干旱低溫復合脅迫對茶樹光合生理特性的影響及模擬預測

摘要：為明確多重氣候脅迫對茶樹光合效率的影響，開發了一套高效、精準的脅迫分級體系，以實現對茶樹脅迫的即時監測。以福建省主栽茶樹品種為研究對象，系統監測了茶樹在干旱低溫復合脅迫條件下的光合生理響應；基于監測數據，構建了基于光合生理特性的脅迫快速分級方法及光合作用預測預警模型。研究結果顯示，在干旱低溫復合脅迫下所有參試茶樹品種葉片的光合效率均顯著下降，且隨脅迫強度增大光合效率的下降幅度增大。參試茶樹品種中，鐵觀音的光合效率下降幅度顯著低于其他品種，具有較強的耐脅迫能力；而福鼎大白茶的耐脅迫能力最弱。篩選了茶樹對復合脅迫高度敏感的光合生理參數，利用K-ansme聚類算法對該參數進行聚類，構建了脅迫快速分級方法，聚類精確度在80%以上。利用不同模型預測并驗證光合生理指標對環境脅迫的響應，結果表明隨機森林模型的精度最高。本研究構建的脅迫分級方法實現了對茶樹復合脅迫的快速分級，構建的隨機森林模型實現了對光合生理的無損傷監測與預警，研究結果可為多重氣候條件下茶樹品種的選育提供參考，對茶葉生產具有較高的實用價值。

關鍵詞：茶樹；干旱低溫脅迫；光合生理；聚類分析；回歸預測

中圖分類號：S571.1；S326 " " " " " " "文獻標識碼：A " " " " " " 文章編號：1000-369X（2024）06-901-16

Effects of Combined Drought and Low-temperature Stress on Photosynthetic Physiological Characteristics of Tea Plants and Simulation Prediction

ZHAO Qian1，2，4， LIU Qian1， CAI-HE Jiayi2， HE Jieqi2， FANG Yunya2， LIU Yuxin2， CHEN Chao2， ZHENG Yaodong1， ZHANG Tianjing2， YU Wenjuan3， YANG Guang1，3，4*

1. Key Laboratory of Integrated Pest Management for Fujian-Taiwan Crops， Ministry of Agriculture， Fuzhou 350002， China; 2. College of Plant Protection， Fujian Agriculture and Forest University， Fuzhou 350002， China; 3. Agricultural Genomics Institute at Shenzhen， Chinese Academy of Agricultural Sciences， Shenzhen 518000， China; 4. Key Laboratory of Green Pest Control， Fujian Province University， Fuzhou 350002， China

Abstract： This study aimed to investigate the effects of multiple climatic stresses on the photosynthetic efficiency of tea plants and to devise an efficient， precise stress classification system for real-time monitoring. We focused on the typical tea cultivars grown extensively in Fujian Province and systematically monitored their photosynthetic physiological responses under combined drought and low-temperature stress. Utilizing the collected data， we established a rapid stress classification method based on photosynthetic physiological characteristics and constructed a photosynthesis prediction and early warning model. The results reveal that all tested tea cultivars exhibited a significant decline in leaf photosynthetic efficiency under combined stress， with the decreasing trend displaying a clear linear relationship with increasing stress intensity. Notably， ‘Tieguanyin’ demonstrated a significantly lesser decline in photosynthetic efficiency compared to other cultivars， suggesting its robust stress tolerance. In contrast， ‘Fuding Dabaicha’ showed the least stress tolerance. By selecting photosynthetic physiological parameters highly sensitive to combined stress and employing the K-means clustering algorithm， we developed a rapid stress classification method with an accuracy exceeding 80%. Various models were then used to predict and validate the response of photosynthetic physiological indicators to environmental stress， with the Random Forest （RF） model yielding the highest accuracy. This study provided a reference for the selection and breeding of tea cultivars under diverse climatic conditions. The stress classification method enables swift categorization of combined stress in tea plants， while the RF model facilitates non-destructive monitoring and early warning of photosynthetic physiology， offering significant practical value in tea production.

Keywords： tea plant， drought and low-temperature stress， photosynthetic physiology characteristics， clustering algorithm， regression prediction

茶樹［Camellia sinensis （L.） O. Kuntze］隸屬山茶科（Theaceae）山茶屬（Camellia L.）[1]，是我國重要的農業經濟作物，廣泛分布在熱帶和亞熱帶濕潤地區，具有喜光性和一定的耐陰性[2-3]。土壤水分長期處于干旱狀態，會引起植株體內水分虧缺[4]，葉片氣孔開張度減小甚至閉合[5]，顯著降低植物的光合作用和呼吸速率[6]，最終影響整體光合效能[7]。郭春芳[8]研究證明了干旱脅迫會顯著降低茶樹葉片的光合參數。此外，低溫同樣是我國茶樹生長及茶葉品質的重要限制因素，特別是在越冬期及茶芽萌發后遭遇的“倒春寒”現象[9]。光合器官作為植物對溫度敏感的關鍵部位[10]，其光合系統的活性和性能在低溫下會受到直接影響，導致光合速率下降[11-12]。李慶會等[9]研究指出，低溫脅迫會顯著減少茶樹葉片的光合指標。因此，光合生理指標被廣泛視為評估茶樹抗旱性和抗寒性的重要依據[13-14]。

光合作用的評估指標眾多，其中光合氣體交換參數的測定是目前最普及的測定光合速率的方法之一[15]。在光合作用的眾多生理指標中，凈光合速率作為評估植株光合系統健康狀況的核心指標，其變化直接反映了光合作用的效能與穩定性[16-19]。同時，氣孔導度作為氣孔對環境刺激協同響應的關鍵參數，在脅迫條件下對葉片凈光合速率的調節起著主導作用，是理解植物逆境適應機制的重要窗口[18-19]。另外，電子傳輸速率與氣孔導度之間的緊密關聯，使其成為監測氣孔開閉狀態及光合電子傳遞鏈活性的有效指標[20]。除了光合氣體交換參數外，葉綠素熒光作為綠色植物無損檢測探針，是植物光合作用的指示器，具有快速、無損、高效的檢測特點。在植物受脅迫的外觀癥狀顯現之前，捕捉到葉綠素熒光參數的微妙變化，為評估植物生長狀態、抗逆能力提供了及時且準確的信息[16-19]。葉綠素熒光與植物的光合作用的光系統Ⅱ（Photosystem Ⅱ，PSⅡ）緊密聯系，具有反應靈敏度高、準確的特點[21]。氣體交換和葉綠素熒光參數同步參量可以同時獲得植物光合生理特征和光合能量利用兩個方面的數據，并通過特征參數的變化來檢測植物生長發育狀況和抗脅迫能力。例如，過往的研究分別在西瓜[22]、萵筍[23]、小麥[24]等植物中，探索鹽度、干旱、低溫等脅迫對光合生理參數及葉綠素熒光特性的影響，為理解植物光合作用的調整策略提供了重要依據。然而對茶樹這一重要的經濟作物的逆境生理，多數研究仍聚焦于質膜透性、保護酶活性及分子生物學機制等方面[25-27]，對其逆境下光合作用的響應機制方面的研究仍顯不足。因此，加強茶樹光合作用逆境生理的研究，通過監測茶樹光合生理參數來分析其光合性能，了解植株生長發育狀況和生理信息，檢測植物受到的逆境脅迫，可為后續脅迫快速分級提供理論支撐。

Farquhar等[28]提出了FvCB模型，模擬葉片活體內部的光合生理生化反應過程，預測葉片活體光合系統的內在變化狀況。該模型被廣泛應用于葉片光合生理對光照、溫度、水分、CO2濃度和氮營養等環境因子變化的響應機制研究[29-33]。例如，唐星林[34]、王文靜等[35]利用FvCB模型，預測植物葉片光合系統的內部變化情況，反映影響葉片光合能力的光合生理生化特性。然而，此類模型需要對多個光合參數進行預估，而光合參數在植物生長過程中會發生變化，對主要光合參數的預估需要較多準確的試驗，不利于在生產實踐中利用和推廣。機器學習及深度學習是一種對統計關系進行定量描述的數學模型，與基于生理過程的FvCB等模型相比，數據驅動的建模方法具有準確性高、需要的先驗知識較少等特點。多元線性回歸（MLR）、隨機森林回歸（RF）、支持向量機回歸（SVR）、反向傳播神經網絡回歸（BP）和徑向基函數神經網絡回歸（RBF）因各自的優點在各類生長模型、含量模型和產量模型中得到廣泛應用[36-44]。然而，機器學習及深度學習在預測逆境環境下植物體內光合生理生化反應過程鮮有報道，尤其是在茶樹中更未見報道。

近年來，我國自然災害種類多、范圍廣、頻率高。氣象災害以暴雨、高溫、低溫凍害等為主，對茶葉生產造成極大影響。茶園凍害不僅危害了北方茶區的茶葉生產[45]，還對高山茶區[46]及南方茶區的茶葉產量造成了嚴重影響[47]。從氣象要素分析，造成茶樹凍害的原因，主要是冬季的低溫、干旱和大風[48]。干旱可加深茶園凍害的發生程度。冬季土壤干旱缺水，茶樹更易受凍，在大氣相對濕度偏低，土壤又缺水的情況下，茶園易發生凍害[45]。茶樹最適生長溫度為20～25 ℃，前人研究發現，其在環境溫度低于10 ℃時易受冷害[49]；倒春寒是在春季天氣回暖過程中出現溫度明顯偏低，對作物造成損傷的一種冷害。茶樹在春季自然環境下連續3 d以上日平均溫度低于10.5 ℃時會遭受“倒春寒”冷害[50]，對其生長構成威脅。在濕度選取方面，茶樹偏好70%～80%的相對濕度環境，既喜濕又懼澇[51]。當田間最大持水量降至55%以下時，茶樹即面臨干旱脅迫[51]。若土壤含水量進一步降至30%及以下，茶樹將遭受重度干旱脅迫，觸發脫落酸干旱應答機制，根系大量合成脫落酸以應對干旱環境[52]。因此，研究低溫和干旱的雙重脅迫對茶樹光合生理的影響，并構建基于無損檢測的脅迫程度預測方法，可指導茶農快速實施補救措施，提早應對，使損失降低到最低程度，為茶樹凈光合速率預測的高效化和精準化提供新的研究思路。

1 材料與方法

1.1 試驗材料

試驗所用茶樹品種為福鼎大白茶（Fuding Dabaicha，FDDBC）、鐵觀音（Tieguanyin，TGY）、龍井43（Longjing 43，LJ43）及中茶108（Zhongcha 108，ZC108），均源自福建安溪千鶴茶園。

1.2 試驗設計

試驗地點為福建農林大學應用生態研究所（26°08′ N，119°24′ E）。試驗采用盆栽土培法，栽培土采用有機土、茶園土和紅磚土按質量等比例混合，定期進行澆水施肥以確保充足的水分和養分供應。歷經1年的培育后，選取長勢、大小、葉片數量、植株高度、葉片狀態比較一致的茶苗進行試驗。

為確保試驗精度，采用電子秤每日下午六點對每盆茶苗進行精確補水，使其土壤相對含水量控制在設定范圍內（誤差為±3%），并輔以土壤檢測儀實時監測，具體處理情況。本研究設置輕度干旱（LD）、重度干旱（SD）兩個干旱脅迫處理，輕度低溫脅迫（T1）、重度低溫脅迫（T2）兩個低溫脅迫處理，并分別以正常供水（CK）、正常溫度（T0）為對照組，（表1）。

試驗于2021年8月上旬啟動，在應用生態研究所的人工氣候室內進行，嚴格控制光照強度為800 μmol·m-2·s-1，空氣相對濕度為60%～70%。本研究中，處理組和對照組每組包含15株茶苗，復合脅迫周期為15 d。處理后隨機從每個處理中選取6株樣株，采集從上到下第3片完全展開的葉片（無遮擋損壞），用于光合氣體交換參數測定和葉綠素熒光參數的測定。

1.3 葉片氣體交換參數及葉綠素熒光參數的測定

使用Li-6800便攜式光合儀于上午8：00—

11：00完成氣體交換參數測試。儀器設置光照強度800 μmol·m-2·s-1、溫度25 ℃，大氣相對濕度為60%，樣本室內CO2濃度為400 μmol·mol-1。選取5株長勢一致的健壯植株，并選擇每株植物芽下完全展開的第3片生長旺盛的葉片進行試驗，夾持中心位置，測量面積為1.5 cm×2 cm，待參數穩定后每2 s測1次數據，每個葉片記錄5次測量值，進行6個葉片重復。每個葉片誘導30 min以上，直到凈光合速率和氣孔導度相對穩定后再進行測定。測量時，儀器自動記錄的光合特性指標包括如下參數：凈光合速率（Pn）、蒸騰速率（Tr）、氣孔導度（gs）、胞間二氧化碳濃度（Ci）、光合電子傳輸速率（ETR）等。并利用公式（1）計算水分利用效率（WUE）。

葉綠素熒光參數的監測通過葉綠素熒光成像系統（M-IMAGING-PAM，Walz）進行，于上午8：00—11：00完成。所選葉片為便攜式光合儀所測量的葉片，將葉片從植株上取下置于黑暗條件下暗處理30 min以上，放在葉綠素熒光成像系統下，選取有明顯變化的區域進行測量，每個葉片選取3個敏感區域，6個葉片進行重復。該儀器測量參數主要有：PSⅡ最大光合效率（Fv/Fm）、非光化學猝滅系數（NPQ）、光化學猝滅系數（qP）、葉片光合功能相對限制值（LPFD）、PSⅡ調節性能量耗散的量子產額[Y（NPQ）]、PSⅡ非調節性能量耗散的量子產額[Y（NO）]。

利用IMAGING-PAM將所測得的葉綠素熒光數據導出，隨后利用GraphPad Prism 8繪制相應的統計圖。在統計不同試驗條件之間的顯著性差異時，本研究采用了Student’s T-test算法進行分析。

1.4 K-means聚類算法

K-means聚類算法作為一種迭代求解的聚類分析算法，被廣泛應用于數據探索和模式識別領域[53-54]。基于前期試驗數據和上述統計學分析，篩選出了5個關鍵指標：凈光合速率，氣孔導度，光合電子傳輸速率、PSⅡ最大光合效率以及光化學猝滅系數。這些指標均顯示出對復合脅迫的高度敏感性，因此被選定為聚類分析的數據基礎。

根據前期對光合生理參數進行的統計學分析，篩選出對干旱低溫脅迫響應敏感的參數進行K-means聚類，選取的主要參數有：凈光合速率，氣孔導度，光合電子傳輸速率、PSⅡ最大光合效率和光化學猝滅系數，上述5個光合生理參數在各品種的不同干旱低溫脅迫類型之間均存在顯著差異（Plt;0.01）。由于不同參數之間特征量綱的差異問題，本研究使用特征縮放的方式對試驗數據進行標準化。由于氣孔導度、光合電子傳輸速率和光化學猝滅系數的量綱統一到標準范圍的結果不夠準確，例如，將上述5個指標進行聚類分析發現，各簇的平均輪廓系數較低（基本低于0.50），各簇的組內數據較為分散，不同組間的數據出現重疊，聚類效果不佳。故本次聚類選取的特征參數為凈光合速率和PSⅡ最大光合效率，聚類特征統一標準的范圍為1～10。這兩個指標不僅能夠準確反映茶樹在干旱低溫復合脅迫下的生理狀態，而且在聚類過程中展現出了較高的穩定性和區分度。

在聚類過程中，本研究采用歐氏（Euclidean）距離作為樣本間相似性的度量標準。為了確定最優的聚類數目，即最佳聚類簇的數量，本研究引入了輪廓系數（Silhouette coefficient）作為評價指標。利用Python 3.9中sklearn庫調用K-means聚類算法對數據進行聚類分析。

1.5 預測模型構建方法

為了進一步研究土壤含水量和環境溫度兩個影響因素對茶樹葉片光合作用的影響，模擬預測葉片活體內部的光合生理生化反應過程，構建預測模型，為茶樹葉片光合生理生化預測的高效化和精準化提供新的研究思路。同時，考慮到PSⅡ最大光合效率測定需要離體測定，不適合田間快速測定，本研究選擇可用便攜式儀器直接測定的凈光合速率作為檢測參數。為了獲取更多的模擬數據，本研究設置了更多的復合脅迫梯度（表2），每個處理15株茶苗。試驗條件如下：最大光強為800 μmol·m-2·s-1，大氣相對濕度為60%～70%，脅迫周期為15 d。

脅迫15 d之后，隨機從每個處理中選取6株樣株，選擇從上到下第三四片完全展開的茶樹葉片（一般選擇無遮擋、受光條件好且未損壞的葉片）進行凈光合速率的測定，共測定500組樣本數據，具體操作如下：利用Li-6800光合儀對不同干旱低溫復合脅迫處理后的茶樹葉片的凈光合速率進行監測，最終獲得500組數據作為樣本。

在特征提取和自變量選擇的過程中，本研究只考慮土壤相對含水量（W）和環境溫度（T）兩個環境變量。在研究雙因素變量對茶樹葉片凈光合速率的影響時，記茶樹葉片凈光合速率作為因變量（y），茶樹生長的土壤相對含水量和環境溫度為自變量，利用環境變量W和T來建立凈光合速率的預測模型，本研究采用多元線性回歸（MLR）、隨機森林回歸（RF）、支持向量機回歸（SVR）、徑向基函數神經網絡（RBF）和反向傳播神經網絡（BP）5種預測模型。整個模型預測在MATLAB中進行。本次多元線性回歸主要用到MATLAB中regress（ ）函數，通過計算最小化誤差的平方和來匹配最佳函數，可以簡單快捷的求得未知變量。隨后基于MATLAB2016和機器學習庫建立了隨機森林回歸、支持向量機回歸、徑向基函數神經網絡和反向傳播神經網絡4種預測模型，將土壤相對含水量和環境溫度作為凈光合速率預測模型的輸入特征，Li-6800便攜式光合熒光測量系統測得的凈光合速率為預測模型的輸出特征，將選取的500組數據按照7∶3的比例隨機分為350組訓練集和150組測試集。

1.6 預測模型性能評估

分別利用多元線性回歸、隨機森林回歸、支持向量回歸、反向傳播神經網絡、徑向基函數神經網絡5種預測模型對福鼎大白茶、鐵觀音、龍井43和中茶108茶樹品種試驗數據進行回歸預測，為評估5種模型對凈光合速率的預測效果，本研究利用決定系數（Coefficient of determination，R2）、均方根誤差（Root mean square error，RMSE）和平均絕對誤差（Mean absolute error，MAE）3個模型評價指標來進行預測精度的評估，具體公式如下：

式中： 和 分別為試驗的預測值和實際值；k為預測樣本數； 為 的平均值。

2 結果與分析

2.1 干旱低溫復合脅迫對不同品種茶樹光合生理的影響

2.1.1 對不同品種茶樹葉片光合氣體交換的影響

在正常供水和適宜溫度條件下，鐵觀音葉片的凈光合速率、蒸騰速率、氣孔導度最大，分別為8.33、774.16、112.38 μmol·m-2·s-1，中茶108葉片的凈光合速率和氣孔導度最小，分別為6.73、100.08 μmol·m-2·s-1，福鼎大白茶葉片的蒸騰速率最小，為608.37 μmol·m-2·s-1。但在干旱低溫復合脅迫條件下，4個品種茶樹的凈光合速率、蒸騰速率、水分利用效率、氣孔導度、光合電子傳輸速率均顯著低于對照組（土壤相對含水量70%，環境溫度25 ℃），并隨著脅迫程度的加深呈現持續下降的趨勢，并且各個脅迫階段均存在顯著差異（圖1）。與各自對照相比，輕度干旱低溫脅迫下鐵觀音葉片凈光合速率和水分利用率的降幅明顯低于其他茶樹品種（圖1A、圖1C），福鼎大白茶葉片蒸騰速率和氣孔導度的降幅明顯低于其他茶樹品種（圖1B、圖1D）。在重度干旱低溫脅迫條件下，鐵觀音、福鼎大白茶、龍井43和中茶108葉片中，凈光合速率分別較各自的對照降低72.9%、76.6%、75.9%和76.4%（圖1A），蒸騰速率較各自的對照降低49.8%、49.6%、51.1%和48.0%（圖1B），氣孔導度分別較各自的對照降低47.0%、61.6%、53.3%和48.2%（圖1D）。而在重度干旱低溫脅迫下，中茶108葉片的水分利用效率降幅最大，較其對照組下降54.0%，福鼎大白茶和龍井43次之，較其對照分別下降51.7%和50.6%，鐵觀音葉片的水分利用效率降幅最小，為45.9%（圖1C）。

在各處理下，鐵觀音葉片的光合電子傳輸速率均高于福鼎大白茶、龍井43和中茶108（圖1E），而胞間二氧化碳濃度均低于其他3個品種（圖1F）。在干旱與低溫復合脅迫條件下，鐵觀音、福鼎大白茶、龍井43和中茶108葉片的光合電子傳輸速率均顯著低于對照組，并隨著脅迫程度的加深呈現持續下降的趨勢（圖1E）；輕度干旱低溫脅迫下，龍井43葉片的光合電子傳輸速率的下降幅度均顯著低于其他3個品種；重度干旱低溫脅迫下，福鼎大白茶葉片的光合電子傳輸速率降幅最大，龍井43葉片的降幅最小。而胞間二氧化碳濃度較各自對照組均有所上調，與各自對照組均存在顯著差異，并伴隨脅迫程度的加深持續上升，其中，鐵觀音葉片的胞間二氧化碳濃度較其對照組上升89.6%，福鼎大白茶葉片較對照上升53.5%（圖1F）。

綜上所述，干旱低溫復合脅迫下，茶樹葉片的光合作用均受到顯著抑制，且抑制程度隨脅迫強度的增加而加劇。特別地，在干旱低溫復合脅迫下，4個茶樹品種的凈光合速率、蒸騰速率、水分利用效率、氣孔導度、光合電子傳輸速率均顯著下降。相較于福鼎大白茶、龍井43和中茶108，鐵觀音茶樹在上述光合生理指標上的下降幅度相對較小，表現出更高的脅迫耐受性。因此，鐵觀音對干旱和低溫脅迫具有較好的適應性，為其在逆境條件下的栽培與管理提供了科學依據。

2.1.2 對不同品種茶樹葉綠素熒光參數的影響

在正常供水和適宜溫度條件下，4個茶樹品種的非光化學猝滅系數在0.40左右（圖2A），光化學猝滅系數在0.90以上（圖2B）。在干旱低溫復合脅迫下，隨著脅迫程度的加深，鐵觀音、龍井43和中茶108葉片的非光化學猝滅系數呈現先上升后下降的趨勢，且大多高于對照組，而福鼎大白茶葉片的非光化學猝滅系數先上升后保持穩定（圖2A）；光化學猝滅系數隨著脅迫程度的加深較各自的對照組呈現持續下降的趨勢，且與對照組之間有顯著差異（圖2B）。

在輕度干旱低溫脅迫時，鐵觀音和福鼎大白茶葉片的PSⅡ調節性能量耗散的量子產額均顯著低于對照組，而龍井43和中茶108與各自的對照之間無明顯統計學差異，但隨著脅迫程度的加深，PSⅡ調節性能量耗散的量子產額呈現持續下降的趨勢，且與對照組之間均有顯著差異（圖2C）；PSⅡ非調節性能量耗散的量子產額均高于各自的對照組，并隨著脅迫程度的加深呈現持續上升的趨勢（圖2D）。在重度干旱低溫脅迫條件下，鐵觀音、福鼎大白茶、

龍井43和中茶108葉片的非光化學猝滅系數較各自對照組的漲幅分別為12.4%、4.6%、3.5%和1.1%（圖2A），光化學猝滅系數較其對照分別下降14.7%、20.1%、17.7%、19.9%（圖2B）；PSⅡ調節性能量耗散的量子產額分別較各自的對照降低了26.3%、4.8%、17.2%和8.9%（圖2C），PSⅡ非調節性能量耗散的量子產額較各自對照分別上升84.3%、37.7%、71.1%和83.4%（圖2D）。

在各處理下，鐵觀音葉片的PSⅡ最大光合效率均高于福鼎大白茶、龍井43和中茶108（圖2E），而葉片光合功能相對限制值均低于其他3個品種（圖2F）。在干旱低溫復合脅迫條件下，茶樹葉片的PSⅡ最大光合效率均顯著低于對照組，并隨著脅迫程度的加深呈現持續下降的趨勢（圖2E）；輕度干旱低溫脅迫下，鐵觀音葉片PSⅡ最大光合效率的下降幅度均顯著低于其他3個品種；重度干旱低溫脅迫下，鐵觀音、福鼎大白茶、龍井43和中茶108葉片的PSⅡ最大光合效率分別較各自的對照降低了47.1%、66.7%、50.4%和57.8%（圖2E）。而葉片光合功能相對限制值較各自對照組均有所上調，與各自對照組均存在顯著差異，并伴隨脅迫程度的加深持續上升，其中，鐵觀音的葉片光合功能相對限制值較其對照組上升155.6%，福鼎大白茶葉片的葉片光合功能相對限制值較對照上升108.4%（圖2F）。

綜上所述，干旱與低溫脅迫處理可能破壞了4個茶樹品種葉片的電子傳遞途徑，茶樹可通過增加葉片的熱耗散消耗部分光能，導致用于光化學反應的光能減少，PSⅡ調節性能量耗散的量子產額過大表明光能過剩，此時植物通過自身的調節機制耗散掉過剩的光能來進行自我保護，PSⅡ非調節性能量耗散的量子產額逐漸增加，表明茶樹已受到了傷害甚至已經出現光損傷的情況。總體來講，鐵觀音對干旱低溫脅迫的耐受性強于福鼎大白茶、龍井43和中茶108，龍井43和中茶108耐干旱低溫脅迫能力次之，福鼎大白茶對干旱低溫脅迫的耐受性最差，該項研究的結論對不同地域后續茶樹種植品種的選擇具有重要的參考價值。

2.2 K-means聚類分析

首先對鐵觀音的試驗數據進行聚類（圖3）。當k取不同值時，輪廓系數評價指標也存在差異，而當聚類簇大于4時，輪廓系數的值逐漸降低，數據較為分散，聚類效果較差。由圖3還可以看出，當k=2時，輪廓系數為0.61，從圖3A可知綠色有一半的樣本超過平均線，而黑色幾乎所有樣本均超過平均線，說明黑色樣本的聚類結果較好；當k=3時，輪廓系數為0.62，從圖3B可以看出3個簇都有大部分超過平均線，證明所有樣本在k=3時貢獻均等，聚類效果較好。當kgt;3時，輪廓系數均小于0.60，而且隨著k增大，輪廓系數呈現依次遞減的趨勢，k=7時（圖3F），輪廓系數最小，僅為0.49，聚類效果最差。雖然2簇時輪廓系數和3簇幾乎相當，但輪廓系數主要由黑色樣本做貢獻，綠色樣本只是部分做出貢獻，而分3簇時每個簇都對輪廓系數做出較大貢獻，綜上所述，選取k=3對數據進行聚類。

本研究選取k=3對試驗數據進行聚類。鐵觀音、福鼎大白茶、龍井43和中茶108的3簇聚類結果如圖4所示。4個品種茶樹的聚類結果均較為理想，各品種的輪廓系數（Silhouette coefficient）均在0.60附近，且每個簇都對輪廓系數做出較大貢獻。右側的數據分布圖顯示，所有樣本分布較為均勻，組內差異小，組間差異大，組與組之間有明顯的區別，聚類效果較好。

結合以上4個品種茶樹的K-means聚類結果可以得出，當k=3時，每個品種對不同的干旱低溫復合脅迫類型的聚類結果較好。將聚類結果與試驗數據的真實標簽進行對比，評估聚類結果的準確性，結果顯示，鐵觀音和中茶108的聚類結果較好，對于各種脅迫類型的聚類精度均在90%以上；龍井43的聚類精度次之，其中對輕度脅迫的聚類效果相對較差，為86.67%；福鼎大白茶的聚類精度最低，只有重度脅迫的聚類效果較好（93.3%）。總體而言，4個品種整體的聚類結果準確性均在80%以上，基本實現脅迫類型的快速識別。

2.3 5種模型預測結果比較分析

由于凈光合速率的參數可用儀器在茶園直接監測，從而做到植株無損傷檢測（PSⅡ最大光合效率檢測需要黑暗靜置0.5 h以上）。因此，本研究利用MLR、RF、SVR、BP和RBF 5種預測模型進一步對凈光合速率進行預測，結果見圖5。從結果中可以看出：在訓練集中，5種預測模型對4個茶樹品種的決定系數R2都在87%以上，均方根誤差RMSE為0.50～0.65（表3）。其中，RF模型對4個茶樹品種的預測效果最好，SVR、BP神經網絡和RBF神經網絡模型的預測效果次之，MLR模型的預測精度最低（表3）。

3 討論

光合作用是植物體內重要的生理過程，是植物生長發育的基礎。前人研究發現，干旱脅迫會導致植物氣孔縮小、關閉甚至喪失調節能力[7]，還會破壞葉綠體光合結構，使光合酶活性減弱，抑制植物生長發育[4]；低溫脅迫會導致植物對光能的利用能力降低[12]，造成光合速率下降[55]，抑制植物的生長，甚至造成植株死亡[56]。光合作用對環境變化非常敏感，因此，可根據植物的光合能力判斷其生長發育狀況及抗脅迫的能力[19]。本研究發現，在干旱低溫復

合脅迫下鐵觀音葉片凈光合速率和水分利用率的降幅明顯低于其他茶樹品種，說明鐵觀音可用于耐旱品種的選育；同時福鼎大白茶對干旱低溫脅迫的耐性最差。這與郭春芳[8]的研究結果符合。而在本研究中也發現，胞間二氧化碳濃度在復合脅迫下有所上升。這可能是由于茶樹葉片氣孔導度下降，葉片內二氧化碳無法順利排出，導致其濃度增加。

葉綠素熒光與植物的光合作用PSⅡ緊密相關，任何環境因素對光合作用的影響都可以通過葉綠素熒光反映出來[16，21]。PSⅡ最大光合效率可直接作為原初光化學效率的指標[57]。光化學猝滅系數反映PSⅡ天線色素捕獲光能用于光化學電子傳遞的份額[58]；非光化學猝滅系數反映PSⅡ天線色素吸收的光能以熱能的形式耗散的部分[58]。研究結果顯示，在干旱低溫復合脅迫條件下，茶樹葉片的PSⅡ最大光合效率均隨著脅迫程度的加劇而下降，說明葉片PSⅡ反應中心受到損傷，光化學電子傳遞效率和光能利用率降低，光反應受到抑制。而非光化學猝滅系數值升高，表明PSⅡ天線色素吸收的光能以熱能形式耗散掉的部分增加，而用于光化學電子傳遞的份額減少，這與光化學猝滅系數下降相吻合。由此表明，干旱低溫復合脅迫對茶苗的葉綠素熒光參數存在較大影響。這與之前的研究結果相吻合。李慶會等[9]研究表明，在受到低溫脅迫時，茶樹品種黃金芽和迎霜葉片的PSⅡ最大光合效率總體上隨脅迫時間的延長而下降。一般來說，在受到脅迫時，光合速率較高的植物品種，具有抗逆性強的特點[58]。因此，PSⅡ最大光合速率及凈光合速率下降幅度越小，說明受到脅迫后葉片的PSⅡ反應中心的受損越小，其抗逆性越強。由此可見，鐵觀音的耐旱耐寒能力最優，福鼎大白茶的耐旱耐寒能力最弱。這可為后續的茶樹育種品種的選擇提供參考。

K-means算法具有思想簡單、容易實現、聚類速度快等優點[59]。K-means聚類依賴于算法中初始類簇中心的選取[59]，其易受異常敏感點的影響，而出現部分數據聚類結果與真實結果存在差異，從而導致少部分數據的聚類結果不理想。不同聚類簇k的取值對聚類結果也有較大差異，在本研究中，當k=2或3時，能夠得到較高的輪廓系數，聚類結果較好。然而K-means對初始聚類中心要求過高，算法易收斂到局部最小值等，以致聚類結果不可靠，所以即使k=2也能獲得較大的輪廓系數，但輪廓系數往往僅由其中的某一個簇做主要貢獻，當k=3時，即使出現輪廓系數略低于k=2時的取值，但是3簇都能對輪廓系數做出較大的貢獻。本研究結果表明聚類選取k=3時，可實現脅迫的快速分級，聚類精確度均在80%以上。本研究結果可為不同氣候條件下茶樹品種的選擇和栽培提供有益參考，所構建的脅迫分級方法可以快速、準確地對茶樹的脅迫類型進行分類。下一步的工作重點是，在實踐中繼續分析與優化特征參數的選取和設置，不斷改良檢測方案，進一步提高算法的檢測性能，在茶葉生產中具有較高的實用價值。

本研究成功構建并驗證了5種預測模型，這些模型以土壤相對含水量和環境溫度作為輸入變量，旨在精確預測茶樹葉片光合作用過程中凈光合速率，進而實現光合生理狀態的早期預警。盡管參數化模型預測的研究已在林木的蓄積凈生長預測[38]、環境大氣PM2.5濃度的預測[60]，以及農藥殘留的預測[61]等多個領域展現出其應用潛力，然而目前茶樹中還未見無損傷的早期光合生理預警機制。本研究結果表明，5種模型中，所構建的基于隨機森林算法的預測模型展現出最優的擬合效果，在未來的研究中，可以通過簡單地測量環境參數，迅速且準確地預測茶樹葉片的凈光合速率，從而實現對光合生理機制的無損傷監測與預警。

本研究旨在構建基于光合生理機制的無損預警模型。因此，在試驗設計階段，對于茶苗所經歷的干旱低溫脅迫復合條件，僅采取了較為簡化的處理策略。然而，要深化該領域的研究并提高預測模型的準確性，需收集更為豐富的環境參數數據，這些參數包括但不限于光照強度、環境CO2濃度、土壤肥力以及蟲害等。通過納入這些額外變量，能夠進一步豐富和擴充模型的訓練數據集，從而提升預測模型的準確性和實用性。

參考文獻

[1] 李娜娜. 新梢白化茶樹生理生化特征及白化分子機理研究[D]. 杭州： 浙江大學， 2015.

Li N N. Physiological， biochemical characteristics and molecular albinism of the albino tea （Camellia sinensis） plant [D]. Hangzhou： Zhejiang University， 2015.

[2] 陳宗懋， 劉仲華， 楊亞軍， 等. 2019年中國茶葉科技進展[J]. 中國茶葉， 2020， 42（5）： 1-12.

Chen Z M， Liu Z H， Yang Y J， et al. Progress of tea science and technology in China in 2019 [J]. China Tea， 2020， 42（5）： 1-12.

[3] Shu S， Tang Y， Yuan Y， et al. The role of 24-epibrassinolide in the regulation of photosynthetic characteristics and nitrogen metabolism of tomato seedlings under a combined low temperature and weak light stress [J]. Plant Physiology and Biochemistry， 2016， 107： 344-353.

[4] 劉彥， 汪志威， 張冬蓮， 等. 茶樹抗旱研究進展[J]. 江西農業， 2018， 14： 56-57.

Liu Y， Wang Z W， Zhang D L， et al. Advancements in research on drought resistance in tea plants [J]. Jiangxi Agriculture， 2018， 14： 56-57.

[5] Zio E， Golea L， Mrs C. Identifying groups of critical edges in a realistic electrical network by multi-objective genetic algorithms [J]. Reliability Engineering and System Safety， 2012， 99： 172-177.

[6] Peeva V， Cornic G. Leaf photosynthesis of Haberlea rhodopensis before and during drought [J]. Environmental and Experimental Botany， 2009， 65（2）： 310-318.

[7] Golldack D， Li C， Mohan H， et al. Tolerance to drought and salt stress in plants： unraveling the signaling networks [J]. Frontiers in Plant Science， 2014， 5： 151. doi： 10.3389/FPLS.2014.00151.

[8] 郭春芳. 水分脅迫下茶樹的生理響應及其分子基礎[D]. 福州： 福建農林大學， 2008.

Guo C F. Physiological response and molecular basis of tea plant （Camellia sinensis） exposed to water stress [D]. Fuzhou： Fujian Agriculture and Forest University， 2008.

[9] 李慶會， 徐輝， 周琳， 等. 低溫脅迫對2個茶樹品種葉片葉綠素熒光特性的影響[J]. 植物資源與環境學報， 2015， 24（2）： 26-31.

Li Q H， Xu H， Zhou L， et al. Effects of low temperature stress on chlorophyll fluorescence characteristics in leaf of two cultivars of Camellia sinensis [J]. Journal of Plant Resources and Environment， 2015， 24（2）： 26-31.

[10] Hetherington S E， Smillie R M， Hardacre A K， et al. Using chlorophyll fluorescence in vivo to measure the chilling tolerances of different populations of maize [J]. Functional Plant Biology， 1983， 10（3）： 247-256.

[11] Liu Z G， Sun W C， Zhao Y N， et al. Effects of low nocturnal temperature on photosynthetic characteristics and chloroplast ultrastructure of winter rapeseed [J]. Russian Journal of Plant Physiology， 2016， 63（4）： 451-460.

[12] 劉海卿， 孫萬倉， 劉自剛， 等. 北方寒旱區白菜型冬油菜抗寒性與抗旱性評價及其關系[J]. 中國農業科學， 2015， 48（18）： 3743-3756.

Liu H Q， Sun W C， Liu Z G， et al. Evaluation of drought resistance and cold resistance and research of their relationship at seedling stage of winter rapeseed （Brassica campestris L.） in cold and arid regions in north China [J]. Scientia Agricultura Sinica， 2015， 48（18）： 3743-3756.

[13] 蒲光蘭， 周蘭英， 胡學華， 等. 干旱脅迫對金太陽杏葉綠素熒光動力學參數的影響[J]. 干旱地區農業研究， 2005， 23（3）： 44-48.

Pu G L， Zhou L Y， Hu X H， et al. Effect of soil drought stress on characteristics of chlorophyll fluorescence in Jintaiyang apricot variety [J]. Agricultural Research in the Arid Areas， 2005， 23（3）： 44-48.

[14] Eriksson P G， Reczko B， Merkle R， et al. Early proterozoic black shales of the Timeball Hill Formation， South Africa： volcanogenic and palaeoenvironmental influences [J]. Journal of African Earth Sciences， 1994， 18（4）： 325-337.

[15] 王文森. 基于葉綠素熒光動力學的大豆干旱/NaCl脅迫影響分析[D]. 沈陽： 沈陽農業大學， 2018.

Wang W S. Analysis of effect of drought/NaCl stress on Soybean based on chlorophyll fluorescence kinetics [D]. Shenyang： Shenyang Agricultural University， 2018.

[16] Ehlert O， Bücking W， Riegler J， et al. Organometallic synthesis and electrophoretic characterization of high-quality ZnS： Mn/ZnS core/shell nanoparticles for bioanalytical applications [J]. Microchimica Acta， 2008， 160（3）： 351-356.

[17] Belyaeva N E， Bulychev A A， Riznichenko G Y， et al. Analyzing both the fast and the slow phases of chlorophyll a fluorescence and P700 absorbance changes in dark-adapted and preilluminated pea leaves using a Thylakoid Membrane model [J]. Photosynthesis Research， 2019， 140（1）： 1-19.

[18] Wang Y， Yang F， Gritsenko M A， et al. Reversed-phase chromatography with multiple fraction concatenation strategy for proteome profiling of human MCF10A cells [J]. Proteomics， 2011， 11（10）： 2019-2026.

[19] Silva E A， Gouveia-Neto A S， Oliveira R A， et al. Water deficit and salt stress diagnosis through LED induced chlorophyll fluorescence analysis in Jatropha curcas L. [J]. Journal of Fluorescence， 2012， 22（2）： 623-630.

[20] 生利霞， 王倩， 孟祥毅， 等. 植物耐澇分子機理研究進展[J]. 分子植物育種， 2017， 15（7）： 2823-2828.

Sheng L X， Wang Q， Meng X Y， et al. Research progress on molecular mechanism of waterlogging tolerance in plants [J]. Molecular Plant Breeding， 2017， 15（7）： 2823-2828.

[21] Dai F， Zhou M X， Zhang G P. The change of chlorophyll fluorescence parameters in winter barley during recovery after freezing shock and as affected by cold acclimation and irradiance [J]. Plant Physiology amp; Biochemistry， 2007， 45（12）： 915-921.

[22] Shin Y K， Bhandari S R， Lee J G. Monitoring of salinity， temperature， and drought stress in grafted watermelon seedlings using chlorophyll fluorescence [J]. Frontiers in Plant Science， 2021， 12： 2913-2924.

[23] Shin Y K， Bhandari S R， Jo J S， et al. Effect of drought stress on chlorophyll fluorescence parameters， phytochemical contents， and antioxidant activities in lettuce seedlings [J]. Horticulture， 2021， 7（8）： 238-254.

[24] 葛君， 劉震. 低溫脅迫對拔節期小麥光合色素， 光合參數及葉綠素熒光特性的影響[J]. 山西農業科學， 2021， 49（11）： 1253-1256.

Ge J， Liu Z. Effects of low temperature stress on photosynthetic pigments， photosynthetic parameters and chlorophyll fluorescence characteristics of wheat at jointing stage [J]. Journal of Shanxi Agricultural Sciences， 2021， 49（11）： 1253-1256.

[25] 林鄭和， 鐘秋生， 陳常頌， 等. 低溫對茶樹新品系葉綠素與電導率的影響[J]. 福建茶葉， 2014， 36（5）： 10-11.

Lin Z H， Zhong Q S， Chen C S， et al. The effect of low temperature on chlorophyll and electrical conductivity in new tea cultivar [J]. Tea in Fujian， 2014， 36（5）： 10-11.

[26] 程國山， 游新才， 武艷， 等. 低溫脅迫后抗寒茶樹品種‘紫陽圓葉’的基因差異表達分析[J]. 植物資源與環境學報， 2013， 22（4）： 38-43.

Cheng G S， You X C， Wu Y， et al. Analysis on gene differential expression of cold-resistance cultivar ‘Ziyangyuanye' of Camellia sinensis after low temperature stress [J]. Journal of Plant Resources and Environment， 2023， 22（4）： 38-43.

[27] 孔海云， 張麗霞， 王日為. 低溫與光照對茶樹葉片葉綠素熒光參數的影響[J]. 茶葉， 2011， 37（2）： 75-78.

Kong H Y， Zhang L X， Wang R W. The effects of light and low temperature on chlorophyll fluorescence kinetics parameters of tea leaves [J]. Journal of Tea， 2011， 37（2）： 75-78.

[28] Farquhar G D， Von C S， Berry J A. A biochemical model of photosynthetic CO2 assimilation in leaves of C3 species [J]. Planta， 1980， 149（1）： 78-90.

[29] Busch F A， Sage R F. The sensitivity of photosynthesis to O2 and CO2 concentration identifies strong Rubisco control above the thermal optimum [J]. New Phytologist， 2016， 213（1）： 1036-1051.

[30] Guo L P， Kang H J， Ouyang Z， et al. Photosynthetic parameter estimations by considering interactive effects of light， temperature and CO2 concentration [J]. International Journal of Plant Production， 2015， 9（3）： 321-346.

[31] Retkute R， Smithunna S E， Smith R W， et al. Exploiting heterogeneous environments： does photosynthetic acclimation optimize carbon gain in fluctuating light？ [J] Journal of Experimental Botany， 2015， 66（9）： 2437-2447.

[32] Sharwood R E， Ghannoum O， Kapralov M V， et al. Temperature responses of Rubisco from Paniceae grasses provide opportunities for improving C3 photosynthesis [J]. Nature Plants， 2016， 2（12）： 1618-1636.

[33] Zhang N Y， Li G， Yu S X， et al. Can the responses of photosynthesis and stomatal conductance to water and nitrogen stress combinations be modeled using a single set of parameters？ [J] Frontiers in Plant Science， 2017， 1（8）： 328-348.

[34] 唐星林. 基于FvCB模型的植物光合生理生態特性研究[D]. 北京： 中國林業科學研究院， 2017.

Tang X L. Physiological and ecological characteristics of photosynthesis in plants based on FvCB model [D]. Beijing： Chinese Academy of Forestry， 2017.

[35] 王文靜， 麻冬梅， 蔡進軍， 等. 基于FvCB模型的鹽脅迫下紫花苜蓿幼苗光合特性的研究[J]. 中國生態農業學報， 2021， 29（3）： 540-548.

Wang W J， Ma D M， Cai J J， et al. Photosynthetic characteristics of alfalfa seedlings under salt stress based on FvCB model [J]. Acta Ecologica Sinica， 2021， 29（3）： 540-548.

[36] 劉振洋， 趙家松， 胡仁傑， 等. 基于關聯規則與多元線性回歸的云南省甘蔗產量預測模型[J]. 廣東農業科學， 2022， 49（12）： 160-166.

Liu Z Y， Zhao J S， Hu R J， et al. Yield prediction model for sugarcane in Yunnan province based on association rules and multiple linear regression [J]. Guangdong Agricultural Sciences， 2022， 49（12）： 160-166.

[37] Breiman L. Random forests， machine learning 45 [J]. Journal of Clinical Microbiology， 2001， 45（1）： 5-32.

[38] 田惠玲， 朱建華， 何瀟， 等. 基于隨機森林模型的東北三省喬木林生物質碳儲量預測[J]. 林業科學， 2022， 58（4）： 40-50.

Tian H L， Zhu J H， He X， et al. Projected biomass carbon stock of arbor forest of three provinces in northeastern China based on random forest model [J]. Scientia Silvae Sinicae， 2022， 58（4）： 40-50.

[39] Samui P. Slope stability analysis： a support vector machine approach [J]. Environmental Geology， 2008， 56（2）： 255-267.

[40] Samui P， Das S K. Support vector machine and relevance vector machine classifier in analysis of slopes [J]. International Association for Computer Methods and Advances in Geomechanics， 2008， 12（5）： 4667-4674.

[41] Tian Y， Yun Z Q， Yang X H. Improving shrub biomass estimations in the Qinghai-Tibet Plateau： age-based Caragana intermedia allometric models [J]. The Forestry Chronicle， 2014， 90（2）： 154-160.

[42] 伍丹華， 周禮梅. 基于BP神經網絡的糧食產量預測[J]. 農業工程技術， 2020， 40（27）： 51-53.

Wu D H， Zhou L M. Grain yield prediction based on BP neural network [J]. Agricultural Engineering Information， 2000， 40（27）： 51-53.

[43] Awchi T A. River discharges forecasting in northern Iraq using different ANN techniques [J]. Water Resources Management， 2014， 28（3）： 801-814.

[44] 張興澤， 滕瑞海， 牟振鵬. 北方茶區凍害的發生和防治[J]. 中國茶葉， 2011， 33（7）： 24-25.

Zhang X Z， Teng R H， Mou Z P. Occurrence and prevention of frost damage in northern tea-growing regions [J]. China Tea， 2011， 33（7）： 24-25.

[45] 雷榮森. 高山茶區寒凍氣候對茶樹的影響及防御措施[J]. 福建茶葉， 2020， 42（3）： 12.

Lei R S. Impact of cold and freezing climates on tea plants in high-mountain tea regions and defensive measures [J]. Tea in Fujian， 2020， 42（3）： 12.

[46] 韋英英， 林添水， 張金超， 等. 鐵觀音示范茶園立體氣候特征及影響研究[J]. 海峽科學， 2022（8）： 31-39.

Wei Y Y， Lin T S， Zhang J C， et al. Study on the three-dimensional climatic characteristics and impacts in Tieguanyin demonstration tea garden [J]. Staits Science， 2022（8）： 31-39.

[47] 張云偉， 李曉東， 徐希斌. 低溫干旱對山東省青島市茶生產的影響及對策[J]. 落葉果樹， 2012， 44（1）： 32-34.

Zhang Y W， Li X D， Xu X B. Impact of low temperature and drought on tea production in Qingdao， Shandong Province， and countermeasures [J]. Deciduous Fruits， 2012， 44（1）： 32-34.

[48] 徐曉瑩， 黃文尉， 張麗霞. 茶樹響應低溫脅迫的分子機制研究進展[J]. 茶葉通訊， 2023， 50（3）： 288-294.

Xu X Y， Huang W W， Zhang L X. The research progress on molecular mechanism of tea plants response to cold stress [J]. Journal of Tea Communication， 2023， 50（3）： 288-294.

[49] 張波， 羅陽歡， 李浪， 等. 貴州茶樹春季低溫災害氣候風險評估與區劃[J/OL]. 中國農業科技導報， 1-9 [2024-12-09]. https：//doi.org/10.13304/j.nykjdb.2023.0722.

Zhang B， Luo Y H， Li L， et al. Climate risk assessment and zoning of spring low temperature disasters of tea trees in Guizhou [J/OL]. Journal of Agricultural Science and Technology， 1-9 [2024-12-09]. https：//doi.org/10.13304/j.

nykjdb.2023.0722.

[50] 陳鑫， 鄔曉龍， 劉升銳， 等. 干旱脅迫下AMF對茶樹光合特性及其基因表達的影響[J]. 園藝學報， 2024， 51（10）： 2358-2370.

Chen X， Wu X L， Liu S R， et al. Effects of AMF on photosynthetic characteristics and gene expressions of tea plants under drought stress [J]. Acta Horticulturae Sinica， 2024， 51（10）： 2358-2370.

[51] 陳博雯， 覃子海， 張燁， 等. 干旱脅迫下澳洲茶樹生理活性及內源激素動態變化研究[J]. 山東農業科學， 2019， 51（10）： 55-59.

Chen B W， Qin Z H， Zhang Y， et al. Dynamic changes of physiological activities and endogenous hormones in melaleuca alternifolia under drought stress [J]. Shandong Agricultural Sciences， 2019， 51（10）： 55-59.

[52] 張恒益， 鄭惠玲. 利用K均值聚類算法識別遺傳疾病致病SNP位點[J]. 家畜生態學報， 2020， 41（12）： 25-31.

Zhang H Y， Zheng H L. Recognition of risk SNPs related to genetic diseases based on K-means clustering algorithm [J]. Journal of Domestic Animal Ecology， 2020， 41（12）： 25-31.

[53] Bai L， Liang J Y， Sui C， et al. Fast global k-means clustering based on local geometrical information [J]. Information Sciences， 2013， 245（10）： 168-180.

[54] 劉偉， 艾希珍， 梁文娟， 等. 低溫弱光下水楊酸對黃瓜幼苗光合作用及抗氧化酶活性的影響[J]. 應用生態學報， 2009， 20（2）： 441-445.

Liu W， Ai X Z， Liang W J， et al. Effects of salicylic acid on the leaf photosynthesis and antioxidant enzyme activities of cucumber seedlings under low temperature and light intensity [J]. Chinese Journal of Applied Ecology， 2009， 20（2）： 441-445.

[55] 張玉翠， 王連翠. 低溫對茶樹葉片膜透性和保護酶活性的影響[J]. 北方園藝， 2010（9）： 38-40.

Zhang Y C， Wang L C. Effects of low temperature on membrane permeability and protective enzyme activities in tea leaves [J]. Northern Horticulture， 2010（9）： 38-40.

[56] 秦紅艷， 沈育杰， 艾軍， 等. 鹽脅迫對不同葡萄品種葉片中葉綠素熒光參數的影響[J]. 中外葡萄與葡萄酒， 2010（5）： 35-38.

Qin H Y， Shen Y J， Ai J， et al. Effects of salt stress on shlorophyll fluorescence parameters of leaf in different grape varsities [J]. Sino-overseas Grapevine amp; Wine， 2010（5）： 35-38.

[57] 李學孚， 倪智敏， 吳月燕， 等. 鹽脅迫對‘鄞紅’葡萄光合特性及葉片細胞結構的影響[J]. 生態學報， 2015， 35（13）： 4436-4444.

Li X F， Ni Z M， Wu Y Y， et al. Effects of salt stress on photosynthetic characteristics and leaf cell structure of 'Yinhong' grape seedling [J]. Acta Ecologic Sinica， 2015， 35（13）： 4436-4444.

[58] Redmond S J， Heneghan C. A method for initialising the K-means clustering algorithm using kd-trees [J]. Pattern Recognition Letters， 2007， 28（8）： 965-973.

[59] 魏杰. 基于K-means聚類算法改進算法的研究[J]. 信息通信， 2018（5）： 14-15.

Wei J. Research on improved algorithms based on K-means clustering algorithm [J]. Information amp; Communications， 2018（5）： 14-15.

[60] 梁澤， 王玥瑤， 岳遠紊， 等. 耦合遺傳算法與RBF神經網絡的PM2.5濃度預測模型[J]. 中國環境科學， 2020， 40（2）： 523-529.

Liang Z， Wang Y Y， Yue Y W， et al. A coupling model of genetic algorithm and RBF neural network for the prediction of PM2.5 concentration [J]. China Environmental Science. 2020， 40（2）： 523-529.

[61] 周佳俊， 龔道新， 蔣紫煙， 等. 基于BP神經網絡的柑橘農藥殘留預測[J]. 湖南農業大學學報（自然科學版）， 2022， 48（5）： 572-577.

Zhou J J， Gong D X， Jiang Z Y， et al. Prediction of pesticide residues in citrus using BP neural network [J]. Journal of Hunan Agricultural University （Natural Sciences）， 2022， 48（5）： 572-577.