南方玉米锈病（SCR）对中国和全球的玉米生产构成严重威胁。作为一种空气传播的疾病，SCR可以在几天内从局部感染传播到全田爆发。实现潜伏期诊断和粗略预测可以延长农业生产者的响应时间。本研究建立了一个框架，通过在太阳光照下的连续高光谱监测粗略预测SCR的症状出现前天数（DBS）。与以往依赖于受控环境和人工接种的研究不同，我们的方法利用了中国三亚的自然感染动态，将结果从二元分类（健康或感染）转变为对DBS的粗略时间估计。我们评估了各种特征提取方法，包括传统的与疾病相关的光谱指数（DIs）和小波系数（WLCs），结合机器学习算法（偏最小二乘判别分析、随机森林）和一维卷积神经网络（1D CNN）。结果表明，传统DIs在潜伏期监测中的效果不足，总体准确率（OA）仅为54.51%。相比之下，使用前64个小波系数的1D CNN模型表现最佳，OA达到71.62%。关键是，该模型在视觉症状出现前最多可以提前7天显示出稳健的诊断能力，对于健康叶片的识别，OA为92.05%，精确度为89.41%，召回率为84.98%。由于假阳性率较高，12天的预测期被证明可靠性较差。通过提供症状爆发的粗略预测，该方法为作物管理提供了实用的、高适用性的工具，能够及时施用杀菌剂并减少不必要的化学品使用。
简梦等（2026）研究了这一问题。