编辑推荐：
为解决葡萄营养监测采样难题，研究人员开展 Box 采样法研究，该方法能有效监测多种养分，意义重大。
在葡萄种植的领域中，葡萄园的养分管理就如同给葡萄树精心调配美食，对葡萄的生长和品质起着关键作用。传统的养分监测方式，需要在葡萄生长季，于开花（50% 的花帽脱落的物候期）和转色期（浆果开始变色并膨大的时期）对葡萄园进行采样分析，以此来确定养分浓度。推广专家通常建议收集大量随机样本，以捕捉整个葡萄园地块的养分变异性，但实际操作起来困难重重。由于准确采样需要耗费大量资源，比如要驾车遍历大部分葡萄行，这项任务常常无法完成，或者采样方式存在偏差，最终导致施肥建议不准确，影响葡萄的生长。
为了解决这些问题，来自康奈尔大学、华盛顿州立大学等多个机构的研究人员展开了深入研究。他们提出了一种名为 “Box” 采样的新方法，并将研究成果发表在《Precision Agriculture》上。这种方法旨在利用免费获取的 Sentinel-1 和 Sentinel-2 卫星图像，捕捉土壤和树冠的变异性，通过在三个分层管理区的交界处确定采样位置，来指导葡萄种植者进行葡萄组织采样，进而优化养分监测。
在研究过程中，研究人员运用了多种关键技术方法。首先是卫星图像处理技术，他们从 Google Earth Engine 下载 2021 - 2023 年的 Sentinel - 2 多光谱归一化植被指数（NDVI）图像和 Sentinel - 1 合成孔径雷达（SAR）图像。对这些图像进行一系列处理，如云层掩膜、滤波等，并根据不同的采样时期选择合适的图像数据。例如，开花期采样使用上一季转色期的 NDVI 图像，转色期采样则使用本季的平均 NDVI 图像。其次是空间采样技术，研究人员设计了多种采样方法，包括随机 20（R20）采样、空间分层采样和 Box 采样。随机 20 采样是从计算机选定的 20 个图像网格质心收集样本；空间分层采样是利用 k - means++ 算法将卫星图像分层为三个变异性类别，然后从每个类别中确定代表性像素；Box 采样则是利用一个 3×3 的采样窗口，寻找三个变异性区域的最佳交界处进行采样。最后是统计分析技术，研究人员使用多种统计方法对不同采样方法得到的样本进行分析，如用均值、标准差、中位数、范围等基本统计量进行比较，运用两样本 Kolmogorov - Smirnov 检验（KS 检验）和 Bhattacharyya 系数（BC）评估样本分布的差异，采用 Two One - Sided Tests（TOST）程序进行等效性检验等。
研究结果如下：
- 养分总体与空间采样方法对比：在两个研究地块（B1 和 B3）中，随机 20（R20）采样法与总体采样结果相似，KS 检验 p 值不显著。对于氮（N%）、磷（P%）、钾（K%）、镁（Mg%）和钙（Ca%）等养分，分层采样和 Box 采样与总体的平均差异较小，但 Box 采样能捕捉更广泛的养分分布范围。例如，N% 的 Bhattacharyya 系数在不同年份和物候期均大于 0.80，表明 Box 采样能较好地反映总体养分分布。
- R20 与空间采样方法对比：通过等效性检验比较 R20 与空间采样方法，发现分层采样和 Box 采样在开花期能显著捕捉 N%、P% 和 K% 的养分变异性（p 值 < 0.05）。在转色期，结果在不同年份更不一致。例如，N% 在 2022 年和 2023 年，分层采样和 Box 采样都能显著捕捉其变异性；但 K% 在 2022 年 Box 采样能捕捉变异性，2023 年则失败。
- 采样距离和时间计算：Box 采样相比 R20，平均采样距离和时间减少了 75%。在不同大小的地块中，Box 采样都展现出了明显的优势，能有效减少采样所需的时间和精力。
研究结论和讨论部分指出，Box 采样法在大多数养分的采样中表现良好，尤其在采样 N%、P%、K% 和 Mg%（开花期）以及 N%、P% 和 Mg%（转色期）时效果显著，为葡萄种植者节省了劳动力并提高了准确性。分层采样在估计均值方面具有高精度和效率，而 Box 采样在准确代表总体变异性上更具优势。然而，Box 采样法也存在局限性，当变量具有高空间变异性（如 K% 在转色期和 Ca% 在两个阶段）时，该方法难以有效捕捉养分分布。此外，在小于 0.5 公顷的矩形地块中，寻找理想的采样窗口也具有挑战性。未来可以通过纳入养分特异性代理变量，间接解决空间变异性问题，进一步优化 Box 采样法。
总的来说，这项研究提出的 Box 采样法为葡萄种植者提供了一种高效的养分监测方法，有望应用于区域尺度的养分采样，提升葡萄种植的精准度和效益，推动葡萄种植产业的发展。
