黄花菜产量及品质成分的通径分析和预测模型研究

缪叶旻子,周斌雄,刘庭付,李晓丽,王琳琳,张典勇,瞿云明,吴彦勋

黄花菜产量及品质成分的通径分析和预测模型研究

缪叶旻子1,周斌雄1,刘庭付1,李晓丽2,王琳琳1,张典勇1,瞿云明4,吴彦勋3*

1. 丽水市农林科学研究院, 浙江 丽水 323000 2. 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058 3. 丽水市科技发展研究中心, 浙江 丽水 323000 4. 丽水市莲都区农业技术推广中心浙江 丽水 323000

为实现黄花菜的快速无损分类，本研究以丽水市缙云县42个样地的黄花菜为研究对象，测定了8个性状指标和6个经济指标，通过相关性分析、通径分析、聚类分析和预测模型研究，确定黄花菜性状指标与经济指标的关系，并获得各经济指标的预测模型。结果发现：株幅大、主花薹长、叶数多的黄花菜产量和可溶性糖含量较高，株幅小、主花薹长、叶数多、蕾数少的黄花菜秋水仙碱含量和总酚含量较高，株幅小、主花薹短、主花薹细的黄花菜ASA和类黄酮的含量较高；42个样地聚类后，聚类结果与通径分析一致，且Ⅰ类（氮肥最低、钾肥第二稿、磷肥第二高）、Ⅱ类（氮肥最高、钾肥最低、磷肥最高）适用于鲜食，Ⅲ类（氮肥第二高、钾肥最高、磷肥最低）适用于有效成分的提取。研究发现基于性状指标的黄花菜产量、秋水仙碱含量、ASA、可溶性糖、类黄酮含量和总酚含量都取得了满意的预测效果，黄花菜产量、秋水仙碱含量、ASA和可溶性糖的最佳预测模型为BP神经网络预测模型，类黄酮含量和总酚含量的最佳预测模型为多元线性回归模型，六个预测模型的决定系数在0.721-0.973之间，表明模型精准可靠。

黄花菜; 经济指标; 通径分析; 预测模型

黄花菜是一种药菜两用的珍贵蔬菜，具有良好的保健功能和药用价值[1]。黄酮类化合物、酚类化合物和秋水仙碱是黄花菜中具有药用价值的重要营养成分。黄花菜中的黄酮类化合物、多糖和多酚均具有抗氧化、调节免疫功能、抗肿瘤等[2]药用功效。黄花菜中的秋水仙碱具有两面性：一方面，秋水仙碱经人体吸收后，会转化为有毒性的氧化二秋水仙碱[3]，引发中毒；另一方面，秋水仙碱提取物可用于性痛风性关节炎的治疗、生物育种记忆研究细胞染色体[4]。因此，黄酮类化合物、多糖和多酚含量高，但秋水仙碱含量低的黄花菜适宜鲜食，黄酮类化合物、多糖和多酚含量高，而秋水仙碱含量高的黄花菜可用于有效成分的提取。为适应多样化的消费需求，生产者需要对黄花菜的产量以及秋水仙碱含量、抗坏血酸(AsA)、类黄酮含量和总酚含量等品质成分进行测量，进而对黄花菜进行分类。

黄花菜的秋水仙碱含量、ASA、类黄酮含量和总酚含量的检测具有程序复杂、测量周期长、专业性需求高等特点，生产者难以对黄花菜的品质指标进行快速无损检测。黄花菜的生产周期长,采收时间长达1月之久[5]，这给测产增加了难度。此外，黄花菜秋水仙碱、ASA、类黄酮含量和总酚含量等成分的检测，需要用高效液相色谱仪、紫外可见光分光度计、超声波清洗器、高速冷冻离心机等设备[6, 7]，设备成本高，检测操作专业性强。为此，需要寻找一种能够快速预测黄花菜产量和品质的方法。

本研究以丽水市缙云县黄花菜为研究材料，采用相关性分析和通径分析方法研究黄花菜性状指标和品质指标之间的关系；并采用偏最小二乘定量区分（PLS）、多元线性回归（MLR）和BP神经网络三种人工智能模型研究黄花菜性状指标对于黄花菜产量和成分的预测能力，构建基于黄花菜性状指标的产量和品质预测模型，为黄花菜的分类销售和快速无损检测提供理论支撑。

1 材料和方法

1.1 试验材料

供试品种为缙云实心，该品种为缙云县优良传统主栽品种。

1.2 试验设计

试验在缙云县舒洪镇完成。舒洪镇位于东经120.167 74度，北纬28.652 04度，属亚热带季风气候，年平均气温18 ℃，无霜期265 d，年平均降水量1 500 mm。试验地土壤pH4.63，水分8.2%，速效磷31 mg/kg，速效氮124 g/kg、速效钾160 mg/kg。试验共设计14个处理，每个处理3个样地，共42个样地，每个样地10 m2。于2019年播种，行距1m，株距40cm，进行正常栽培管理，每个处理的施肥情况如表1所示。每个样地选取10株样本进行调查。试验地光照充足，栽培管理措施和水肥条件均相同，病虫害防治参照当地常规条件进行。

表 1 十四个处理的施肥量

1.3 测定指标及方法

于2021年8月，观测每个样本的蕾重、蕾数、蕾长、蕾粗、主花薹长、主花薹粗、株幅和叶数，共8个性状指标。同时，采集样本测量6个品质指标，包括产量、秋水仙碱、ASA、可溶性糖、类黄酮含量和总酚含量。并采集样品后立即放入液氮速冻，之后置于-80 ℃保存备用，用于秋水仙碱、ASA、可溶性糖、类黄酮含量、总酚含量的检测。秋水仙碱含量采用高效液相色谱法测定；ASA含量采用分光光度法测定；可溶性糖采用蒽酮比色法测定；类黄酮含量采用分光光度法测定;总酚含量采用分光光度法测定。

1.4 数据分析

采用Microsoft Excel 2010及SPSS19.0软件对数据进行整理、相关性分析和通径分析。随后采用三种数据预处理方法：归一化（Normalize）、多元散射校正（MSC）、准正态变量变换（SNV），和两种定量回归分析算法（PLS、MLR）和BP神经网络构建基于黄花菜性状指标的产量和品质预测模型，算法（PLS、MLR）采用Unscramble软件来实现，BP神经网络模型在Matlab软件上构建。

2 结果和分析

2.1 相关性分析

为了研究黄花菜性状指标与产量和品质成分之间的关系，对14个处理共42个样地的黄花菜样本的蕾重、蕾数、产量等14个指标进行相关性分析，分析结果如图1所示。从图1可知，黄花菜产量和蕾重、蕾数、蕾长、蕾粗、主花薹长、主花薹粗、株幅和叶数等8个农艺性状正相关，其中产量与主花薹长、株幅和叶数接近显著水平；秋水仙碱和叶数呈显著负相关；ASA和蕾粗显著正相关，和主花薹粗、株幅显著负相关；可溶性糖含量与产量显著正相关；类黄酮含量和主花薹长显著负相关；总酚含量与蕾数显著负相关；主花薹长和株幅显著正相关。由此说明，株幅越大，黄花菜的产量越高，ASA含量越低；主花薹越长，可溶性糖含量越高，ASA、类黄酮含量越低；叶数越多，秋水仙碱含量越高。

图 1 黄花菜性状指标与产量和品质成分之间的相关性分析

2.2 通径分析

为了进一步了解蕾重、蕾数、蕾长等8个性状指标对黄花菜产量和品质成分的相对重要性，在相关分析的基础上，进行通径分析，结果见图2。从图2可以看出，黄花菜产量的通径分析结果和相关性分析不一致，蕾长对产量的影响由正相关变为负相关且影响变大，蕾重、叶数与产量正先关且蕾重的影响变大，表明剔除其他因素的影响后，蕾重对黄花菜产量的影响变大，蕾长与产量负相关，蕾重、叶数与产量正相关；秋水仙碱含量的通径分析结果和相关性分析一致，叶数与秋水仙碱含量正相关，蕾数、株幅与秋水仙碱含量负相关；ASA含量的通径分析结果和相关性分析一致，蕾粗与ASA含量正相关，而主花薹粗、主花薹粗长、株幅与ASA含量负相关；可溶性糖含量的通径分析结果和相关性分析一致，蕾长、主花薹长、主花薹粗与可溶性糖含量正相关；类黄酮含量的分析结果果和相关性分析不一致，主花薹粗对类黄酮含量的影响由负相关变为正相关，表明剔除其他因素的影响后，主花薹长与类黄酮含量负先关，主花薹粗、蕾粗与类黄酮含量正先关；总酚含量的通径分析结果和相关性分析不一致，主花薹长对总酚含量影响由负相关变为正相关且影响变大，表明剔除其他因素的影响后，主花薹长与总酚含量正相关，蕾数、蕾粗与总酚含量负相关。因此，蕾长短、蕾重重、叶数多的黄花菜产量较高，蕾数少、株幅小、叶数多的秋水仙碱含量较高，蕾粗粗、主花薹细、主花薹短、株幅小的ASA含量较高，蕾长长、主花薹长、主花薹粗的可溶性糖含量较高，主花薹短、主花薹粗、蕾粗粗的类黄酮含量较高，主花薹长、蕾数少、蕾细的总酚含量高。因此，株幅大、主花薹长、叶数多的黄花菜产量和可溶性糖含量较高，株幅小、主花薹长、叶数多、蕾数少的黄花菜秋水仙碱含量和总酚含量较高，株幅小、主花薹短、主花薹细的黄花菜ASA和类黄酮的含量较高。

图 2 黄花菜性状指标与产量和品质成分之间的通径分析

2.3 聚类分析

为了更好地对黄花菜进行分类，对14个处理共42个样地黄花菜的雷重、蕾数等8个性状指标进行系统聚类分析，聚类分析结果如图3所示。由图3可知，42个样地的黄花菜被分为三类，各类各性状均值如图4所示，施肥结果如图5所示。

图 3 聚类分析图

从图4可以看出，Ⅰ类黄花菜性状指标和品质指标的协调性均最好，其黄花菜植株秋水仙碱含量最低，ASA和类黄酮含量最高，适用于鲜食。Ⅱ类黄花菜株幅、主花薹长、主花薹粗、蕾数明显高于其他两类，其ASA含量和类黄酮含量明显低于其他两类，这一结果与通径分析结果一致，Ⅱ类黄花菜植株秋水仙碱含量、类黄酮和ASA含量均较低，可溶性糖、总酚含量较高适用于鲜食。Ⅲ类黄花菜的叶数明显多于其他两类，蕾数明显低于其他两类，其产量和秋水仙碱含量明显高于其余两类，这一结果与通径分析结果一致，Ⅲ类黄花菜秋水仙碱含量和产量最高，ASA、总酚、类黄酮和可溶性糖含量均较高，适用于有效成分的提取。从图5可以看出，Ⅰ类黄花菜的氮肥最低，磷肥和钾肥较高；Ⅱ类黄花菜的氮肥和磷肥最高，钾肥最低；Ⅲ类黄花菜的磷肥最低，钾肥最高，氮肥较高。这一结果表明，适当少施氮钾肥、多施磷肥的黄花菜适用于鲜食，反之多施氮钾肥、少施磷肥则适用于有效成分的提取。

图 4 聚类分析显示Ⅰ、Ⅱ和Ⅲ类的性状、品质指标和产量的均值

图 5 聚类分析显示Ⅰ、Ⅱ和Ⅲ类的施肥量的均值

2.4 预测模型研究

表 2 基于黄花菜农艺性状来预测产量和品质成分的定量回归模型的决定系数

为了实现黄花菜产量和成分的快速无损检测，以黄花菜蕾重、蕾数等8个性状指标为自变量，以产量、秋水仙碱含量等6个指标为因变量，建立定量预测模型。根据Normalize、MSC、SNV三种预处理方法和PLS、MLR、BP神经网络三种预测模型对预测结果的影响，以期获得最佳预测模型，各模型的决定系数如表2所示。由表2可知，产量、秋水仙碱含量、ASA和可溶性糖的最佳预测模型为BP神经网络预测模型，其中，产量和可溶性糖以原始数据的效果最佳，秋水仙碱含量和ASA以Normalize的效果最佳；四个模型的决定系数在0.721-0.973之间，表明预测模型精准可靠。类黄酮含量和总酚含量的最佳预测模型为MLR模型，且均以原始数据的效果最佳；两个模型的决定系数在0.79-0.892之间，模型精准可靠。综上所述，使用BP神经网络模型和MLR预测模型可以实现黄花菜产量和成分的快速无损检测。

3 结论和讨论

对黄花菜的农艺性状与产量和成分之间的相关性分析和通径分析结果表明，株幅大、主花薹长、叶数多的黄花菜产量和可溶性糖含量较高，株幅小、主花薹长、叶数多、蕾数少的黄花菜秋水仙碱含量和总酚含量较高，株幅小、主花薹短、主花薹细的黄花菜ASA和类黄酮的含量较高。王芳等[8]对棉花产量和农艺性状进行通径分析的研究发现单株产量和株高显著正相关，李广信[9]、孟彦[10]等的研究也发现株幅越大、叶数越多的植株拥有越高的产量。此外，梁梅等[11]发现植物果实的可溶性糖含量与株高显著正相关。这些产量与可溶性糖含量的研究结果，均与本研究一致。郭本森等[12]对嘉兰的研究表明，促进嘉兰茎、叶生长能够提高最终的秋水仙碱含量。在ASA、类黄酮含量等方面，王淑珍等[13]也发现，株高较矮的草莓植株拥有较高的ASA和类黄酮含量。这些结果和本研究结果一致。42个样地的聚类结果显示，Ⅰ类黄花菜株幅大、主花薹长、叶数较多，其产量和可溶性糖含量最高、秋水仙碱含量最低适用于鲜食；Ⅱ类黄花菜，株幅最小、主花薹最短、主花薹最细，其AsA和类黄酮含量最高、秋水仙碱较低适用于鲜食及AsA、类黄酮含量分的提取；Ⅲ类黄花菜，株幅较小、主花薹较长、叶数最多、蕾数最少，其秋水仙碱含量和总酚含量最高，适用于秋水仙碱、总酚的提取。三类黄花菜的农艺性状与经济指标之间的关系与通径分析结果一致，且Ⅰ类、Ⅱ类适用于鲜食，Ⅱ类、Ⅲ类适用于有效成分的提取。三类黄花菜的施肥结果显示，适当少施氮钾肥、多施磷肥的黄花菜适用于鲜食，反之多施氮钾肥、少施磷肥则适用于有效成分的提取。付开聪等[14]研究发现缺磷的嘉兰植株比缺氮、钾肥的秋水仙碱含量更高，与本研究的施肥结果一致。

利用通径分析可对植物性状进行有效鉴定评价。王贇文等[15]对9个苏丹草品种的农艺性状与营养成分通径分析，结果表明，出苗后主茎节数少、单株分蘖多的苏丹草植株养价值较高，可作为苏丹草品种筛选的参考指标。邹学校等[16]对辣椒的8个农艺性状和营养含量进行通径分析，结果表明开展度小、结果的植株辣椒素含量高，分支小、果小、结果多的植株干物质含量高。本研究对黄花菜的蕾重、蕾数等8个指标进行通径分析，结果发现株幅大、主花薹长、叶数多的黄花菜产量和可溶性糖含量较高，株幅小、主花薹长、叶数多、蕾数少的黄花菜秋水仙碱含量和总酚含量较高，株幅小、主花薹短、主花薹细的黄花菜ASA和类黄酮的含量较高。研究结果有助于确定黄花菜性状指标与品质指标的关系，并为各品质指标预测模型的构建提供基础。

构建基于黄花菜的性状指标的黄花菜的产量表4和品质的快速无损检测模型结果表明，黄花菜的产量、秋水仙碱含量、ASA、可溶性糖、类黄酮含量和总酚含量的最佳模型分别为Raw—BP、Normalize—BP、Normalize—BP、Raw—MLR和Raw—MLR，六个模型的决定系数在0.721-0.973之间，表明模型精准可靠。多元线性回归模型和BP神经网络预测模型，均能对作物的产量和营养成分进行精确预测[17-19]。本研究对不同预处理后的MLR预测模型和BP神经网络预测模型进行对比，筛选出最佳的黄花菜产量和成分预测模型。根据本研究的六个模型，可以分别实现黄花菜的产量、秋水仙碱含量、ASA、可溶性糖、类黄酮含量和总酚含量的快速无损检测，表明可基于黄花菜的性状参数实现产量和品质指标的无损快速检测，进而对黄花菜进行分类，满足不同的消费需求。

[1] 傅茂润,茅林春.黄花菜的保健功效及化学成分研究进展[J].食品与发酵工业,2006(10):108-112

[2] 南文庆,王勤学,方彩霞.黄花菜的药用价值[J].西部中医药,2021,34(8):159-161

[3] 陈晓燕,王祥娜,雷步怀,等.急性重度秋水仙碱中毒6例的急救与护理[J].中国乡村医药,2020,27(21):39-40

[4] 金术超,张淼怡,王薇.秋水仙素的作用机制[J].生物学通报,2016,51(10):7-10

[5] 高嘉宁,张丹,吴毅,等.氮、磷、钾配施对黄花菜产量及2种蒽醌类活性成分含量的影响[J].天然产物研究与开发,2019,31(9):1624-1631

[6] 刘秀斌,汤敏娜,黄嘉璐,等.基于生源合成途径代谢产物质证黄花菜中含秋水仙碱[J].湖南农业大学学报(自然科学版),2017,43(5):485-489

[7] 刘伟,孙江浩,张菊华,等.基于UHPLC-LTQ-Orbitrap高分辨质谱的黄花菜中化学成分快速鉴定及裂解途径分析[J]. 中国食品学报,2020,20(9):256-264

[8] 王芳,马军,郭玉平,等.棉花产量性状的相关及通径分析[J].山东农业科学,2012,44(1):21-24

[9] 李广信,王慧杰,左敏,等.不同施肥方式对菊花生长发育和品质的影响[J].农业科技通讯,2020(7):117-119

[10] 孟彦,陈辉,汤其宁.夏玉米叶片数与产量的相关性初步研究[J].农业科技通讯,2013(11):63-65

[11] 梁梅,周蓉,邹滔,等.番茄农艺性状与果实主要营养成分相关性分析[J].西北农业学报,2013,22(5):91-100

[12] 郭本森,刘胜桂.嘉兰光合特性和秋水仙碱含量变化的研究[J].植物学通报,1995(S1):46-49

[13] 王淑珍,张亚惠,裘劼人,等.不同倍性草莓品种性状比较[J].浙江农业学报,2019,31(6):893-899

[14] 付开聪,许明,杨礼攀.氮,磷,钾对嘉兰植株生长和秋水仙碱含量的影响[J].中国中药杂志,2000,25(3):144-145

[15] 王贇文,曹致中,韩建国,等.苏丹草营养成分与农艺性状通径分析[J].草地学报,2005,13(3):203-208

[16] 邹学校,刘建华,杨玉珍,等. 辣椒品种资源抗病性和营养含量与农艺性状相关和通径分析[J].北方园艺,1991(Z2):5-8

[17] 李晓丽,张东毅,董雨伦,等.基于卷积神经网络的茶鲜叶主要内含物的光谱快速检测方法[J].中国农业大学学报,2021,26(11):113-122

[18] 黄林军,刘让同.BP神经网络在羊毛品质预测中的应用研究[J].北京纺织,2003(5):56-60

[19] 刘雪峰.柑橘植株冠层营养及花量、产量的近地遥感估测研究[D].重庆:西南大学,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

丽水市科技计划项目:黄花菜秋水仙碱定向调控技术研究(2021GYX08);国家自然科学基金面上项目(32171889)

缪叶旻子(1985-),女,本科,农艺师,主要从事农作物栽培技术研究. E-mail:200695666@ qq.com

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