黃花菜產量及品質成分的通徑分析和預測模型研究

繆葉旻子,周斌雄,劉庭付,李曉麗,王琳琳,張典勇,瞿云明,吳彥勛

黃花菜產量及品質成分的通徑分析和預測模型研究

繆葉旻子1,周斌雄1,劉庭付1,李曉麗2,王琳琳1,張典勇1,瞿云明4,吳彥勛3*

1. 麗水市農林科學研究院, 浙江 麗水 323000 2. 浙江大學生物系統工程與食品科學學院, 浙江 杭州 310058 3. 麗水市科技發展研究中心, 浙江 麗水 323000 4. 麗水市蓮都區農業技術推廣中心浙江 麗水 323000

為實現黃花菜的快速無損分類，本研究以麗水市縉云縣42個樣地的黃花菜為研究對象，測定了8個性狀指標和6個經濟指標，通過相關性分析、通徑分析、聚類分析和預測模型研究，確定黃花菜性狀指標與經濟指標的關系，并獲得各經濟指標的預測模型。結果發現：株幅大、主花薹長、葉數多的黃花菜產量和可溶性糖含量較高，株幅小、主花薹長、葉數多、蕾數少的黃花菜秋水仙堿含量和總酚含量較高，株幅小、主花薹短、主花薹細的黃花菜ASA和類黃酮的含量較高；42個樣地聚類后，聚類結果與通徑分析一致，且Ⅰ類（氮肥最低、鉀肥第二稿、磷肥第二高）、Ⅱ類（氮肥最高、鉀肥最低、磷肥最高）適用于鮮食，Ⅲ類（氮肥第二高、鉀肥最高、磷肥最低）適用于有效成分的提取。研究發現基于性狀指標的黃花菜產量、秋水仙堿含量、ASA、可溶性糖、類黃酮含量和總酚含量都取得了滿意的預測效果，黃花菜產量、秋水仙堿含量、ASA和可溶性糖的最佳預測模型為BP神經網絡預測模型，類黃酮含量和總酚含量的最佳預測模型為多元線性回歸模型，六個預測模型的決定系數在0.721-0.973之間，表明模型精準可靠。

黃花菜; 經濟指標; 通徑分析; 預測模型

黃花菜是一種藥菜兩用的珍貴蔬菜，具有良好的保健功能和藥用價值[1]。黃酮類化合物、酚類化合物和秋水仙堿是黃花菜中具有藥用價值的重要營養成分。黃花菜中的黃酮類化合物、多糖和多酚均具有抗氧化、調節免疫功能、抗腫瘤等[2]藥用功效。黃花菜中的秋水仙堿具有兩面性：一方面，秋水仙堿經人體吸收后，會轉化為有毒性的氧化二秋水仙堿[3]，引發中毒；另一方面，秋水仙堿提取物可用于性痛風性關節炎的治療、生物育種記憶研究細胞染色體[4]。因此，黃酮類化合物、多糖和多酚含量高，但秋水仙堿含量低的黃花菜適宜鮮食，黃酮類化合物、多糖和多酚含量高，而秋水仙堿含量高的黃花菜可用于有效成分的提取。為適應多樣化的消費需求，生產者需要對黃花菜的產量以及秋水仙堿含量、抗壞血酸(AsA)、類黃酮含量和總酚含量等品質成分進行測量，進而對黃花菜進行分類。

黃花菜的秋水仙堿含量、ASA、類黃酮含量和總酚含量的檢測具有程序復雜、測量周期長、專業性需求高等特點，生產者難以對黃花菜的品質指標進行快速無損檢測。黃花菜的生產周期長,采收時間長達1月之久[5]，這給測產增加了難度。此外，黃花菜秋水仙堿、ASA、類黃酮含量和總酚含量等成分的檢測，需要用高效液相色譜儀、紫外可見光分光度計、超聲波清洗器、高速冷凍離心機等設備[6, 7]，設備成本高，檢測操作專業性強。為此，需要尋找一種能夠快速預測黃花菜產量和品質的方法。

本研究以麗水市縉云縣黃花菜為研究材料，采用相關性分析和通徑分析方法研究黃花菜性狀指標和品質指標之間的關系；并采用偏最小二乘定量區分（PLS）、多元線性回歸（MLR）和BP神經網絡三種人工智能模型研究黃花菜性狀指標對于黃花菜產量和成分的預測能力，構建基于黃花菜性狀指標的產量和品質預測模型，為黃花菜的分類銷售和快速無損檢測提供理論支撐。

1 材料和方法

1.1 試驗材料

供試品種為縉云實心，該品種為縉云縣優良傳統主栽品種。

1.2 試驗設計

試驗在縉云縣舒洪鎮完成。舒洪鎮位于東經120.167 74度，北緯28.652 04度，屬亞熱帶季風氣候，年平均氣溫18 ℃，無霜期265 d，年平均降水量1 500 mm。試驗地土壤pH4.63，水分8.2%，速效磷31 mg/kg，速效氮124 g/kg、速效鉀160 mg/kg。試驗共設計14個處理，每個處理3個樣地，共42個樣地，每個樣地10 m2。于2019年播種，行距1m，株距40cm，進行正常栽培管理，每個處理的施肥情況如表1所示。每個樣地選取10株樣本進行調查。試驗地光照充足，栽培管理措施和水肥條件均相同，病蟲害防治參照當地常規條件進行。

表 1 十四個處理的施肥量

1.3 測定指標及方法

于2021年8月，觀測每個樣本的蕾重、蕾數、蕾長、蕾粗、主花薹長、主花薹粗、株幅和葉數，共8個性狀指標。同時，采集樣本測量6個品質指標，包括產量、秋水仙堿、ASA、可溶性糖、類黃酮含量和總酚含量。并采集樣品后立即放入液氮速凍，之后置于-80 ℃保存備用，用于秋水仙堿、ASA、可溶性糖、類黃酮含量、總酚含量的檢測。秋水仙堿含量采用高效液相色譜法測定；ASA含量采用分光光度法測定；可溶性糖采用蒽酮比色法測定；類黃酮含量采用分光光度法測定;總酚含量采用分光光度法測定。

1.4 數據分析

采用Microsoft Excel 2010及SPSS19.0軟件對數據進行整理、相關性分析和通徑分析。隨后采用三種數據預處理方法：歸一化（Normalize）、多元散射校正（MSC）、準正態變量變換（SNV），和兩種定量回歸分析算法（PLS、MLR）和BP神經網絡構建基于黃花菜性狀指標的產量和品質預測模型，算法（PLS、MLR）采用Unscramble軟件來實現，BP神經網絡模型在Matlab軟件上構建。

2 結果和分析

2.1 相關性分析

為了研究黃花菜性狀指標與產量和品質成分之間的關系，對14個處理共42個樣地的黃花菜樣本的蕾重、蕾數、產量等14個指標進行相關性分析，分析結果如圖1所示。從圖1可知，黃花菜產量和蕾重、蕾數、蕾長、蕾粗、主花薹長、主花薹粗、株幅和葉數等8個農藝性狀正相關，其中產量與主花薹長、株幅和葉數接近顯著水平；秋水仙堿和葉數呈顯著負相關；ASA和蕾粗顯著正相關，和主花薹粗、株幅顯著負相關；可溶性糖含量與產量顯著正相關；類黃酮含量和主花薹長顯著負相關；總酚含量與蕾數顯著負相關；主花薹長和株幅顯著正相關。由此說明，株幅越大，黃花菜的產量越高，ASA含量越低；主花薹越長，可溶性糖含量越高，ASA、類黃酮含量越低；葉數越多，秋水仙堿含量越高。

圖 1 黃花菜性狀指標與產量和品質成分之間的相關性分析

2.2 通徑分析

為了進一步了解蕾重、蕾數、蕾長等8個性狀指標對黃花菜產量和品質成分的相對重要性，在相關分析的基礎上，進行通徑分析，結果見圖2。從圖2可以看出，黃花菜產量的通徑分析結果和相關性分析不一致，蕾長對產量的影響由正相關變為負相關且影響變大，蕾重、葉數與產量正先關且蕾重的影響變大，表明剔除其他因素的影響后，蕾重對黃花菜產量的影響變大，蕾長與產量負相關，蕾重、葉數與產量正相關；秋水仙堿含量的通徑分析結果和相關性分析一致，葉數與秋水仙堿含量正相關，蕾數、株幅與秋水仙堿含量負相關；ASA含量的通徑分析結果和相關性分析一致，蕾粗與ASA含量正相關，而主花薹粗、主花薹粗長、株幅與ASA含量負相關；可溶性糖含量的通徑分析結果和相關性分析一致，蕾長、主花薹長、主花薹粗與可溶性糖含量正相關；類黃酮含量的分析結果果和相關性分析不一致，主花薹粗對類黃酮含量的影響由負相關變為正相關，表明剔除其他因素的影響后，主花薹長與類黃酮含量負先關，主花薹粗、蕾粗與類黃酮含量正先關；總酚含量的通徑分析結果和相關性分析不一致，主花薹長對總酚含量影響由負相關變為正相關且影響變大，表明剔除其他因素的影響后，主花薹長與總酚含量正相關，蕾數、蕾粗與總酚含量負相關。因此，蕾長短、蕾重重、葉數多的黃花菜產量較高，蕾數少、株幅小、葉數多的秋水仙堿含量較高，蕾粗粗、主花薹細、主花薹短、株幅小的ASA含量較高，蕾長長、主花薹長、主花薹粗的可溶性糖含量較高，主花薹短、主花薹粗、蕾粗粗的類黃酮含量較高，主花薹長、蕾數少、蕾細的總酚含量高。因此，株幅大、主花薹長、葉數多的黃花菜產量和可溶性糖含量較高，株幅小、主花薹長、葉數多、蕾數少的黃花菜秋水仙堿含量和總酚含量較高，株幅小、主花薹短、主花薹細的黃花菜ASA和類黃酮的含量較高。

圖 2 黃花菜性狀指標與產量和品質成分之間的通徑分析

2.3 聚類分析

為了更好地對黃花菜進行分類，對14個處理共42個樣地黃花菜的雷重、蕾數等8個性狀指標進行系統聚類分析，聚類分析結果如圖3所示。由圖3可知，42個樣地的黃花菜被分為三類，各類各性狀均值如圖4所示，施肥結果如圖5所示。

圖 3 聚類分析圖

從圖4可以看出，Ⅰ類黃花菜性狀指標和品質指標的協調性均最好，其黃花菜植株秋水仙堿含量最低，ASA和類黃酮含量最高，適用于鮮食。Ⅱ類黃花菜株幅、主花薹長、主花薹粗、蕾數明顯高于其他兩類，其ASA含量和類黃酮含量明顯低于其他兩類，這一結果與通徑分析結果一致，Ⅱ類黃花菜植株秋水仙堿含量、類黃酮和ASA含量均較低，可溶性糖、總酚含量較高適用于鮮食。Ⅲ類黃花菜的葉數明顯多于其他兩類，蕾數明顯低于其他兩類，其產量和秋水仙堿含量明顯高于其余兩類，這一結果與通徑分析結果一致，Ⅲ類黃花菜秋水仙堿含量和產量最高，ASA、總酚、類黃酮和可溶性糖含量均較高，適用于有效成分的提取。從圖5可以看出，Ⅰ類黃花菜的氮肥最低，磷肥和鉀肥較高；Ⅱ類黃花菜的氮肥和磷肥最高，鉀肥最低；Ⅲ類黃花菜的磷肥最低，鉀肥最高，氮肥較高。這一結果表明，適當少施氮鉀肥、多施磷肥的黃花菜適用于鮮食，反之多施氮鉀肥、少施磷肥則適用于有效成分的提取。

圖 4 聚類分析顯示Ⅰ、Ⅱ和Ⅲ類的性狀、品質指標和產量的均值

圖 5 聚類分析顯示Ⅰ、Ⅱ和Ⅲ類的施肥量的均值

2.4 預測模型研究

表 2 基于黃花菜農藝性狀來預測產量和品質成分的定量回歸模型的決定系數

為了實現黃花菜產量和成分的快速無損檢測，以黃花菜蕾重、蕾數等8個性狀指標為自變量，以產量、秋水仙堿含量等6個指標為因變量，建立定量預測模型。根據Normalize、MSC、SNV三種預處理方法和PLS、MLR、BP神經網絡三種預測模型對預測結果的影響，以期獲得最佳預測模型，各模型的決定系數如表2所示。由表2可知，產量、秋水仙堿含量、ASA和可溶性糖的最佳預測模型為BP神經網絡預測模型，其中，產量和可溶性糖以原始數據的效果最佳，秋水仙堿含量和ASA以Normalize的效果最佳；四個模型的決定系數在0.721-0.973之間，表明預測模型精準可靠。類黃酮含量和總酚含量的最佳預測模型為MLR模型，且均以原始數據的效果最佳；兩個模型的決定系數在0.79-0.892之間，模型精準可靠。綜上所述，使用BP神經網絡模型和MLR預測模型可以實現黃花菜產量和成分的快速無損檢測。

3 結論和討論

對黃花菜的農藝性狀與產量和成分之間的相關性分析和通徑分析結果表明，株幅大、主花薹長、葉數多的黃花菜產量和可溶性糖含量較高，株幅小、主花薹長、葉數多、蕾數少的黃花菜秋水仙堿含量和總酚含量較高，株幅小、主花薹短、主花薹細的黃花菜ASA和類黃酮的含量較高。王芳等[8]對棉花產量和農藝性狀進行通徑分析的研究發現單株產量和株高顯著正相關，李廣信[9]、孟彥[10]等的研究也發現株幅越大、葉數越多的植株擁有越高的產量。此外，梁梅等[11]發現植物果實的可溶性糖含量與株高顯著正相關。這些產量與可溶性糖含量的研究結果，均與本研究一致。郭本森等[12]對嘉蘭的研究表明，促進嘉蘭莖、葉生長能夠提高最終的秋水仙堿含量。在ASA、類黃酮含量等方面，王淑珍等[13]也發現，株高較矮的草莓植株擁有較高的ASA和類黃酮含量。這些結果和本研究結果一致。42個樣地的聚類結果顯示，Ⅰ類黃花菜株幅大、主花薹長、葉數較多，其產量和可溶性糖含量最高、秋水仙堿含量最低適用于鮮食；Ⅱ類黃花菜，株幅最小、主花薹最短、主花薹最細，其AsA和類黃酮含量最高、秋水仙堿較低適用于鮮食及AsA、類黃酮含量分的提取；Ⅲ類黃花菜，株幅較小、主花薹較長、葉數最多、蕾數最少，其秋水仙堿含量和總酚含量最高，適用于秋水仙堿、總酚的提取。三類黃花菜的農藝性狀與經濟指標之間的關系與通徑分析結果一致，且Ⅰ類、Ⅱ類適用于鮮食，Ⅱ類、Ⅲ類適用于有效成分的提取。三類黃花菜的施肥結果顯示，適當少施氮鉀肥、多施磷肥的黃花菜適用于鮮食，反之多施氮鉀肥、少施磷肥則適用于有效成分的提取。付開聰等[14]研究發現缺磷的嘉蘭植株比缺氮、鉀肥的秋水仙堿含量更高，與本研究的施肥結果一致。

利用通徑分析可對植物性狀進行有效鑒定評價。王贇文等[15]對9個蘇丹草品種的農藝性狀與營養成分通徑分析，結果表明，出苗后主莖節數少、單株分蘗多的蘇丹草植株養價值較高，可作為蘇丹草品種篩選的參考指標。鄒學校等[16]對辣椒的8個農藝性狀和營養含量進行通徑分析，結果表明開展度小、結果的植株辣椒素含量高，分支小、果小、結果多的植株干物質含量高。本研究對黃花菜的蕾重、蕾數等8個指標進行通徑分析，結果發現株幅大、主花薹長、葉數多的黃花菜產量和可溶性糖含量較高，株幅小、主花薹長、葉數多、蕾數少的黃花菜秋水仙堿含量和總酚含量較高，株幅小、主花薹短、主花薹細的黃花菜ASA和類黃酮的含量較高。研究結果有助于確定黃花菜性狀指標與品質指標的關系，并為各品質指標預測模型的構建提供基礎。

構建基于黃花菜的性狀指標的黃花菜的產量表4和品質的快速無損檢測模型結果表明，黃花菜的產量、秋水仙堿含量、ASA、可溶性糖、類黃酮含量和總酚含量的最佳模型分別為Raw—BP、Normalize—BP、Normalize—BP、Raw—MLR和Raw—MLR，六個模型的決定系數在0.721-0.973之間，表明模型精準可靠。多元線性回歸模型和BP神經網絡預測模型，均能對作物的產量和營養成分進行精確預測[17-19]。本研究對不同預處理后的MLR預測模型和BP神經網絡預測模型進行對比，篩選出最佳的黃花菜產量和成分預測模型。根據本研究的六個模型，可以分別實現黃花菜的產量、秋水仙堿含量、ASA、可溶性糖、類黃酮含量和總酚含量的快速無損檢測，表明可基于黃花菜的性狀參數實現產量和品質指標的無損快速檢測，進而對黃花菜進行分類，滿足不同的消費需求。

[1] 傅茂潤,茅林春.黃花菜的保健功效及化學成分研究進展[J].食品與發酵工業,2006(10):108-112

[2] 南文慶,王勤學,方彩霞.黃花菜的藥用價值[J].西部中醫藥,2021,34(8):159-161

[3] 陳曉燕,王祥娜,雷步懷,等.急性重度秋水仙堿中毒6例的急救與護理[J].中國鄉村醫藥,2020,27(21):39-40

[4] 金術超,張淼怡,王薇.秋水仙素的作用機制[J].生物學通報,2016,51(10):7-10

[5] 高嘉寧,張丹,吳毅,等.氮、磷、鉀配施對黃花菜產量及2種蒽醌類活性成分含量的影響[J].天然產物研究與開發,2019,31(9):1624-1631

[6] 劉秀斌,湯敏娜,黃嘉璐,等.基于生源合成途徑代謝產物質證黃花菜中含秋水仙堿[J].湖南農業大學學報(自然科學版),2017,43(5):485-489

[7] 劉偉,孫江浩,張菊華,等.基于UHPLC-LTQ-Orbitrap高分辨質譜的黃花菜中化學成分快速鑒定及裂解途徑分析[J]. 中國食品學報,2020,20(9):256-264

[8] 王芳,馬軍,郭玉平,等.棉花產量性狀的相關及通徑分析[J].山東農業科學,2012,44(1):21-24

[9] 李廣信,王慧杰,左敏,等.不同施肥方式對菊花生長發育和品質的影響[J].農業科技通訊,2020(7):117-119

[10] 孟彥,陳輝,湯其寧.夏玉米葉片數與產量的相關性初步研究[J].農業科技通訊,2013(11):63-65

[11] 梁梅,周蓉,鄒滔,等.番茄農藝性狀與果實主要營養成分相關性分析[J].西北農業學報,2013,22(5):91-100

[12] 郭本森,劉勝桂.嘉蘭光合特性和秋水仙堿含量變化的研究[J].植物學通報,1995(S1):46-49

[13] 王淑珍,張亞惠,裘劼人,等.不同倍性草莓品種性狀比較[J].浙江農業學報,2019,31(6):893-899

[14] 付開聰,許明,楊禮攀.氮,磷,鉀對嘉蘭植株生長和秋水仙堿含量的影響[J].中國中藥雜志,2000,25(3):144-145

[15] 王贇文,曹致中,韓建國,等.蘇丹草營養成分與農藝性狀通徑分析[J].草地學報,2005,13(3):203-208

[16] 鄒學校,劉建華,楊玉珍,等. 辣椒品種資源抗病性和營養含量與農藝性狀相關和通徑分析[J].北方園藝,1991(Z2):5-8

[17] 李曉麗,張東毅,董雨倫,等.基于卷積神經網絡的茶鮮葉主要內含物的光譜快速檢測方法[J].中國農業大學學報,2021,26(11):113-122

[18] 黃林軍,劉讓同.BP神經網絡在羊毛品質預測中的應用研究[J].北京紡織,2003(5):56-60

[19] 劉雪峰.柑橘植株冠層營養及花量、產量的近地遙感估測研究[D].重慶:西南大學,2016

Path Analysis and Prediction Model of Yield and Quality Components in Daylily

MIAO Yeminzi1, ZHOU Bin-xiong1, LIU Ting-fu1, LI Xiao-li2, WANG Lin-lin1,ZHANG Dian-yong1, QU Yun-ming4,WU Yan-xun3*

1.323000,2.310058,3.323000,4.323000,

In order to realize the rapid and non-destructive classification of day Lily, eight characters and six economic indexes were tested in 42 plots of day Lily in Jinyun County, Lishui, through correlation analysis, path analysis, cluster analysis and forecast model, the relationship between the economic index and the character Index of day Lily was determined, and the forecast model of each economic index was obtained.The results showed that the yield and soluble sugar content of day Lily with large plant width, long bolting and many leaves were higher, the contents of Colchicine and total phenolics were higher in day Lily with small plant width, long main flower bolt, many leaves and few buds, and the contents of ASA and flavonoids were higher in day Lily with small plant width, short main flower bolt and thin main flower bolt; After clustering of 42 plots, the clustering results are consistent with path analysis, and Class I (the lowest nitrogen fertilizer, the second draft of potassium fertilizer, the second highest phosphorus fertilizer) , Class II (the highest nitrogen fertilizer, the lowest potassium fertilizer, the highest phosphorus fertilizer) is suitable for fresh food, class III (the second highest in nitrogen, the highest in potassium and the lowest in phosphorus) is suitable for the extraction of effective components.；The best prediction model for the yield, Colchicine content, ASA and soluble sugar of day Lily was BP neural network model, and the best prediction model for flavonoid content and total phenol content was multiple linear regression model, the determination coefficients of the six models ranged from 0.721 to 0.973, which indicated that the models were accurate and reliable.

Daylily; economic indicators; path analysis; prediction model

S567.2

A

1000-2324(2023)02-0173-07

10.3969/j.issn.1000-2324.2023.02.003

2023-03-21

2023-04-07

麗水市科技計劃項目:黃花菜秋水仙堿定向調控技術研究(2021GYX08);國家自然科學基金面上項目(32171889)

繆葉旻子(1985-),女,本科,農藝師,主要從事農作物栽培技術研究. E-mail:200695666@ qq.com

Author for correspondence. E-mail:13857078151@139.com