《Smart Agricultural Technology》：Near-Infrared Spectroscopy for Rapid and Cost-Effective Nutritional Diagnosis of Oil Palm: An Original Study
编辑推荐：
近红外光谱（Near-Infrared Spectroscopy，NIR）已被确认为评估油棕（Elaeis guineensis Jacq.）营养状况的一种前景广阔的工具，但此前的大多数研究仅使用了有限数量的样本和狭窄的条件范围。本研究旨在利用一个大型且异质的
近红外光谱（Near-Infrared Spectroscopy，NIR）已被确认为评估油棕（Elaeis guineensis Jacq.）营养状况的一种前景广阔的工具，但此前的大多数研究仅使用了有限数量的样本和狭窄的条件范围。本研究旨在利用一个大型且异质的数据集，评估NIR光谱在简化叶片诊断（foliar diagnosis，FD）程序方面的可行性，并探讨基于NIR的施肥策略。研究人员使用了来自11个油棕种植田块的544份叶片样本，这些样本代表了不同的土壤、气候、种植材料、树龄和管理系统。研究人员对七种营养元素（氮（N）、磷（P）、钾（K）、钙（Ca）、镁（Mg）、氯（Cl）和硼（B））进行了化学分析，并在850–2530 nm范围内采集了傅里叶变换近红外（FT-NIR）光谱。研究人员评估了多种预处理方法，并采用偏最小二乘回归（partial least squares regression，PLSR）建立预测模型。通过交叉验证、留一组交叉验证（leave-one-group-out，LOGO）以及LOGO结合加标（spiking）方法对模型性能进行了评估，并使用一个独立田块进行了外部验证。结果表明，在1250–2530 nm范围内采用简单的“截断”（cut）预处理方法，对大量营养元素（N、P、K、Mg、Ca和Cl）获得了令人满意的预测精度（交叉验证中R2介于0.82至0.98之间）。然而，当整个田块被排除在校准集之外时，预测精度显著下降，凸显了模型可移植性的局限性。加标方法——即将少量具有代表性的本地样本纳入校准集——显著改善了预测性能，将均方根预测误差（RMSEP）降低了约29%，并将相对分析误差（RPD）提高了约25%，尤其对于受田间变异影响较大的营养元素（如P和K）效果显著。外部验证进一步证实了加标方法在提高模型可移植性方面的有效性。本研究证明了NIR光谱作为一种稳健、快速且经济有效的油棕叶片营养诊断工具的潜力，并强调了多样化校准库与针对性本地加标相结合的策略，以支持模型在不同种植条件下的实际部署。
论文解读文章
一、研究背景与问题
油棕（Elaeis guineensis Jacq.）是全球重要的植物油来源，2024年全球产量达到8000万吨，种植面积约3000万公顷，其中印度尼西亚和马来西亚占据主要份额。油棕是产量最高的油料作物，每公顷年产油量约3.8吨。维持这种高生产力需要合理的施肥管理，尤其是钾肥（K），其全球成本约达10亿美元。钾肥的典型施用量为每株每年2.0至3.5 kg KCl（即每公顷每年300至500 kg）。由于施肥成本占果实生产成本的约50%，基于油棕实际营养需求避免不必要的施肥，对于确保油棕生产的盈利性和可持续性至关重要。
传统的叶片诊断（foliar diagnosis，FD）方法通过采集第17号叶片的小叶样本，采用标准化化学方法测定营养元素浓度，并与参考浓度进行比较。然而，这一方法面临多重挑战：一是获得负担得起且可靠的叶片分析存在困难，尤其对于小农户而言；二是可靠实验室的稀缺性，不同实验室间因分析方法差异或内部程序不当而难以无偏差地重现测定结果。
近红外光谱（Near-Infrared Spectroscopy，NIR）技术已被认定为一种适用且有效的工具，可用于病害检测、内部品质评估、植物对非生物胁迫的响应评估以及营养状况表征。与传统化学分析相比，NIR测量具有环境友好、非破坏性、快速等优势，传感器成本更低，维护和操作技能要求更少，不产生化学废物，也无需氩气等稀有气体。然而，NIR光谱的应用需要建立将光谱信息与目标性质关联的校准模型。此前油棕相关研究的预测和验证数据集很少超过50个样本，不足以获得稳定的方程，且校准库来自高度异质的区域，缺乏足够的光谱多样性以直接、正确地预测新样本。
基于上述问题，本研究旨在利用一个大型且异质的数据集，精确评估使用NIR简化FD程序的可行性，并探讨基于NIR的施肥策略——即利用加标（spiking）方法，仅需在实验室中使用参考方法分析少量样本即可实现模型更新。
二、研究设计与主要技术方法
研究人员从12个田块采集叶片样本，其中G和H两个田块连续两年采样。田块分布于印度尼西亚、贝宁、尼日利亚、秘鲁和厄瓜多尔，代表了不同的土壤、气候、种植材料（多种几内亚种（Guineensis）后代及油棕种（E. oleifera）×几内亚油棕种（E. guineensis）种间杂交种）和树龄（4至36年），涵盖小农户、工业种植园和试验田等不同种植系统。L田块作为外部验证数据集。2017至2022年间共分析544份样本。
主要技术方法包括：采用Bruker TANGO FT-NIR光谱仪在850至2530 nm光谱范围以漫反射模式采集光谱数据；使用电感耦合等离子体-光学发射光谱法（ICP-OES）测定磷、钾、镁、钙和硼浓度，使用UNICUBE?微型元素分析仪（杜马斯法）测定氮浓度，采用硝酸银银量滴定法测定氯化物浓度。统计建模采用偏最小二乘回归（PLSR），并比较了11种光谱预处理方法，采用10折交叉验证评估模型性能，通过留一组交叉验证（LOGO）和LOGO结合加标方法评估模型鲁棒性，最终使用独立田块L进行外部验证。
三、研究结果
3.1 数据集中存在大量多样的样本
所有叶片营养元素浓度在11个田块间高度变异。总氮平均值为2.72 %DM，范围为1.49至3.71 %DM；磷范围为0.10至0.23 %DM；钾范围为0.23至1.34 %DM；钙范围为0.39至1.53 %DM；镁范围为0.08至0.69 %DM；氯范围为0.23至0.89 %DM；硼范围为8.72至63.00 ppm。这种广泛的浓度范围覆盖了商业种植园中常见的营养状况变化。
3.2 较简单的预处理方法提供了最佳校准结果
研究人员比较了11种预处理方法对七种营养元素（N、P、K、Ca、Mg、Cl和B）预测性能的影响。结果表明，对于N、P、K和Mg，模型解释了参考值变异的77%至98%。总体上，最简单的预处理方法，特别是光谱截断（cut，即去除850–1250 nm区域）和多元散射校正（MSC），其表现与更复杂的方法相当或更优。二阶导数方法（SG-D2）普遍表现最差。由于截断方法计算量更少且不损失预测精度，被选为后续校准和验证步骤的标准方法。
3.3 令人满意的预测能力可通过加标方法增强
交叉验证中，校准模型在NIR预测值与实测营养元素浓度之间表现出高度一致性。N、Mg和P的校准精度最高，R2分别为0.98、0.95和0.90；K和Ca的偏差稍大但仍可接受（R2=0.89和0.84）；Cl和B的离散度较大，反映了参考方法的局限性。
在留一组交叉验证中，模型性能下降，表现为散点图离散度增加和系统性偏离等分线。P和K的R2分别降至0.67和0.57，RPD降至1.76和1.59，表明在该验证方案下预测效用有限。
相比之下，LOGO结合加标方法一致地减少了预测误差的幅度和结构。N和Mg的预测点仍紧密聚集在等分线周围（R2=0.96和0.92；RPD=5.40和3.89）。对于受田间变异影响较大的P和K，加标使R2分别提高至0.84和0.77，RPD提高至2.34和2.24。加标方法减少了田间依赖性偏差，使散点更接近等分线。
3.4 模型在新田块中保持稳健预测
外部验证（L田块）确认了LOGO验证中观察到的趋势。加标样本的加入改善了预测性能，尤其对于氮、钾、钙和氯。氮的RMSEP从0.123降至0.087，R2从0.73提高至0.86。镁的变化较小，磷的RMSEP降低但R2未相应提高。外部验证结果确认加标方法可改善模型可移植性并减少田间间变异的影响。
四、讨论与结论
讨论部分指出，本研究组装了436个样本的数据集，涵盖多种种植材料、树龄、管理系统和土壤气候环境，这种多样性是NIR建模中校准稳健性的关键决定因素。研究纳入油棕种植三大洲（非洲、东南亚和南美洲）的11个地点，最大化了环境和生物异质性。与以往通常少于100株的油棕NIR研究相比，本研究更大且更异质的数据集为开发更广泛适用性的模型提供了更强的基础。
研究还发现，在1250–2530 nm范围内使用原始光谱是最有效的预处理方法，优于MSC、SNV或Savitzky-Golay导数等常用校正方法。这可能是由于高质量和高重复性的光谱测量，加上数据集的大量化学变异性，降低了对光谱变换的需求。850–1250 nm区域的去除减少了与营养预测不太相关的光谱变异性，包括约970 nm处与叶片含水量相关的O–H吸收特征。
加标方法被证明是一种高效的重校准策略。LOGO验证中预测误差（RMSEP）比交叉验证增加了55%至118%（分别对应Cl和B），确认了光谱-化学关系在不同环境间的部分可转移性。加标方法将RMSEP降低约29%，RPD提高约25%，尤其对于P、K和Ca等直接光谱特征较弱或中等的营养元素效果显著。加标不仅作用于随机误差，还作用于结构性偏差，可能通过重新校准局部相互作用实现。
从应用角度看，加标代表了一种实用且成本高效的解决方案，可在多样化的油棕种植条件下部署基于NIR的营养诊断。与从头重新校准模型相比，加标只需少量本地采样和化学分析的叶片即可更新或适配现有参考模型，所需实验室分析少且投资回报高。
研究结论表明，近红外光谱作为评估油棕叶片营养状况的稳健、快速且经济有效的工具具有强大潜力。对于大多数大量营养元素（N、P、K、Mg、Ca、Cl），只要校准数据集涵盖商业种植园中遇到的广泛变异性，即可实现高预测精度。简单的光谱预处理方法结合高质量的参考测量和大量的化学变异性足以获得稳健的校准模型。加标策略一致地减少了田间特异性偏差，降低了RMSEP并提高了RPD值，重新校准了光谱-化学关系。通过结合多样化的全局校准库、简单稳健的预处理策略和针对性的本地加标，实践者可以大幅减少昂贵的实验室分析需求，同时保持可靠的营养预测。该方法为传统叶片诊断提供了一种可扩展、环境友好且经济上有吸引力的替代方案，在种植园和小农户系统中具有大规模采用的明确潜力。研究同时指出，便携式NIR设备的应用仍属前瞻性方向，需要在未来工作中评估仪器特异性光谱差异并验证模型在田间条件下的可转移性。
