水稻有害生物防控技术创新团队利用高光谱与机器学习助力褐飞虱抗性早期筛选
近日，中国水稻研究所水稻有害生物防控技术创新团队在《Artificial Intelligence in Agriculture》发表了题为“Hyperspectral–machine learning framework enables early and non-destructive prediction of plant resistance to pest”的研究论文，研究借助高光谱技术结合机器学习，为褐飞虱抗性早期鉴定筛选交出了新的解决方案。
褐飞虱是水稻生产上的重大害虫，刺吸水稻汁液，严重时造成大片稻株枯死，还会传播病毒。培育抗褐飞虱水稻品种，是减少农药使用、实现害虫绿色防控的关键手段。但传统抗虫鉴定需要人工接虫，等待植株出现受害症状后再人为打分，不仅费时费力，还会损伤水稻植株，鉴定结果也容易受人为主观因素干扰。
高光谱技术相当于给水稻做一场精细的“光学体检”。设备捕捉水稻叶片数百个连续波段的光反射信号，可以读出肉眼看不到的叶绿素含量、叶片内部结构、水分以及次生代谢物质的细微变化；搭配可解释机器学习，不仅完成抗性预测，还能定位起作用的光谱波段，解释背后的生理逻辑。
图1：不同抗性等级的平均光谱曲线及主成分分析图
研究选用50个抗性各不相同的水稻品种，共计842株水稻幼苗，涵盖高抗、抗、中抗、感、高感五个抗性等级，分别在褐飞虱接虫取食前后采集水稻光谱数据，对比13种机器学习算法，筛选最优预测模型。
实验发现，不同抗虫能力的水稻拥有专属“光谱指纹”。高抗植株在绿光峰、红边和近红外区域通常具有更高反射率，而高感植株的红边变化趋缓、近红外信号降低。这些变化与受害后叶绿素降解、叶片组织受损和水分状态改变相吻合，说明水稻抗虫性是多个生理过程协同表现，并非由单一波长信号决定。在测试品种范围内，接虫受害之后，径向基函数核的支持向量机模型表现最优，全光谱数据的平均分类准确率可达93.9%，最高97.2%，可以很好辅助抗性分级。
图2：同算法、预处理方式和验证方案的性能比较
此外，研究还发现还没遭受褐飞虱取食的水稻，光谱里已经藏着抗性信号。接虫前光谱数据五等级抗性分类平均准确率 57.2%，合并为抗、感二分类后准确率达到 66.7%，显著高于随机猜测水平。这说明水稻本身固有的生理状态就和抗虫能力相关，这套模型虽不能直接替代传统鉴定，但适合育种工作大规模材料的早期初筛，快速圈定候选材料，再用传统接虫试验做最终确认。模型识别的关键波段集中在绿光、红边与近红外区域，分别关联光合色素、叶片组织结构和水分状态。
图3：接虫前光谱预测流程、五级分类结果和关键波段
这项技术开辟了水稻抗虫性无损评价的新思路。未来可采用两步筛选模式：先用便携低成本设备完成海量育种材料初筛，再用高光谱完成重点材料精细评估。后续结合基因组、代谢组等多组学数据，有望打通抗性基因、生理防御和光谱特征的联系，助力抗虫水稻高效精准育种。
研究得到国家水稻产业技术体系、水稻生物育种全国重点实验室项目、浙江省“尖兵”“领雁”研发攻关计划、中国农业科学院科技创新工程和中央级公益性科研院所基本科研业务费专项等支持。中国水稻研究所为第一完成单位，万品俊副研究员为第一作者和通讯作者，傅强研究员为末位通讯作者。
论文链接：
https://www.sciencedirect.com/science/article/pii/S2589721726000814?via%3Dihub