利用机器学习技术研究摩洛哥角豆（Ceratonia siliqua，豆科植物）不同生态型种子在水分和盐分胁迫下的萌发情况，以促进其可持续栽培

《Journal of Crop Health》：Exploring Water and Salt Stress Impact on the Germination of Carob (Ceratonia siliqua, Fabaceae) Germplasm Ecotypes from Morocco, Using Machine Learning for Sustainable Cultivation

无花果干旱盐胁迫响应及机器学习预测模型研究，基于六种摩洛哥生态型的形态生理生化分析，十九种算法验证发现Extra Trees回归器预测效果最优（R2>0.99），为干旱区造林和气候变化应对提供理论支持。

　　

摘要

非生物胁迫，尤其是干旱和盐碱化，会影响植物的萌发和生长，在干旱或半干旱地区带来严重问题。本研究聚焦于来自摩洛哥六个生态型的Ceratonia siliqua（豆科植物）的萌发情况，以及其对PEG诱导的水分胁迫和NaCl诱导的盐胁迫的形态、生理和生化响应。结果表明，水分和盐胁迫显著抑制了所有测试种子的幼苗生长，并且不同生态型之间存在显著差异。为此，本研究使用了19种机器学习算法来预测在水分和盐胁迫条件下的萌发率。实验结果显示，Extra Trees回归模型取得了最佳效果，在两种胁迫条件下的R²值均大于0.99。这些先进且关键的机器学习工具的应用构建了一个高度可预测的模型，可应用于其他类似的实验。当前的研究结果可用于筛选适合用于造林计划的Ceratonia siliqua生态型，尤其是在干旱和半干旱地区，从而减轻气候变化的影响。

非生物胁迫，特别是干旱和盐碱化，会影响植物的萌发和生长，在干旱或半干旱地区带来严重问题。本研究聚焦于来自摩洛哥六个生态型的Ceratonia siliqua（豆科植物）的萌发情况，以及其对PEG诱导的水分胁迫和NaCl诱导的盐胁迫的形态、生理和生化响应。结果表明，水分和盐胁迫显著抑制了所有测试种子的幼苗生长，并且不同生态型之间存在显著差异。为此，本研究使用了19种机器学习算法来预测在水分和盐胁迫条件下的萌发率。实验结果显示，Extra Trees回归模型取得了最佳效果，在两种胁迫条件下的R²值均大于0.99。这些先进且关键的机器学习工具的应用构建了一个高度可预测的模型，可应用于其他类似的实验。当前的研究结果可用于筛选适合用于造林计划的Ceratonia siliqua生态型，尤其是在干旱和半干旱地区，从而减轻气候变化的影响。