春兰传统萼片类型的定量形态测量学分析揭示形态重叠

《Frontiers in Plant Science》：Quantitative morphometric analysis reveals morphological overlap among traditional sepal types in Cymbidium goeringii

　　

摘要 引言：传统的春兰（Cymbidium goeringii）萼片分类依赖于专家经验描述，但这些类别之间的定量基础及形态重叠程度仍不清楚。本研究探讨了传统萼片类别的平面形态测量分化。 方法：研究人员采用标准化扫描方案，从46个传统品种中收集了共计1,380个花器官观测数据。利用线性判别分析（LDA）分析形态测量描述符，并结合合成少数过采样技术（SMOTE）平衡与分层交叉验证，探索各类别间的形态分离情况。 结果：水仙瓣与梅瓣表现出显著的形态重叠，而竹叶瓣与荷瓣则显示出相对较大的形态分离度。萼片尖端角度和萼片长度对观察到的分离贡献最大。器官特异性的误分类模式也凸显了二维表征在捕捉三维花部特征（如蚕蛾捧）方面的局限性。 讨论：研究结果表明，传统萼片类别并不总是对应着清晰的平面形态测量边界。定量形态测量学为表征与传统花卉分类相关的形态变异提供了一种探索性方法，但研究结果并未建立经过验证的品种鉴定方法。需要在更广泛的种质资源中进行独立的品种层面及外部验证，以评估其普适性和实际应用价值。

研究背景与科学问题

春兰（Cymbidium goeringii）不仅是观赏植物，更是塑造中国千年审美文化的活态遗产。其鉴赏核心在于“瓣形”分类系统，将品种划分为荷瓣（he-ban）、梅瓣（mei-ban）、水仙瓣（shui-xian-ban）和竹叶瓣（zhu-ye-ban）四个经典类别。这一传统体系根植于历史栽培技艺，至今仍是园艺知识与品种鉴评的关键组成部分。然而，这些类群的传统形态边界在多大程度上对应于可数值化辨别的花部形状模式尚不明确，因为这些分类主要依赖专家的视觉判断。尽管分子标记如简单重复序列（SSR）和单核苷酸多态性（SNP）已被广泛应用于品种鉴定和遗传多样性分析，但用于识别和评价传统兰花品种的表型性状难以通过遗传身份直接量化。因此，形态描述符提供了额外的信息层级，尤其对于更依赖可见花部结构而非遗传身份的常规分类而言。二维形态测量学（2D morphometrics）为连接定量形状分析与传统形态术语提供了一个有效的中间框架，其成本低廉且描述符可解释。本研究的生物学新颖性在于将定量形状分析应用于春兰中一个文化上确立但定量上未解的花卉分类系统，重点确定传统上公认的萼片类型是否代表不同的形态组，还是在花部形状空间中部分重叠的区域。

研究方法与技术路线

研究人员从绍兴市农业科学研究院和漓渚镇银兰泉花木场的种质资源圃中选取了46个传统品种，涵盖四种典型萼片形状类别。所有植株在半遮荫温室中统一管理。盛花期采集完全开放且无损伤的花朵，分离两侧花瓣和三枚外轮花被片（两枚侧萼片和一枚中萼片），共获得1,380个花器官观测数据。采用基于MATLAB的自定义图像处理流程提取外部轮廓，计算扫描长度、宽度、长宽比、宽度位置比、尖端角度、轮廓拟合优度（R2）和边界点计数等形态变量。统计分析在R软件中进行，采用线性判别分析（LDA）作为可解释的分类框架，结合合成少数过采样技术（SMOTE，K=3）进行类别平衡，并通过分层五折交叉验证和独立测试集评估模型性能。通过方差膨胀因子（VIF）诊断多重共线性，并设计四模型AB比较以评估描述符的稳健性。

研究结果

3.1 四种萼片形状类别的描述性形态测量学

所有主要形态性状在不同类别间均观察到描述性差异。竹叶瓣的平均萼片长度最长（3.445±0.616 cm）且长宽比最高（LWR=3.473±0.879）。荷瓣宽度最大（1.261±0.261 cm）且长宽比最低（1.877±0.237）。尖端角度从荷瓣（81.94°±10.65°）到梅瓣（70.54°±11.03°）、水仙瓣（62.86°±12.07°）和竹叶瓣（50.08°±10.86°）呈单调递减趋势，这一定量梯度验证了传统上“头圆”（高角度）与“尖长”（低角度）的区分。

3.2 多重共线性诊断

基线模型（M1）的方差膨胀因子（VIF）分析显示，扫描长度（VIF=70.63）和样本量（VIF=69.97）之间存在严重的多重共线性，两者均远超常规阈值5.0。其余预测变量的VIF值在可接受范围内。

3.3 分类性能：AB检验

四模型比较揭示了预测性能与统计稳健性之间的权衡。基线模型（M1）获得了最高的五折交叉验证卡帕系数（Kappa=0.4502±0.0760）和测试集平衡准确率（0.7098），但其严重多重共线性导致系数估计不稳定。排除样本量的模型2性能略有下降。用点密度替代样本量的模型3表现出与M1相当的性能，且多重共线性问题显著改善，因此被保留为推荐描述符配置。纳入锥度代理变量的模型4未能提升整体性能且出现严重多重共线性。

3.4 类别特异性性能与错误模式

基线模型在独立测试集上的混淆矩阵揭示了不对称的误分类模式。竹叶瓣识别最准确（72.58%正确），其次为梅瓣（60.67%）和荷瓣（54.24%）。水仙瓣表现最差（仅39.06%正确），其中35.94%被误判为梅瓣，18.75%被误判为竹叶瓣。这表明水仙瓣在测量的二维形态空间内与邻近类别存在实质性重叠。

3.5 器官特异性分类可靠性

事后分析显示，中萼片的错误率最低（35.5%），而侧花瓣的错误率最高（分别为51.7%和43.9%），符合“中宫定瓣形”的经典论断。更重要的是，水仙瓣的误分类方向具有器官特异性：侧萼片主要倾向于被归入竹叶瓣，而花瓣主要被误判为梅瓣。

3.6 特征重要性与生物学解释

前两个线性判别函数（LD1和LD2）共同解释了89.4%的组间方差。标准化的结构系数表明，尖端角度主导了LD1（结构系数=0.821，贡献40.1%），其次是扫描长度（-0.720，贡献30.8%），表明LD1主要分离尖头细长萼片与钝头紧凑萼片。在LD2上，宽度位置比（0.524，贡献24.2%）和轮廓R2（-0.664，贡献38.8%）是主要贡献者，区分了最大宽度位于远端且轮廓不规则的花卉与最大宽度位于基部且轮廓平滑椭圆形的花卉。

讨论与结论

研究表明，二维形态测量表征能够捕捉并量化春兰花部形状变异中一些较为独特的区域，但对传统类别的分类性能并不均匀。竹叶瓣因其高度拉长且狭窄渐尖的形态而最易区分，而荷瓣虽灵敏度较低但精度较高。研究的主要发现是水仙瓣的分类表现持续最差，表明仅凭二维描述符无法可靠地区分其形态特征与邻近萼片类型。水仙瓣在形态空间中占据中间位置，主要沿第二判别轴与梅瓣重叠，沿第一判别轴与竹叶瓣重叠，这与几何形态测量学的核心假设一致——生物形态通常沿连续形状梯度分布而非离散类别。二维成像框架对三维花部结构的表征不足可能是水仙瓣判别力降低的部分原因，诸如“蚕蛾捧”这类需要曲率和空间姿态的特征很可能无法在当前二维轮廓中得到呈现。器官特异性误分类模式进一步支持了这一结论。在方法学上，点密度描述符在减少多重共线性的同时保持了相当的分类性能，表明局部轮廓复杂性是萼片形态的一个信息性特征。

研究结论：本研究提出了一个可重复的二维形态测量框架，用于定量描述春兰的传统萼片形状分类。结果显示，某些平面形态测量描述符与现有的专家指定类别相关联，并能提供跨多个传统形态型的可量化鉴别力。然而，类别间的显著重叠，尤其是梅瓣与水仙瓣之间，表明仅靠当前的二维测量不足以充分捕捉传统花卉分类的复杂性。研究结果应被视为与现有传统标签相关的形态学探索性定量评估，而非经过验证的品种鉴定系统。未来的研究应评估三维花部结构、颜色、纹理和脉序等其他表型性状，并采用适当的层次统计方法和独立的品种水平验证。总体而言，所提出的工作流程为传统形态评价提供了定量补充，并为未来整合多模态表型分析、三维成像及分子或基因组数据以实现标准化的春兰种质资源表征奠定了基础。