荔枝霜疫病早期预测研究获进展
速读：作物病害早期预测是实现精准防控、减少农药投入和保障作物产量的重要基础。
荔枝霜疫病具有潜伏性强、发展快、防控窗口短等特点，如何在症状显现前识别病害风险，是提升果园精准防控能力亟待解决的关键问题。
荔枝霜疫病早期预测研究获进展
近日，华南农业大学人工智能与低空技术学院教授陆健强团队面向作物病害潜伏期识别与精准防控需求，构建了融合高光谱、叶片生理指标和物联网环境监测数据的多模态协同感知框架，提出门控时空图融合网络（GSGF-Net），为复杂果园环境下作物病害的无损早期预警提供了新的技术路径。相关成果发表于《农业系统》（ Agricultural Systems ）。
基于多模态时空数据融合的荔枝霜疫病早期预测总体框架。研究团队供图，下同
作物病害早期预测是实现精准防控、减少农药投入和保障作物产量的重要基础。许多病害在植株出现明显症状前，其生理状态和光谱响应已经发生变化，病害发展还受到温度、湿度和降雨等环境因素的持续影响。现有监测方法多依赖单一数据来源，难以全面刻画病原侵染过程中作物内部生理响应、外部环境驱动与光谱变化之间的复杂联系。荔枝霜疫病具有潜伏性强、发展快、防控窗口短等特点，如何在症状显现前识别病害风险，是提升果园精准防控能力亟待解决的关键问题。
针对上述问题，研究团队对高光谱、叶片生理指标和物联网环境监测数据进行统一时间对齐，利用动态时空连续投影算法（D-SPA）筛选与病害发展密切相关的关键波段，通过SWATH-Net提取环境因素的短期波动与跨周期累积效应，并采用门控循环单元刻画叶片生理指标的动态变化。在此基础上，团队构建GSGF-Net，通过门控跨模态交互机制实现光谱、生理和环境信息的自适应协同，并利用动态时空图学习建模不同模态、不同时间节点之间的关联，从而增强模型对病害潜伏期微弱变化的感知能力。