利用便携式光谱辐射计采集叶片光谱反射率数据，涵盖未施药与施药处理的葡萄植株，覆盖不同侵染阶段。基于600片葡萄叶片的光谱特征，采用偏最小二乘判别分析（Partial Least Squares Linear Discriminant Analysis, PLS-LDA）与随机森林（Random Forest, RF）模型进行训练与验证。结果显示，在全波段光谱特征下，两种模型的总体准确率均达95.1%，其中红边波段（700–750 nm）与可见光波段（400–700 nm）对分类贡献最高。此外，研究人员还分别识别出各模型中用于区分侵染状态的前20个信息波长。研究证实，田间光谱学可有效检测不同阶段的霜霉病症状，该方法快速、经济且可持续，有助于种植者实现及时精准的病害管理，减少化学防治投入，符合环境与监管目标。

论文解读

研究背景与意义

葡萄霜霉病（Plasmopara viticola）是全球葡萄产业的重要威胁，尤其在葡萄牙绿酒产区等高湿环境中，病害发生频繁且损失严重。当前病害监测主要依赖人工目视识别与实验室检测，这些方法受限于主观性、反应滞后及采样覆盖面不足，难以满足精准葡萄栽培的需求。气候变化及消费者对可持续农业的要求，使得开发高效、低成本、非破坏性且可实时应用的检测技术成为迫切任务。本研究由研究人员在《Precision Agriculture》发表，旨在通过田间光谱学结合机器学习算法，实现对 Loureiro 葡萄品种霜霉病的早期检测，为精准防控与环境友好型管理提供技术支撑。

关键技术方法

研究在葡萄牙波尔图区 Ponte de Lima 的 Loureiro 葡萄园进行，选取两年内自然发病与定期施药的对照地块，分别在多个生长阶段采集叶片样本。光谱数据采集使用 ASD FieldSpec? 4 便携式光谱辐射计，波长范围350–2500 nm，测量时避开主叶脉并采用标准白板校正。样本分为健康与显症两类，共600个叶片光谱，按年份与季节分层划分训练集与独立测试集。研究人员采用偏最小二乘判别分析（PLS-LDA）与随机森林（RF）两种算法进行建模，并通过重复交叉验证优化超参数。特征重要性分析用于识别对分类贡献最高的波段，并评估模型在不同年份间的迁移能力。

研究结果

数据表征

光谱分析显示，感染叶片与健康叶片在可见光（Visible, VIS）、红边（Red Edge, RE）、近红外（Near Infrared, NIR）及短波红外（Short-Wave Infrared, SWIR）区域存在显著差异。随着病害发展，VIS 区域反射