使用近红外光谱和机器学习对山毛榉叶病进行早期现场检测的组合方法

摘要：

在症状出现之前检测出患病树木的能力是森林健康管理的关键，因为它可以进行更及时、更有针对性的干预。这项研究的目的是基于近红外（NIR）光谱分布的监督分类模型，开发一种现场方法，用于及早快速检测山毛榉叶病（BLD），这是一种美国山毛榉树的新兴疾病。为了验证该方法的有效性，我们还使用了基于QPCR的协议来量化新发现的叶面线虫，该线虫被确定为BLD的假定病原体Litylenchus crenatae ssp. mcannii（LCM）。近红外光谱是在 2021 年 5 月、7 月和 9 月收集的，并使用支持向量机和随机森林算法进行了分析。对于5月和7月的数据集，这些模型准确预测了症状前的叶子（最高测试精度= 100％），但也根据地理位置准确区分了光谱（最高测试精度= 90％）。因此，我们无法得出结论，光谱差异仅是由于病原体的存在。但是，9月的数据集删除了位置作为因子和模型 准确区分症状前样本和原生样本（最高检测精度 = 95.9%）。使用可变选择模型选择的五个光谱波段（2,220、2,400、2,346、1,750和1,424 nm）在所有模型中共享，这表明LCM感染对症状前叶片的植物化学诱导具有一致性。我们的研究结果表明，该技术作为BLD的现场诊断工具前景广阔。