松材线虫病早期诊断方法
【专利摘要】本发明提供一种松材线虫病早期诊断方法，用近红外光谱仪采集早期染病松树的松针的近红外光谱，同时采集未染病松树松针的光谱，根据两组光谱数据建立判别模型；采集待测松针的光谱，利用判别模型对光谱进行预测运算，根据所得预测值结合模型的判别阈值判断待测松树是否染病。本发明以近红外光谱为核心技术，通过训练集样品建立快速识别模型，可以将松树的松材线虫病的发现提前到松树感染松材线虫病10天左右，为该病的早期诊断提供有效的技术手段，并为该病的治疗争取了充足的时间。本发明具有快速、高效准确度高等特点，可实现对松材线虫病的早期诊断，从而为染病松树的早期发现、治疗及预防松材线虫病对松树所造成的严重危害提供重要技术手段。
【专利说明】松材线虫病早期诊断方法
【技术领域】
[0001]本发明涉及林业病害早期诊断领域，具体地说，涉及一种松材线虫病的早期诊断方法。
【背景技术】
[0002]松材线虫病被列为全球第一号植物检疫对象，自1982年在南京中山陵首次发现传入我国后，在南方松树主产区蔓延迅速。松材线虫病具有病程短、松树死亡率极高的特点，一般松树从染病到死亡仅需约40天的时间。对该病的有效预防一直是我国林业部门面临的极具挑战性的难题。
[0003]目前，已有学者成功研制出针对松材线虫病的治疗方法和制剂，该治疗方法可以在松树染病20天内对松材线虫病进行有效的治疗。然而，即使松树感染了松材线虫病,在25-30天内，用肉眼无法观察到任何异常；而超过25天后，则已错过了有效治疗松材线虫病的最佳时间，造成无法挽回的损失。因此，针对松材线虫病的治疗，由于缺乏早期有效诊断方法而难以推广应用，在林业病害的防治方面受到极大的限制。目前针对松材线虫病尚无行之有效的早期诊断方法。
[0004]近红外光谱技术是一种基于物质对近红外光吸收的振动吸收光谱分析技术，主要来自于物质中含氢基团的合频与倍频吸收，即化合物中含氢基团的合频与倍频吸收大多数会发生在近红外光谱区域(780nm?2500nm)，这是产生近红外光谱的理化基础。前期研究表明，松树在感染松材线虫病后，虽然短期内无法用肉眼看到变化，但染病松树的松针中含有的松节油、水分等化合物的含量较正常松树的松针均有所变化，这是采用近红外光谱对松材线虫病进行早期诊断的化学基础。
【发明内容】
[0005]本发明旨在解决松树的松材线虫病的早期诊断问题。
[0006]为了实现本发明目的，本发明的一种松材线虫病早期诊断方法，用近红外光谱仪采集早期染病松树的松针的近红外光谱，同时采集未染病松树的松针的近红外光谱，根据两组光谱数据建立判别模型；采集待测松树的松针的近红外光谱，利用判别模型对光谱进行预测运算，根据所得预测值结合模型的判别阈值判断待测松树是否染病。
[0007]具体方法包括以下步骤:
[0008]I)用近红外光谱仪采集染病松树的松针的近红外光谱，作为实验组；同时采集未染病松树的松针的近红外光谱，作为对照组；两组光谱数据构成训练集；
[0009]2)根据训练集的近红外光谱数据，建立松材线虫病判别模型，确定模型临界点及判别阈值；
[0010]3)采集待测松树的松针的近红外光谱；
[0011]4)利用步骤2)中建立的判别模型对步骤3)中采集的光谱进行预测运算，根据所得预测值结合模型的判别阈值判断待测松树是否染病。[0012]前述方法中，所述近红外光谱的谱区范围在780nm?2500nm之间。
[0013]前述方法中，进行光谱采集时，松针的铺垫厚度> 5mm。
[0014]前述方法中，步骤2)中建立判别模型采用的算法为线性和/或非线性多元校正、模式识别算法等。进行模型验证采用全交互验证算法、独立检验算法、外部验证算法等中的一种或多种。
[0015]前述方法中，步骤I)和步骤3)中采集松树的松针的近红外光谱时采用的实验条件相同。
[0016]前述方法中，步骤4)具体为:将采集的待测松树的松针的近红外光谱数据向所述判别模型的特征子空间投影，利用判别模型对光谱进行预测运算，所得预测值与模型的判别阈值作比较，从而判断松树是否染病。
[0017]本发明针对松材线虫病的早期诊断难题，基于近红外光谱技术，先用训练集样品建立判别模型，然后对待测样品进行判别的思路，从而实现对感染松材线虫病的松树进行早期诊断。本发明可以实现对松材线虫病的早期诊断，从而可以为染病松树的早期治疗以及预防松材线虫病对松树所造成的严重危害提供重要的技术手段。
[0018]本发明所提供的基于近红外光谱技术的松材线虫病早期诊断方法可以在松树感染松材线虫10天左右进行准确判断，而此阶段的染病松树用肉眼无法看到任何症状表现，从而实现了对染病松树的早期有效救治，为松树松材线虫病的有效治疗争取了足够的时间，为保护珍稀松树品种、景观松树提供了有效的早期诊断方法。
【专利附图】
【附图说明】
[0019]图1为本发明实施例中提供的用于松材线虫病早期诊断建模及预测(诊断)方法的流程示意图。
[0020]图2为本发明实施例中提供的不同染病阶段的松树的松针的近红外光谱图。
[0021]图3为本发明实施例中提供的不同染病阶段松树的松针的近红外光谱数据第1、2主成分得分分布图。
[0022]图4为本发明实施例中提供的模型阈值以及不同染病阶段的分析结果。
【具体实施方式】
[0023]以下实施例用于说明本发明，但不用来限制本发明的范围。
[0024]实施例松材线虫病早期诊断方法
[0025]本实施例提供的用于松材线虫病早期诊断建模及预测(诊断)方法的流程示意图如图1所示。具体方法包括以下4个步骤:
[0026](I)采用近红外光谱仪对早期染病(实验组)松树的松针采集近红外光谱，同时采集未染病(对照组)松树的松针的近红外光谱，两组光谱数据构成训练集；
[0027](2)根据训练集的近红外光谱数据，建立松材线虫病判别模型，确定模型临界点及判别阈值；
[0028](3)对待测松树的松针采集近红外光谱；
[0029](4)采用判别模型对光谱进行预测运算，根据所得的预测值判断待测松树是否染病。[0030]在本实施例中，采用基于线性渐变分光原理的微型近红外光谱仪采集样品的近红外光谱。首先采用白色BaS04陶瓷片采集参比光谱，光谱累加次数为50次，光谱变量间隔为6.2nm，谱区范围为908nm?1676nm ;采集松针的近红外光谱时，松针需要完全覆盖光谱仪的光斑，松针的铺垫厚度不小于5mm，累加次数50次，谱区范围908nm?1676nm。本实施例提供的不同染病阶段的松树的松针的近红外光谱图，即训练集如图2所示。从图2可以看出，不同染病阶段的松树的松针的近红外光谱，其数据之间互相混杂，难以从光谱数据直接有效地得到染病程度的区分。
[0031]针对训练集，对照组以“O”作为给定值，实验组以接种天数作为给定值，采用偏最小二乘回归算法对光谱数据进行分解。本实施例提供的不同染病阶段松树的松针的近红外光谱数据第1、2主成分得分分布图如图3所示。从图3可以看出，A区域主要分布的是感染晚期——即接种松材线虫超过30天，松树的松针的近红外光谱数据得分分布，B区域主要分布的是感染早期——即接种松材线虫不超过20天，松树的松针的近红外光谱数据得分分布，C区域主要分布的是对照组松树的松针的近红外光谱数据得分分布。通过图3可以准确获得不同感染期松树的松针的近红外光谱得分分布情况，即可以通过第1、2主成分得分分布图对松树染病情况进行初步判断。
[0032]本发明中涉及到的第1、2主成分是指训练集样本的光谱数据经过偏最小二乘(Partial Least Square，简称PLS)算法分解后所得到的得分矩阵的一部分，亦即原光谱数据矩阵经过偏最小二乘回归算法分解后所得到的一部分数据，其特点是具有可代表原光谱数据信息的性质。主成分得分是近红外光谱分析过程中一个非常重要的参数，属于近红外分析领域的常用数据处理技术。
[0033]具体地，经过偏最小二乘回归算法分解后，原光谱的数据矩阵被分解为得分矩阵和载荷矩阵两个数据矩阵。在近红外分析领域，得分矩阵一般用来表征各样本在主成分特征子空间上的权重，亦即表征了各样本的性质和/或属性(例如，染病或未染病等)。所述特征子空间是指经过偏最小二乘回归算法分解后所得到的与给定属性有关的特征数据形成的多维数据向量。第一主成分得分表征的是原数据方差最大化方向，亦即原光谱数据矩阵在偏最小二乘回归算法分解过程中与给定属性的投影形成最大相关性的数据子空间的权重，第二主成分得分表征的是扣除第一主成分后的数据矩阵与给定属性的投影形成最大相关性且与第一主成分正交的数据子空间的权重。经过偏最小二乘分解所得到的主成分是原有变量的线性组合，是综合了多因素的形式变量，其具体的理化意义一般极难直接用语言描述，而是通常用于建模计算以及模型预测等。一般地，第1、2主成分得分可以基本涵盖原光谱数据中的有效信息，因此可以用第1、2主成分得分对各样本的性质和/或归属进行初步判断。
[0034]为进行更深入、更精准的判断，采用偏最小二乘-判别分析算法结合全交互验证算法对训练集光谱数据进行处理。本实施例提供的模型阈值以及不同染病阶段的分析结果如图4所示。通过图4可以看出，接种时间大于10天的松树的松针的近红外光谱数据预测值皆大于7，上述松树表现为松材线虫病感染阳性；而对照组以及接种时间小于10天的松树的松针的近红外光谱数据预测值绝大多数小于7，上述松树表现为松材线虫病感染阴性。因此，“10天”可作为模型的临界点，相应地，可设定模型判别阈值为“7”，即待测样品的预测值大于或等于7时，可以认定为松材线虫病感染，即阳性；待测样品的预测值小于7时，可以认定为松材线虫病未感染，即阴性。
[0035]为进一步验证上述模型的实用性，采集了独立于模型之外的6个松树样品的松针的近红外光谱作为待测样品，分别命名为待测1、待测2、待测3、待测4、待测5、待测6。其中，待测1、待测2两个样品来自于未感染松树，待测3、待测4两个样品来自于已接种但尚未表现症状的松树(接种20天以内，早期)，待测5、待测6两个样品来自于已接种并已表现出症状的松树(接种25天以上，属于晚期，已经错过可治疗时机)。表1中，理论值代表接种天数，其中未感染样品理论值设为“O”;预测值是各待测样品的近红外光谱数据向模型的特征子空间投影，经过模型预测运算后所得到的预测值。上述6个样品的实际情况、理论值、预测值和判断结果如表1所示。根据所建模型，以“7”为阈值。判断结果中，阳性(感染)为预测值大于或等于7，阴性(未感染)为预测值小于7。从表1可以看出，6个样品的判断结果与实际情况皆相符合。
[0036]表1待测样品的预测结果
【权利要求】
1.一种松材线虫病早期诊断方法，其特征在于，用近红外光谱仪采集早期染病松树的松针的近红外光谱，同时采集未染病松树的松针的近红外光谱，根据两组光谱数据建立判别模型；采集待测松树的松针的近红外光谱，利用判别模型对光谱进行预测运算，根据所得预测值结合模型的判别阈值判断待测松树是否染病。
2.根据权利要求1所述的方法，其特征在于，包括以下步骤: 1)用近红外光谱仪采集染病松树的松针的近红外光谱，作为实验组；同时采集未染病松树的松针的近红外光谱，作为对照组；两组光谱数据构成训练集； 2)根据训练集的近红外光谱数据，建立松材线虫病判别模型，确定模型临界点及判别阈值； 3)采集待测松树的松针的近红外光谱； 4)利用步骤2)中建立的判别模型对步骤3)中采集的光谱进行预测运算，根据所得预测值结合模型的判别阈值判断待测松树是否染病。
3.根据权利要求1或2所述的方法，其特征在于，所述近红外光谱的波长范围在780nm ~2500nm 之间。
4.根据权利要求1或2所述的方法，其特征在于，进行光谱采集时，松针的铺垫厚度^ Smnin
5.根据权利要求1或2所述的方法，其特征在于，步骤2)中建立判别模型采用的算法为线性和/或非线性多元校正、模式识别算法；进行模型验证采用全交互验证算法、独立检验算法、外部验证算法中的一种或多种。
6.根据权利要求1或2所述的方法，`其特征在于，步骤I)和步骤3)中采集松树的松针的近红外光谱时采用的实验条件相同。
7.根据权利要求1或2所述的方法，其特征在于，步骤4)具体为:将采集的待测松树的松针的近红外光谱数据向所述判别模型的特征子空间投影，利用判别模型对光谱进行预测运算，所得预测值与模型的判别阈值作比较，从而判断松树是否染病。
【文档编号】G01N21/359GK103760128SQ201410005145
【公开日】2014年4月30日 申请日期:2014年1月6日 优先权日:2014年1月6日
【发明者】王冬, 潘立刚, 李安, 靖振宇, 王北洪 申请人:北京农业质量标准与检测技术研究中心