CN115060720A - 一种基于叶片形态数字化分析的栗属植物品种鉴定方法 - Google Patents

一种基于叶片形态数字化分析的栗属植物品种鉴定方法 Download PDF

Info

Publication number
CN115060720A
CN115060720A CN202210441184.XA CN202210441184A CN115060720A CN 115060720 A CN115060720 A CN 115060720A CN 202210441184 A CN202210441184 A CN 202210441184A CN 115060720 A CN115060720 A CN 115060720A
Authority
CN
China
Prior art keywords
identification
point
chestnut
blade
leaf
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210441184.XA
Other languages
English (en)
Inventor
郭素娟
李彤彤
樊晓芸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Forestry University
Original Assignee
Beijing Forestry University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Forestry University filed Critical Beijing Forestry University
Priority to CN202210441184.XA priority Critical patent/CN115060720A/zh
Publication of CN115060720A publication Critical patent/CN115060720A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/23—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on positionally close patterns or neighbourhood relationships
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Pretreatment Of Seeds And Plants (AREA)

Abstract

本发明涉及植物品种鉴定技术领域，具体涉及一种用于栗属植物品种鉴定的数据库的建立方法以及利用获得数据库进行栗属植物品种的鉴定方法。本发明为解决栗属植物品种由于相似度高在生产中常造成品种混淆，应用不准确等问题。对栗属植物品种的叶片进行形态定量和图形化分析，通过几何形态测量法提取出不同栗属植物品种叶片主要差异位点，建立品种鉴定数据库，实现数字化分类，准确、快速实现栗属植物品种鉴定。

Description

一种基于叶片形态数字化分析的栗属植物品种鉴定方法
技术领域
本发明涉及植物品种鉴定技术领域，具体涉及一种用于栗属植物品种鉴定的数据库的建立方法、一种用于栗属植物品种鉴定的数据库以及利用所述数据库进行栗属植物品种的鉴定方法。
背景技术
栗树属壳斗科(Fagaceae)栗属(Castanea)，世界栗属植物约10个种，自然分布在亚洲4个，美洲4 个，欧洲1个，非洲1个。中国栗属的原生种有板栗(Castanea mollissimaBl.)、锥栗(Castanea henryi(skan) Rehd.et Wils)、茅栗(Castanea seguinii Dode)3种。早在6000年前就被人们采集栗果食用，被称为“铁杆庄稼”、中国重要的传统木本粮食树种。板栗适应性强，在我国地理分布较广，分布区跨越寒温带、温带、暖温带、亚热带、边缘热带，除青海、新疆、内蒙古、宁夏等省(自治区)外，22个省(自治区、直辖市)均有分布。从生产区域分布看，生产主要集中在湖北、山东、河北、河南和安徽等省份，主要有华北、长江中下游、西北、西南、东南、东北六大品种群。锥栗因其坚果锥型，故名为锥栗，生长速度快，落叶乔木其口感甘甜，近些年随着种植面积和产量的不断增加，锥栗的生产越来越受到人们的重视。锥栗和茅栗主要分布在秦岭以南广大亚热带丘陵山区(张宇和，柳鎏，梁维坚，等.2005.中国果树志板栗榛子卷[M].北京：中国林业出版社.)。
栗属植物，其果实含有大量淀粉，还含有蛋白质、脂肪、B族维生素等多种营养素，营养价值可与大米相媲美，并且具有小麦之长处，优于玉米或水稻，还具有“一代种，多代享”的特点，素有“摇钱树”之称，集融生态、经济、社会、碳汇和文化功能于一体。目前栗属植物品种资源的开发和利用还没有实现精准配置，没有完整的鉴定体系，因栗属植物(如板栗或锥栗)品种间混淆，导致尚未得到开发，利用率低下。因此，在生产实际中正确识别栗属植物品种，对其对合理利用、保护品种以及引种栽培等具有重要意义，探索准确、便捷、实用性强的栗属植物品种鉴定方法尤为重要。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提供一种用于栗属植物品种鉴定的数据库的建立方法、以及利用获得的数据库进行栗属植物品种的鉴定方法，对栗属植物品种的叶片进行形态定量和图形化分析，比较不同栗属植物品种叶形差异，实现数字化分类，实现准确、快捷品种鉴别。
为此，本发明第一方面提供一种用于栗属植物品种鉴定的数据库的建立方法。根据本发明的实施方案，所述建立方法包括：
(1)选取多个不同地域的栗属植物栽培区中处于盛果期的多种栗属植物品种，采集生理成熟期的叶片；
(2)对所述叶片的背面进行扫描，其中，来自每一个所述栗属植物品种的所述叶片采用统一的扫描参数和角度；
(3)利用图像识别软件对所有所述叶片进行鉴定点选取，获取每个所述叶片每个鉴定点的坐标数据，以便建立不同栗属植物品种的第一叶片轮廓鉴定点数据库；
(4)对所述第一叶片轮廓鉴定点数据库进行预处理，排除离群值和非对称组分，以便获取第二叶片轮廓鉴定点数据库；
(5)对所述第二叶片轮廓鉴定点数据库进行数据分层，以便获取用于栗属植物品种鉴定的数据库。
本发明为解决栗属植物品种由于相似度高在生产中常造成品种混淆，应用不准确等问题。通过几何形态测量法提取出不同栗属植物品种叶片主要差异位点，建立品种鉴定数据库，快速实现栗属植物品种鉴定。根据本发明的一个实施方案，选择全国11个省(直辖市)80个栗属植物品种，获取所有叶片坐标点数据，构建数据库，然后采用几何形态测量软件对叶形数据进行品种间形态定量及图形化分析，待测品种判定，分析品种间叶片的主要形态差异。
根据本发明的实施方案，步骤(1)中所述处于盛果期的栗属植物品种包括至少80个品种。
根据本发明的实施方案，每个所述栗属植物品种至少采集10株。
根据本发明的实施方案，每株所述栗属植物至少在4个不同的方位采集叶片，相邻方位之间角度相差60°-90°。
根据本发明的实施方案，所述扫描参数：分辨率300～600dpi，亮度0～30L。
分辨率以及亮度的大小对扫描的图片清晰度以及透光性有影响，分辨率太高或亮度太大会导致叶片透光，颜色发绿，叶脉不清晰。分辨率太低会导致叶片颜色呈暗灰色，叶缘不清晰。分辨率也影响到形成图像的大小，统一参数能进行叶片大小的比较，有利于在同一水平上进行形态对比。
根据本发明的实施方案，所述鉴定点包括步骤(1)中所述处于盛果期的栗属植物品种的叶片的外缘轮廓的同源点。
同源点是指所有选定的栗属植物品种的叶片共有的点，选取叶片的外缘轮廓的同源点作为鉴定点，是因为外缘轮廓的同源点更能够准确表征叶片的大小、整体形态，是形态研究中具有代表性的点，也更有利于实际生活的辨认。根据本发明的实施方案，针对每个叶片，选取鉴定点至少14个，这14个鉴定点为一级鉴定点，分别为：
从叶柄起向上第1锯齿鉴定点、叶片最宽处的锯齿鉴定点、叶片最宽处锯齿向上1锯齿鉴定点、叶片最宽处锯齿向下1锯齿鉴定点、叶片顶端向下第2锯齿鉴定点、叶片顶端向下第3锯齿鉴定点、叶片顶端向下第4锯齿鉴定点，且每个位置的所述一级鉴定点成对分布于所述叶片的叶脉的两侧。上述14 个一级鉴定点在品种分类上具有重要作用，这些鉴定点能够进一步提升利用建立的数据库进行栗属植物品种鉴定时的准确度。
根据本发明的实施方案，针对每个叶片，所述鉴定点进一步包括3个次级鉴定点，所述3个次级鉴定点为叶片顶端鉴定点、最宽处锯齿的叶脉交叉点、叶柄与叶片的交界点。
根据本发明的实施方案，针对每个叶片，所述鉴定点进一步包括7个补充性鉴定点，分别为：
叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点、中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点，
其中，所述叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点成对分布于所述叶片的叶脉的两侧，所述中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点为单独的鉴定点。根据本发明的实施方案，对所述第一叶片轮廓鉴定点数据库进行预处理进一步包括：
对所述第一叶片轮廓鉴定点数据库进行广义普氏分析，以便将所有所述叶片的坐标点最大限度进行集中。
进行广义普氏分析，将所有叶片的坐标点最大限度的集中在一起。消除因摆放位置、方向等非形状因素的干扰，且可将叶形与大小分离。
根据本发明的实施方案，步骤(4)中，通过对坐标数据进行傅里叶转换，排除离群值，形成新的数据集用于分析。排除因环境等因素出现的形态变异程度较大的叶片，使分析结果更准确。
根据本发明的实施方案，按照来源地区、品种、植株个体中的至少之一对所述第二叶片轮廓鉴定点数据库进行数据分层。
根据本发明的实施方案，在步骤(5)中，按照品种对所述第二叶片轮廓鉴定点数据库进行数据分层时，创建平均叶形数据。其中，创建平均叶形数据，便于后续对品种间及区域间比较。
本发明第二方面提供一种用于栗属植物品种鉴定的数据库。根据本发明的实施方案，所述数据库通过第一方面所述的建立方法获得。
本发明第三方面提供一种栗属植物品种的鉴定方法。根据本发明的实施方案，所述鉴定方法包括：
1)采集待鉴定栗属植物品种的生理成熟期的叶片；
2)对来自待鉴定栗属植物品种的所有所述叶片的背面进行扫描，其中，扫描时采用统一的扫描参数和角度；
3)利用图像识别软件对所述待鉴定栗属植物品种的所有经扫描的叶片进行同源鉴定点的选取，并将所述同源鉴定点与第二方面所述的用于栗属植物品种鉴定的数据库进行对比，通过典型变量分析，得到品种普氏距离矩阵及品种散点图；
4)根据所述品种普氏距离矩阵及品种散点图位置，判定待鉴定栗属植物品种的种类。
本发明提供的栗属植物品种的鉴定方法，基于叶片形态定量和图形化分析，适合相似度较高，在生产中无法辨别的诸多栗属植物品种。能够实现数字化分类，实现准确、快捷品种鉴别。
根据本发明的实施方案，步骤1)中，所述待鉴定栗属植物品种源自用于栗属植物品种鉴定的数据库中栗属植物品种的来源地。
根据本发明的实施方案，所述待鉴定栗属植物品种至少采集10株，每株至少在4个不同的方位采集叶片，相邻方位之间角度相差60°-90°。
根据本发明的实施方案，步骤2)中，所述扫描参数：分辨率300～600dpi，亮度0～30L。
根据本发明的实施方案，步骤3)中，所述同源鉴定点包括所述待鉴定栗属植物品种的叶片的外缘轮廓的同源点。
根据本发明的实施方案，针对每个叶片，采集同源鉴定点至少14个。
根据本发明的实施方案，针对每个叶片，所述同源鉴定点包括14个一级鉴定点，分别为：
从叶柄起向上第1锯齿鉴定点、叶片最宽处的锯齿鉴定点、叶片最宽处锯齿向上1锯齿鉴定点、叶片最宽处锯齿向下1锯齿鉴定点、叶片顶端向下第2锯齿鉴定点、叶片顶端向下第3锯齿鉴定点、叶片顶端向下第4锯齿鉴定点，且每个位置的所述一级鉴定点成对分布于所述叶片的叶脉的两侧。
根据本发明的实施方案，所述同源鉴定点进一步包括3个次级鉴定点，所述3个次级鉴定点为叶片顶端鉴定点、最宽处锯齿的叶脉交叉点、叶柄与叶片的交界点。
根据本发明的实施方案，所述同源鉴定点进一步包括7个补充性鉴定点，分别为：
叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点、中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点，
其中，所述叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点成对分布于所述叶片的叶脉的两侧，所述中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点为单独的鉴定点。
本发明第四方面提供第一方面所述的建立方法获得的用于栗属植物品种鉴定的数据库或第二方面所述的用于栗属植物品种鉴定的数据库在栗属植物品种的鉴定中的用途。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1显示了本发明一个实施例的板栗叶片鉴定点位置，板栗叶片源自板栗品种“燕山短枝”，来源于河北省迁西县；
图2显示了本发明一个实施例的板栗品种鉴定方法流程图，其中，①-采集的叶片；②-扫描仪；③- 扫描后的叶片；④-Image J图像识别软件；⑤-鉴定点位置；⑥-MorphoJ几何形态测量分析软件；⑦-对称组分与非对称组分；⑧-典型变量分析；
图3显示了基于品种层次的对称组分CVA分析。
具体实施方式
下面参考具体实施例，对本发明进行描述，需要说明的是，这些实施例仅仅是描述性的，而不以任何方式限制本发明。
实施例的实验中所用到的试剂，如无特殊说明，均可通过市售获得。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
一直以来，植物鉴定最常用的方法为人工鉴别法(Manual identification)，主要是应用传统的形态学测量方法以及人为感观获取植物的枝、叶、花、果、皮等形状、颜色、气味等特征，并进行种间比较。其中叶片作为植物的显著性观测结构，具有周期长，易获取等优点，在植物鉴别中具有重要作用。随着科学技术的发展，DNA分子标记技术因具有客观、准确等特点，应用于植物真实性和纯度鉴定，但在生产实际中的实用性较低。而植物的表型性状作为直观结果，在生产中使用更加便捷，且实用性强。然而，传统的形态学测量方法存在费时、费工、效率低下、主观性强、测量误差大等弊端。在形态学发展的过程中，产生了几何形态测量学(GMM)，即一种对笛卡尔坐标数据(Cartesian coordinate data)进行多变量统计分析的方法。通过对不同植物间进行形态定量和图形化，分析近似物种形态差异与亲疏关系。该法在生产实际应用中具有成本低、难度小，能够很好地区分因地理来源产生的差异，进而可对植物鉴别、分类提供保障。
我国栗属植物品种繁多，前人对栗属表型性状的研究集中于遗传多样性的分析，在鉴别方面仍没有形成体系。而通过几何形态测量法，以精准的测量方法进行板栗品种叶片的数字化分类，构建栗属植物品种叶形坐标点数据库，可高效、直观地反映种间、品种间的叶片形态差异，为实现栗属植物品种表型鉴定提供精准便捷方法，对区域间引种利用以及加工生产方面提供保障，更具有实用价值。
为此，发明人获得一种栗属植物品种的鉴定方法，基于叶片形态定量和图形化分析，适合相似度较高，在生产中无法辨别的诸多栗属植物(如板栗、锥栗等)品种。能够实现数字化分类，实现准确、快捷品种鉴别。
首先，发明人构建了一种用于栗属植物品种鉴定的数据库的建立方法。根据本发明的一个具体的实施方案，所述方法包括：
(1)选取多个不同地域的栗属植物栽培区中处于盛果期的多种栗属植物品种，采集生理成熟期的叶片；
(2)对所述叶片的背面进行扫描，其中，来自每一个所述栗属植物品种的所述叶片采用统一的扫描参数和角度；
(3)利用图像识别软件对所有所述叶片进行鉴定点选取，获取每个所述叶片的每个鉴定点的坐标数据，以便建立不同栗属植物品种的第一叶片轮廓鉴定点数据库；
(4)对所述第一叶片轮廓鉴定点数据库进行预处理，排除离群值和非对称组分，以便获取第二叶片轮廓鉴定点数据库；
(5)对所述第二叶片轮廓鉴定点数据库进行数据分层，以便获取用于栗属植物品种鉴定的数据库。
根据本发明的一个具体的实施方案，不同区域例如可以是不同的省、市，不同区域至少是10个。区域越多，建立的数据库中品种种类越多，越利于鉴定时能够与待测品种进行匹配。
根据本发明的一个具体的实施方案，针对每个区域，可以选择多种栗属植物品种，入数据库的栗属植物品种包括至少80个，也可以是90个、100个甚至更多的栗属植物品种。
根据本发明的一个具体的实施方案，针对每个区域，可以选择多种板栗品种，入数据库的板栗品种包括至少80个，也可以是90个、100个甚至更多的板栗品种。这些板栗品种均是经审定已确定的品种。数据库中板栗品种越多，越利于品种鉴定。
根据本发明的一个具体的实施方案，每个所述栗属植物品种至少采集10株，采集株数过少，则获得的数据不能准确表征该栗属植物品种的叶片特征。
根据本发明的一个具体的实施方案，每株栗属植物至少在4个不同的方位采集叶片，相邻方位之间角度相差60°-90°。例如，可以分别在东、西、南、北四个方位分别采集叶片。
根据本发明的一个具体的实施方案，所述扫描参数：分辨率300～600dpi，亮度0～30L。根据本发明的另一个实施方案，所述扫描参数例如可以是，分辨率600dpi，亮度30。关于扫描的角度，不受限制，例如可以是竖向也可以是横向，但需要保证所有叶片进行扫描时方向是统一的。
根据本发明的一个具体的实施方案，所述鉴定点包括所有步骤(1)中所述处于盛果期的栗属植物品种的叶片的外缘轮廓的同源点。
同源点是指所有选定的栗属植物品种的叶片共有的点，它具有相对位置一致性、可重复性，选取同源点才能进行同一品种的叶片叠印，以及不同品种间对比。
关于叶片鉴定点选取的基本原则：所有叶片之间具有同源性(叶片共有)；具有足够的代表性；能够反映研究样本的形态结构信息；相对位置一致性；可重复性，且在重复过程中能够直观、准确标出。
根据本发明的一个具体的实施方案，针对每个叶片，选取鉴定点至少14个，这14个鉴定点为一级鉴定点，分别为：
从叶柄起向上第1锯齿鉴定点、叶片最宽处的锯齿鉴定点、叶片最宽处锯齿向上1锯齿鉴定点、叶片最宽处锯齿向下1锯齿鉴定点、叶片顶端向下第2锯齿鉴定点、叶片顶端向下第3锯齿鉴定点、叶片顶端向下第4锯齿鉴定点，且每个位置的所述一级鉴定点成对分布于所述叶片的叶脉的两侧。
本发明中“向上”是指自叶柄向叶片顶端方向，“向下”是指自叶片顶端向叶柄方向。
根据本发明的一个具体的实施方案，针对每个叶片，选取的鉴定点除了上述的14个一级鉴定点之外，进一步包括3个次级鉴定点，所述3个次级鉴定点为叶片顶端鉴定点、最宽处锯齿的叶脉交叉点、叶柄与叶片的交界点。
根据本发明的一个具体的实施方案，针对每个叶片，选取的鉴定点除了上述的14个一级鉴定点、3 个次级鉴定点之外，进一步包括7个补充性鉴定点，分别为：
叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点、中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点，
其中，所述叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点成对分布于所述叶片的叶脉的两侧，所述中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点为单独的鉴定点。
本发明中特定的鉴定点选取的基本原则：
①描述栗属植物(如板栗)叶片整体的形态、大小；
②实验栗属植物品种的所有叶片都具有的同源点，在不同的样本之间有关联性及重复性；
③左右两侧鉴定点相对位置一致，例如都选择从基部起第一锯齿、最宽处锯齿等位置(更有利于分离对称组分及非对称组分。对称组分指受遗传力影响的形状性状。不对称组分是指叶片受到环境等因子的影响，叶片双侧对称性出现随机偏离，即叶片的形状变异)。
④根据栗属植物叶片的形态特点，叶片上部锯齿较密集且在不同品种中叶片上部具有较大的差异性，所以上部选取的鉴定点多于下部。
根据本发明的一个优选的实施方案，针对每个叶片，采集鉴定点至少24个，包括上述的14个一级鉴定点、3个次级鉴定点以及7个补充性鉴定点。当然，鉴定点也可以是30个、40个以及以上。但每个叶片采集24个鉴定点，获得的数据库，已经足以用于准备鉴定栗属植物品种，保证较高的鉴定准确率。
根据本发明的一个具体的实施方案，图像识别软件可以是Image J图像识别软件，也可以是本领域已知的其他图像识别软件，只要能够识别坐标位置，获得准确的鉴定点即可。
根据本发明的一个具体的实施方案，对所述第一叶片轮廓鉴定点数据库进行预处理进一步包括：
对所述第一叶片轮廓鉴定点数据库进行广义普氏分析，以便将所有所述叶片的坐标点最大限度的集中在一起。消除因摆放位置、方向等非形状因素的干扰，且可将叶形与大小分离。
根据本发明的一个具体的实施方案，通过对坐标数据进行傅里叶转换，排除离群值，形成新的数据集用于分析。排除因环境等因素出现的形态变异程度较大的叶片，使分析结果更准确。
根据本发明的一个具体的实施方案，对坐标数据排除非对称组分，保留对称组分，对称组分指受遗传力影响的形状性状。不对称组分是指叶片受到环境等因子的影响。
根据本发明的一个具体的实施方案，按照来源地区、品种、植株个体中的至少之一对所述第二叶片轮廓鉴定点数据库进行数据分层。
根据本发明的一个具体的实施方案，在步骤(5)中，按照品种对所述第二叶片轮廓鉴定点数据库进行数据分层时，创建平均叶形数据。
根据本发明的一个具体的实施方案，本发明提供一种栗属植物品种的鉴定方法，所述鉴定方法包括：
1)采集待鉴定栗属植物品种的生理成熟期的叶片；
2)对来自待鉴定栗属植物品种的所有所述叶片的背面进行扫描，其中，扫描时采用统一的扫描参数和角度；
3)利用图像处理软件对所述待鉴定栗属植物品种的所有经扫描的叶片进行同源鉴定点的选取，并将所述同源鉴定点与用于栗属植物品种鉴定的数据库进行对比，通过典型变量分析，得到品种普氏距离矩阵及品种散点图；
4)根据所述品种普氏距离矩阵及品种散点图位置，判定待鉴定栗属植物品种的种类。
根据本发明的一个具体的实施方案，步骤1)中，待鉴定栗属植物品种源自用于栗属植物品种鉴定的数据库中栗属植物品种的来源地。
根据本发明的一个具体的实施方案，步骤1)中，所述待鉴定栗属植物品种至少采集10株，每株至少在4个不同的方位采集叶片，相邻方位之间角度相差60°-90°。例如，可以分别在东、西、南、北四个方位分别采集待鉴定栗属植物品种叶片。
根据本发明一个具体的实施方案，步骤2)中，所述扫描参数：分辨率300～600dpi，亮度0～30L。根据本发明的另一个实施方案，所述扫描参数例如可以是，分辨率600dpi，亮度30。关于扫描的角度，不受限制，例如可以是竖向也可以是横向，但需要保证所有叶片进行扫描时方向是统一的。
根据本发明一个具体的实施方案，步骤3)中，所述同源鉴定点包括所述待鉴定栗属植物品种的叶片的外缘轮廓的同源点。
根据本发明一个具体的实施方案，针对每个叶片，采集同源鉴定点至少14个一级鉴定点，分别为：
从叶柄起向上第1锯齿鉴定点、叶片最宽处的锯齿鉴定点、叶片最宽处锯齿向上1锯齿鉴定点、叶片最宽处锯齿向下1锯齿鉴定点、叶片顶端向下第2锯齿鉴定点、叶片顶端向下第3锯齿鉴定点、叶片顶端向下第4锯齿鉴定点，且每个位置的所述一级鉴定点成对分布于所述叶片的叶脉的两侧。
根据本发明一个具体的实施方案，针对每个叶片，选取的同源鉴定点除了上述的14个一级鉴定点之外，进一步包括3个次级鉴定点，所述3个次级鉴定点为叶片顶端鉴定点、最宽处锯齿的叶脉交叉点、叶柄与叶片的交界点。
根据本发明一个具体的实施方案，针对每个叶片，选取的同源鉴定点除了上述的14个一级鉴定点、 3个次级鉴定点之外，进一步包括7个补充性鉴定点，分别为：
叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点、中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点，
其中，所述叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点成对分布于所述叶片的叶脉的两侧，所述中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点为单独的鉴定点。
根据本发明一个具体的实施方案，栗属植物品种的鉴定方法如附图2所示，包括采集叶片→通过扫描仪扫描叶片→利用Image J图像识别软件获得鉴定点位置→利用MorphoJ几何形态测量分析软件行典型变量分析(需要去除非对称组分)。
根据本发明的一个实施方案，栗属植物品种的鉴定方法包括将按标准采集的叶片用标本夹暂时保存，用扫描仪进行背面扫描，形成A4大小图片。以Image J进行24个鉴定点选取，获取坐标数据。以 MorphoJ 1.07a进行典型变量分析，根据散点图位置及普氏距离矩阵进行品种判别。
根据本发明的一个具体的实施方案，对待鉴定栗属植物品种叶片的要求：选择数据库存在的来源地品种，叶片数量达到生物量样本(≥30)；树体要求8年生及以上，长势良好，选取树冠外围中部冠层的东南西北四方向无病虫害的完整叶片。
根据本发明的一个具体的实施方案，所述栗属植物品种的鉴定方法中，对待鉴定品种所有选取的叶片进行背面扫描，统一参数与角度，分辨率300～600dpi，A4竖向，亮度0～30L，背部叶脉清晰即可。
根据本发明的一个具体的实施方案，利用Image J对待鉴定品种所有扫描的叶片进行同源鉴定点的选取，与数据库中所有品种的坐标数据进行典型变量分析。得到品种普氏距离矩阵及品种散点图，根据距离及散点图位置，最靠近的品种即为判定品种。
利用判别分析的交叉验证证明判别的成功率。通过典型变量分析绘制出的网格变化图，判断品种间叶片形态的变化趋势。
根据本发明的一个具体的实施方案，本发明提供一种基于叶片形态数字化分析的板栗品种鉴定方法，其步骤如下：
1)选取待鉴定的发育良好、健壮的板栗品种，于叶片生理成熟期采集叶片，每个品种10株，在每株树冠层中部外围的东南西北四个方位分别采集2片完整叶片，每株8片，每个品种80片。
2)对待鉴定品种所有选取的叶片进行背面扫描，统一参数与角度；
3)利用Image J对待鉴定品种所有扫描的叶片进行24个同源鉴定点的选取，与板栗品种坐标点数据库进行对比，通过典型变量分析，得到品种普氏距离矩阵及品种散点图，根据距离及散点图位置，最靠近的品种即为判定品种。利用判别分析的交叉验证方法，证明判别的成功率。
根据本发明的一个具体的实施方案，24个同源鉴定点具体位置如图1和下表1所示所示：
表1叶片鉴定点位置描述
Figure BDA0003614040450000081
表1中鉴定点名称与图1中鉴定点位置一一对应，例如表1中的鉴定点IM1-2是指图1中叶片上标示数字“1”和“2”的位置。其中，IM1-2、3-4、5-6、7-8、9-10、11-12、13-14这14个鉴定点为一级鉴定点，IM19、21、23，这3个鉴定点为次级鉴定点，而IM15、16、17、18、20、22、24为补充性鉴定点。 IM1-IM21(共21个鉴定点)代表完整的板栗叶片轮廓形态；IM2、22、23、24(共4个鉴定点)，描述主叶脉的位置、长度；IM23代表叶脉中心位置。选取中心点能更好的进行普氏叠印分析以及对质心大小的测量。叶片大小是通过测量鉴定点构成的轮廓结构的质心大小而得到，质心大小的测量是通过测量鉴定点到轮廓图中心的距离来衡量)；IM23、24(共2个鉴定点)描述中心叶脉交叉点之间的间隔。准确显示叶脉的中心位置，能在一定程度上反应一级叶脉的疏密程度。
选择鉴定点的顺序，以重要性结合便捷性为原则，首先选取14个一级鉴定点，其次选择叶片边缘的其他鉴定点，最后按由上到下的顺序选择主叶脉上的鉴定点，在实际操作中可改变顺序，但要保证所有叶片选点顺序统一。
根据本发明的一个具体的实施方案，板栗品种鉴定方法具体步骤：扫描待鉴定品种所有叶片→24 个同源鉴定点的选取→与板栗品种坐标点数据库进行对比→进行多元统计数据分析，其中主要应用典型变量分析，得到品种普氏距离矩阵、品种散点图及网格变化图，根据距离及散点图位置，最靠近的品种即为判定品种；根据网格变化图分析品种间叶片形态变化趋势及主要差异点。利用判别分析的交叉验证，证明判别的成功率。
栗属植物，其叶对生，长椭圆形或披针形，叶缘有锯齿，有多数羽状的平行侧脉。板栗，单叶互生，长6～20cm，宽4～10cm；叶片卵状椭圆形、倒卵状椭圆形或阔披针状椭圆形；先端渐尖或急尖，基部锲形或近心脏形，叶缘锯齿状，锯齿或较浅；叶柄长约1～2cm。锥栗，单叶互生，长14～19cm，宽4～5cm；叶片长卵圆形至卵状披针形；先端尾状渐尖，基部锲形至近圆形，叶缘有锯齿状；叶柄长约1.5～2cm。(张宇和，柳鎏，梁维坚，等.2005.中国果树志板栗榛子卷[M].北京：中国林业出版社.P22-25)。本发明中的栗属植物品种，包括但不限于板栗，锥栗。这类栗属植物具有相似的叶片特征，虽然实施例中仅仅展示了板栗数据库以及板栗品种鉴定方法，但本发明的栗属植物品种鉴定的数据库以及栗属植物品种鉴定方法同样适用于其他品种的栗属植物(例如锥栗)。
下面将结合实施例对本公开的方案进行解释。本领域技术人员将会理解，下面的实施例仅用于说明本公开，而不应视为限定本公开的范围。实施例中未注明具体技术或条件的，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者，均为可以通过市购获得的常规产品。
实施例1
1.不同板栗叶片样本采集
在全国11个省(直辖市)板栗栽培区，选择进入盛果期的80个板栗品种，所有品种均选择当地发育良好、健壮树体。于叶片生理成熟期采集叶片，每个品种10株，在每株树冠层中部外围的东、南、西、北四个方位分别采集2片完整叶片，每株8片，每个品种80片，80个品种共计6400片，用标本夹压平进行扫描、分析。
2.数据获取方法
将采集的叶片擦拭干净，去除折叠、损坏的叶片。用EPSON Scan扫描仪，进行叶片背面扫描。统一比例参数：分辨率600dpi，A4竖向，亮度30，以.jpg格式保存图片。
利用Image J(戴志聪，杜道林，司春灿等。2009，用扫描仪及Image J软件精确测量叶片形态数量特征的方法，广西植物，29(3)，342-347)软件对所有品种的叶片进行鉴定点选取，其中包括板栗品种的叶片的外缘轮廓的所有同源点(详见附图2的⑤中展示的鉴定点位置)。每张叶片获得24个(x,y)坐标数据，以.txt格式保存，以此建立不同板栗品质叶片轮廓鉴定点数据库。
3.数据处理
1)采用Microsoft Excel 2021进行数据整理。个体ID命名方式：ID＝1(区域/群体)-01(品种编号) -01(个体编号)，导入.txt文件中。
2)将坐标点数据导入Morpho J 1.07软件中：File→Create New Project→选择.txt格式文件→TPS文件类型→Object Symmetry→Creat Dataset→对导入的数据文件重命名
3)利用Morpho J 1.07软件，进行广义普氏分析(generalized procrustesanalysis，GPA)，将所有叶片的坐标点最大限度的集中在一起。消除因摆放位置、方向等非形状因素的干扰，且可将叶形与大小分离。具体步骤：Preliminaries→New ProcrustesFit→检查鉴定点关联是否正确→Accept
4)通过对坐标数据进行傅里叶转换，排除离群值，形成新的数据集用于分析。排除因环境等因素出现的形态变异程度较大的叶片，使分析结果更准确。具体步骤：Preliminaries→Find Outliers
5)本发明在导入数据时将叶形数据分为分离对称组分和非对称组分。对称组分指受遗传力影响的形状性状。不对称组分是指叶片受到环境等因子的影响，叶片双侧对称性出现随机偏离，即叶片的形状变异。本研究将叶片分为对称组分和非对称组分，能更好的进行叶片形态变化分析，找到主要形态差异。
经过后续结果分析证明，不同板栗品种叶片形态只能通过对称组分进行鉴别，而非对称组分存在随机性，无具体规律，因此无鉴定意义。
6)数据分层：将新形成的数据集按来源地区、品种、个体进行分层，并在品种水平上创建平均叶形，便于后续对品种间及区域间比较。具体步骤：Preliminaries→Extractnew classifier from ID strings→ Name for new classifier:地区、品种、个体；Preliminaries→Average observations by
7)多元统计分析包括：主成分分析(Principal Component Analysis,PCA)，提取主要差异位置及主要鉴定点。具体步骤：Preliminaries→Generate Covariance Matrices→Select all types to be used(Symmetric and Asymmetry component)→Accept→Variation→Principal Component Analysis
在对称组分中，PC1和PC2的累计贡献率为80.6％；在非对称组分中，PC1和PC2的累计贡献率分别为72.0％(见表2)，可以说明品种间叶片形态的变化。经大量叶片材料研究证明，如图1和表1所示的24个鉴定点在鉴定过程中具有不等的重要性。依据主成分分析得到的鉴定点综合得分及贡献率(见表3)，筛选出了重要鉴定位点，结合不同板栗品种叶片的异速生长分析来验证结果可靠性(见表4)，共同证明了IM1-2、3-4、5-6、7-8、9-10、11-12、13-14，14个鉴定点(主要代表叶基部、叶片最宽部、叶尖端的形态及相对位置)在品种分类上具有重要作用，累计贡献率达70.14％。
综合表3、4结果，在板栗品种鉴定过程中，IM1-2、3-4、5-6、7-8、9-10、11-12、13-14，共14个鉴定点，作为主要鉴定点；IM19、21、23，共3个鉴定点，作为次级鉴定点，其中IM19、23的加入使叶片形态更加完整、也便于叶片长度的测量，IM21是叶片的中心点，是测量叶片大小的关键点；IM15、 16、17、18、20、22、24，共7个鉴定点，作为补充性鉴定点，累计贡献率为20.54％，在整体鉴定中也有不可忽视的作用。
表2 80个板栗品种基于对称组分和非对称组分的前5个主成分信息
Figure BDA0003614040450000101
表3 80份板栗品种基于对称组分主成分分析的鉴定点综合得分及贡献率
Figure BDA0003614040450000111
8)偏最小二乘法(Two Blocks Partial Least Squares,2B-PLS)进行异速生长分析(Allometric Growth Analysis，AGA)，通过探究叶片形态(对称组分及非对称组分)与叶片大小的共生关系，即异速生长，来证明所提取鉴定点的显著作用，即对主成分分析提取出的主要鉴定点进行验证，结果与主成分分析一致(见表4)。具体步骤：Covariation→Partial Least Squares→Two Separate→Blocks→Block 1:Log Centroid Size；Block2:Symmetric component→Preform permutation test 10000
表4 80份板栗品种基于对称组分异速生长分析的鉴定点综合得分
Figure BDA0003614040450000112
9)典型变量分析(Canonical Variate Analysis，CVA)，比较10个地区以及80个板栗品种间的叶片平均形态差异，实现品种鉴别；判别分析(Discriminant Analysis，DA)基于交叉验证函数和判别函数，用于两者之间的区分，用来验证鉴定结果的可靠性，本发明用来进行区域间判别。具体步骤：Comparison →Canonical Variate→Analysis→Datetype:symmetric/asymmetry component Classifier variable(s)to use for grouping：地区/品种；Comparison→Discriminant function analysis→Data type:symmetriccomponent Classifier(s)to be used as grouping certerion：地区/品种(Include allpairs of groups,Permutation test:10000)
10个地区共得到45组判别分析数据，结果显示(见表5)，湖北和安徽两地区的判别率最低，为87.5％ vs.92.9％，其余组间判别率均达到95％-100％。证明区域间的板栗品种基本可以完全判别；80个品种共得到3160组判别分析数据(见表6)，其中，只有21组判别率低于100％，判别率较低的品种为‘燕龙’和‘燕明’(93.33％vs.84.62％)、‘荔波早栗’和‘荔波中栗’(86.67％vs.92.30％)、‘东丰’和‘金丰’(96.67％vs.84.62)。证明该分析中有99.34％的品种判别正确率达到100％，极个别品种判别率较低且均为80％以上。利用Origin 2021将CVA得到的马氏距离矩阵进行聚类分析(Cluster analysis，CA)。绘制基于薄板样条(Thin plate spline，TPS)的网格变化图，将叶片的形态变化进行可视化。
表5 10个栽培地区间叶形的判别分析
Figure BDA0003614040450000121
表6 80个品种间叶形的判别分析
(除表格所示外，其余品种间判别率均达到100％)
Figure BDA0003614040450000122
实施例2板栗品种鉴定方法验证
1、形态学判定
以上述步骤获取待鉴定品种叶片，品种编号为1、2、3→数据获取→数据处理。
1)待测叶片采集的要求
选择数据库存在的来源地品种，叶片数量达到生物量样本(≥30)；树体要求8年生及以上，长势良好，选取树冠外围中部冠层的东南西北四方向无病虫害的完整叶片。
2)数据获取
对待鉴定品种所有选取的叶片进行背面扫描，统一参数与角度，分辨率300～600dpi，A4竖向，亮度0～30L，背部叶脉清晰即可。
3)数据处理
利用Image J对待鉴定品种所有扫描的叶片进行同源鉴定点的选取，与数据库中所有品种的坐标数据进行典型变量分析。得到品种普氏距离矩阵及品种散点图，根据距离及散点图位置，最靠近的品种即为判定品种。利用判别分析的交叉验证证明判别的成功率。通过典型变量分析绘制出的网格变化图，判断品种间叶片形态的变化趋势。
将数据进行典型变量分析和判别分析。典型变量散点图可以看出(见图2)3个待鉴定品种，分别与数据库中35‘大板红’36‘迁西早红’34‘燕山早丰’几乎完全重叠。根据CVA分析得到1号与‘大板红’，2号与‘迁西早红’，3号与‘燕山早丰’的马氏距离最小(距离越小，形态相似程度越大)，P 值也呈极不显著关系，证明相似度极高(见表7)。因此，可初步判定未知品种分别为‘大板红’‘迁西早红’‘燕山早丰’。
表7判定品种叶片的马氏距离及判别分析(基于10000次重复)
Figure BDA0003614040450000131
2.分子标记判定
1)采用CTAB法提取待鉴定品种叶片的DNA；
2)选择引物(见表8)，以在板栗品种间扩增条带清晰且有差异的引物用于品种鉴定。
表8 SSR引物信息表
Figure BDA0003614040450000132
3)PCR反应体系20μL，包含100-200ng基因组DNA，5’端加有M13通用序列的正向引物0.8pmol、反向引物和带有荧光标记的M13通用引物(M13F(-47)：5′-CGCCAGGGTTTTCCCAGTCACGAC-3′(SEQ ID NO:13)，M13R Primer：5′-CACACAGGAAACAGCTATGAC-3′(SEQ ID NO:14))各3.2pmol、 10μL 2×Taq PCR Mix。PCR扩增程序为：94℃预变性5min；94℃变性30s，56℃退火30s，72℃延伸45s，30个循环；72℃延伸7min后于4℃保存；
4)PCR产物经过毛细管电泳检测，用Gene-Marker v 4.0软件读取扩增片段的大小。结果显示(见表9)，经先前建立的指纹图谱对比，确定待鉴定品种为‘大板红’、‘迁西早红’、‘燕山早丰’。
表9 3个板栗品种的SSR指纹图谱
Figure BDA0003614040450000141
结果显示，两方法的鉴定结果一致。验证实验选取的品种为同一品种群，在本发明中发现同一区域品种间的相似度比不同区域品种间高，以此来证明几何形态学判别准确率极高。利用几何形态学方法进行品种鉴定较分子鉴定，大大缩短了鉴定时间且节约成本，更有利于在生产实践方面应用。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、“一些实施方案”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
SEQUENCE LISTING
<110> 北京林业大学
<120> 一种基于叶片形态数字化分析的栗属植物品种鉴定方法
<130> BI3220441
<160> 14
<170> PatentIn version 3.3
<210> 1
<211> 23
<212> DNA
<213> Artificial
<220>
<223> ICMA005正向引物
<400> 1
aaataaaacc cctcatcaac aca 23
<210> 2
<211> 23
<212> DNA
<213> Artificial
<220>
<223> ICMA005反向引物
<400> 2
gaactcaaaa cctcaaaacc tca 23
<210> 3
<211> 20
<212> DNA
<213> Artificial
<220>
<223> ICMA018正向引物
<400> 3
acaacgatcc cagaccaaag 20
<210> 4
<211> 20
<212> DNA
<213> Artificial
<220>
<223> ICMA018反向引物
<400> 4
ctaggcgatc ggagagagac 20
<210> 5
<211> 23
<212> DNA
<213> Artificial
<220>
<223> CmCTR4正向引物
<400> 5
cataggttca aaccataccc gtg 23
<210> 6
<211> 24
<212> DNA
<213> Artificial
<220>
<223> CmCTR4反向引物
<400> 6
ctcatctttg tagggtataa tacc 24
<210> 7
<211> 20
<212> DNA
<213> Artificial
<220>
<223> CmCTR24正向引物
<400> 7
ctgcaagaca agaattacac 20
<210> 8
<211> 18
<212> DNA
<213> Artificial
<220>
<223> CmCTR24反向引物
<400> 8
gaataacctg cagaaggc 18
<210> 9
<211> 20
<212> DNA
<213> Artificial
<220>
<223> CsCAT5正向引物
<400> 9
cattttctca ttgtggctgc 20
<210> 10
<211> 20
<212> DNA
<213> Artificial
<220>
<223> CsCAT5反向引物
<400> 10
cacttgcaca tccaattagg 20
<210> 11
<211> 20
<212> DNA
<213> Artificial
<220>
<223> CsCAT8正向引物
<400> 11
ctgcaagaca agaattacac 20
<210> 12
<211> 18
<212> DNA
<213> Artificial
<220>
<223> CsCAT8反向引物
<400> 12
gaataacctg cagaaggc 18
<210> 13
<211> 24
<212> DNA
<213> Artificial
<220>
<223> M13F(-47)
<400> 13
cgccagggtt ttcccagtca cgac 24
<210> 14
<211> 21
<212> DNA
<213> Artificial
<220>
<223> M13R Primer
<400> 14
cacacaggaa acagctatga c 21

Claims (11)

1.一种用于栗属植物品种鉴定的数据库的建立方法，其特征在于，包括：
(1)选取多个不同地域的栗属植物栽培区中处于盛果期的多种栗属植物品种，采集生理成熟期的叶片；
(2)对所述叶片的背面进行扫描，其中，来自每一个所述栗属植物品种的所述叶片采用统一的扫描参数和角度；
(3)利用图像识别软件对所有所述叶片进行鉴定点选取，获取每个所述叶片的每个鉴定点的坐标数据，以便建立不同栗属植物品种的第一叶片轮廓鉴定点数据库；
(4)对所述第一叶片轮廓鉴定点数据库进行预处理，排除离群值和非对称组分，以便获取第二叶片轮廓鉴定点数据库；
(5)对所述第二叶片轮廓鉴定点数据库进行数据分层，以便获取用于栗属植物品种鉴定的数据库。
2.根据权利要求1所述的建立方法，其特征在于，步骤(1)中所述处于盛果期的栗属植物品种包括至少80个品种，
任选地，每个所述栗属植物品种至少采集10株；
任选地，每株所述栗属植物至少在4个不同的方位采集叶片，相邻方位之间角度相差60°-90°。
3.根据权利要求1所述的建立方法，其特征在于，所述扫描参数：分辨率300～600dpi，亮度0～30L。
4.根据权利要求1所述的建立方法，其特征在于，所述鉴定点包括步骤(1)中所述处于盛果期的栗属植物品种的叶片的外缘轮廓的同源点；
任选地，针对每个叶片，采集鉴定点至少14个；
任选地，针对每个叶片，所述鉴定点包括14个一级鉴定点，分别为：
从叶柄起向上第1锯齿鉴定点、叶片最宽处的锯齿鉴定点、叶片最宽处锯齿向上1锯齿鉴定点、叶片最宽处锯齿向下1锯齿鉴定点、叶片顶端向下第2锯齿鉴定点、叶片顶端向下第3锯齿鉴定点、叶片顶端向下第4锯齿鉴定点，且每个位置的所述一级鉴定点成对分布于所述叶片的叶脉的两侧。
5.根据权利要求4所述的建立方法，其特征在于，针对每个叶片，所述鉴定点进一步包括3个次级鉴定点，所述3个次级鉴定点为叶片顶端鉴定点、最宽处锯齿的叶脉交叉点、叶柄与叶片的交界点。
6.根据权利要求4或5所述的建立方法，其特征在于，针对每个叶片，所述鉴定点进一步包括7个补充性鉴定点，分别为：
叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点、中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点，
其中，所述叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点成对分布于所述叶片的叶脉的两侧，所述中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点为单独的鉴定点。
7.根据权利要求1所述的建立方法，其特征在于，对所述第一叶片轮廓鉴定点数据库进行预处理进一步包括：
对所述第一叶片轮廓鉴定点数据库进行广义普氏分析，以便将所有所述叶片的坐标点最大限度进行集中；
任选地，按照来源地区、品种、植株个体中的至少之一对所述第二叶片轮廓鉴定点数据库进行数据分层；
任选地，在步骤(5)中，按照品种对所述第二叶片轮廓鉴定点数据库进行数据分层时，创建平均叶形数据。
8.一种用于栗属植物品种鉴定的数据库，其特征在于，所述数据库通过权利要求1-7中任一项所述的建立方法获得。
9.一种栗属植物品种的鉴定方法，其特征在于，包括：
1)采集待鉴定栗属植物品种的生理成熟期的叶片；
2)对来自待鉴定栗属植物品种的所有所述叶片的背面进行扫描，其中，扫描时采用统一的扫描参数和角度；
3)利用图像识别软件对所述待鉴定栗属植物品种的所有经扫描的叶片进行同源鉴定点的选取，并将所述同源鉴定点与权利要求8所述的用于栗属植物品种鉴定的数据库进行对比，通过典型变量分析，得到品种普氏距离矩阵及品种散点图；
4)根据所述品种普氏距离矩阵及品种散点图位置，判定待鉴定栗属植物品种的种类。
10.根据权利要求9所述的鉴定方法，其特征在于，步骤1)中，所述待鉴定栗属植物品种源自用于栗属植物品种鉴定的数据库中栗属植物品种的来源地；
任选地，所述待鉴定栗属植物品种至少采集10株，每株至少在4个不同的方位采集叶片，相邻方位之间角度相差60°-90°；
任选地，步骤2)中，所述扫描参数：分辨率300～600dpi，亮度0～30L；
任选地，步骤3)中，所述同源鉴定点包括所述待鉴定栗属植物品种的叶片的外缘轮廓的同源点；
任选地，针对每个叶片，采集同源鉴定点至少14个；
任选地，针对每个叶片，所述同源鉴定点包括14个一级鉴定点，分别为：
从叶柄起向上第1锯齿鉴定点、叶片最宽处的锯齿鉴定点、叶片最宽处锯齿向上1锯齿鉴定点、叶片最宽处锯齿向下1锯齿鉴定点、叶片顶端向下第2锯齿鉴定点、叶片顶端向下第3锯齿鉴定点、叶片顶端向下第4锯齿鉴定点，且每个位置的所述一级鉴定点成对分布于所述叶片的叶脉的两侧；
任选地，所述同源鉴定点进一步包括3个次级鉴定点，所述3个次级鉴定点为叶片顶端鉴定点、最宽处锯齿的叶脉交叉点、叶柄与叶片的交界点；
任选地，所述同源鉴定点进一步包括7个补充性鉴定点，分别为：
叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点、中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点，
其中，所述叶片最宽处锯齿上部凹陷点、叶片顶端向下第1锯齿鉴定点成对分布于所述叶片的叶脉的两侧，所述中心点上紧邻的主叶脉交叉点、从叶柄起向上第1锯齿的叶脉交叉点、叶柄起始点为单独的鉴定点。
11.权利要求1-7中任一项所述的建立方法获得的用于栗属植物品种鉴定的数据库或权利要求8所述的用于栗属植物品种鉴定的数据库在栗属植物品种的鉴定中的用途。
CN202210441184.XA 2022-04-25 2022-04-25 一种基于叶片形态数字化分析的栗属植物品种鉴定方法 Pending CN115060720A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210441184.XA CN115060720A (zh) 2022-04-25 2022-04-25 一种基于叶片形态数字化分析的栗属植物品种鉴定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210441184.XA CN115060720A (zh) 2022-04-25 2022-04-25 一种基于叶片形态数字化分析的栗属植物品种鉴定方法

Publications (1)

Publication Number Publication Date
CN115060720A true CN115060720A (zh) 2022-09-16

Family

ID=83197485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210441184.XA Pending CN115060720A (zh) 2022-04-25 2022-04-25 一种基于叶片形态数字化分析的栗属植物品种鉴定方法

Country Status (1)

Country Link
CN (1) CN115060720A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422156A (zh) * 2023-12-19 2024-01-19 南京农业大学 一种森林生态系统碳储功能评估方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117422156A (zh) * 2023-12-19 2024-01-19 南京农业大学 一种森林生态系统碳储功能评估方法
CN117422156B (zh) * 2023-12-19 2024-03-22 南京农业大学 一种森林生态系统碳储功能评估方法

Similar Documents

Publication Publication Date Title
Ball et al. Phytoliths as a tool for investigations of agricultural origins and dispersals around the world
Lee et al. Archaeological soybean (Glycine max) in East Asia: does size matter?
Ucchesu et al. Earliest evidence of a primitive cultivar of Vitis vinifera L. during the Bronze Age in Sardinia (Italy)
Kremer et al. Leaf morphological differentiation between Quercus robur and Quercus petraea is stable across western European mixed oak stands
Kazija et al. Plum germplasm in Croatia and neighboring countries assessed by microsatellites and DUS descriptors
Fortini et al. Comparative leaf surface morphology and molecular data of five oaks of the subgenus Quercus Oerst (Fagaceae)
CN115060720A (zh) 一种基于叶片形态数字化分析的栗属植物品种鉴定方法
Corsie et al. No combination of morphological, ecological or chemical characters can reliably diagnose species in the Parmelia saxatilis aggregate in Scotland
Barge et al. Systematics of the ectomycorrhizal genus Lactarius in the Rocky Mountain alpine zone
Kafkas et al. Genetic characterization of hazelnut (Corylus avellana L.) cultivars from Turkey using molecular markers
Kobrlová et al. Morphological, ecological and geographic differences between diploids and tetraploids of Symphytum officinale (Boraginaceae) justify both cytotypes as separate species
CN113789408A (zh) 不结球白菜品种鉴定ssr分子标记引物的筛选及应用
CN110512024A (zh) 桃果实低酸或酸性状相关的snp分子标记及其应用
CN105331731B (zh) 一种与芝麻籽粒种皮色基因紧密连锁的snp分子标记
Oliveira et al. Genetic diversity of elephant grass (Cenchrus purpureus [Schumach.] Morrone) for energetic production based on quantitative and multi-category traits
CN110150142B (zh) 一种品质热稳定小麦育种方法
Falcon-Lang et al. A diverse charcoalified assemblage of Cretaceous (Santonian) angiosperm woods from Upatoi Creek, Georgia, USA. Part 1: wood types with scalariform perforation plates
CN112322634A (zh) 一种用于百合属植物鉴定的dna条形码及其应用
Pott et al. Gymnosperm foliage from the Upper Triassic of Lunz, Lower Austria: An annotated check list and identification key
Lebot et al. Characterizing taro using isozymes and morpho-agronomic descriptors
Dahlia et al. Genetic diversity of fruits in wild jujube (Ziziphus lotus L. Desf.) natural populations from Algeria.
Sun et al. Species identification and genetic diversity of Alcea (Malvaceae) using SCoT molecular markers: Medicinal plant
CN109554498A (zh) 一种鉴定单季茭白早晚熟特性的分子标记及其应用、获取方法
CN109680090A (zh) 一种鉴定茭白表型特征的分子标记及其应用、获取方法
Rumyantsev et al. Tree ring analisiS for aspen breeding: possibilityes and perspectives

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination