病害是影響植物生長發(fā)育的關鍵因素之一，早期識別、發(fā)現(xiàn)病害，及早控制，有利于提高作物產(chǎn)量和質(zhì)量，保障食品安全，為抗病育種提供數(shù)據(jù)支持等。隨著科技發(fā)展，應用于植物病害檢測的越來越多，其中基于圖像的光譜成像技術已十分成熟，其具有早期、無損、靈敏、高通量等特點，正逐漸廣泛應用于科研、生產(chǎn)等領域的植物病害檢測。

易科泰在光譜成像技術領域深耕多年，具有全面、先進的植物病害檢測技術方案，完備的產(chǎn)品線和技術能力，擁有成熟的葉綠素熒光成像、高光譜成像、葉綠素熒光多光譜/高光譜成像、Thermo-RGB熱成像、表型成像分析平臺等全套產(chǎn)品，以下便通過幾則研究案例推薦一些病害檢測的技術方案：

案例一：葉綠素熒光測量技術+高光譜測量技術：監(jiān)測小麥穗赤霉病

赤霉病（FHB）由多種鐮刀菌引起，該病菌通過加重小麥穗的色素沉著，破壞生理結(jié)構(gòu)，干擾光合作用過程等，影響小麥生產(chǎn)。因此，利用實時、非破壞性的方法進行頻繁檢測，對于指導針對性施藥、控制病原體傳播、保障糧食生產(chǎn)十分重要。南京農(nóng)業(yè)大學的研究人員2023年發(fā)表在《Frontiers in Plant Science》上的一篇文章，對如何利用機器學習和多模態(tài)數(shù)據(jù)來識別、監(jiān)測小麥穗期的鐮刀菌枯萎?。?/span>FHB）進行了研究。

研究中利用高光譜成像技術、葉綠素熒光成像技術、高通量表型平臺等，連續(xù)兩年測量，獲得了麥穗從無癥狀到有赤霉病癥狀期間的高光譜反射率（HR）、葉綠素熒光成像（CFI）和高通量表型（HTP）的大量數(shù)據(jù)。研究中還用到了光合儀測定凈光合速率，使用高通量表型平臺獲取表型數(shù)據(jù)等。

基于這些數(shù)據(jù)，采用Boruta方法選擇疾病敏感特征，然后通過方差膨脹因子（VIF）分析，通過ML-SFFS對選定的疾病敏感特征（SDSF）進行部分融合，開發(fā)了一種用于識別小麥穗赤霉病、估算病害嚴重程度的方法。結(jié)果表明，生化參數(shù)、光譜反射、葉綠素熒光參數(shù)和其他表型參數(shù)在麥穗-病原體相互作用期間顯示出一致的變化。使用ML-SFFS進行無癥狀疾病檢測的特征組合為兩種到三種，平均分類準確度為87.04%，隨著疾病嚴重程度的提高，準確度逐漸提高到95%。

案例二：葉綠素熒光成像技術：番茄幼苗青枯病早期檢測

番茄青枯病由青枯病菌（Ralstonia solanacearum）引起，嚴重影響番茄幼苗和果實生產(chǎn)。為了有效管理和減少該病的傳播，需要進行監(jiān)測和早期檢測。在韓國全州國立大學的Kim等人發(fā)表的一項研究中，對溫室條件下種植的30個不同青枯病抗性的番茄品種幼苗進行青枯病菌接種，接種采用傷口接種法（Wound）和非傷口接種法（non-Wound）。使用FluorCam葉綠素熒光成像系統(tǒng)監(jiān)測對照及接種幼苗接種5天后（dpi）的光合變化，以及統(tǒng)計16dpi的視覺疾病指數(shù)（DI）。

由結(jié)果可知，Fv/Fm在大多數(shù)品種中在2 dpi開始下降，并在5 dpi達到值。16個品種在3 dpi開始出現(xiàn)肉眼可見的病害整株，所有中度抗性和敏感品種在5 dpi顯示肉眼可見的性狀變化，4個抗性品種未在5dpi出現(xiàn)視覺性狀變化?？偟膩碚f，通過DI和葉綠素熒光參數(shù)Fv/Fm可以對比篩選抗青枯病番茄品種，但Fv/Fm在出現(xiàn)視覺可見的癥狀之前更有效，實現(xiàn)早期檢測。

案例三：多光譜/高光譜熒光成像：甜瓜白粉病影響光合作用和次生代謝

瓜類白粉病主要是由Podosphaera xanthii引起的，是限制瓜類作物生產(chǎn)的主要因素之一。然而對于控制這一疾病的生理過程的遺傳和分子基礎，我們知之甚少。Scientific Reports發(fā)表過的一項研究針對此進行了探究，

研究中使用RNA測序技術，通過在早期感染階段的不同時間點獲得的RNA樣本，鑒定了在Cucumis melo葉片上接種P. xanthii后的差異化表達基因，與未感染對照樣本進行了比較。同時，使用FluorCam多光譜熒光成像系統(tǒng)對甜瓜植株進行了光合表型檢測。  

研究發(fā)現(xiàn)感染植物中參與光合作用及其相關過程的基因被上調(diào)，而參與次生代謝途徑（如苯丙素生物合成）的基因被下調(diào)。這些基因表達的變化可以通過葉綠素熒光成像和藍綠熒光成像分析得到驗證，成像結(jié)果證實了病原菌侵染引發(fā)的甜瓜光合作用活性的改變和酚類化合物生物合成的抑制。

參考文獻：

[1] Mustafa G, Zheng H, Li W, et al. Fusarium head blight monitoring in wheat ears using machine learning and multimodal data from asymptomatic to symptomatic periods[J]. Frontiers in Plant Science, 2023, 13: 1102341.

[2] Kim JiHyeon K J H, Bhandari S R, Chae SooYoung C S Y, et al. Application of maximum quantum yield, a parameter of chlorophyll fluorescence, for early determination of bacterial wilt in tomato seedlings[J]. 2019.

[3] Polonio á, Pineda M, Bautista R, et al. RNA-seq analysis and fluorescence imaging of melon powdery mildew disease reveal an orchestrated reprogramming of host physiology[J]. Scientific Reports, 2019, 9(1): 7978.