【农业科研进展】小麦白粉病与植物叶部病害监测识别

作物病变、虫害，作为威迫作物生长的主因之一，一直是科研攻关的方向。随着深度学习、物联网、遥感等技术的不断发展，不少农科院所也在尝试借助现代科技，突破病变的识别与监测，致力于将病害扼杀在萌芽阶段。近期，中国农业科学院与甘肃农业大学、安徽大学与安徽省农业科学院的团队发表了相关研究论文，阐述了植物病变监测研究进展。

一、植物叶部病害检测与识别

中国农业科学院与甘肃农业大学，将深度学习应用于植物病害检测与识别中，就提升病害检测与识别的准确率为目标展开了研究。研究收集和介绍了部分公开的植物病害图像数据集，概述近年来深度学习在植物病害检测，与识别中的研究应用进展，及植物病害检测识别的研究进展历程和各算法的优缺点。

植物病变的监测难点在于：病害症状的相似性、不同时期症状变化、以及多种病害交叠共存，也就是说在光照、遮挡、复杂背景等因素的相互影响下，成为病害检测和识别面临的主要挑战。将神经网络、大数据和农业理论相结合，可用于早期病害识别，可以克服传统诊断方法的弊端，是未来主要的发展趋势，为植物病害识别的深入研究与发展提供参考。

二、小麦白粉病监测方法

小麦白粉病小麦白粉病菌内生理分化现象十分明显，且病菌对温湿度的适应范围广泛，目前国内已鉴定出生理小种70多个。对此，安徽大学与安徽省农业科学院，以卫星遥感技术大范围监测和评估小麦白粉病展开了研究。

研究利用多源多时相卫星遥感影像监测小麦白粉病并提升分类精度，通过热红外传感器数据、中分辨率成像光谱仪数据反演地表温度、宽幅相机数据提取小麦种植区和计算植被指数。利用用户精度、生产者精度、总体精度和Kappa系数对比四个模型的分类精度。结果显示，研究构建的SMLST-SVM取得了最高分类精度，总体精度和Kappa系数分别为81.2%和0.67，而SLST-SVM则为76.8%和0.59，显著提升了小麦白粉病的识别精度。

植物病变的早期识别是防治的关键，上述研究在推动病虫害精准化防治与数字信息化管理，向智慧农业又前进了一步，希望更多科研成果能在农业生产加工中应用，真正做到学以致用。