基于产量-品质协同优化的机器学习方法精准诊断Kinnow养分缺乏症

来自印度的研究人员针对传统营养诊断方法（如DRIS和CND）忽视果实品质的问题，开展了整合产量与品质的Kinnow养分诊断研究。通过改进CND-clr算法和随机森林分析，发现Mg、Mn等关键元素缺乏及土壤pH、EC、CaCO3限制因素，显著提升诊断精度（RMSEP降至13.44），为全球果树营养管理提供新范式。

　　

通过整合产量与果实品质的协同优化策略，研究人员开发了一种新型营养诊断框架，以克服传统诊断与推荐集成系统（DRIS）和组分营养诊断（CND）对果实品质关注的不足。该研究于2017–2019年及2022年间采集印度 Punjab 地区 Abohar 的351个 Kinnow 果园的叶片与土壤样本，采用层次分析法（Analytical Hierarchy Process）计算产量与品质综合得分进行种群分类，并基于马氏距离（Mahalanobis distance）和 cate-nelson 分析优化营养元素标准。结果显示：镁（Mg）（98.3%）、锰（Mn）（98.3%）、磷（P）（82.8%）、硫（S）（79.3%）和锌（Zn）（75.9%）存在严重缺乏，氮（N）（51.7%）与钙（Ca）（56.9%）呈中度缺乏。经改进的中心对数比（CND-clr）方法显著优于传统 DRIS/CND（均方根误差预测值 RMSEP 从21.45降至13.44）。利用随机森林算法进一步识别出土壤相关生产限制因子，包括高土壤 pH、电导率（EC）和碳酸钙（CaCO₃）含量。该研究为全球果树栽培的营养管理提供了更高精度的决策支持。