Prediction of late blight severity in a large panel of potato genotypes using low-altitude aerial images and machine learning methods

方法

无人机多光谱影像、NDVI、K-means聚类与核岭回归（KRR），以BLUEs

发现

KRR优于线性NDVI模型，中后期无人机评估与AUDPC排名高度一致，可替代人工田间评估。

机会点

可探索多时相UAV与深度学习模型在早期病害识别及跨环境、跨年份泛化上的潜力。

摘要 马铃薯（Solanum tuberosum L.）是保障全球粮食安全的关键主粮作物，然而其生产正受到晚疫病（late blight, LB）的严重威胁。该病由致病疫霉（Phytophthora infestans）引起，是全球最具破坏性的植物病害之一。抗晚疫病育种项目传统上依赖于劳动强度大且主观的视觉评估，这限制了其可扩展性和一致性，尤其在早期世代试验中尤为突出。基于无人机（unmanned aerial vehicle, UAV）的遥感技术结合机器学习（machine learning, ML）为客观、高通量的病害表型分析提供了一种有前景的替代方案。本研究评估了无人机获取的多光谱影像与机器学习技术在估算大规模、遗传多样性丰富的马铃薯育种群体晚疫病严重度方面的潜力，试验在秘鲁帕斯科省奥哈潘帕开展，包含两个试验群体：一个试验包含2 745个无性系，另一个包含492份种质材料。我们比较了基于植被指数的方法与整合K均值聚类和核岭回归（Kernel Ridge Regression, KRR）的机器学习框架，并评估了二者捕捉基因型变异和支持选择决策的能力。NDVI始终与视觉评估的晚疫病严重度呈强相关，尤其在病害发展的后期阶段，能够客观区分健康与患病冠层组织。然而，基于KRR的方法通过捕捉光谱响应与病害进展之间的非线性关系，优于基于NDVI的线性模型。由NDVI和KRR模型估算的晚疫病严重度以最佳线性无偏估计值（best linear unbiased estimates, BLUEs）表示，其与病害进展曲线下面积（area under the disease progress curve, AUDPC）表现出强且生物学上一致的关系，尤其在后期无人机采集时更为明显。在病害进展的中后期阶段，无人机估算值与基于AUDPC的排名之间的选择吻合度显著提高，表明在这些阶段进行无人机评估可捕捉到足够的表型变异以区分基因型。这些研究结果表明，基于无人机的多光谱表型分析，尤其是与机器学习相结合时，为马铃薯育种项目中评估晚疫病严重度提供了一种实用且可扩展的方法，同时减少了对耗时田间评估的需求。