A novel phenotyping approach for reconciling precision and variance in disease severity estimates from high-resolution imaging

摘要 植物病害的准确定量对于抗性育种、品种测试和精准农业至关重要，然而视觉评级受主观性、低精度和通量受限的制约。基于图像的表型分析可以解决这些局限，但田间应用因空间异质性和微小诊断特征而面临挑战。因此需要具有有限视场和浅景深的高分辨率图像，这限制了可分析的叶面积。这引入了一个根本性的权衡：高分辨率图像可提供病害的精确局部测量，但样点水平的估计值在试验单元内可能高度变异。因此，一个关键挑战是理解这种变异性，并开发采样策略，将精确的局部观测转化为可靠的小区水平测量。本研究分析了由连续两天在15个试验小区获取的16，650张图像得出的小麦叶枯病（septoria tritici blotch）和褐锈病（brown rust）严重度的样点水平估计值，以量化病害局部估计值的统计分布和空间依赖性。在小区周围的多个位置和多个高度获取高分辨率宏观尺度图像。评估了焦点堆叠（focus bracketing）作为一种实用策略，以在不增加操作者负担的情况下增加采样叶面积。焦点图像堆栈内以及小区内不同位置之间严重度估计值的自相关性相当，每个小区10张焦点堆栈图像或10个位置各贡献约2.5个独立观测值。将小区水平严重度建模为潜在的Beta分布变量，提供了病害平均严重度及其相关不确定性的稳健估计，凸显了密集空间采样的重要性，尤其是在病害发展的后期阶段。要精确理解相关结构并准确量化重复测量可实现的精度提升，将依赖于更大规模的试验。尽管如此，我们的结果表明，将密集空间采样与焦点堆叠及适当的层次统计模型相结合，可以在不牺牲通量的情况下大幅提高小区水平病害估计的精度。