'气候变化条件下蔬菜作物病害诊断与防治的现代方法'

摘要

气候变化正在显著改变蔬菜作物病害的动态，导致病原体发展更快、接种体存活率更高、流行病爆发更频繁。气温升高、极端降雨和干旱期创造了有利于病毒、细菌和真菌病原体感染的条件。在这些条件下，由于症状重叠和胁迫诱导的变化，传统的诊断方法往往不足。现代方法包括快速免疫层析试纸、分子方法、高光谱诊断、无人机技术和预测模型。有效的病害管理需要采取综合方法，包括抗性品种、生物杀菌剂、生物刺激素和优化的农艺措施。传统与现代诊断工具的结合，辅以专业的植物病理学评估，是气候变化条件下实现可持续生产的关键。

植物病害仍然是现代农业面临的最严峻挑战之一，每年造成产量、质量和农业生态系统恢复力的重大损失。根据Fang和Ramasamy（2015）的研究，病原体造成的损失"在20%到40%之间"，是威胁全球粮食安全的关键因素。在气候变化、集约化生产系统和全球化贸易流动的条件下，流行病风险、新小种的出现和入侵性病原体的传播显著增加（Juroszek & von Tiedemann, 2011）。

有效的病害管理需要两个相互关联的方向：精确及时的诊断，以及整合了生物、农艺、化学和数字方法的可持续控制策略。近几十年来，诊断经历了深刻的变革——从视觉评估和显微镜观察发展到分子方法、高通量表型平台、远程传感器和深度学习算法。正如Balodi等人（2017）所指出的，"病害诊断科学已从视觉检查发展到高灵敏度的血清学和分子技术"，显著提高了检测的准确性和速度。

与此同时，病害控制的概念正从单一的化学解决方案转向综合的、生态和进化上合理的管理。He等人（2016）强调，可持续管理必须"创造有利于植物生长而不利于病原体繁殖和进化的条件"，结合抗性、避害、清除、修复（RAER）原则。新趋势包括生物防治、植物提取物、遗传学方法、预测模型和数字决策支持系统（Mukhtar等人，2023）。

在此背景下，本文总结了当代科学在两个关键方向的进展：

（1）植物病害诊断，包括经典方法、光学方法和基于人工智能的方法；

（2）病害控制与综合治理，考虑生态、生物、遗传和技术方法。

这种双重聚焦有助于追踪诊断学的进展如何支持在动态变化的农业生态系统背景下实现更精确、可持续和适应性的病害管理。

有效诊断是任何病害管理策略的基础。它决定了正确的决策，最大限度地减少损失，并允许早期干预控制。正如Balodi等人（2017）所强调的，"病害诊断科学已从视觉检查……发展到高灵敏度的血清学和分子技术。"现代方法可分为三个主要方向：经典实验室方法、光学与遥感技术以及人工智能。

血清学技术，如ELISA、免疫荧光和快速免疫层析试纸，由于其特异性和在田间条件下的适用性，仍然被广泛使用。ELISA是最广泛使用的方法之一，"视觉颜色变化便于检测"（Fang & Ramasamy, 2015）。然而，其对细菌病原体的灵敏度有限。

分子方法，特别是PCR及其变体（巢式、多重、实时），提供了最高的准确性。Balodi等人（2017）指出，基于PCR的分析"具有特异性、灵敏性、高效性、快速性和相对经济性。"实时定量PCR允许进行定量评估，对于种子检测和检疫性病原体尤其有价值。

表型平台（叶绿素荧光、高光谱和热成像）提供了非破坏性和可重复的观测。根据Balodi等人（2017）的说法，"这些方法是非破坏性的……并允许可视化局部反应。"高光谱诊断对于早期检测特别有前景，因为它能在可见症状出现之前捕捉到生理变化。

Fang和Ramasamy（2015）强调，高光谱技术"通过反射率变化被广泛用于识别病害。"热成像和荧光技术补充了分析，但对环境条件敏感，通常需要与其他方法结合使用。

近年来，深度学习已成为自动病害识别的关键工具。Li等人（2021）指出，"深度学习避免了手动特征选择的缺点……并使特征提取更加客观。"CNN架构如AlexNet、GoogLeNet、ResNet和DenseNet在受控数据集上实现了95-99%以上的准确率。Saleem等人（2019）表明，GoogLeNet在PlantVillage数据集上优于AlexNet，而Demilie（2024）总结认为，CNN"由于其捕捉空间层次结构的能力，通常是首选。"然而，真实的田间条件仍然是一个挑战，需要更复杂的模型结合远程传感器和预测系统。

现代控制策略正从化学主导的方法演变为综合的、生态导向的、进化上可持续的系统。主要目标是降低病原体压力，同时保持生产力和生态平衡。

气候变化正在改变病害流行病学，需要适应性策略。Juroszek和von Tiedemann（2011）指出，"预防措施……在未来可能变得尤为重要。"Mukhtar等人（2023）强调，IPDM（植物病害综合管理）是"当前情况下最合适和相关的方法。"新趋势包括：植物提取物——例如马缨丹，其提取物"抑制稻瘟病菌和黄单胞菌属的生长"；遗传学方法——表达AtMYB12等调节因子，"可提高黄酮类化合物水平和对几种病原体的抗性"；病原体衍生抗性（PDR）——针对病毒的转基因策略。

诊断和基于人工智能的系统通过以下方式支持管理：早期检测和定位病害爆发；减少不必要的处理；与预测模型整合；监测防治效果和抗性。

正如Demilie（2024）所指出的，机器学习和深度学习"提高了检测和分类的性能与速度"，使其成为现代IPM（有害生物综合治理）系统的关键组成部分。

现代诊断与综合治理之间的协同作用为精确、有效和生态可持续的农业创造了新的机遇。这种结合不仅有助于减少损失，还能构建更具韧性的农业生态系统，以应对未来的挑战。

材料与方法

影响蔬菜作物的主要病原体包括病毒（TSWV番茄斑萎病毒、ToMV烟草花叶病毒、PMMoV辣椒轻斑驳病毒、PVY马铃薯Y病毒）、细菌（黄单胞菌属、假单胞菌属、棒形杆菌属）以及真菌病原体，如疫霉属、镰刀菌属、轮枝菌属、链格孢属和葡萄孢属（图1）。

图1. 马铃薯晚疫病、辣椒黄萎病、辣椒细菌性斑点病、番茄细菌性溃疡病的症状

气候变化导致"温度升高 → 病原体发展加快"和"生长季延长 → 感染循环增多"。出于诊断目的，同时使用了传统和现代方法。初步评估是视觉诊断，这种方法快速但主观，因为"不同病原体或非生物因素引起的症状可能重叠"。显微镜用于观察形态结构，在某些情况下使用特定染色。使用培养基分离细菌和真菌，而病毒则使用免疫层析试纸进行诊断。

使用的快速免疫层析试纸包括：AgriStrip® (BIOREBA)、Pocket Diagnostic® 和 LOEWE®FAST，这些试纸可在5-10分钟内检测病毒、细菌和一些真菌病原体，并且"适用于田间和实验室"（图2）。

图2. 快速免疫层析试纸：AgriStrip® (BIOREBA)、Pocket Diagnostic® 和 LOEWE®FAST

为了确认结果，推荐使用分子方法（PCR、qPCR、LAMP），这些方法以"极高的灵敏度"和"高特异性"著称，但需要专门的实验室。高光谱方法广泛用于感染的早期检测和生理胁迫评估，该技术被定义为"非侵入性、快速且可扩展的"。配备RGB、多光谱、高光谱和热传感器的无人机用于田间监测、病害制图和生物量评估。基于温度、湿度、降雨和小气候的预测模型用于预测感染风险和优化处理时机。蔬菜生产中广泛使用的包括生物杀菌剂（例如枯草芽孢杆菌、哈茨木霉、寡雄腐霉）、生物刺激素（氨基酸、藻类、腐殖酸）和化学杀菌剂（铜制剂、代森锰锌、嘧菌酯、苯醚甲环唑等）。

结果

气候变化对蔬菜作物病原体动态和病害频率的影响是显而易见的。温度升高加速了多种病原体的发展，温暖的冬季提高了接种体的存活率。极端降雨为真菌和细菌病害的发展创造了有利条件，因为"湿度 > 90% 会加速孢子形成"，雨滴则促进了细菌的远距离传播。干旱导致生理胁迫以及叶片和根部的微裂纹，这有利于病原体侵入——"干旱胁迫导致微裂纹……成为细菌的侵入点"。对于大丽轮枝菌，研究发现微菌核在干旱期后的灌溉下更容易被激活，从而增加了感染风险。

诊断方法根据条件和分析目标显示出不同的有效性。快速免疫层析试纸表现出高特异性，特别适用于田间检查，而分子方法则提供了最高的准确性，即使在无症状的情况下也能检测到病原体。高光谱诊断成功地区分了生物和非生物变化，并允许早期检测感染。无人机和远程传感器被证明是监测大面积区域、识别胁迫区和支持精准农业的有效工具。

生物杀菌剂在预防性施用时显示出最佳效果，哈茨木霉和寡雄腐霉对镰刀菌、丝核菌和疫霉表现出强烈的拮抗作用（表1）。

生物刺激素提高了胁迫抗性，并支持植物在不利条件后的恢复（表2）。

化学杀菌剂仍然是控制的重要元素，铜制剂对细菌性病害最有效，而嘧菌酯和苯醚甲环唑等内吸性杀菌剂对链格孢、白粉菌和霜霉显示出高效性（表3）。

综合方法（IPM）带来了最佳结果，尤其是在监测、生物制剂、杀菌剂和抗性品种相结合时。

最有效的策略包括结合监测、预测模型、快速诊断、生物和化学制剂，以及使用抗性品种。只有通过整合这些要素，才能保证生产稳定性、减少损失，并提高农业生态系统对未来气候挑战的韧性。

文献来源

1. Balodi, R., Bisht, S., Ghatak, A., & Rao, K. H. (2017). Plant disease diagnosis: Technological advancements and challenges. Indian Phytopathology, 70(3), 275–281.
2. Demilie, W. B. (2024). Plant disease detection and classification techniques: A comparative study of the performances. Journal of Big Data, 11, 5.
3. Fang, Y., & Ramasamy, R. P. (2015). Current and prospective methods for plant disease detection. Biosensors, 5, 537–561.
4. He, D., Zhan, J., & Xie, L. (2016). Problems, challenges and future of plant disease management: From an ecological point of view. Journal of Integrative Agriculture, 15(4), 705–715.
5. J