生物炭调控下基于农艺性状与多光谱影像的蔬菜产量机器学习预测模型研究

本研究针对高海拔地区蔬菜生产面临的土壤退化和产量预测精度不足问题，通过开展不同梯度豚鼠粪生物炭(0-30 t/ha)对菠菜、卷心菜和甜菜生长影响的田间试验，结合无人机多光谱影像技术和机器学习算法(SVM、CART和线性回归)，建立了高精度产量预测模型(R2最高达0.94)。该研究为可持续农业提供了有机改良方案，同时创建了基于光谱数据的智能农业预测框架。

　　

在全球人口预计2050年突破90亿的背景下，如何通过可持续农业解决粮食安全问题已成为重大挑战。特别是在高海拔地区，土壤退化、水资源短缺和气候变化给蔬菜生产带来严峻考验。蔬菜作为营养密集型作物，其高效栽培不仅关乎食物供应，更直接关系到营养不良问题的解决。近年来，生物炭(biochar)作为一种富含碳素的土壤改良剂，展现出了改善土壤结构和提升作物产量的巨大潜力，但其在不同作物系统中的具体应用效果和预测模型仍待深入研究。

在这项发表于《Scientia Horticulturae》的研究中，来自秘鲁国家农业创新研究所的Dennis Ccopi团队开展了创新性探索。研究人员通过系统分析不同生物炭施用量对三种蔬菜作物的影响，并首次结合无人机遥感技术和机器学习算法，建立了高精度的产量预测模型。

研究采用四个关键方法：(1)设置0、10、20和30 t/ha四个生物炭梯度处理；(2)定期测量叶数、叶长、鲜/干生物量等农艺性状；(3)使用DJI Matrice 300 RTK无人机搭载MicaSense RedEdge-M多光谱传感器采集光谱数据；(4)运用支持向量机(SVM)、分类回归树(CART)和多元线性回归等机器学习算法建立预测模型。

3.1. 生物炭对农艺性状和蔬菜产量的影响

3.1.1. 农艺性状

研究表明，30 t/ha生物炭处理(T4)对三种蔬菜作物的形态发育均产生了最显著的促进作用。在甜菜中，T4处理在102 DAS(播种后天数)时表现出最高的叶数(14.80)、垂直叶长(28.83 cm)和叶高(33.62 cm)。菠菜在T4处理下同样表现最佳，叶数达到20.80，垂直叶长为11.35 cm。卷心菜在T4处理下虽然叶数略低(16.27)，但在叶高(24.42 cm)和叶宽(17.22 cm)方面仍保持优势。

3.1.2. 地上部生物量、根长和根生物量

生物炭处理显著影响了作物的生物量积累和根系发育。在甜菜中，T4处理在102 DAS时的地上部干生物量、根长和根干生物量均显著高于对照(T1)。菠菜和卷心菜也表现出类似趋势，T4处理在生长后期显示出最大的生物量积累。这些结果表明，高剂量生物炭处理能够促进作物根系发育，增强养分吸收能力，从而提高整体生产力。

3.2. 使用农协变量和多光谱信息进行产量预测

3.2.1. 变量相关性

通过相关性分析和主成分分析(PCA)发现，在中后期(67-95 DAS)获取的光谱指数与干生物量呈强相关。在甜菜中，NDVI和NDRE指数在67-95 DAS与干重密切相关；菠菜的EVI指数在67和95 DAS与生物量和根长高度相关；卷心菜在整个生长周期中都保持较稳定的相关性，但95 DAS的光谱指数显示出最强关联。

3.2.2. 预测模型选择

机器学习算法在不同作物中表现出 varying 的预测性能。对于甜菜，所有算法都表现出色(R2介于0.89-0.97)；菠菜中CART模型表现最佳(R2=0.86)；卷心菜的预测相对困难，所有模型的R2在0.65-0.79之间。最终确定CART模型最适合甜菜和卷心菜的产量预测，而SVM最适合菠菜。

3.2.3. 产量空间化

通过最佳模型进行的空间预测显示，在所有三种蔬菜作物中，随着生物炭用量的增加，预测干生物量产量呈现明显上升趋势。T4处理区主要呈现红色和橙色色调，表示高生物量水平，而T1处理区则与蓝色和绿色等冷色调相关，反映较低产量。

研究结论表明，豚鼠粪衍生的生物炭以剂量依赖的方式显著提高了菠菜、卷心菜和甜菜的农艺性能。30 t/ha的施用量被证明是最有效的，显著改善了叶面和根系发育，同时最大限度地提高了干生物量积累。通过机器学习算法成功整合光谱和农艺变量，实现了作物产量的高精度预测，其中SVM模型在菠菜栽培中表现优异，而CART模型在甜菜和卷心菜中表现出更优的性能。

这些发现验证了实施数字农业方法来优化生物炭管理实践和支持基于证据的农艺决策过程的可行性和有效性。该研究不仅为高安第斯地区的园艺生产系统提供了有效的有机改良方案，还建立了将遥感技术与先进算法相结合的创新框架，为可持续农业提供了重要的技术支撑和实践指导。未来的研究应该评估生物炭在不同物候阶段和季节条件下的性能，同时扩展到不同作物品种的示范地块，进一步验证生物炭在大田农业生产条件下的应用效果。