中国农业大学植保学院马占鸿教授团队在《智能农业技术》发表研究成果

科研动态1周前更新 4bef476e3e32f848

209 5 0

文章导读

当你终于在叶片上发现那些肉眼可见的夏孢子堆时，其实病害早已悄悄度过了最佳干预窗口。传统田间调查依赖人工目视识别，永远比病害发展慢半拍——这就是为什么年年打药却总是防不住玉米南方锈病的真正原因。但中国农大马占鸿教授团队最近发表的研究，可能要彻底颠覆这个困局。他们用连续12天的高光谱监测+AI模型，发现了一个反直觉的关键指标，能在症状出现前精准预测发病倒计时。这意味着杀菌剂施用不再靠经验和运气，而是变成一场可以提前预判的精准伏击。看完这篇，你或许会后悔之前白花了不少冤枉钱。

— 内容由好学术AI分析文章内容生成，仅供参考。

近日，植物保护学院植病流行与智慧植保实验室马占鸿教授团队在《智能农业技术》（Smart Agricultural Technology）杂志上发表了题为“Field-based hyperspectral monitoring of southern corn rust incubation”的研究论文。该研究提出了适用于田间自然发病场景的潜育期量化指标——症状出现前天数（Days Before Symptom, DBS），并基于田间自然光下采集的高光谱数据，实现了玉米南方锈病潜育期诊断和症状出现前天数的预测。

传统的田间调查依赖于对夏孢子堆的人工识别，这种依赖可见病害症状的做法往往滞后，可能会延误对病害流行的判断，导致错过最佳防治时机。本研究在为期12天的潜育期内，对玉米叶片进行了连续高光谱监测。通过采用连续小波变换提取多尺度光谱特征（小波系数），并构建一维卷积神经网络模型，成功实现了对发病前天数的预测。该研究成果能够为农业生产者提供关于玉米南方锈病暴发时间的科学评估，帮助决策者更精准地确定杀菌剂施用窗口，从而实现及时干预并减少化学药剂的使用。

Fig. 1 Schematic representation of the back-calculation method for determining Days Before Symptom (DBS) based on daily disease status recordings(a) and Mean reflectance spectra and standard deviation for different stages of SCR infection (b).

中国农业大学植物保护学院马占鸿教授为本文的通讯作者，中国农业大学植物保护学院博士后高建孟为本论文第一作者，中国农业大学为第一单位，新疆维吾尔自治区农业科学院为第二单位；中国农业大学孙秋玉、马玥、范博佳、杨秭乾以及新疆维吾尔自治区农业科学院付艳丽参与了该工作。该研究得到农林生物安全全国重点实验室联合攻关项目(SKLJRP2507)和国家重点研发计划项目(2023YFD1400800)的资助。