|
| 基于优化Stacking模型的小麦籽粒Zn元素的预测 |
| Prediction of Zn Element in Wheat Grain Based on Optimized Stacking Model |
| 投稿时间：2026-03-11 修订日期：2026-05-25 |
| DOI： |
| 中文关键词: 小麦籽粒锌 理化特征 集成模型 调控靶点 |
| 英文关键词: wheat grain Zn physicochemical properties Stacking model regulatory targets |
| 基金项目:北京市土地质量生态地球化学监测网运行 （11000022T00-0000439575） |
|
| 摘要点击次数: 31 |
| 全文下载次数: 0 |
| 中文摘要: |
| 锌（Zn）对小麦品质和人体健康具有重要意义，小麦作物中Zn缺乏问题突出。以2018～2025年北京市基本农田小麦和根系土为研究对象，探究根系土理化特征对小麦籽粒Zn含量的驱动机制，利用皮尔逊相关性分析、多重共线性识别、树模型嵌入递归特征消除算法和置换特征重要性检验等方法，在根系土理化因子中提取了12个特征变量，在10个机器学习模型中筛选出类别提升（CatBoost）、轻量级梯度提升机（LGBM）、随机森林（RF）、极端梯度提升（XGBoost）和岭回归（Ridge）组成Stacking集成模型预测小麦籽粒Zn。基于模型全局影响、SHAP值依赖分析、方差效应分析、特征交互强度、二维累积效应分析（2D?ALE）和单样本预测值分解等方法解析了模型特征贡献度、驱动机制、特征影响阈值和协同调控路径。结果显示：Stacking模型表现出良好的预测精度和泛化性能，训练集R2达到0.9851，测试集R2达到0.8537；特征重要性排名为：Cd＞Tl＞Na2O＞有效Mn＞pH＞P＞SOC＞Clay＞有效Zn＞有效Fe＞Zn＞CEC，其中，Cd、Na2O、有效Mn、黏土矿物随含量增加对籽粒Zn预测值显著表现为先抑制后促进，pH、Tl、P、SOC随含量（数值）增加则表现为先促进后抑制；特征变量对预测值的影响表现为显著交互效应。小麦籽粒锌强化的关键调控路径为，提升土壤黏粒及有机质水平，可协同实现土壤Zn的固持与活化，有效缓解高pH环境对Zn有效性的抑制；调控土壤有效Mn含量以强化Zn—Mn正向协同作用；在Fe、Zn供给充足条件下实施磷肥精准管理；严控Cd、Tl等重金属含量阈值，弱化其生物拮抗抑制效应。研究为小麦籽粒锌生物强化明确了关键理化指标的调控靶点，同时也为丰富乡村振兴战略实施路径、推动测土配方施肥精准改良土壤、提升作物品质提供借鉴参考。 |
| 英文摘要: |
| 1、目前利用ML算法预测作物中元素多集中在As、Cd和Pb等有害重金属方面，对作物中Zn等有益元素含量的预测和驱动因素研究还较少。
2、在10个机器学习模型中筛选出类别提升（CatBoost）、轻量级梯度提升机（LGBM）、随机森林（RF）、极端梯度提升（XGBoost）和岭回归（Ridge）组成Stacking集成模型预测小麦籽粒Zn。
3、基于模型全局影响、SHAP值依赖分析、方差效应分析、特征交互强度、二维累积效应分析（2D?ALE）和单样本预测值分解等方法解析了模型特征贡献度、驱动机制、特征影响阈值和协同调控路径。 |
| HTML
View Fulltext
查看/发表评论 下载PDF阅读器 |
