基于Taguchi-机器学习集成框架解码棉种电致敏响应以优化种子性能

《Computers and Electronics in Agriculture》：Decoding Electro-Priming responses in cotton using an integrated taguchi-machine learning framework for optimizing seed performance

　　

• •
  电激预处理被构建为一种使用EI和ET的可控种子处理系统。
• •
  田口设计确定电强度为控制处理响应的关键主导因素。
• •
  机器学习模型预测了发芽、幼苗活力和生化性状。
• •
  随机森林和ExtraTrees表现出最可靠的预测性能。
• •
  特征重要性确认电强度是电激预处理优化的关键驱动因素。

引言

棉花（Gossypium hirsutum L.）是最主要的纤维作物，其用途广泛，从工业到家庭应用无所不包（Jabran等，2019）。然而，由于气候变化和传统农学实践的影响，其生产力持续下降，尤其是在欠发达国家（?zkat等，2025）。这些挑战通常导致发芽率低且不稳定，限制了作物建立和产量。水分短缺、吸水过程中的氧化应激以及细胞激活不可能是导致发芽延迟和不均匀的原因。Shah等（2021）。解决这些限制因素需要创新的、可控的、数据驱动的种子处理策略，以增强植物早期生长性能。近年来，种子预处理技术已被广泛采用，通过调节胚根突出之前的生理和生化过程来缓解发芽问题（Nile等，2022）。除了对与发芽相关的性状的影响外，它还具有重要的生物学和生态学影响，如精确水分补给和再水分补给（Zhang等，2025；Zhang等，2024）。水预处理是最常见且被广泛采用的预处理技术，用于预处理的种子中均匀吸水和代谢重新激活（Phat等，2017）。然而，传统预处理技术缺乏对物理化学参数的精确控制，在调节氧化还原稳态和膜相关信号传导过程方面存在局限性。因此，集成预处理技术更受青睐，以在增强和快速发芽的同时获得最大效益，从而缓解胁迫并实现均匀发芽和幼苗建立（Aasim等，2024）。

电激预处理（EP）是一种新兴的物理预处理策略，涉及使用低强度电场处理种子，影响膜通透性、离子转运、酶活性和氧化还原信号传导（Ali等，2024；Leong等，2016）。从工程角度来看，EP代表了一个可控的电学生物界面，其中电强度和暴露时间作为可调系统输入。已记录了不同产生电场的方法，水合EP是一种协同方法，将水合和电刺激作为吸水介质和电信号的导电途径相结合（Cecchetti等，2022）。此类系统具有整合到智能农业框架内自动化或传感器控制种子处理平台中的潜力。然而，EP的效率高度依赖于关键输入参数的优化，特别是电压强度和处理持续时间。优化这些参数需要稳健的实验设计和数据驱动的建模方法。实验设计（DOE）（Katirci等，2021），包括田口设计（TD）（Vakili，2023）和响应面法（RSM），提供了系统工具，用于识别重要因素和优化处理条件。TD方法通过信噪比（S/N）和输入因素的主效应及S/N比排名，能够高效筛选影响因素（Kisacik和Aasim，2025；Kodandappa等，2024），使其能够与ANOVA和基于ML的特征重要性模式进行比较。

为了进一步增强预测能力并捕捉复杂的非线性关系，机器学习（ML）技术已成为农业数据分析的有力工具。ML模型能够在不假设预定义数学形式的情况下学习非线性模式，并捕捉多重及高阶交互作用（Romelin和Zahedi，2024）。ML模型能够处理大量输入变量和响应，具有更优的预测精度并提高泛化能力（Martinovi?等，2025；Tosan等，2025）。基于DOE的技术在实验规划、筛选和可解释性方面具有价值，而ML模型则在预测、非线性建模和处理复杂性方面表现优异（Rodriguez-Granrose等，2021）。DOE-ML的集成创造了一个混合框架，连接实验设计与计算智能，实现机制理解和预测优化。近年来，ML与基于DOE的统计模型的联合应用用于更好地预测和优化（Godara等，2024；Rodriguez-Granrose等，2021）。ANOVA、田口和ML在EP优化中的集成解决了问题的各个方面，利用多个模型而非单一方法来促进更全面的理解。ANOVA提供处理效应的统计证据，田口设计评估可控因素的稳健性并确定最优条件，而ML模型揭示复杂的非线性关系，通过特征重要性分析提高预测精度和可解释性。整合这些互补方法能够在单一框架内实现统计验证、稳健实验优化和预测建模，为精准农业中的EP优化提供更有效的优化策略和决策支持框架。因此，本研究旨在通过检验多个假设，开发一个集成的EP优化框架，涵盖种子萌发动力学、形态发育（生长模式）和生理反应（生物标志物）。此外，本研究还旨在建立一个数据驱动的建模流程，预测处理结果并识别最佳EP条件，从而为农业中智能、AI辅助种子处理系统的开发做出贡献。

章节摘要

植物材料和培养基

使用棉花品种ST-468作为植物材料。为确保准确性和消除遗传变异，仅选择优质、物理健康的种子进行实验。种子使用0.1%氯化汞（HgCl₂）消毒10分钟以避免微生物污染，随后用灭菌去离子水冲洗三次，每次 5–10 分钟，以确保完全去除任何污染物和化学残留物（?zkat等，2025）。培养基由Murashige和Skoog组成

EP的ANOVA分析

表1列出了EI对发芽指标、形态性状和生化标志物的单因素ANOVA分析结果。结果表明，EI对发芽（Ali等，2024）指标如MGT和UNG有显著影响。MGT范围为4.75至7.361，并随EI的增加呈下降趋势，表明EI与发芽时间之间存在可测量的关系。结果进一步表明EI对所有形态参数无显著影响。此

结论

本研究开发了一个集成的实验与机器学习计算框架，以评估和优化棉花发芽、幼苗活力和生化标志物的EP参数。结果表明，在实验条件下，EP主要调节而非对大多数发芽和幼苗生理性状产生统计显著变化，表明抗氧化相关反应增强，同时维持相当水平的早期幼苗

CRediT作者贡献声明

Muhammad Aasim： 撰写 – 初稿、可视化、监督、软件、资源、项目管理、方法学、概念化。Ramazan Kat?rc?： 撰写 – 初稿、可视化、验证、软件、方法学。Salma Naimatullah Soomro： 撰写 – 审阅与编辑、软件、方法学、调查、形式分析、数据整理。Sabeen Rehman Soomro： 撰写 – 审阅与编辑、可视化、方法学、调查、形式分析、数据整理。Ahmet Say：

利益冲突声明

作者声明，他们没有任何已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

Muhammad Aasim|Ramazan Kat?rc?|Salma Naimatullah Soomro|Sabeen Rehman Soomro|Ahmet Say|Seyid Amjad Ali