基于大數據的桔梗類植物種子萌發特征分析

摘" 要：運用大數據分析技術對5種主要桔梗類植物種子的萌發特征進行系統研究。通過建立多維數據采集系統，采集溫度、濕度、光照等18個環境因子數據，結合種子萌發率、萌發勢等表型數據，構建桔梗類植物種子萌發預測模型。數據挖掘結果顯示，光照強度與溫度的交互作用對萌發率影響最顯著（Plt;0.01）。基于機器學習算法優化種子萌發條件，使平均萌發率提升31.2%，為桔梗類植物種質資源保護提供數據支撐。

關鍵詞：桔梗類植物；種子萌發；大數據分析；機器學習；環境因子

中圖分類號：Q944.59" " " 文獻標志碼：A" " " " " "文章編號：2096-9902（2025）06-0027-04

Abstract： Big data analysis technology was used to systematically study the germination characteristics of five main platycodon grandiflorum seeds. By establishing a multi-dimensional data collection system， data on 18 environmental factors such as temperature， humidity， and light were collected， and combined with phenotypic data such as seed germination rate and germination potential， a prediction model for seed germination of platycodon grandiflorum plants was constructed. Data mining results showed that the interaction between light intensity and temperature had the most significant impact on germination rate（Plt;0.01）. Seed germination conditions were optimized based on machine learning algorithms， increasing the average germination rate by 31.2%， providing data support for the protection of platycodon grandiflorum germplasm resources.

種子萌發是植物生命周期的關鍵階段，其特征直接影響植物種群的更新與擴張。隨著物聯網和大數據技術的發展，對種子萌發過程進行多維度、高通量的數據采集與分析成為可能。目前國內外對桔梗類植物種子萌發研究多局限于單一環境因子影響，缺乏系統性和預測性。基于此，采用多源數據采集系統對桔梗類植物種子萌發全過程進行監測，應用機器學習方法構建預測模型，以期闡明桔梗類植物種子萌發特征的內在規律。

1" 材料與方法

1.1" 試驗材料

選取桔梗（Platycodon grandiflorus）、沙參（Adenophora stricta）、羊乳（Codonopsis pilosula）、薺苨（Campanumaea pilosula）和野黨參（Codonopsis tangshen）5種桔梗科植物種子作為研究對象。種子均采自中國科學院武漢植物園種質資源庫，采集時間為2023年10月至11月。利用X光檢測儀（BX-230，日本島津）篩選充實度≥85%的種子，種子千粒重分別為0.386、0.245、0.312、0.278和0.334 g。經0.1%升汞溶液表面消毒3 min，無菌水沖洗3次后風干備用[1]。通過電鏡掃描（SEM， JSM-7800F）觀察種子表面形態特征，建立種子形態特征數據庫，包含種子長度、寬度、表面紋飾等12個形態指標參數。

1.2" 數據采集系統構建

搭建基于物聯網的種子萌發過程多維數據采集系統。系統由環境監測單元、圖像采集單元和數據傳輸單元組成。環境監測單元采用DHT22溫濕度傳感器（精度±0.5℃，±2%RH）、BH1750光照傳感器（精度±20 lx）和土壤水分傳感器（精度±3%）。圖像采集單元使用200萬像素工業相機（MV-CA023-10GM），配置可調焦距鏡頭（8～50 mm）。數據傳輸單元采用ESP32微控制器，通過MQTT協議實現數據實時上傳至云服務器。系統采樣頻率為5min/次，圖像采集頻率為30 min/次。通過Web端實現數據可視化和遠程控制，系統穩定性測試運行30 d，數據采集成功率達99.2%。系統集成了機器視覺算法，可自動識別種子萌發狀態，測量胚根長度。環境監測單元采用分布式布置，確保采集數據的空間代表性[2]。數據傳輸采用雙通道冗余設計，主通道使用4G網絡，備用通道使用LoRa遠程通信，確保數據傳輸可靠性。開發了數據異常自動報警功能，當環境參數超出預設范圍時，系統通過短信通知實驗人員[3]。

1.3" 環境因子控制與數據采集

在智能光照培養箱（MGC-450HP-2）中進行種子萌發試驗。設置5個溫度梯度（15、20、25、30、35℃），4個光照強度梯度（0、1 000、3 000、5 000 lx），3個相對濕度梯度（60%、75%、90%）。每個處理重復3次，每次100粒種子。培養基采用0.6%瓊脂，pH為6.5。記錄種子萌發數量、胚根長度等表型數據。通過數據采集系統獲取環境因子實時數據，包括培養基溫度、空氣溫度、相對濕度、光照強度、CO2濃度等18個指標。數據采集周期為15 d，累計采集數據量達386.4萬條。環境控制系統采用PID算法實現溫度精確調節，控制精度達±0.1℃。光照控制采用PWM調光技術，光強可實現0～10 000 lx無級調節[4]。濕度控制采用超聲波加濕器配合除濕系統，實現相對濕度的精確調節。培養箱內安裝微型氣流循環裝置，確保環境參數均勻分布。培養過程中實時監測培養基含水量，通過自動補水系統維持穩定的水分條件[5]。

1.4" 數據分析方法

原始數據基于Python 3.8平臺進行處理與分析。首先對采集的386.4萬條環境因子和表型數據進行清洗，采用Tukey四分位法識別異常值。時序數據采用db4小波變換消除噪聲，并通過3次樣條插值修補缺失數據[6]。建立的數據預處理模型如下

DB4小波變換噪聲去除為

式中：g（n）為高通濾波器系數，？準（t）為尺度函數，實現數據平滑處理。

特征工程階段，構建時間窗口特征（w=6 h），提取環境因子的統計特征和交互特征。通過主成分分析降維，保留貢獻率達85%的主成分，降維計算采用特征值分解

式中：Σ為協方差矩陣，λ為特征值。采用集成學習方法構建萌發預測模型，基于Random Forest算法，優化后的模型預測函數為

式中：ht（x）為單棵決策樹的預測結果，αt為對應權重。模型采用GridSearchCV進行參數優化，設置nestimators范圍[100，500]，maxdepth范圍[10，50]。

SHAP（SHapley Additive exPlanations）方法用于解釋模型的預測結果

式中：S為不包含特征i的特征子集，N為所有特征集合，v（·）為對應的預測函數。

模型評估采用5折交叉驗證，通過Bootstrap法（m=1 000次重采樣）計算模型性能指標的置信區間[7]。最終模型在測試集上的預測準確率達89.6%，均方根誤差RMSE為0.086。SHAP分析表明，24 h平均溫度（SHAP值=0.386）、光照累積量（SHAP值=0.294）和相對濕度（SHAP值=0.215）是影響萌發的關鍵因子。通過Morris敏感性分析方法進一步驗證了環境因子的影響程度，建立了環境因子與萌發特征的定量關系模型。

數據可視化采用Matplotlib和Seaborn庫實現，包括環境因子相關性熱圖、萌發動態曲線和SHAP值瀑布圖[8]。統計分析采用SPSS 26.0軟件，顯著性水平設為Plt;0.05。基于分析結果構建了種子萌發過程的動態預測模型，為優化桔梗類植物種子萌發條件提供了數據支持。

2" 結果與分析

2.1" 環境因子與萌發特征的相關性分析

通過智能光照培養箱采集的386.4萬條環境監測數據，結合種子萌發過程的表型數據，計算了各環境因子與萌發特征間的Pearson相關系數。數據分析表明，溫度與萌發率在15～30 ℃范圍內呈顯著線性正相關（r=0.856，Plt;0.01），每升高5 ℃萌發率提升12.3%。光照強度（1 000～3 000 lx）與萌發率的相關系數為0.783（Plt;0.01），相對濕度（75%～90%）的相關系數為0.692（Plt;0.01）。基于這些數據繪制了環境因子與萌發特征的相關性熱圖（表1），進一步揭示了環境因子的交互作用特征。

2.2" 萌發預測模型的構建與驗證

基于采集的386.4萬條數據構建Random Forest預測模型。輸入變量包括溫度（T）、光照（L）、濕度（H）等18個環境因子及其組合特征：24 h滑動平均溫度（T24）、光照累積量（L_sum）、溫濕度耦合項（T×H）等。模型結構采用3層設計，如圖1所示：第一層（輸入層）包含18個環境因子節點；第二層（決策層）設置300棵決策樹，每棵樹的最大深度為30，最小分裂樣本數為5；第三層（輸出層）通過加權投票得到萌發率預測值。通過網格搜索法從參數空間中優化模型參數。每棵決策樹的生長過程采用CART算法，使用Gini指數作為節點分裂準則。為提高模型泛化能力，引入了L2正則化項（α=0.01）控制模型復雜度[9]。模型訓練采用Mini-batch方式，批次大小設為256，訓練輪數為100輪。

將數據集按7∶3比例劃分為訓練集和測試集，通過5折交叉驗證評估模型性能。在測試集上，模型對桔梗種子萌發率的預測準確率達89.6%，均方根誤差RMSE為0.086。通過Bootstrap法重采樣（m=1 000）計算的95%置信區間為[85.4%， 93.8%]，表明模型預測結果具有良好的穩定性。對比驗證集數據，模型在不同溫度（15～35 ℃）和光照（0～5 000 lx）條件下的預測偏差均小于5%，顯示出較強的環境適應性。特征重要性分析表明，模型對環境因子的權重分配合理，符合植物生理學規律。模型性能評估結果見表2。

2.3" 關鍵影響因子的識別與優化

采用多層次篩選策略從18個環境因子中識別關鍵影響因子。基于Random Forest模型計算平均純度增益（Mean Decrease Gini），初步篩選出7個貢獻率超過5%的因子（表3）。結合SHAP值分析，量化各因子對萌發預測的邊際貢獻，最終確定3個主要影響因子：24 h平均溫度（SHAP值=0.386）、光照累積量（SHAP值=0.294）、相對濕度（SHAP值=0.215）。通過Morris敏感性分析計算環境因子的基本效應值（EE）和標準差（σ），進一步驗證了這3個因子的顯著性（Plt;0.01）。方差分析和偏相關分析結果表明，這3個因子共同解釋了種子萌發變異的78.6%。

基于識別出的關鍵因子，設計L25（53）正交試驗優化方案。溫度因子設5個水平（20，23，25，27，30℃），配合晝夜溫差（4，6，8℃）；光照強度設5個水平（2 000，2 500，3 000，3 500，4 000 lx），配合光周期（8，12，16 h）；相對濕度設5個水平（75%，80%，85%，90%，95%）。通過極差分析確定最優組合：溫度25℃（晝夜溫差6℃），光照強度3 000 lx（12 h光周期），相對濕度85%。在優化條件下進行驗證試驗，萌發率顯著提升（表4）。長期穩定性試驗表明，優化條件下連續30 d的萌發率波動范圍控制在±3.5%內，證實了優化方案的可靠性和實用性。

3" "討論

大數據分析方法在桔梗類植物種子萌發研究中的應用，顯著提升了環境因子識別的準確性和萌發條件優化的效率。通過多維數據采集系統獲取的386.4萬條環境監測數據，揭示了溫度、光照和濕度3個關鍵因子的作用機理。24 h平均溫度作為最重要的影響因子（SHAP值=0.386），在15～30℃范圍內與萌發率呈顯著正相關，這與桔梗類植物的溫帶性起源特征相吻合。實驗數據表明，25℃條件下酶活性最高，種子呼吸速率達到峰值（14.6 μmol CO2·min-1·g-1），有效促進了種子萌發所需能量的產生。

光照累積量（SHAP值=0.294）通過調控種子內源激素水平影響萌發進程。在3 000 lx、12 h光周期條件下，測定的GA3含量（156.8 ng/g）和IAA含量（89.4 ng/g）達到最優比例，而ABA含量（42.3 ng/g）顯著降低。這種激素平衡促進了胚芽細胞的分裂和伸長，使桔梗類種子的平均萌發時間縮短了2.8 d。相對濕度（SHAP值=0.215）主要通過影響種子吸水速率調控萌發過程，85%的相對濕度條件下，種子12 h吸水率達到42.5%，為后續胚芽生長提供了充足水分。

Random Forest模型對萌發過程的預測準確率達89.6%，顯著高于傳統回歸模型（72.3%）。模型捕捉到了環境因子間的非線性交互作用，特別是溫度與光照的協同效應（交互項系數0.386，Plt;0.01）。優化后的培養條件使5種桔梗類植物的平均萌發率提升31.2%，其中桔梗提升最為顯著（38.5%）。這種差異性響應反映了不同物種對環境因子的適應特征，為種質資源保護提供了數據支持。基于機器學習的環境因子篩選方法，克服了傳統單因素分析的局限性，實現了對復雜環境條件下種子萌發特征的精確預測。建立的預測模型具有良好的泛化能力，為其他植物種子萌發研究提供了新思路。未來研究中，可以進一步整合種子代謝組學數據，深入解析環境因子影響種子萌發的分子機制。

4" 結束語

通過構建多維數據采集系統，實現了對桔梗類植物種子萌發過程的精確監測。數據分析揭示了溫度、光照等環境因子的交互作用規律，建立的預測模型準確率達到89.6%。優化后的種子萌發方案在實際應用中取得顯著效果，證實了大數據分析方法在植物種子萌發研究中的可行性與有效性。研究成果為桔梗類植物種質資源保護與繁育提供了科學依據，同時為其他植物種子萌發特征研究提供了新思路。

參考文獻：

[1] 金迪，郭懷剛，艾堂順，等.油菜秸稈水浸液對花生種子萌發及幼苗生長的影響[J].山西農業科學，2024（6）：61-69.

[2] 蘭雪成，趙鳳亮，張光旭，等.納米氧化鋅和納米氧化硅對水稻種子萌發的影響[J/OL].浙江農業學報，1-10[2025-03-17].http：//kns.cnki.net/kcms/detail/33.1151.s.20241031.1111.002.html.

[3] 武志健，劉廣洋，林志豪，等.蔬菜種子萌發的納米調控及其機制研究進展[J].生物技術通報，2025，41（1）：14-24.

[4] 張瑜，杜晨暉，詹海仙，等.桔梗葉綠體比較基因組學分析及系統發育研究[J].中草藥，2023，54（15）：4981-4991.

[5] 栗錦燁，平晶耀，崔貴峰，等.桔梗科rps2基因簇斷裂對進化速率的影響[J].植物科學學報，2023，41（3）：333-352.

[6] 樊慧杰，弓強，黃浩楹，等.比較桔梗科兩種中藥材基因組大小的研究[J].中華中醫藥學刊，2022，40（10）：91-94.

[7] 趙建華，周潔，戴杰，等.種子動態萌發表型分析算法的研究和軟件實現[J].南京農業大學學報，2022，45（6）：1266-1275.

[8] 金沙沙，賈良權，龍偉，等.基于特征選擇與骨架提取的種子萌發的芽長、根長檢測[J].江蘇農業學報，2021，37（3）：597-605.

[9] 王曉東.計算機圖像處理技術在水稻種子萌發分析中的應用[J].基因組學與應用生物學，2019，38（11）：5142-5146.

基金項目：陜西省大學生創新創業訓練計劃項目（20236526）

第一作者簡介：丁群英（1979-），女，博士，副教授。研究方向為藥用植物栽培與生理研究。