一种基于判别分析法预测山核桃树干腐病发生的方法与流程

本发明涉及植物病害防治技术领域，尤其涉及一种基于判别分析法预测山核桃树干腐病发生的方法。

背景技术：

山核桃(caryacathayensis)是我国特有的木本油料树种，其果实口感香脆，营养丰富，可以加工成休闲食品和食用油，经济价值很高。山核桃为落叶树种，每年生长发育期是从3月至11月，12月至下一年2月为休眠期。

近年来，山核桃干腐病大面积发生，使种植农户蒙受巨大经济损失，也给山核桃产业带来了严重威胁。干腐病又称溃疡病，是由葡萄座腔菌属(botryosphaeriaspp.)真菌侵染树干而引发；葡萄座腔菌会造成山核桃树干的感病部位出现溃疡斑，并且随着病害的扩展，病斑面积扩大，最终导致山核桃植株枯死。干腐病每年的发病期是从4月至10月，有2个发病高峰期，第一个发病高峰是4月中下旬，7月下旬停止发展，第二个发病高峰在9月中旬，之后气温降低，病菌进入休眠状态，病程结束。

目前，关于山核桃干腐病的相关研究已有不少报道，例如：

申请公布号为cn107896755a的发明专利申请公开了一种山核桃干腐病的综合防治方法，该方法包括以下步骤：(1)土壤修复：①将生物菌加入土壤中；②每年春季采用施以碱性山核桃专用肥；每年夏季再次施用碱性山核桃专用肥，同时辅以叶面喷施；每年秋季，山核桃采收后，施碱性生物酶肥；(2)加强林地管理：经常开展病枝清理工作，秋季落叶后或春季放叶前，清理病树病枝并集中烧毁；(3)病灶防止：a.药剂预防，b.药剂喷治；(4)药物涂干：每年3月底在山核桃树干上涂一层药物防护层。

申请公告号为cn104285683b的发明专利公开了一种嫁接培育抗干腐病山核桃苗木的方法，该方法以干腐病易感型山核桃为接穗，以“草莓型”湖南山核桃为砧木；得到的山核桃苗木，具有干腐病的抗性，干腐病发病率几乎为零。

申请公告号为cn106927974a的发明专利申请公开了一种防治山核桃干腐病的复合肥料及其应用，该复合肥料以重量份数计，包括以下组分：电气石10～25份、凹土5～8份、微量元素3～12份、葛根2～6份、稀土元素4～10份、红薯渣2～8份、硫酸铵4～10份、腐殖土6～15份、艾叶4～10份、γ-聚谷氨酸4～12份、磷酸二氢钾5～10份、谷胱甘肽2～10份、缓释剂2～6份、风化煤4～18份、柠檬酸2～6份。

然而，上述方法主要集中于病害的防治和治理，对于病害发生的预测方面却鲜有涉及。因此，当前亟需一种预测山核桃干腐病发生的方法，以便种植者提前采取相应措施降低损失。

技术实现要素：

本发明提供了一种基于判别分析法预测山核桃树干腐病发生的方法，该预测方法能够根据某山核桃树休眠期的土壤化学指标，对下一年度干腐病发病期该山核桃树是否会发生干腐病进行预测，以便种植者针对可能发生干腐病的植株的土壤现状及时采取措施进行调理，既可以避免盲目防治，节约成本，又能提高防治效率。

具体技术方案如下：

一种基于判别分析法预测山核桃树干腐病发生的方法，包括以下步骤：

(1)选定用于构建判别分析模型的山核桃树，采集山核桃树休眠期的土壤样品，获取山核桃树土壤的ph以及碱解氮含量与速效钾含量比值的数据信息；根据下一年度山核桃树干腐病发病期的发病情况，将所述数据信息分为发病和不发病两类；

(2)以发病和不发病作为判别类型，步骤(1)采集的数据信息作为训练集，ph、碱解氮含量与速效钾含量的比值作为模型参数，建立判别分析模型；

(3)采集待预测的山核桃树土壤的ph以及碱解氮含量与速效钾含量比值的数据，导入判别分析模型中进行判别，预测该山核桃树下一年度是否发生山核桃树干腐病。

本发明采用的用于构建模型的参数是土壤的ph以及碱解氮含量与速效钾含量的比值。所述碱解氮含量是能被植物直接吸收利用的无机态氮和有机态氮，采用碱解扩散法测定；所述速效钾是指土壤中易被作物吸收利用的钾素，包括土壤溶液钾及土壤交换性钾，采用乙酸铵浸提-火焰光度法测定。

虽然，研究者们已获知山核桃树干腐病是由葡萄座腔菌属真菌侵染树干而引发，但是，山核桃干腐病发病机制和影响因素还未有深入的研究成果报道。本发明依托于判别分析模型，找到了与山核桃干腐病发生关系密切的土壤指标参数，即：ph和碱解氮含量与速效钾含量的比值，并利用这两个参数获得了能够预测山核桃树下一年度干腐病发病情况的预测模型。

本发明在筛选与山核桃干腐病发生关系密切的指标参数时，做过大量尝试，如：土壤化学性质参数、有效养分及有效养分间的比例关系等；其中，土壤化学性质参数和有效养分包括：土壤ph、碱解氮、有效磷、速效钾、有机质、有效钙、有效镁、交换性酸、交换性氢、交换性铝，阳离子交换量、盐基饱和度等，而土壤有效养分相关参数间的比例关系有：碱解氮与速效钾的比值、有效磷与速效钾的比值、碱解氮与速效钾的比值以及其他能够反映土壤有效养分的比例关系的参数；但是仅发现土壤ph、碱解氮含量与速效钾含量的比值能够成功运用在本发明采用的判别分析模型中，且准确率能够达到80％以上。

事实上，虽然可用于预测的模型类型较多，但并非都能准确预测山核桃干腐病的发生；发明人曾尝试多种模型，例如：bp神经网络预测模型，发现预测准确率仅62.3％，实际应用价值不大。

为了进一步验证，ph、碱解氮含量与速效钾含量的比值作为模型参数在本发明采用的判别分析模型中具有普适性，发明人采用了不同的样本作为训练集，进行反复训练和验证，发现预测准确性均能达到80％以上。

为了保证收集的土壤样品能够更具有代表性，能够反映山核桃树的生长环境，进一步地，步骤(1)中，所述土壤样品取自山核桃树冠冠幅以内0～20cm深度的土壤。

作为优选，步骤(1)中，所述土壤样品的类型至少包含红壤土、黄壤土和石灰岩土。山核桃树可以在多种类型的土壤中种植，如红壤土、黄壤土、石灰岩土等；本发明分别用不同土壤类型的山核桃树作为训练集进行模型训练，发现预测准确性有较大差异，仅采用单独某一种土壤类型的山核桃树训练获得的模型，不能对其它土壤类型的山核桃树准确预测。采用三种土壤类型的山核桃树训练获得的模型，对每一种土壤的山核桃树预测准确率都能达到80％以上。

进一步地，步骤(1)中，所述土壤样品在山核桃休眠期期间进行采集，且采集时间距离施肥时间1个月以上，以保证土壤样品参数的准确性。在生长发育期采集土壤样品的化学性质参数可能受到施肥的影响，依据这些参数建立的模型预测准确率不足60％。

由于山核桃干腐病每一年是一个发病周期，即使山核桃树之前发生过干腐病，但由于土壤环境自然条件下的变化，山核桃树可能下一年度不再出现新病斑，所以上述方法选定的用于构建判别分析模型的山核桃树包括发病和不发病两类，而判定该山核桃树是否发病是根据山核桃树树干上是否出现新的病斑作为判断依据。

进一步地，步骤(1)中，以整个发病期内山核桃树干上新出现的由葡萄座腔菌侵染造成的病斑作为判断山核桃树发病的依据，进行第二年度山核桃树干腐病发病情况的统计。观察发病时间为每年4月至10月，涵盖干腐病整个发病期。虽然，山核桃树发生干腐病的程度会有所不同，但本发明提供的方法仅对干腐病发生与否进行预测，不做干腐病发生程度的预测。

进一步地，步骤(2)中，所述判别分析模型采用贝叶斯判别法或费希尔判别法进行构建。判别分析中采用的判别函数有两种，例如：贝叶斯判别函数和费希尔判别函数，均适用于本发明方法；但是，针对于本发明采用的判别函数，贝叶斯判别函数不仅计算方法更为简便，而且准确率更高。

具体的，本发明是采用spss软件中的分析-分类选项进行判别分析。

作为优选，步骤(2)中，采用贝叶斯判别法建立判别分析模型；判别函数如下：

(i)z1＝a×x+b×y+c；

(ii)z2＝a×x+b×y+c；

其中，所述x表示ph；y表示碱解氮含量与速效钾含量的比值；z1表示不发病的得分值；z2表示发病的得分值；根据山核桃树休眠期获取的数据信息，获得判别函数中a、b、c和a、b、c的具体数值，得到判别函数。

进一步地，步骤(3)中，将待预测的山核桃树土壤的ph以及碱解氮含量与速效钾含量比值的数据代入判别函数(i)和(ii)中，得到z1和z2的得分值；

若z1＞z2，则预测待预测的山核桃树下一年度不会发生干腐病；若z1＜z2，则预测待预测的山核桃树下一年度会发生干腐病。

与现有技术相比，本发明具有以下有益效果：

本发明依托于判别分析法，找到了与山核桃树干腐病发病关系密切的指标参数，即：ph和碱解氮含量与速效钾含量的比值，并使用这两个参数建立了预测模型，该预测模型能够准确预测山核桃树下一年度干腐病发病情况，预测准确率达80％以上。

附图说明

图1为实施例1中基于判别分析法预测山核桃树干腐病发生的方法的流程示意图。

具体实施方式

下面结合具体实施例对本发明作进一步描述，以下列举的仅是本发明的具体实施例，但本发明的保护范围不仅限于此。

实施例1

一种基于判别分析法预测山核桃树干腐病发生的方法，具体步骤如下：

1、数据信息的采集：选定用于构建判别分析模型的山核桃树样本，采集休眠期山核桃树的土壤样品，获取土壤的ph、碱解氮含量等15个的指标数据信息；根据下一年度山核桃树干腐病的发病情况，将所述数据信息分为发病和不发病两类；

(1)在2016年12月，山核桃进入休眠期后，选择100棵山核桃单株作为用于构建判别分析模型的样本；其中，42棵为栽培在红壤土上的山核桃树，36棵为栽培在黄壤土上的山核桃树，22棵为栽培在石灰岩土上的山核桃树。

在每棵山核桃单株的树冠冠幅以内的地面上，随机选择5个采样点，在每个采样点采集0-20cm土层的土壤样品，将5份土样充分混匀后，用四分法去混合样1kg，使用土壤化学分析法，检测获得土壤参数指标，即：土壤ph、碱解氮含量、有效磷含量、速效钾含量、有机质含量、有效钙含量、有效镁含量、交换性酸含量、交换性氢含量、交换性铝含量，阳离子交换量含量、盐基饱和度含量的数据，并计算碱解氮含量与速效钾含量的比值、有效磷含量与速效钾含量的比值、碱解氮含量与速效钾含量的比值，以反映土壤有效养分的比例关系。

(2)于2017年的4月至10月，观察全部山核桃样本的发病情况，将全部样本分为发病和不发病两类，其中该年度出现新病斑的发病单株为80株，未出现新病斑的不发病单株为20株。

2、模型参数的确定和模型的训练

(1)模型参数的确定：使用spss软件中的分析—分类选项进行模型参数的筛选，采用逐步选择法确定模型参数，逐一检验步骤(1)中每一个土壤参数指标对模型判别的贡献，将对判别贡献最大的土壤参数加入到判别模型中，排除因新变量的引入对判别贡献变得不太显著的参数，直到所有选入模型的参数都符合引入模型的条件为止。

逐一检验的方法是：在步进法选项中选择wilks’lambda方法，每步都是wilks的λ统计量最小值进入判别函数，“usefvalue”选项使用默认的判据，进入“entry”为3.84，剔除“removal”为2.71。当加入或者剔除一个变量后，对判别函数中的变量进行方差分析，当计算的f值大于entry值时，该变量保留在函数中，当计算的f值小于removal值时，该变量从函数中剔除。最终筛选出ph、碱解氮含量与速效钾含量的比值对判别贡献显著，确定作为模型参数。

(2)模型的训练：以发病和不发病作为判别类型，步骤1采集的数据信息作为训练集，ph、碱解氮含量与速效钾含量的比值作为模型参数，选择spss软件中的分类——判别选项建立判别分析模型；

选择费希尔判别函数，结果生成1个判别函数：

a×x+b×y+е

x表示ph；y表示碱解氮含量与速效钾含量的比值；根据第一年度获取的数据信息，获得判别函数中a、b和е的系数值；最终获得的判别函数为：1.44*ph-0.673*碱解氮与速效钾比值-5.833。

选择贝叶斯判别函数，结果生成2个贝叶斯判别函数：

(i)z1＝a×x+b×y+c；

(ii)z2＝a×x+b×y+c；

所述x表示ph；y表示碱解氮含量与速效钾含量的比值；z1表示不发病的得分值；z2表示发病的得分值；根据第一年度获取的数据信息，获得判别函数中a、b、c和a、b、c的具体数值，得到判别函数。

最终获得的判别函数为：

不发病：(i)17.413*ph-0.572*碱解氮与速效钾比值-49.76；

发病：(ii)14.918*ph+0.594*碱解氮与速效钾比值-38.811；

将待预测的山核桃树土壤的ph以及碱解氮含量与速效钾含量比值的数据代入判别函数中，计算发病与不发病的得分值；

若z1＞z2，则预测待预测的山核桃树下一年度不会发生干腐病；若z1＜z2，则预测待预测的山核桃树下一年度会发生干腐病。

(3)将训练集中的参数数据代入判别函数中计算，如果使用费希尔判别函数，计算得出的是各样本具体坐标位置，再根据每一类别重心的坐标位置，计算每一样本到类别重心的距离，以此判断分类，计算较为复杂。

如果使用贝叶斯判别函数，只需要分别计算函数(i)和(ii)的值，如果函数(i)的值大于函数(ii)的值，则说明山核桃下一年不会发生干腐病；如果函数(i)的结果小于函数(ii)的结果，则说明山核桃下一年会发生干腐病。

判别分析模型经过交叉验证，可对样本总数的84.1％进行了正确分类预测，可作为正式预测模型。

3、山核桃干腐病的预测：采集待预测的山核桃树土壤的ph以及碱解氮含量与速效钾含量比值的数据，导入判别分析模型中进行判别，预测该山核桃树下一年度是否发生山核桃干腐病。

另外，选择山核桃树80株(其中生长在红壤上的37株，生长在黄壤上的26株，生长在石灰土的17株)，按照步骤1中的采样时间和方法采集土壤样品，检测获得土壤ph、碱解氮和速效钾数据，计算碱解氮与速效钾的比值。

使用步骤2获得的判别分析模型，预测下一年度干腐病发病情况，在下一年观察所有单株发病情况进行验证，结果表明：生长在红壤上的30株预测准确，准确率为81.08％；生长在黄壤上的22株预测准确，准确率为84.62％；生长在石灰土的15株预测准确，准确率为88.23％；合计67株预测准确，准确率为83.75％。说明模型对生长在不同土壤上的山核桃发病预测都有较高的准确率。

对比例1

仅使用实施例1中42个红壤土样品数据建立预测模型，得到的模型包含土壤ph、碱解氮含量、速效钾含量、交换性铝含量、盐基饱和度含量、碱解氮含量与速效钾含量的比值6个参数，训练集自身预测准确率为70.5％，使用该模型对石灰土和黄壤土样品进行预测，准确率为53.7％。

仅使用实施例1中36个黄壤土样品数据建立预测模型，得到的模型包含土壤ph、碱解氮含量、速效钾含量、盐基饱和度含量、碱解氮含量与速效钾含量的比值5个参数，训练集自身预测准确率仅为71.4％，使用该模型对石灰土和红壤土样品进行预测，准确率为51.2％。

仅使用实施例1中22个石灰土样品数据建立预测模型，得到模型包含土壤ph、碱解氮含量、交换性铝含量、碱解氮含量与速效钾含量的比值4个参数，训练集自身预测准确率仅为76.9％，使用该模型对黄壤土和红壤土样品进行预测，准确率为48.6％。

说明只使用一种土壤类型的山核桃树建立的模型，只能对该种土壤类型的山核桃树进行预测，对于其它土壤类型山核桃树预测的准确率只有50％左右，而且模型参数多于实施例1中用三种土壤类型山核桃树建立的模型，预测准确率也较低，所以选择实施例1中的模型作为干腐病发病预测模型，可以对全部三种土壤类型的山核桃树进行预测，准确率达到80％以上。