使用多变量模型对稻田褐飞虱危害的光谱特征与严重度进行表征

为何微小昆虫会影响你的米饭碗

稻米养活了数十亿人，尤其是在亚洲，但一种小如针尖的昆虫——褐飞虱——能悄然掠夺田间生机，使产量损失多达四分之三。农民通常只有在植株已经发黄枯死后才发现问题，那时已无法挽回产量。本研究探讨了如何用特殊传感器“倾听”稻叶反射的光，并用现代机器学习工具解读这些信号，将褐飞虱的危害从隐匿的威胁转变为清晰的预警——在田间崩溃之前就能察觉。

通过叶片反射光观察稻株

研究者使用了三种稻株材料，包括两种常见的巴斯马蒂品种和一种已知尤其脆弱的品种。研究并不等待明显的受害迹象，而是对盆栽植株施加递增数量的褐飞虱若虫——从无到非常严重的侵染等级——然后用便携式高光谱传感器测量叶片在350到2500纳米范围内对类太阳光辐射的反射。这类传感器把光分解成数百个窄波段，远超人眼可见范围，能捕捉与色素、水分含量和叶内结构相关的细微健康指纹。

细微色彩位移揭示隐匿胁迫

即便植株外观仍较为正常，随着昆虫数量上升，其光谱特征已以系统性的方式发生变化。健康叶片富含叶绿素并细胞完整，会强烈吸收红光并大量反射近红外光。在较重的褐飞虱取食下，红光的反射增加（表明色素流失），而近红外与短波红外的反射模式则呈现与细胞损伤和干燥相一致的变化。一个尤其敏感的过渡带——称为“红边”，位于红光与近红外之间——随着胁迫加剧而向低波长方向移动。侵染后约40天，严重受害的植株反射光更像裸土而非生长的叶片，反映出组织几近崩溃的状态。

把光学模式转化为害虫严重度评分

为使这些光谱线索对实际监测有用，团队将原始反射率转换为植被指数——一些突出绿色生物量与色素含量特征的简单波长组合。在检验的28个此类指数中，与叶片色素相关的一小组对褐飞虱侵害特别敏感。科学家随后训练了多种多变量模型，包括随机森林、支持向量机和偏最小二乘回归，将这些指数或完整光谱曲线与实际的每株昆虫数量联系起来。仅用四个关键指数，随机森林在受控测试中就能以显著精度预测害虫严重度，并在用自然侵染下独立田间数据检验时保持可靠性。

将昆虫危害与植株化学性质联系起来

由于光的反射最终取决于叶片内部发生的变化，研究者还测量了叶绿素、类胡萝卜素、蛋白质和黄酮类等生化性状。随着褐飞虱数量增加，叶绿素、类胡萝卜素和蛋白质持续下降，证实昆虫在破坏光合作用与基本代谢。用完整高光谱数据的模型能够较好地估算这些关键生化变化，其中偏最小二乘回归表现最佳。黄酮类的反应则不同：在中等胁迫水平时上升，只有在伤害严重时才下降，反映了它们在短期植物防御中的作用，而非持续损耗，这也使得仅靠光谱预测黄酮类更具挑战性。

从概念验证走向更智能的田间管理

总体而言，结果表明褐飞虱造成的损害并非突然显现；它留下了一长串可无损获取的光学与生化线索，可被转译为有意义的风险评分。尽管该研究在单一生长季和区域、主要在温室条件下进行，但它证明了高光谱感测结合机器学习能在不同稻种间及早检测有害昆虫群体，无需拔起植株或单靠专家目测。经进一步验证并部署于无人机或卫星平台，这些原理可支撑早期预警系统，帮助农民及时发现隐形胁迫，保护收成与粮食安全。

引用: Madhuri, E.V., Ramalingam, S., Rupali, J.S. et al. Spectral characterization and severity assessment of rice brown planthopper damage using multivariate models. Sci Rep 16, 11880 (2026). https://doi.org/10.1038/s41598-026-42245-0

关键词: 稻田害虫, 褐飞虱, 高光谱感测, 精准农业, 机器学习