植物病原體的傳播對農業產量構成重大威脅，而早期病害檢測是精準農業中的一大關鍵挑戰。傳統檢測方法在靈敏度和效率方面存在局限，而高光譜成像（HSI）和多光譜成像（MSI）等基于成像的技術憑借其非侵入性、高通量和自動化優勢，展現出巨大潛力。研究表明，這些技術可在作物癥狀出現前檢測病害，準確率高達90%以上。然而，目前的研究仍存在空間分辨率和光譜分辨率不足、樣本病原體負荷驗證不充分以及環境因素影響未明確等局限。本研究以番茄細菌性葉斑?。˙LS）為模型，結合高光譜相機與機器學習技術，全面表征從接種前到疾病進展全過程的葉片光譜變化，驗證病原體負荷與光譜數據的相關性，并分析成像背景因素對檢測結果的影響。研究結果表明，HSI 技術可實現番茄幼苗上 BLS 的早期檢測，從而有助于溫室中及時移除受感染植株，有效降低大規模疫情的風險。

番茄種子（Solanum lycopersicum，品種 Early Girl，MountAIn Valley Seed Co.）播種于48格托盤，在25-38°C溫室中生長三周。種子在播種后7-10天發芽，2周后施一次肥（Osmocote Smart-Release, ICL），每日澆水兩次（上午8點和下午5點，各2分鐘）。接種實驗使用三周大的番茄植株，在接種前后24小時用無菌水噴灑并裝袋處理。

番茄植株通過浸入含300 mL X. perforans 接種液和0.02% Silwet 的滅菌杯中1分鐘完成接種；對照植株則浸入含300mL10 mM MgSO? 和0.02% Silwet 的滅菌杯中。實驗共進行了兩次：第一次分為8個單元，每單元包含2株植株，其中1-2和5-6單元為對照組，3-4和7-8單元為接種組；第二次實驗有10個單元，1-5單元為對照組，6-10單元為接種組。

每個實驗收集數據九次：接種前 (bi)、接種后 2 小時（接種后 0 天，dai）、從 1 到 7 天每 24 小時收集一次。收集了三種類型的數據，包括疾病評級、細菌種群大小測量和高光譜圖像數據（圖 1）。根據對每個實驗單元中番茄植株的目視觀察收集與疾病相關的數據。然后從每個實驗單元中摘除一到六片葉子。在評估脫落葉片的疾病嚴重程度后，作者團隊使用Resonon高光譜臺式成像系統（Resonon PIKA-L 和 PIKA-IR）捕捉每個脫落葉片的高光譜圖像。然后對葉片進行處理以估計葉片組織中的細菌種群大小。

圖1. 數據收集和數據分析的過程。

高光譜圖像采集使用Resonon Pika L高光譜成像儀（可見光和近紅外：400-1000 nm）和 Pika NIR320高光譜成像儀（短波紅外：900-1700 nm）臺式系統收集葉片的高光譜圖像。
 

圖2. 高光譜掃描精度（A）背景材料（B）、葉片大小（C）、葉片結構（D）對番茄葉片反射率的影響。
 

圖3. 在 BLS 病害進展的開始 (A)、早期 (B)、中期 (C) 和晚期 (D) 階段，未接種和接種番茄植株的相似性。使用葉片級全光譜分析中使用的所有數據集生成圖表。
 

圖4. 使用 7 天像素級全光譜數據訓練的最佳模型預測 7 天離體葉片 HSI 圖像上的像素健康狀況。左：VISNIR RF 模型。右：SWIR SVM 模型。 
 

高光譜成像（HSI）在早期疾病檢測中表現出良好效果，但缺乏驗證的高分辨率（空間和光譜）HSI 數據來表征植物葉片在不同疾病進展階段的反應。為彌補這一不足，作者團隊以番茄細菌性葉斑?。ù┛S 單胞菌）為模型，對番茄葉片高光譜圖像進行了連續七天的病原體種群驗證，以揭示健康葉片與受感染葉片之間的差異。通過葉片級全光譜數據、植被指數（VI）數據和四個疾病進展階段的像素級全光譜數據訓練機器學習模型。結果顯示，HSI 能在癥狀前階段檢測疾病，并有效區分細菌性病斑與非生物性葉斑。相比直接使用原始數據，VI 數據作為機器學習特征可將分類性能提高 26–37%。不同疾病階段的關鍵波段和 VI 各不相同，癥狀前檢測主要依賴葉片含水量（1400 nm）和植物防御激素反應（750 nm）的變化，而癥狀期更依賴葉片色素和內部結構變化（800–900 nm）。綜上，這項研究揭示了 HSI 在早期葉片病害檢測中的潛力，強調葉片結構分割和 VI 模式分析的重要性，同時為細菌性斑點病的動態過程提供了重要見解。