CN103900971A

CN103900971A - 适用于云南松及近缘种相互关系的ft-nir判别方法

Info

Publication number: CN103900971A
Application number: CN201410131370.9A
Authority: CN
Inventors: 张晓龙; 虞泓; 周丽娟
Original assignee: Yunnan University YNU
Current assignee: Yunnan University YNU
Priority date: 2014-04-02
Filing date: 2014-04-02
Publication date: 2014-07-02
Anticipated expiration: 2034-04-02
Also published as: CN103900971B

Abstract

适用于云南松及近缘种相互关系的FT-NIR判别方法，包括采集云南松、高山松和思茅松树皮样本进行样品预处理，利用NicoletAntarisTM傅里叶变换近红外光谱仪对样品进行光谱扫描，采用RESULTTM集成软件对粉末样品光谱数据进行采集，并利用二阶导数与KarlNorris导数滤波结合的方法对原始光谱进行平滑滤噪，然后应用主成分分析——马氏距离法结合近红外光谱，建立云南松、思茅松、高山松三个物种的判别模型。本发明可对云南松、思茅松和高山松进行快速识别和分类。

Description

适用于云南松及近缘种相互关系的FT-NIR判别方法

技术领域

本发明涉及植物分类技术领域，具体涉及一种基于近红外光谱技术的快速判别云南松及其近缘种关系的方法。

背景技术

云南松（PinusyunnanensisFranch.）主要分布于我国云南省海拔700～3200m的高山地带，分布面积占云南省森林面积的70%以上，是云南省的主要经济用材和造林树种。现代药理研究认为，云南松具有较高的保健和药用价值，树皮中主要含萜类、黄酮类、原花青素等成分，松尖中含有丰富的莽草酸（达菲的基本原料）。随着云南松树脂、松花粉、松尖、球果等方面研究和利用的不断深入，其非木材资源价值日益得到体现。目前，云南松林的保护与培育研究已经成为云贵高原森林资源经营管理及其可持续发展的重要任务之一。

云南松以云南高原为其起源和分布中心，在云南省西北横断山区与高山松毗连，在云南省西南部则与思茅松邻接，导致云南松种群多态性丰富，生态地理变异突出，种群间多型性明显。由于分布区存在重叠，云南松、高山松和思茅松之间发生着不同程度的基因渗入杂交，构成共交种，导致了分类接线模糊及鉴定困难，而对于三者之间的关系认识上系统分类学、细胞学、生态学方面仍存在分歧。由于云南松、思茅松和高山松归属于相同属，它们的形态特征很相似，加之云南松与思茅松或云南松与高山松的相邻或交错地带有基因交流，使得三者的划分更加困难。针对云南松及其近缘种关系目前尚无一个明确的定论和快速、有效的判别方法，这在一定程度上阻碍了人们对云南松、思茅松和高山松之间相互关系的准确定位和统一认识，对云南松及其近缘种的合理开发利用不利。

发明内容

本发明的目的在于解决现有分类技术的不足，提供一种可简单、快捷、高效地判别云南松及其近缘种相互关系的方法。

本发明的目的是这样实现的：

适用于云南松及近缘种相互关系的FT-NIR判别方法，包括有样品采集、样品预处理、近红外光谱扫描、原始近红外光谱的收集、建立辨别建模、模型验证、待鉴定样品识别和分类；所述样品采集于中国云南省、四川省及西藏地区海拔700～3200m的高山地带松树的树皮；所述预处理是将样品经自然风干，磨碎并过60目筛；将预处理样品采用近红外光谱仪进行光谱扫描；采用RESULT^TM集成软件收集各样品的近红外原始光谱，将收集的近红外原始光谱通过主成分分析—马氏距离法建立判别模型，再采用验证样本验证所建立的判别模型，采用验证后的判别模型可对待鉴定样品进行快速识别和分类。

本发明所述近红外光谱扫描使用美国NicoletAntaris^TM傅里叶变换近红外光谱仪，开机预热30分钟后进行扫描，近红外光谱扫描范围：10000～4000cm^-1，分辨率：8cm^-1，扫描次数：72次，取平均光谱为样品光谱。

所述原始近红外光谱的收集是用RESULT^TM集成软件进行采集，再用二阶导数与KarlNorris导数滤波结合进行平滑滤噪。

所述原始近红外光谱采用TQAnalyst8.6.12光谱数据处理软件以设定的主成分数建立判别模型，类与类的分离效果用马氏距离来衡量，将马氏距离看作是一组样本的重心与某一目标X₁之间的距离，该距离考虑了样本与样本之间的相关性；当两个样本如两张光谱或色谱相同时，则在模式空间中这两个样本聚为一点，当两个样本完全不同时，则在模式空间中完全分开，计算公式如下：

PCA-Mahalanobis：

A_{m \times n} = [\begin{matrix} x_{in 11} & x_{12} & \cdot \cdot \cdot & x_{in} \\ x_{21} & x_{22} & \cdot \cdot \cdot & x_{2 n} \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ x_{m 1} & x_{m 2} & \cdot \cdot \cdot & x_{mm} \end{matrix}];

上式中，A_m×n表示m个样本组成样本集的得分矩阵，x_m×n表示m个样本光谱数据矩阵，m表示样本集个数，n表示某样本特征值个数；

通过样本集的得分矩阵，按下式计算样本集的马氏距离：

\begin{matrix} D_{i}^{2} = {(t_{i} - \overset{&OverBar;}{t})}^{T} M^{- 1} (t_{i} - \overset{&OverBar;}{t}) \\ \overset{&OverBar;}{t} = \frac{1}{m} \underset{i = 1}{Σ} t_{i} \end{matrix}

上式中，D_i ²表示i样本的马氏距离，t_i表示样本集中i样本得分矢量，

表示平均得分矩阵，m表示样本集中样本个数，i表示样本集中i样本；

所述的重叠样本为马氏距离计算后各类间距离较短的样本，表明类间有重叠。

和传统的植物分类方法相比，本发明基于近红外光谱技术鉴别云南松及其近缘种相互关系的方法操作方便、快速、结果准确。同时，是对植物分类技术的一种补充，也是植物分类技术的一个新的发展方向。

附图说明

图1为建模样本的近红外原始光谱图；

图2为云南松、思茅松和高山松分类模型效果图；

图3为优化后的三种松树分类模型效果图。

具体实施方式

以下结合附图及实施例对本发明进一步详细说明，但不以任何方式对本发明加以限制，依据本发明的教导所作的变更或替换，均属于本发明的保护范围。

一种适用于云南松及近缘种相互关系的FT-NIR技术判别方法，具体包括样品采集、样品预处理、近红外光谱扫描、RESULT集成软件对近红外原始光谱的收集、建立辨别模型、模型验证及对待鉴定样品进行快速的识别和分类。树皮样品分别采集于中国云南省的玉溪、丽江、普洱、曲靖、保山、昆明、楚雄、文山、迪庆、昭通、临沧11个州市（云南松、思茅松）、西藏的米林县和林芝县（高山松）、四川的大田县（云南松）海拔700～3200m的高山地带松树的树皮，并随机分成建模样本和验证样本。所述样品预处理是将采集的松树树皮经自然风干，磨碎并过60目筛，于密封袋保存备用。所用样品光谱扫描仪器使用美国NicoletAntaris^TM傅里叶变换近红外光谱仪，样品原始近红外光谱信息采用RESULT^TM集成软件收集，并用二阶导数与KarlNorris导数滤波结合的方法对原始光谱进行平滑滤噪预处理。判别模型通过主成分分析—马氏距离法的判别方法建立。模型验证采用验证样本进行验证，模型验证后便可对待鉴定样品进行快速的识别和分类。

本发明通过主成分分析法降低维数，以充分提取光谱图的有效信息，然后利用马氏距离法判别样本的类别归属。在该过程中，优先通过TQAnalyst8.6.12光谱数据处理软件以设定的主成分数建立鉴别类模型。类与类的分离效果用马氏距离来衡量，马氏距离实际上可以看作是一组样本的重心与某一目标X₁之间的距离，该距离考虑了样本与样本之间的相关性。当两个样本（如两张光谱或色谱）相同时，则在模式空间中这两个样本聚为一点，当两个样本完全不同时，则在模式空间中完全分开。计算公式如下：

PCA-Mahalanobis：

A_{m \times n} = [\begin{matrix} x_{in 11} & x_{12} & \cdot \cdot \cdot & x_{in} \\ x_{21} & x_{22} & \cdot \cdot \cdot & x_{2 n} \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ x_{m 1} & x_{m 2} & \cdot \cdot \cdot & x_{mm} \end{matrix}];

通过样本集的得分矩阵，计算样本集的马氏距离：

\begin{matrix} D_{i}^{2} = {(t_{i} - \overset{&OverBar;}{t})}^{T} M^{- 1} (t_{i} - \overset{&OverBar;}{t}) \\ \overset{&OverBar;}{t} = \frac{1}{m} \underset{i = 1}{Σ} t_{i} \end{matrix};

上式中，D_i ²表示i样本的马氏距离，t_i表示样本集中i样本得分矢量，表示平均得分矩阵，m表示样本集中样本个数，i表示样本集中i样本；

为消除红外光谱旋转、基线漂移、噪声等的影响，本发明优选二阶导数与KarlNorris导数滤波结合的方法对原始光谱进行预处理。

在光谱的采集过程中，本发明方法优选近红外光谱，扫描范围10000～4000cm^-1，分辨率8cm^-1，扫描次数72次。

待判别样本的光谱采集方法与建模时的方法一致，用建立的模型快速判别待测样本。

具体操作过程如下：

1.仪器与材料

1.1仪器

美国NicoletAntaris^TM傅里叶变换近红外光谱仪；RESULT^TM集成软件，用于原始光谱信息的采集；TQAnalyst8.6.12光谱数据处理软件（美国Thermo Nicolet公司），用于光谱的预处理及算法的计算。

1.2样本采集

云南松及其近缘种的树皮样品采集于云南省的玉溪、丽江、普洱、曲靖、保山、昆明、楚雄、文山、迪庆、昭通、临沧11个州市，西藏的米林县和林芝县，以及四川的大田县，共计185个。其中，云南松(PinusyunnanensisFranch.)130个、高山松(PinusdensataMast.)25个、思茅松[PinuskesiyaRoyle ex Gordon.var.langbianensis(Achev)Gaussen]30个。样品构成见表1。

表1样品来源构成（表中地盘松为云南松生态变种）

2.方法

2.1样品处理

将采集的树皮样本经自然风干后，粉碎过60目筛，于密封袋保存。

2.2光谱的采集

采用美国NicoletAntaris^TM傅里叶变换近红外光谱仪分析样品，光谱扫描条件：扫描范围10000～4000cm^-1，分辨率8cm^-1，扫描次数72次。图1为样品的近红外原始光谱图。

2.2光谱的预处理

通过二阶导数与KarlNorris导数滤波结合的方法对原始光谱进行预处理，消除不良影响。

2.3模型建立

通过TQAnalyst8.6.12光谱数据处理软件以设定的主成分数建立判别类模型，图2为云南松、思茅松、高山松分类模型效果图。从图2的判别模型可以看出，高山松与云南松、思茅松距离较远，独自聚为一类，思茅松有8个样品与云南松发生重叠，被模型判定为云南松。

对模型分类的马氏距离进行统计，计算出各类内及类间的距离平均值。表2为三类松树的类内及类间马氏距离结果统计表。

表2三类松树的类内及类间马氏距离结果统计表

三种松树类内平均距离均小于类间距离，整体上各自聚为一类，思茅松到云南松的类间距离相对较小，为1.245，说明思茅松样本与云南松样本会出现部分重叠，这与建模时出现8个思茅松样本被判定为云南松的情况一致。

2.4剔除重叠样本，优化类模型

将上述重叠的8个思茅松样本剔除，对模型进行重新计算，剔除样本后的模型分类效果如图3。通过计算，三类松树的类内及类间马氏距离结果见表3。

表3剔除8个思茅松样本后三类松树的类内及类间马氏距离结果统计表

2.5模型验证

采集未参与建模的20个样本（其中云南松14个，思茅松3个、高山松3个）的近红外光谱，应用上述建立的判别分类模型进行判别分析，除1个思茅松样本被判定为云南松，其余样本均获得了正确的分类。验证样本构成见表4。

表4验证样本构成表（表中地盘松为云南松生态变种）

2.6模型应用

采集待测样本的近红外光谱，利用建立好的判别模型对待测样本进行快速的识别分类。当两个样本如两张光谱或色谱相同时，则在模式空间中这两个样本聚为一点，当两个样本完全不同时，则在模式空间中完全分开。

Claims

1.适用于云南松及近缘种相互关系的FT-NIR判别方法，其特征在于，包括有样品采集、样品预处理、近红外光谱扫描、原始近红外光谱的收集、建立辨别建模、模型验证、待鉴定样品识别和分类；所述样品采集于中国云南省、四川省及西藏地区海拔700～3200m的高山地带松树的树皮；所述预处理是将样品经自然风干，磨碎并过60目筛；将预处理样品采用近红外光谱仪进行光谱扫描；采用RESULT^TM集成软件收集各样品的近红外原始光谱，将收集的近红外原始光谱通过主成分分析—马氏距离法建立判别模型，再采用验证样本验证所建立的判别模型，采用验证后的判别模型可对待鉴定样品进行快速识别和分类。

2.根据权利要求1所述的适用于云南松及近缘种相互关系的FT-NIR判别方法，其特征在于，所述近红外光谱扫描使用美国NicoletAntaris^TM傅里叶变换近红外光谱仪，开机预热30分钟后进行扫描，近红外光谱扫描范围：10000～4000cm^-1，分辨率：8cm^-1，扫描次数：72次，取平均光谱为样品光谱。

3.根据权利要求1所述的适用于云南松及近缘种相互关系的FT-NIR判别方法，其特征在于，所述原始近红外光谱的收集是用RESULTTM集成软件进行采集，再用二阶导数与KarlNorris导数滤波结合进行平滑滤噪。

4.根据权利要求1或2或3所述的适用于云南松及近缘种相互关系的FT-NIR判别方法，其特征在于，所述原始近红外光谱采用TQAnalyst8.6.12光谱数据处理软件以设定的主成分数建立判别模型，类与类的分离效果用马氏距离来衡量，将马氏距离看作是一组样本的重心与某一目标X₁之间的距离，该距离考虑了样本与样本之间的相关性；当两个样本如两张光谱或色谱相同时，则在模式空间中这两个样本聚为一点，当两个样本完全不同时，则在模式空间中完全分开，计算公式如下：

PCA-Mahalanobis：

A_{m \times n} = [\begin{matrix} x_{in 11} & x_{12} & \cdot \cdot \cdot & x_{in} \\ x_{21} & x_{22} & \cdot \cdot \cdot & x_{2 n} \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ \cdot & \cdot & \cdot \cdot \cdot & \cdot \\ x_{m 1} & x_{m 2} & \cdot \cdot \cdot & x_{mm} \end{matrix}]

通过样本集的得分矩阵，按下式计算样本集的马氏距离：

\begin{matrix} D_{i}^{2} = {(t_{i} - \overset{&OverBar;}{t})}^{T} M^{- 1} (t_{i} - \overset{&OverBar;}{t}) \\ \overset{&OverBar;}{t} = \frac{1}{m} \underset{i = 1}{Σ} t_{i} \end{matrix}