基于Group-Lasso天麻品質(zhì)形成關(guān)鍵因子的分析

王紅潔，王 科，余水祥，馬云桐

基于Group-Lasso天麻品質(zhì)形成關(guān)鍵因子的分析

王紅潔1，王 科2，余水祥2，馬云桐3*

1. 桂林理工大學(xué)理學(xué)院，廣西 桂林 541000 2. 成都工業(yè)學(xué)院大數(shù)據(jù)與人工智能學(xué)院，四川 成都 611730 3. 成都中醫(yī)藥大學(xué)藥學(xué)院，四川 成都 610075

為提高人工種植天麻的質(zhì)量，基于Group-Lasso變量篩選構(gòu)建隨機(jī)森林回歸模型分析影響天麻品質(zhì)形成的關(guān)鍵因子?；贕roup-Lasso法，對(duì)2007—2022年天麻質(zhì)量研究文獻(xiàn)中天麻素含量及產(chǎn)地環(huán)境變量等數(shù)據(jù)進(jìn)行變量篩選，并在篩選出的變量基礎(chǔ)上建立隨機(jī)森林回歸模型及計(jì)算變量重要性得分。最終選擇了產(chǎn)區(qū)、生長狀況、種質(zhì)類型、產(chǎn)地氣候類型、產(chǎn)地土壤類型、最熱月均溫、產(chǎn)地年降水量、產(chǎn)地年日照時(shí)數(shù)和無霜期9個(gè)變量，基于被選變量與天麻素含量建立隨機(jī)森林回歸模型，模型的均方誤差（mean square error，MSE）和平均絕對(duì)百分誤差（mean absolute percentage error，MAPE）分別為0.103 2和14.08%，特征重要性排序顯示天麻素含量的最大影響因素是產(chǎn)地年降水量，其次是產(chǎn)地土壤類型、無霜期和產(chǎn)地年日照時(shí)數(shù)。隨機(jī)森林回歸模型有相對(duì)較低的誤差和較高的預(yù)估精度，更適合用于對(duì)天麻種植環(huán)境的分析和天麻素含量的估算，為人工種植天麻提供參考。

天麻；天麻素；Group-Lasso；變量篩選；隨機(jī)森林回歸；變量重要性評(píng)分

天麻Bl. 屬于蘭科非自養(yǎng)型的植物，沒有根和綠葉，種子結(jié)構(gòu)簡單，沒有胚乳及其他營養(yǎng)貯備，僅由胚及種皮構(gòu)成，其在種子萌發(fā)后主要通過分解侵入其體內(nèi)的蜜環(huán)菌菌絲獲得營養(yǎng)以進(jìn)行生長發(fā)育[1]。天麻主要生產(chǎn)于我國的部分省區(qū)，國外的研究報(bào)道甚少。研究發(fā)現(xiàn)天麻具有健腦、抗腫瘤及增強(qiáng)免疫力等作用[2]，其入藥已有悠久的歷史，在現(xiàn)代臨床上可以有效對(duì)抗頭痛、眩暈、肢體麻木、冠心病和高血壓等病癥[3-4]。天麻具有重要價(jià)值，而早期只有野生天麻，但經(jīng)過長期研究后，成功實(shí)現(xiàn)了天麻的人工種植。隨著技術(shù)的深入，天麻的栽培方式也逐漸進(jìn)步，其產(chǎn)量和質(zhì)量得到提高。由于天麻的藥用價(jià)值，市場對(duì)天麻的需求量與日倶增、質(zhì)量要求更高[5]，但影響天麻品質(zhì)的原因不止是栽培和加工方式，其生長的環(huán)境也有重要影響，天麻的生長過程主要有避光、向氣、向濕3個(gè)的特性，適合在偏酸性的生態(tài)環(huán)境中生長[6]。天麻中活性成分最高的成分是天麻素，天麻素含量的高低是衡量天麻質(zhì)量優(yōu)劣的首要指標(biāo)，被《中國藥典》2020年版定為天麻的質(zhì)量標(biāo)準(zhǔn)控制成分[7-8]。探討天麻素含量與環(huán)境因子、土壤類型、產(chǎn)區(qū)和生長狀況之間的關(guān)系，能夠減少因人為培育不當(dāng)而導(dǎo)致天麻數(shù)量和質(zhì)量下降的問題，對(duì)促進(jìn)該產(chǎn)業(yè)的健康發(fā)展具有現(xiàn)實(shí)意義。

機(jī)器學(xué)習(xí)在特征選擇和對(duì)模型的擬合上有著比淺層模型突出的優(yōu)點(diǎn)?；貧w是用于分析變量間關(guān)系的一種技術(shù)[9]。多元線性回歸是自變量有2個(gè)及以上的回歸分析，若自變量間存在多重共線性，那么普通線性回歸將失效[10]。共線性是指2個(gè)或多個(gè)自變量之間出現(xiàn)了相關(guān)關(guān)系，其會(huì)對(duì)回歸分析造成很大的影響[11]。Lasso算法在變量選擇、解決多重共線性問題上具有重要作用，它通過在回歸優(yōu)化函數(shù)中增加1個(gè)偏置項(xiàng)，用絕對(duì)值偏差作為正則化項(xiàng)，以減少共線性的影響，從而減少模型誤差[12]。但實(shí)際中常常出現(xiàn)分類型變量的情況，Lasso方法只能選擇單個(gè)啞變量，所以Lasso方法對(duì)于存在分類變量的情形通常不能得到滿意的結(jié)果。而對(duì)于含有多個(gè)分類變量的啞變量，Group-Lasso方法[13]很好地解決了這個(gè)問題。另外，隨機(jī)森林是多棵決策樹集成在一起的算法，多棵決策樹共同預(yù)測能夠提高模型的準(zhǔn)確度[14]。隨機(jī)森林回歸可以有效避免模型過擬合，提高模型精確度。

本研究從改善天麻的人工種植環(huán)境入手，通過Group-Lasso算法篩選變量，并建立天麻素含量與被選變量間的隨機(jī)森林回歸模型，開展天麻種植環(huán)境的系統(tǒng)研究，實(shí)現(xiàn)對(duì)天麻品質(zhì)形成關(guān)鍵因子的分析，為天麻藥材種植環(huán)境的選擇提供參考，同時(shí)為人工種植天麻奠定理論基礎(chǔ)。

1 模型與方法

1.1 Group-Lasso方法

Lasso回歸模型屬于線性回歸模型的一種，其在模型擬合過程中增加了回歸系數(shù)的絕對(duì)值之和，以殘差平方和及回歸系數(shù)的絕對(duì)值之和達(dá)到最小為目標(biāo)來求解，這樣可以讓一些系數(shù)被壓縮為0，達(dá)到子集收縮的效果。Lasso估計(jì)定義[15]如下。

＝(1,2,…,y)為因變量，＝((1),(2),…,(d))為自變量，回歸系數(shù)為＝(1,2,…,β)，為調(diào)節(jié)參數(shù)

在線性回歸模型中，當(dāng)自變量除連續(xù)變量還含有分類變量時(shí)，Lasso法通常不再適用。Lasso方法只能選擇單個(gè)的啞變量，不能將分類變量整個(gè)選擇，Group-Lasso能在Lasso法的基礎(chǔ)上解決這個(gè)問題。其估計(jì)定義[16]如下。

I指第組變量的下標(biāo)集，β指第組變量的系數(shù)向量

Group-Lasso方法的懲罰項(xiàng)能夠看成是L1懲罰和L2懲罰的中間狀態(tài)[17]，Group-Lasso方法是在組的水平上選擇變量，也就是成組地選擇變量。例如，有個(gè)水平的分類變量，在建模過程中，該分類變量被轉(zhuǎn)化為－1個(gè)0-1變量，并被看作是1個(gè)組。Group-Lasso可以對(duì)－1個(gè)啞變量同時(shí)進(jìn)行選擇，但Lasso法只能篩選出這－1個(gè)啞變量中的一部分，沒有實(shí)際意義。

1.2 隨機(jī)森林回歸

隨機(jī)森林是在bagging[18]和決策樹二者之上進(jìn)行了提升。單棵決策樹在回歸預(yù)測時(shí)會(huì)有一定的精度，通過增加樹的數(shù)量來提高預(yù)測精度，整個(gè)森林中的每棵樹均會(huì)參與決策，這就是隨機(jī)森林的基本思想。隨機(jī)森林算法提供了檢驗(yàn)特征交互的方法，且具有較強(qiáng)的泛化能力[19]。最優(yōu)的是，由于各個(gè)決策樹是獨(dú)立的，所以可以并行處理對(duì)隨機(jī)森林的訓(xùn)練，進(jìn)一步提高成模型的效率，有效抑制過擬合發(fā)生。

隨機(jī)森林回歸算法步驟[20]：（1）用bootstrap方法從個(gè)原始樣本中有放回地抽取個(gè)樣本集，用來構(gòu)建棵回歸樹，未被抽到的樣本組成了個(gè)袋外數(shù)據(jù)集。（2）在每個(gè)節(jié)點(diǎn)處，從所有個(gè)解釋變量中隨機(jī)抽取個(gè)分割變量（＜），根據(jù)分枝優(yōu)度準(zhǔn)則選取最優(yōu)分枝。（3）每棵回歸樹開始自頂向下的遞歸分枝，直到滿足分割的終止條件。

2 天麻品質(zhì)形成關(guān)鍵因子分析

2.1 數(shù)據(jù)采集

根據(jù)數(shù)據(jù)已在期刊中公開發(fā)表，發(fā)表時(shí)間為2007—2022年，以天麻質(zhì)量為研究主題的原則在中國知網(wǎng)數(shù)據(jù)庫中采集研究數(shù)據(jù)，環(huán)境因子來源于人地系統(tǒng)主題數(shù)據(jù)庫（http://www.data.ac.cn/index. asp）、中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心（http:// www.resdc.cn）和Wheat A農(nóng)業(yè)氣象大數(shù)據(jù)（http:// www.wheata.cn/）[21]。最終數(shù)據(jù)項(xiàng)包括天麻素、省區(qū)、產(chǎn)地、生長狀況、種質(zhì)類型、產(chǎn)地氣候類型、產(chǎn)地土壤類型及環(huán)境因子（年均溫、最冷月均溫、最熱月均溫、年降水量、年日照時(shí)長、無霜期）。共收集810條數(shù)據(jù)，存在3條不完整數(shù)據(jù)，做刪除處理，有效數(shù)據(jù)807條。

2.2 數(shù)據(jù)處理與分析

2.2.1 分類變量分析 天麻的產(chǎn)地共包含四川、云南、貴州、陜西、重慶、湖北、安徽、湖南、吉林、西藏、河南、甘肅、遼寧、黑龍江、河北和廣西16個(gè)省份，將省份按照7大地區(qū)劃分，即四川、云南、貴州、重慶和西藏為西南地區(qū)，陜西和甘肅為西北地區(qū)，湖北、湖南和河南為華中地區(qū)，安徽為華東地區(qū)，吉林、遼寧和黑龍江為東北地區(qū)，河北為華北地區(qū)，廣西為華南地區(qū)。天麻的產(chǎn)地氣候類型包括亞熱帶濕潤季風(fēng)氣候、大陸性季風(fēng)氣候、高原山地氣候、低緯暖溫帶高原山地氣候、亞熱帶向暖溫帶過渡區(qū)等數(shù)十類氣候類型，為簡化模型復(fù)雜度，將其分為亞熱帶氣候、溫帶氣候和高原氣候3大類。

分析生長狀況、產(chǎn)區(qū)、種質(zhì)類型、產(chǎn)地氣候類型和產(chǎn)地土壤類型5個(gè)分類變量與天麻素含量的關(guān)系，如圖1所示。本研究數(shù)據(jù)中天麻以野生為主，紅天麻的數(shù)量最多，約占74%，目前紅天麻和烏天麻的產(chǎn)量最高，但紅天麻仍是烏天麻產(chǎn)量的4～5倍，紅天麻產(chǎn)自黃河流域和長江流域諸省，其種子發(fā)芽率和產(chǎn)量均高，適應(yīng)性和耐旱性強(qiáng)[22]。天麻主要分布在西南地區(qū)，約占53%，我國是野生天麻的主要分布國家之一，主要分布在西南地區(qū)的云南、貴州和四川[23]，云南昭通小草壩和四川平武產(chǎn)的野生天麻最為出名。同時(shí)，黃壤和黃棕壤生長的天麻最多，共占61%，黃壤和黃棕壤質(zhì)地輕礫，土層厚，土壤成弱酸性，有機(jī)質(zhì)含量高及天麻所需的微量元素含量高，是最有利于天麻生長的土壤類型[24]。亞熱帶氣候具有四季分明、季節(jié)分配均勻、降水量充足、熱量資源豐富等特點(diǎn)，更適合天麻的生長。

2.2.2 數(shù)值變量分析 圖2展示了天麻素含量與年均溫、最冷月均溫、最熱月均溫、年降水量、年日照時(shí)長和無霜期的分布情況。天麻素含量和無霜期近似右偏分布；產(chǎn)地年均溫、最冷月均溫、產(chǎn)地年降水量近似雙峰分布；產(chǎn)地年日照時(shí)數(shù)和最熱月均溫的分布直方圖近似雙峰型與孤島型的結(jié)合，主要由于產(chǎn)地不同導(dǎo)致。此外，圖2還展示了天麻素含量與年均溫等數(shù)值變量的關(guān)系，天麻素含量集中在產(chǎn)地年均溫12.5～18℃、最冷月均溫在0～15℃、最熱月均溫在11～27℃、產(chǎn)地年降水量在750～1500 mm、產(chǎn)地年日照時(shí)數(shù)在1000～2000 h、無霜期在210～340 d。其中，天麻素含量與無霜期的線性變化趨勢最明顯，隨著無霜期增加天麻素含量呈上升趨勢。天麻生長的區(qū)域年降水量一般在900～1200 mm，李梁等[25]研究指出天麻的塊莖一般在3～4月能夠萌動(dòng)發(fā)芽，此時(shí)溫度為14℃左右，5～9月適合天麻生長，此時(shí)地溫在20～25℃，天麻生長時(shí)溫度不能超過30℃。云南昭通所產(chǎn)天麻年平均氣溫為11～13.0℃，最冷月平均氣溫2.8～4.0℃，最熱月平均氣溫（18.0±0.4）℃，年均降雨量在900 mm左右[26]。四川省野生天麻產(chǎn)區(qū)年溫度變化較平緩，較少出現(xiàn)極冷、極熱現(xiàn)象，年降水量比較充足，為667～2033 mm，年均日照時(shí)數(shù)為947～2079 h，無霜期177～320 d。

圖1 天麻素含量在分類變量中的分布

圖2 生態(tài)因子與天麻素含量關(guān)系

2.2.3 相關(guān)性分析 分析年均溫、最冷月均溫、最熱月均溫、年降水量、年日照時(shí)長和無霜期間的相關(guān)性，計(jì)算相關(guān)系數(shù)。如表1所示，無霜期與最冷月均溫、最熱月均溫之間，年降水量與最熱月均溫之間，有相對(duì)較高的正相關(guān)關(guān)系；產(chǎn)地年日照時(shí)數(shù)與產(chǎn)地年降水量、無霜期之間，有相對(duì)較高的負(fù)相關(guān)關(guān)系。說明變量間存在多重共線性問題，故采用Group-Lasso方法對(duì)變量進(jìn)行篩選。

2.3 特征篩選

2.3.1 Group-Lasso變量篩選 以天麻素含量作為被解釋變量，產(chǎn)區(qū)、生長狀況、種質(zhì)類型、產(chǎn)地氣候類型、產(chǎn)地土壤類型、產(chǎn)地年均溫、最冷月均溫、最熱月均溫、產(chǎn)地年降水量、產(chǎn)地年日照時(shí)數(shù)和無霜期作為解釋變量，將分類自變量進(jìn)行One-Hot編碼，自變量由11維增至37維。

赤池信息量準(zhǔn)則（Akaike infoemation criterion，AIC）[27]是用來衡量統(tǒng)計(jì)模型擬合優(yōu)良性的標(biāo)準(zhǔn)，建立在熵的概念基礎(chǔ)上，可以權(quán)衡所估計(jì)模型的復(fù)雜度和模型擬合數(shù)據(jù)的優(yōu)良性。利用R軟件的grpreg函數(shù)實(shí)現(xiàn)Group-Lasso變量篩選，以AIC作為篩選準(zhǔn)則，變量選擇過程如圖3所示。結(jié)果顯示，最優(yōu)AIC值下的產(chǎn)地年均溫和最冷月均溫2個(gè)變量的系數(shù)為0，即保留產(chǎn)區(qū)等9個(gè)自變量。

2.3.2 交叉驗(yàn)證 利用交叉驗(yàn)證對(duì)Group-Lasso篩選結(jié)果進(jìn)行驗(yàn)證，結(jié)果如圖4所示。得到最優(yōu)的lambda參數(shù)值為0.004 500 724，交叉驗(yàn)證結(jié)果與上述篩選結(jié)果一致。

表1 相關(guān)系數(shù)

圖3 變量篩選過程

2.4 構(gòu)建隨機(jī)森林回歸模型

2.4.1 模型建立 本研究共收集到天麻種植環(huán)境數(shù)據(jù)807條。以隨機(jī)的方式將數(shù)據(jù)集按照70%的訓(xùn)練集和30%的測試集劃分為2組，564條天麻數(shù)據(jù)作為訓(xùn)練集進(jìn)行參數(shù)尋優(yōu)和建立模型，243條天麻數(shù)據(jù)作為測試集對(duì)模型進(jìn)行檢驗(yàn)。模型自變量為Group- Lasso篩選出來的產(chǎn)區(qū)、生長狀況、種質(zhì)類型、產(chǎn)地氣候類型、產(chǎn)地土壤類型、最熱月均溫、產(chǎn)地年降水量、產(chǎn)地年日照時(shí)數(shù)和無霜期9個(gè)變量。然后進(jìn)行回歸樹數(shù)量的選擇，誤差與回歸樹的關(guān)系見圖5。由圖5可知，回歸樹增大到一定量后，誤差就無太大變化，隨機(jī)森林回歸樹的數(shù)量達(dá)2000以后趨于穩(wěn)定。通過多次試驗(yàn)，在綜合考慮均方誤差大小和運(yùn)算速率的情況下使用2000作為回歸樹數(shù)量。

圖4 交叉驗(yàn)證結(jié)果

圖5 誤差與回歸樹關(guān)系

2.4.2 模型評(píng)價(jià) 為了驗(yàn)證隨機(jī)森林算法結(jié)果的準(zhǔn)確性，本研究以均方誤差（mean square error，MSE）和平均絕對(duì)百分誤差（mean absolute percentage error，MAPE）[28]作為模型評(píng)價(jià)指標(biāo)。MSE是用來衡量實(shí)際觀測值與模型預(yù)估值之間差異的指標(biāo)，MAPE是用來衡量預(yù)測模型有無偏性，其可以準(zhǔn)確反映實(shí)際預(yù)測誤差的大小。二者計(jì)算公式如下。

MSE越小，則模型效果越好，其預(yù)測的準(zhǔn)確率就越高。MAPE值小于10%，表示模型預(yù)測精度較高；大于50%，則預(yù)測錯(cuò)誤。

2.4.3 模型檢驗(yàn) 本研究通過計(jì)算總體相對(duì)誤差（）、絕對(duì)平均相對(duì)誤差（）2個(gè)統(tǒng)計(jì)量來檢驗(yàn)?zāi)Ｐ汀?/p>

2.4.4 特征重要性排序 隨機(jī)森林可以在訓(xùn)練時(shí)輸出變量的重要性，即哪個(gè)特征更有用。實(shí)現(xiàn)的方法有兩種：Gini法和置換法。置換法是改變特征觀察對(duì)結(jié)果的影響，如果特征重要，那么結(jié)果應(yīng)對(duì)其敏感。特征重要性在預(yù)測建模中起著重要作用，可以幫助了解數(shù)據(jù)集和模型，進(jìn)行特征選擇，甚至改進(jìn)預(yù)測模型，從而提高預(yù)測模型的效率和有效性?；貧w問題的特征重要性公式[29]如下。

本研究將計(jì)算出各特征的相對(duì)得分，進(jìn)而分析產(chǎn)區(qū)、生長狀況、種質(zhì)類型、產(chǎn)地氣候類型、產(chǎn)地土壤類型、產(chǎn)地年降水量、產(chǎn)地年日照時(shí)數(shù)和無霜期對(duì)天麻素含量的影響程度，得出影響天麻有效成分的最關(guān)鍵因子。

2.5 模型評(píng)價(jià)結(jié)果

基于Group-Lasso篩選變量后，選取了多元線性回歸和隨機(jī)森林回歸2種模型進(jìn)行對(duì)比實(shí)驗(yàn)。通過計(jì)算模型MSE和MAPE來對(duì)模型的擬合效果進(jìn)行評(píng)價(jià)，2種模型的評(píng)價(jià)結(jié)果見表2。

表2 回歸模型的預(yù)測評(píng)價(jià)

從2種誤差結(jié)果可以看出，隨機(jī)森林回歸誤差明顯小于多元線性回歸誤差，即隨機(jī)森林的擬合效果較好，MSE為0.103 2，MAPE約在14%；多元線性回歸擬合效果較差，MSE為0.131 7，MAPE約在50%。多元線性回歸模型簡單易操作，但其非線性學(xué)習(xí)能力不好。隨機(jī)森林是多棵決策樹并行的集成模型，一般預(yù)測效果更好，且能夠處理非線性問題。

2.6 模型檢驗(yàn)結(jié)果

2.6.1 比較偏差統(tǒng)計(jì)量 2種模型的、結(jié)果見表3。檢驗(yàn)結(jié)果顯示，隨機(jī)森林回歸的為0.02，為37.93%，二者均小于多元線性回歸。

2.6.2 評(píng)價(jià)模型預(yù)測能力 可視化多元回歸和隨機(jī)森林回歸模型的實(shí)際觀測值和預(yù)測估計(jì)值之間的差異，結(jié)果如圖6所示。由圖6可知，隨機(jī)森林回歸模型的預(yù)估精度優(yōu)于多元回歸模型。

2.7 特征重要性

量化隨機(jī)森林中各個(gè)變量對(duì)模型的貢獻(xiàn)，各變量的重要性大小見表4。結(jié)果顯示，對(duì)天麻素含量影響最大的因素是產(chǎn)地年降水量，影響較大的因素有產(chǎn)地土壤類型，其次是無霜期和產(chǎn)地年日照時(shí)數(shù)，而生長狀況對(duì)天麻素含量的影響相對(duì)較小。

表3 回歸模型的檢驗(yàn)結(jié)果

表4 特征重要性

3 討論

中藥的品質(zhì)與環(huán)境具有密切的相關(guān)性，如虎杖在生長發(fā)育的過程中與生長環(huán)境密切相關(guān)[30]。天麻在現(xiàn)代臨床上具有重要的醫(yī)用價(jià)值，需求量日益增加，天麻的人工種植技術(shù)也越來越受到人們的關(guān)注。早期關(guān)于天麻質(zhì)量與種植環(huán)境之間的研究主要是通過生態(tài)背景調(diào)查的方法，如對(duì)天麻質(zhì)量較好的產(chǎn)地云南昭通、四川平武等的生態(tài)環(huán)境進(jìn)行調(diào)查，而本研究是利用機(jī)器學(xué)習(xí)方法探討該問題。從天麻的種植環(huán)境出發(fā)，為了提高人工栽培天麻的質(zhì)量，對(duì)天麻素含量與產(chǎn)區(qū)、生長狀況、種質(zhì)類型、氣候類型、土壤類型、年均溫、最冷月均溫、最熱月均溫、年降水量、年日照時(shí)數(shù)和無霜期之間的關(guān)系進(jìn)行探究。由于存在分類變量，且變量間具有多重共線性問題，故利用Group-Lasso算法篩選變量，為了找出影響天麻品質(zhì)形成的關(guān)鍵因子，構(gòu)建隨機(jī)森林回歸模型計(jì)算特征重要性。

利用Group-Lasso算法對(duì)產(chǎn)區(qū)、生長狀況、種質(zhì)類型、產(chǎn)地氣候類型、產(chǎn)地土壤類型、產(chǎn)地年均溫、最冷月均溫、最熱月均溫、產(chǎn)地年降水量、產(chǎn)地年日照時(shí)數(shù)和無霜期11個(gè)變量進(jìn)行篩選，最后保留了產(chǎn)區(qū)、生長狀況、種質(zhì)類型、產(chǎn)地氣候類型、產(chǎn)地土壤類型、最熱月均溫、產(chǎn)地年降水量、產(chǎn)地年日照時(shí)數(shù)和無霜期9個(gè)變量，能夠降低模型的復(fù)雜程度，提高效率。

以天麻素含量作為被解釋變量，產(chǎn)區(qū)、生長狀況、種質(zhì)類型、產(chǎn)地氣候類型、產(chǎn)地土壤類型、最熱月均溫、產(chǎn)地年降水量、產(chǎn)地年日照時(shí)數(shù)和無霜期作為解釋變量，分別建立多元線性回歸和隨機(jī)森林回歸2種模型，通過結(jié)果的對(duì)比可知，隨機(jī)森林回歸模型有相對(duì)較低的誤差和較高的預(yù)估精度，更適合用于對(duì)天麻種植環(huán)境的分析和天麻素含量的估算，同時(shí)隨機(jī)森林回歸模型具有易于實(shí)現(xiàn)、計(jì)算開銷小，可以有效防止訓(xùn)練模型過擬合的優(yōu)勢。

根據(jù)特征重要性計(jì)算結(jié)果表明，對(duì)天麻素含量影響最大的環(huán)境因子是產(chǎn)地年降水量，天麻的生長需要產(chǎn)區(qū)的年降水量在1000 mm左右，不同時(shí)期水分需求也有所不同。4月上旬塊莖開始萌發(fā)，此時(shí)雨水滿足土壤處于潮濕狀態(tài)即可；7～9月是天麻塊莖生長的旺盛階段，此時(shí)土壤需要充足的雨水供給水分。其次是產(chǎn)地土壤類型、無霜期和產(chǎn)地年日照時(shí)數(shù)，3者特征重要性值接近。天麻和蜜環(huán)菌適合在比較疏松的沙質(zhì)土壤中生長，若土壤黏重，則易積水，影響透氣性，容易導(dǎo)致塊莖死亡；若沙性過大，水分易流失，土壤缺水不利于天麻和蜜環(huán)菌的生長。無霜期主要與霜凍的時(shí)間有關(guān)，霜凍對(duì)光照產(chǎn)生影響。天麻具有避光性，塊莖的生長在地下進(jìn)行，但天麻的花莖具有趨光性，地上莖出土后，若遇到強(qiáng)烈的直射陽光會(huì)發(fā)生日灼病，進(jìn)而導(dǎo)致植株死亡。此外，光照也間接影響地溫和土壤水分，對(duì)蜜環(huán)菌和天麻的生長有一定影響。

環(huán)境因子是影響天麻藥材產(chǎn)量和質(zhì)量的重要因素。在人工種植天麻時(shí)，應(yīng)注意環(huán)境因子的作用，充分考慮影響天麻品質(zhì)形成的關(guān)鍵因子的特性，注意降水量、日照時(shí)數(shù)等環(huán)境因子的變化，同時(shí)選擇具有合適土壤類型的區(qū)域作為天麻發(fā)展區(qū)進(jìn)行人工種植。

利益沖突 所有作者均聲明不存在利益沖突

[1] 楊世林, 蘭進(jìn), 徐錦堂. 天麻的研究進(jìn)展 [J]. 中草藥, 2000, 31(1): 66-69.

[2] 許廷生, 陸龍存, 黃子冬. 天麻有效成分的藥理作用分析與臨床應(yīng)用研究進(jìn)展 [J]. 中醫(yī)臨床研究, 2020, 12(21): 133-135.

[3] 鞠桂春. 天麻及其制劑的藥理作用和臨床應(yīng)用研究進(jìn)展 [J]. 中國藥業(yè), 2008, 17(1): 64-66.

[4] 于涵, 張俊, 陳碧清,等. 天麻化學(xué)成分分類及其藥理作用研究進(jìn)展[J]. 中草藥, 2022, 53(17): 5553-5564.

[5] 張偉, 宋啟示. 貴州大方林下栽培天麻的化學(xué)成分研究 [J]. 中草藥, 2010, 41(11): 1782-1785.

[6] 王秋穎, 郭順星. 天麻生長特性及其在栽培中的應(yīng)用 [J]. 中國中藥雜志, 2001, 26(5): 353.

[7] 胡國云, 姜月華, 趙海霞. 天麻素的含量測定、結(jié)構(gòu)表征和藥理活性研究進(jìn)展 [J]. 當(dāng)代化工, 2022, 51(1): 169-173.

[8] 徐頂巧. 漢中地區(qū)天麻品質(zhì)分析 [D]. 漢中: 陜西理工學(xué)院, 2014.

[9] 陳希孺王松桂. 近代回歸分析: 原理方法及應(yīng)用 [M]. 合肥: 安徽教育出版社, 1987.

[10] 何秀麗. 多元線性模型與嶺回歸分析 [D]. 武漢: 華中科技大學(xué), 2005.

[11] 趙東波. 線性回歸模型中多重共線性問題的研究 [D]. 錦州: 渤海大學(xué), 2017.

[12] 方申奧. Lasso類變量選擇方法綜述 [D]. 武漢: 武漢大學(xué), 2018.

[13] Friedman J, Hastie T, Tibshirani R. A note on the group lasso and a sparse group lasso [EB/OL]. arXiv [2010-01-05]. https://arxiv.org/abs/1001.0736.

[14] Breiman L. Random forests [J]., 2001, 45(1): 5-32.

[15] Tibshirani R. Regression shrinkage and selection via the lasso [J]., 1996, 58(1): 267-288.

[16] Meier L, Van De Geer S, Bühlmann P. The group lasso for logistic regression [J]., 2008, 70(1): 53-71.

[17] Zou H, Hastie T, Tibshirani R. On the “degrees of freedom” of the lasso [J]., 2007, doi: 10.1214/ 009053607000000127.

[18] Breiman L. Bagging predictors [J]., 1996, 24(2): 123-140.

[19] 董師師, 黃哲學(xué). 隨機(jī)森林理論淺析 [J]. 集成技術(shù), 2013, 2(1): 1-7.

[20] 曹正鳳. 隨機(jī)森林算法優(yōu)化研究 [D]. 北京: 首都經(jīng)濟(jì)貿(mào)易大學(xué), 2014.

[21] 周碧乾. 天麻產(chǎn)地加工與品質(zhì)特征的研究 [D]. 成都: 成都中醫(yī)藥大學(xué), 2018.

[22] 李慧, 錢潤, 田娜, 等. 紅天麻、烏天麻及其雜交天麻的PCR鑒別 [J]. 中國中藥雜志, 2020, 45(15): 3666-3671.

[23] 徐博, 吳翠, 李卓俊, 等. 天麻的資源分布及采后現(xiàn)狀調(diào)研 [J]. 中國中醫(yī)藥信息雜志, 2021, 28(7): 11-16.

[24] 李虎杰, 崔春龍, 李洪益. 四川平武野生天麻產(chǎn)區(qū)的土壤條件 [J]. 中國土壤與肥料, 2006(3): 59-61.

[25] 李梁, 張藝, 成群芝. 中藥天麻產(chǎn)區(qū)生態(tài)環(huán)境分析與評(píng)價(jià) [J]. 中藥研究與信息, 2004, 6(6): 14-16.

[26] 石子為, 馬聰吉, 康傳志, 等. 基于空間分析的昭通天麻生態(tài)適宜性區(qū)劃研究 [J]. 中國中藥雜志, 2016, 41(17): 3155-3163.

[27] Akaike H. A new look at the statistical model identification [J]., 1974, 19(6): 716-723.

[28] 張倩. 基于隨機(jī)森林回歸模型的住房租金預(yù)測模型的研究 [D]. 長春: 東北師范大學(xué), 2019.

[29] 雷明. 機(jī)器學(xué)習(xí)：原理、算法與應(yīng)用 [J]. 自動(dòng)化博覽, 2020(3): 7.

[30] 馬云桐. 虎杖的資源、品質(zhì)與藥效的相關(guān)性研究 [D]. 成都: 成都中醫(yī)藥大學(xué), 2006.

Analysis of key factors inquality formation based on Group-Lasso

WANG Hong-jie1, WANG Ke2, YU Shui-xiang2, MA Yun-tong3

1. College of Science, Guilin University of Technology, Guilin 541000, China 2.School of Big Data and Artificial Intelligence, Chengdu Technological University, Chengdu 611730, China 3. College of Pharmacy, Chengdu University of Traditional Chinese Medicine, Chengdu 610075, China

In order to improve the quality of artificially planted Tianma (), a random forest regression model based on Group-Lasso variable screening was constructed to analyze the key factors affecting the quality of.Based on the Group-Lasso method, the data of gastrodin content and environmental variables of origin in the literature ofquality research from 2007 to 2022 were screened, and the random forest regression model was then established on the selected variables, and importance score of the variables was calculated.Finally, nine variables including production area, growth status, species, production area climate type, production area soil type, average temperature in the hottest month, annual precipitation in the production area, annual sunshine hours in the production area, and frost-free period were selected. A random forest regression model was established based on the selected variables and gastrodin content. The mean square error (MSE) and mean absolute percentage error (MAPE) were 0.103 2 and 14.08%, respectively. The ranking of feature importance showed that the biggest influencing factor of gastrodin content was the annual precipitation in the production area, followed by the production area soil type, frost-free period, and annual sunshine hours in the production area.The random forest regression model had relatively low error and high prediction accuracy, and was more suitable for the analysis ofplanting environment and the estimation of gastrodin content.

Bl.; gastrodin; Group-Lasso; variable screening; random forest regression; variable importance measures

R282.2

A

0253 - 2670(2023)13 - 4278 - 08

10.7501/j.issn.0253-2670.2023.13.020

2023-02-23

四川省科技廳重點(diǎn)研發(fā)項(xiàng)目：川產(chǎn)地道藥材大品種精深加工關(guān)鍵技術(shù)及產(chǎn)品開發(fā)的研究與示范（2020YFN0152）；川產(chǎn)道地藥材品質(zhì)評(píng)價(jià)關(guān)鍵技術(shù)裝備研究（2021YFS0045）

王紅潔，女，在讀碩士，研究方向?yàn)闄C(jī)器學(xué)習(xí)和分布式優(yōu)化。E-mail: 1103623812@qq.com

通信作者：馬云桐，男，教授，從事中藥資源領(lǐng)域相關(guān)研究。E-mail: mayuntong06@163.com

[責(zé)任編輯 潘明佳]