DOI: https://doi.org/10.3389/fpls.2025.1707646
PMID: https://pubmed.ncbi.nlm.nih.gov/41669632
تاريخ النشر: 2026-01-26
المؤلف: Ian Carlos Bispo Carvalho وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تستكشف هذه الدراسة تطبيق التصوير الطيفي العالي (HSI) بالتزامن مع التعلم الآلي لتحديد التغيرات الفسيولوجية في أوراق الكسافا المصابة بـ Xanthomonas phaseoli pv. manihotis (Xpm)، وهو مسبب الأمراض المسؤول عن خسائر كبيرة في المحاصيل على مستوى العالم. من خلال التقاط بيانات طيفية من أوراق الكسافا الصحية (402 صورة) والأوراق المصابة (450 صورة) عبر أطوال موجية تتراوح من 400 إلى 1000 نانومتر، كان الهدف من الدراسة هو تعزيز اتخاذ القرار في إدارة الأمراض من خلال تشخيص سريع ودقيق. شملت التحليلات معايير طيفية مثل الانعكاسية المتوسطة والفروق بين الأنسجة الصحية والمصابة. تم تقييم ستة نماذج تعلم آلي لأدائها في التصنيف، حيث حقق نموذج آلة الدعم الشعاعي (SVM) أعلى دقة بنسبة 91.41%، تلاه نموذج متعدد الطبقات (MLP) بنسبة 87.89%، وأظهرت نماذج أخرى مثل تعزيز التدرج المتطرف (XGBoost) والغابة العشوائية (RF) دقة أقل.
تؤكد النتائج فعالية دمج التعلم الآلي مع البيانات الطيفية للكشف عن مرض البكتيريا في الكسافا، مع تسليط الضوء بشكل خاص على الأداء المتفوق لـ SVM. كما تشير الدراسة إلى أن MLP وXGBoost وRF قدمت نتائج مرضية، مما يدل على ضرورة اختيار الخوارزميات المناسبة لتشخيص أمراض النباتات المحددة. علاوة على ذلك، أكدت التحليلات الطيفية أن التغيرات الفسيولوجية التي تسببها Xpm يمكن اكتشافها من خلال الانعكاسية القريبة من الأشعة تحت الحمراء، مما يبرز أهمية التقنيات الطيفية في تشخيص أمراض النباتات.
مقدمة
تتناول مقدمة ورقة البحث التهديد الكبير الذي تشكله البكتيريا في الكسافا، الناتجة عن المسبب Xanthomonas phaseoli pv. manihotis (Xpm)، والذي يؤثر على إنتاج الكسافا في ما يقرب من 50 دولة ويمكن أن يؤدي إلى خسائر في المحاصيل تتراوح بين 30% إلى 90%. يظهر المرض من خلال أعراض مثل بقع أوراق شفافة ومبللة بالماء يمكن أن تتطور إلى نخر وذبول. يعتمد الإدارة الفعالة على الكشف في الوقت المناسب عن تفشي المرض، وقد أظهرت التطورات الأخيرة في تقنيات التشخيص غير الغازية، وخاصة التصوير الطيفي العالي، وعدًا في التطبيقات الزراعية، بما في ذلك الكشف عن الأمراض.
على الرغم من إمكانيات التصوير الطيفي العالي، لا تزال هناك تحديات مثل اختيار الطول الموجي الأمثل وقابلية التوسع في السياقات الزراعية الكبيرة. يعد دمج خوارزميات التعلم الآلي أمرًا ضروريًا لاستخراج رؤى قابلة للتنفيذ من البيانات الطيفية، مما يسهل تطوير استراتيجيات فعالة لإدارة الأمراض. تسلط الورقة الضوء على فائدة التعلم الآلي، بما في ذلك أساليب التعلم المراقب وغير المراقب وشبه المراقب، في تحليل البيانات الطيفية العالية لتوقع أمراض النباتات. ومع ذلك، هناك فجوة ملحوظة في تطبيق هذه التقنيات بشكل محدد للكشف عن Xpm في نباتات الكسافا. وبالتالي، تهدف هذه الدراسة إلى الابتكار من خلال دمج التصوير الطيفي العالي مع التعلم الآلي لتعزيز تشخيص وإدارة مرض البكتيريا في الكسافا.
طرق
في هذه الدراسة، تم تقييم ستة طرق تعلم مراقب لمهام التصنيف: شجرة القرار (DT)، الغابة العشوائية (RF)، آلة الدعم الشعاعي (SVM)، الجيران الأقرب (KNN)، تعزيز التدرج المتطرف (XGBoost)، ونموذج متعدد الطبقات (MLP). تم تقسيم مجموعة البيانات إلى مجموعات تدريب (70%) واختبار (30%) من خلال نهج أخذ عينات طبقي للحفاظ على توزيع الفئات الأصلية.
تم إجراء تحسين المعلمات الفائقة لكل طريقة باستخدام مكتبة Optuna، مع استخدام التحقق المتقاطع الطبقي ذو الخمس طيات لتقييم مجموعات مختلفة من المعلمات الفائقة أثناء التدريب. تم حساب متوسط درجة التحقق المتقاطع لكل تجربة لإبلاغ عملية التحسين وتعزيز قوة النموذج، مما يقلل من خطر الإفراط في التكيف. بعد هذا التحسين، تم تدريب النموذج النهائي لكل طريقة على مجموعة بيانات التدريب باستخدام المعلمات الفائقة المثلى المحددة.
نتائج
في هذه الدراسة، تم تحليل الخصائص الطيفية لأوراق الكسافا الصحية والمصابة بـ Xanthomonas phaseoli (Xpm) باستخدام التصوير الطيفي العالي. تم تقييم ما مجموعه 852 ورقة، مع 402 عينة صحية و450 عينة عرضية. شملت نماذج التعلم الآلي المطبقة على البيانات الطيفية آلة الدعم الشعاعي (SVM)، نموذج متعدد الطبقات (MLP)، XGBoost، الغابة العشوائية (RF)، شجرة القرار (DT)، والجيران الأقرب (KNN). من بين هذه النماذج، حقق SVM أعلى دقة بنسبة 91.41%، مما يظهر أداءً متفوقًا في التمييز بين العينات الصحية والمصابة. تلاه MLP بدقة 87.89%، مما يدل على فعاليته في اكتشاف التغيرات الطيفية الدقيقة.
أكدت مقاييس التحقق أيضًا على هيمنة SVM، مع درجة F1 تبلغ 0.9209، واسترجاع 0.9481، وAUC-ROC 0.9684، مما يبرز توازنه بين الدقة والحساسية. كما قدم MLP أداءً جيدًا، خاصة في الاسترجاع (0.9111) وROC-AUC (0.9473). في المقابل، أظهرت XGBoost وRF أداءً متوسطًا، بينما كانت DT وKNN الأقل دقة، حيث كان أداء KNN الأضعف بشكل عام. كشفت التحليلات الطيفية عن فروق كبيرة في الانعكاسية بين الأوراق الصحية والمصابة، خاصة في المنطقة القريبة من الأشعة تحت الحمراء (700-1000 نانومتر)، حيث كانت الفروق الأكثر وضوحًا تحدث حول 760 نانومتر. تؤكد الدراسة على إمكانيات التصوير الطيفي العالي والتعلم الآلي لتصنيف الأمراض بشكل فعال في نباتات الكسافا.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التطبيق الناجح لتقنيات التعلم الآلي، وخاصة آلة الدعم الشعاعي (SVM)، في تشخيص مرض البكتيريا في الكسافا الناتج عن *Xanthomonas phaseoli pv. manihotis*. تفوق نموذج SVM على الخوارزميات الأخرى، بما في ذلك نموذج متعدد الطبقات (MLP)، XGBoost، والغابة العشوائية (RF)، في التمييز بين أوراق الكسافا الصحية والمصابة بناءً على البيانات الطيفية العالية. يُعزى الأداء المتفوق لـ SVM إلى قدرته على التعامل مع البيانات المعقدة وعالية الأبعاد، وهو أمر حاسم للفصل الفعال بين الفئات. كما أظهر MLP أيضًا قدرات تصنيف قوية، حيث حقق دقة أقل بقليل من تلك الخاصة بـ SVM، بينما أظهرت XGBoost وRF نتائج متوسطة. في المقابل، كانت شجرة القرار (DT) والجيران الأقرب (KNN) الأقل فعالية بسبب قيودها في معالجة مجموعات البيانات عالية الأبعاد.
كشفت التحليلات الطيفية عن اختلافات فسيولوجية كبيرة بين الأوراق الصحية والمصابة، خاصة في منطقة الأشعة تحت الحمراء القريبة (NIR) (700-1000 نانومتر)، حيث أظهرت النباتات الصحية قيم انعكاسية طبيعية أعلى. تشير هذه النمط إلى هياكل خلوية سليمة ضرورية للوظائف الفسيولوجية، بينما تشير الانعكاسية المنخفضة في الأوراق المصابة إلى تلف هيكلي نموذجي للإصابات البكتيرية. تؤكد الدراسة على إمكانيات التصوير الطيفي العالي المدمج مع التعلم الآلي للكشف المبكر عن أمراض النباتات، على الرغم من أنها تشير إلى الحاجة إلى مزيد من البحث لاستكشاف التغيرات الطيفية عبر أصناف الكسافا المختلفة ولتنقيح تقنيات الكشف عن المواد التناسلية المصابة. قد تشمل التطبيقات المستقبلية استخدام كاميرات مثبتة على الطائرات بدون طيار وأجهزة استشعار محمولة للتقييمات الميدانية.
DOI: https://doi.org/10.3389/fpls.2025.1707646
PMID: https://pubmed.ncbi.nlm.nih.gov/41669632
Publication Date: 2026-01-26
Author(s): Ian Carlos Bispo Carvalho et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
This study investigates the application of hyperspectral imaging (HSI) in conjunction with machine learning to identify physiological changes in cassava leaves infected by Xanthomonas phaseoli pv. manihotis (Xpm), a pathogen responsible for substantial yield losses globally. By capturing spectral data from healthy (402 images) and symptomatic (450 images) cassava leaves across wavelengths of 400 to 1000 nm, the researchers aimed to enhance decision-making in disease management through rapid and accurate diagnostics. The analysis included spectral parameters such as mean reflectance and differences between healthy and infected tissues. Six machine learning models were evaluated for their classification performance, with Support Vector Machine (SVM) achieving the highest accuracy of 91.41%, followed by Multi-Layer Perceptron (MLP) at 87.89%, and others like Extreme Gradient Boosting (XGBoost) and Random Forest (RF) showing lower accuracies.
The findings underscore the effectiveness of integrating machine learning with hyperspectral data for detecting cassava bacterial blight, particularly highlighting SVM’s superior performance. The study also notes that MLP, XGBoost, and RF provided satisfactory results, indicating the necessity of selecting suitable algorithms for specific plant disease diagnostics. Furthermore, the spectral analysis confirmed that physiological alterations induced by Xpm can be detected through near-infrared reflectance, emphasizing the relevance of spectral techniques in plant disease diagnosis.
Introduction
The introduction of the research paper addresses the significant threat posed by cassava bacterial blight, caused by the pathogen Xanthomonas phaseoli pv. manihotis (Xpm), which affects cassava production in nearly 50 countries and can lead to yield losses of 30% to 90%. The disease manifests through symptoms such as translucent, water-soaked leaf spots that can progress to necrosis and wilting. Effective management relies on timely detection of outbreaks, and recent advancements in noninvasive diagnostic techniques, particularly hyperspectral imaging, have shown promise in agricultural applications, including disease detection.
Despite the potential of hyperspectral imaging, challenges such as optimal wavelength selection and scalability in large agricultural contexts persist. The integration of machine learning algorithms is essential for extracting actionable insights from spectral data, facilitating the development of effective disease management strategies. The paper highlights the utility of machine learning, encompassing supervised, unsupervised, and semi-supervised learning approaches, in analyzing hyperspectral data for plant disease prediction. However, a notable gap exists in applying these techniques specifically for detecting Xpm in cassava plants. Consequently, this study aims to innovate by combining hyperspectral imaging with machine learning to enhance the diagnosis and management of cassava bacterial blight.
Methods
In this study, six supervised learning methods were assessed for classification tasks: Decision Tree (DT), Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Extreme Gradient Boosting (XGBoost), and Multi-Layer Perceptron (MLP). The dataset was divided into training (70%) and testing (30%) subsets through a stratified sampling approach to preserve the original class distribution.
Hyperparameter optimization for each method was performed using the Optuna library, employing 5-fold stratified cross-validation to evaluate various hyperparameter combinations during training. The mean cross-validation score for each trial was calculated to inform the optimization process and enhance model robustness, thereby mitigating the risk of overfitting. Following this optimization, the final model for each method was trained on the training dataset utilizing the optimal hyperparameters identified.
Results
In this study, the spectral characteristics of healthy and Xanthomonas phaseoli (Xpm)-infected cassava leaves were analyzed using hyperspectral imaging. A total of 852 leaves were evaluated, with 402 healthy and 450 symptomatic samples. The machine learning models applied to the spectral data included Support Vector Machine (SVM), Multi-Layer Perceptron (MLP), XGBoost, Random Forest (RF), Decision Tree (DT), and K-Nearest Neighbors (KNN). Among these, SVM achieved the highest accuracy of 91.41%, demonstrating superior performance in distinguishing between healthy and infected samples. MLP followed with an accuracy of 87.89%, indicating its effectiveness in detecting subtle spectral variations.
Validation metrics further confirmed SVM’s dominance, with an F1 Score of 0.9209, Recall of 0.9481, and AUC-ROC of 0.9684, highlighting its balance of precision and sensitivity. MLP also performed well, particularly in Recall (0.9111) and ROC-AUC (0.9473). In contrast, XGBoost and RF showed intermediate performance, while DT and KNN had the lowest accuracies, with KNN performing the weakest overall. The spectral analysis revealed significant differences in reflectance between healthy and infected leaves, particularly in the near-infrared region (700-1000 nm), with the most pronounced differences occurring around 760 nm. The study underscores the potential of hyperspectral imaging and machine learning for effective disease classification in cassava plants.
Discussion
The discussion section of the research paper highlights the successful application of machine learning techniques, particularly Support Vector Machine (SVM), in diagnosing cassava bacterial blight caused by *Xanthomonas phaseoli pv. manihotis*. The SVM model outperformed other algorithms, including Multi-Layer Perceptron (MLP), XGBoost, and Random Forest (RF), in distinguishing between healthy and infected cassava leaves based on hyperspectral data. The superior performance of SVM is attributed to its ability to handle complex, high-dimensional data, which is crucial for effective class separation. The MLP also demonstrated strong classification capabilities, achieving an accuracy only slightly lower than that of SVM, while XGBoost and RF showed intermediate results. In contrast, Decision Tree (DT) and K-Nearest Neighbors (KNN) were the least effective due to their limitations in processing high-dimensional datasets.
The spectral analysis revealed significant physiological differences between healthy and infected leaves, particularly in the near-infrared (NIR) region (700-1000 nm), where healthy plants exhibited higher normalized reflectance values. This pattern indicates intact cellular structures essential for physiological functions, while lower reflectance in infected leaves suggests structural damage typical of bacterial infections. The study underscores the potential of hyperspectral imaging combined with machine learning for early detection of plant diseases, although it notes the need for further research to explore spectral variations across different cassava cultivars and to refine detection techniques for infected propagative materials. Future applications may include the use of drone-mounted cameras and portable sensors for field assessments.