近日，华南农业大学人工智能与低空技术学院陆健强教授团队在农业系统科学领域国际权威期刊Agricultural Systems（中科院一区TOP期刊，影响因子6.2）发表题为″Early Prediction of Litchi Downy Blight via Spatiotemporal Graph-Based Multimodal Data Fusion″的研究论文。该研究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。
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、发展快和防控窗口短等特点，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。
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
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。
GSGF-Net门控跨模态交互与动态时空图融合网络结构
实验结果表明，基于连续的多源监测数据，GSGF-Net可在荔枝霜疫病出现明显症状前7天实现有效预测，整体性能优于现有代表性多模态融合与图神经网络模型，并表现出良好的稳定性。可解释性分析进一步揭示了叶片生理变化、关键光谱响应和环境累积效应在病害发展不同阶段的作用，为理解模型决策依据提供了参考。该研究推动了高光谱遥感、农业物联网与人工智能方法的深度融合，可为荔枝霜疫病潜伏期风险识别、精准施药和防控决策提供技术支撑，并为其他作物病害的多模态早期预测提供借鉴。
相关论文链接：https://doi.org/10.1016/j.agsy.2026.104747
来源: 华南农业大学
