使用光谱曲线对水稻鞘枯病进行基于机器学习的症状前检测

摘要：

在症状出现之前及早发现植物病害，可以进行有针对性和更积极的疾病管理。这项研究的目的是评估使用近红外（NIR）光谱与机器学习相结合来早期检测由真菌Solani引起的水稻鞘枯病（shB）。我们从易受shB影响的水稻（Oryza sativa L.）品种Lemont的叶子中收集了近红外光谱，该品种在接种R. solani的第二天以及出现任何疾病症状之前，生长在生长室中。支持向量机（SVM）和随机森林这两种机器学习算法，用于构建和评估基于监督分类的疾病预测模型的准确性。使用稀疏偏最小二乘判别分析来确认结果。比较模拟接种和接种植物的最准确模型是基于SVM的，总体测试精度为86.1％（N = 72），而比较对照、模拟接种和接种植物时，最准确的SVM模型的总体测试精度为73.3％（N = 105）。这些结果表明，机器学习模型可以开发成工具，用于根据疾病发展早期阶段的光谱分布来诊断受感染但无症状的植物。在现场测试和验证时 仍需要试验，该技术有望应用于疾病诊断和管理领域。