基于紫外-可见-近红外光谱（UV-Vis-NIR）跨对比葡萄园环境预测葡萄茎水势（Ψstem）的研究

《Journal of the Science of Food and Agriculture》：Predicting grapevine stem water potential (Ψstem) using UV-visible-NIR spectroscopy across contrasting vineyard environments

　　

背景 气候变化正在加剧葡萄栽培中的水资源短缺问题，增加了对快速、可靠工具来监测葡萄植株水分状况的需求。光谱技术已成为快速评估植株水分状况的有前景的方法，尽管其在不同环境间的稳健性仍是一个关键挑战。本研究旨在利用紫外-可见（UV-Vis）和近红外（NIR）光谱（190–2600 nm）预测葡萄茎水势（Ψstem），并评估预测模型在西班牙加利西亚（Galicia）不同葡萄品种、葡萄园、生长季及对比性气候条件下的稳健性和可迁移性。研究人员从五个葡萄园采集了193份干燥叶片样本，这些样本代表五个葡萄品种，覆盖三个生长季，处于对比性环境条件下，并在实验室中获取了叶片反射光谱（UV-Vis-NIR）和Ψstem测量值。随后，研究人员采用不同预处理技术构建了偏最小二乘（PLS）回归模型。 结果 基于全光谱范围光谱预处理的最优全局模型实现了验证集决定系数（R2val）= 0.85，预测均方根误差（RMSEP）= 0.17 MPa，展现出跨品种和跨位点的强预测能力。然而，在特定葡萄园（Leiro；R2val = 0.37）中性能有所下降，凸显了当地环境和管理条件的影响。区域特定模型表现出不同的性能，其中Quiroga提供了最高的精度（交叉验证决定系数R2cval = 0.84；交叉验证标准误差SECV = 0.13 MPa）。探索性分析揭示了Ψstem、气候变量和光谱响应之间的一致关系，且模型输出被成功转化为具有农学意义的水分状况等级。 结论 UV-Vis-NIR光谱结合PLS为估算Ψstem提供了一种快速可靠的方法，并支持精准灌溉。尽管全局模型表现出较强的整体性能，但在异质性环境条件下，位点特定校准可能有助于提高精度。? 2026作者。《食品与农业科学杂志》（Journal of the Science of Food and Agriculture）由John Wiley & Sons Ltd代表化学工业学会（Society of Chemical Industry）出版。

论文解读文章

一、研究背景与意义

葡萄栽培在地中海地区拥有逾千年的历史，西班牙、法国和意大利三国合计约占全球葡萄收获面积的35%。然而，气候变化正对这一地区的葡萄栽培可持续性构成严峻挑战，未来预测显示高温事件、热浪、持续干旱期和干旱将更加频繁。水资源可用性是葡萄栽培中最关键的因素之一，因为水分胁迫的影响取决于葡萄植株的发育阶段，可导致叶片色素组成改变、生化元素含量降低、形态生长受阻（如枝条生长迟缓、花序发育不良、坐果率下降），以及叶面积、光合作用和果实产量的减少。同时，适度水分亏缺对浆果大小、代谢及某些化合物的合成具有积极影响，进而影响葡萄酒的颜色、风味和香气。在此背景下，改善地中海葡萄园的水分管理以实现可持续和高质量生产变得至关重要。

在评估葡萄植株水分状况的众多方法中，利用压力室测定叶片水势（Ψ_leaf）或茎水势（Ψ_stem）是最准确且应用最广泛的方法，但该方法具有破坏性、耗时费力，且易受温度、光照、叶片大小和位置等多种因素影响。其他基于植株的检测方法，如热传感器、茎流计和树干直径变化记录仪，因其成本高、使用维护复杂而被认为不适用于大规模应用。因此，亟需开发快速、可靠且非破坏性的葡萄植株水分状况评估技术。

紫外-可见-近红外（UV-Vis-NIR）光谱结合化学计量学方法为快速可靠地测定多种理化参数提供了有前景的途径。近红外区域（730–2300 nm）对植物组织中水的存在和状态尤为敏感，源于O–H、N–H和C–H分子振动的弱倍频和组合频带。水分的强吸收特征通常出现在约1400–1440 nm和1900–1950 nm附近，已被广泛用于食品和植物材料的定量水分含量分析。尽管UV-Vis-NIR光谱在评估植株水分状况方面显示出巨大潜力，但大多数研究是在受控条件下使用来自有限数量葡萄园、葡萄品种和生长季的均质样本进行的。此外，田间应用面临额外挑战，如便携式光谱仪光谱分辨率较低、波长范围受限，以及环境光波动等噪声影响。为克服这些局限，本研究旨在利用三个生长季中从五个代表加利西亚对比性环境条件的葡萄园采集的干燥叶片样本，开发PLS回归模型以预测葡萄Ψ_stem，并评估模型在对比性气候条件下的稳健性和跨葡萄园的可迁移性。

二、研究开展与主要结论

本研究在西班牙加利西亚的三个葡萄酒产区共五个葡萄园开展，包括Rías Baixas地区的Val do Ulla和Vilagarcía de Arousa、Ribeira Sacra地区的San Victorio和Quiroga，以及Ribeiro地区的Leiro。研究涵盖Albari?o、Treixadura、Branco lexítimo、Godello、Mencía和Sousón等葡萄品种，共193份叶片样本，覆盖2020、2021和2022三个生长季。灌溉管理因园而异：San Victorio为雨养；Val do Ulla、Vilagarcía de Arousa和Quiroga为亏缺灌溉；Leiro为充分灌溉。样本在转色期（7月至8月）采集自中等活力的结果枝上第二果穗对面的叶片，每样本20片叶。Ψ_stem在正午时分采用压力室技术测定，叶片在测定前置于不透明密封塑料袋中至少1小时以防止蒸腾并使叶片与茎水势达到平衡。叶片经烘干、研磨后，使用JASCO V-770光谱仪在190–2600 nm范围内以反射模式扫描获取光谱数据。研究人员采用多种光谱预处理技术（基线校正B、标准正态变量SNV、均值中心化MC、Savitzky–Golay一阶导数FD、光谱变换SP、去趋势Detrend等）及其组合，建立PLS回归模型，并通过20段内部随机交叉验证优化模型。

三、关键技术方法

研究人员采用的主要技术方法包括：（1）压力室技术测定茎水势Ψ_stem，作为葡萄植株水分状况的参考标准；（2）UV-Vis-NIR光谱技术（190–2600 nm全光谱范围），在实验室受控条件下获取干燥研磨叶片样本的反射光谱；（3）多种光谱预处理方法（基线校正、标准正态变量、均值中心化、一阶/二阶导数、光谱变换、去趋势等）以消除散射效应和基线漂移等光谱变异源；（4）偏最小二乘（PLS）回归建模，用于建立光谱数据与Ψ_stem之间的定量关系模型；（5）主成分分析（PCA）用于探索光谱数据的多维结构和样本分布特征；（6）Hotelling T²统计量用于识别多元离群样本。样本来源为西班牙加利西亚五个葡萄园，覆盖三个生长季和六个葡萄品种，样本按66.6%/33.3%比例划分为校准集（n=129）和独立验证集（n=64）。

四、研究结果

Ψ_stem的描述性统计与环境特征

不同产区间的平均Ψ_stem值存在差异，范围从?0.50到?0.93 MPa，全部观测值范围从?1.40到?0.30 MPa，平均变异系数为35.89%。根据Miras-ávalos和Araujo提出的阈值，Vilagarcía de Arousa和Val do Ulla的葡萄植株无水分胁迫（Ψ_stem ≥ ?0.60 MPa）；Quiroga和San Victorio经历弱至轻度水分亏缺（?0.90 MPa ≤ Ψ_stem < ?0.60 MPa）；Leiro表现出轻度至中度水分亏缺（?1.10 MPa ≤ Ψ_stem < ?0.90 MPa）。相关性分析显示，Ψ_stem与降水量呈正相关（r = 0.63，P < 0.05），与温度（r = 0.52）和相对湿度（r = 0.48）也呈正相关但未达显著水平，表明较不干旱的大气条件与较高的Ψ_stem值（即水分胁迫较轻）相关。

光谱特征

在可见光区域，约550 nm处出现主要反射峰，对应光合有效辐射范围（370–700 nm），与叶绿素含量相关。在近红外区域，约970 nm处的吸收带可归因于水分子O–H伸缩振动的二阶倍频，作为叶片水分状况的指示；1400–1450 nm区域对应一阶倍频；1940 nm处的吸收峰与O–H伸缩和弯曲振动模式的组合相关，与植株水分状况密切相关。尽管叶片在光谱采集前经干燥处理，但1450–1940 nm吸收特征仍可反映与Ψ_stem变化相关的结合水和结构水含量的生理相关差异。

主成分分析（PCA）

前两个主成分解释了总方差的91%（PC1占74%，PC2占17%）。样本在PC1上的分布与地理区域密切相关：Val do Ulla、Vilagarcía de Arousa和Quiroga的样本主要分布在PC1负侧，而Leiro和San Victorio的样本主要位于PC1高正值区域，对应数据集中最负的Ψ_stem值。PC1与Ψ_stem呈显著相关（r = 0.32，P < 0.001），确认光谱变异的主轴捕捉了与植株水分状况相关的生理信息。载荷图显示PC1主要贡献来自约1450 nm和1940 nm波长（NIR强水吸收区域），PC2则受约660–680 nm（叶绿素吸收）和2300–2500 nm（木质素和纤维素）区域影响。

PLS回归分析

采用全光谱范围建立全局PLS模型，不同预处理下R²值范围为0.64至0.85。光谱变换（SP）预处理单独使用或与基线校正组合使用时表现最佳（R²_val = 0.85，RMSEP = 0.17 MPa）。按农学意义的水分状况阈值分类，模型在非胁迫类别（Ψ_stem ≥ ?0.60 MPa）中分类准确率达94.2%，在轻度胁迫类别（?0.90 MPa ≤ Ψ_stem < ?0.60 MPa）中为68.2%，在中度胁迫类别（Ψ_stem < ?0.90 MPa）中为75%。PLS回归载荷图显示，约1450 nm和1940 nm的水吸收区域、约500–680 nm的可见光区域（色素相关过程）以及2200 nm以上区域（纤维素和木质素等结构组分）对预测贡献显著。将全光谱划分为UV、Vis和NIR三个区域分别建模时，UV区域预测系数普遍较高（B+FD+SNV组合下R²_val = 0.82），但各光谱区域的模型均未超越全光谱模型的预测精度，表明综合光谱信息贡献了更高的预测准确性。

跨葡萄园评估

将全局模型应用于各产区数据集时，除Leiro外（最佳结果来自可见光区域，R²_val = 0.37），其余产区均在全光谱下获得最佳统计结果（R²_val ≥ 0.74）。Quiroga采用B+FD+SNV预处理时预测效果最佳（R²_val = 0.84，RMSEP = 0.12 MPa），San Victorio同样采用该组合（R²_val = 0.74，RMSEP = 0.11 MPa）。Val do Ulla和Vilagarcía de Arousa均采用B+SD+SNV组合，验证R²分别为0.77和0.78。Leiro表现不佳可能与其包含三个葡萄品种（Treixadura、Mencía和Sousón）导致的生物异质性增加、充分灌溉和传感器引导的灌溉调度引入的短期变异性，以及该园更多样本被识别为多变量离群值有关。区域特定模型方面，Quiroga表现出最佳预测能力（R²_cval = 0.84，SECV = 0.13 MPa），Leiro和Val do Ulla的交叉验证系数较低（分别为0.77和0.51）。区域特定模型与全局模型的比较显示，模型性能不仅取决于地理邻近性，还取决于校准数据集的多样性和代表性。

五、讨论与结论

讨论

研究结果与既往文献一致，即NIR光谱结合PLS回归可有效预测葡萄水分状况。与以往研究相比（De Bei等报道R²范围为0.66–0.79；Diago等报道全局R²为0.69），本研究通过扩展光谱范围覆盖UV/Vis/NIR区域、严格控制采集条件以减少环境噪声，实现了更高的预测精度（R²_val = 0.85）。全局模型在大多数葡萄园表现良好，但在Leiro性能下降，表明环境和田间管理条件可能影响模型稳健性和可迁移性。最佳光谱预处理策略因葡萄园而异，凸显了根据校准数据集特征选择预处理方法的重要性。研究局限性包括：葡萄品种、葡萄园位置、生长季和灌溉管理在实验设计中固有混杂，其各自对光谱变异和模型性能的贡献无法独立评估；San Victorio样本量有限（n=13）限制了统计稳健性和泛化能力。未来研究应扩展至更多生长季和独立产区，并探索光谱、气候和成像信息的整合以及模型迁移策略，以开发更实用的精准灌溉管理工具。

结论翻译

本研究证明了UV-Vis-NIR光谱结合PLS回归建模在西班牙加利西亚多样葡萄酒产区预测葡萄Ψ_stem的潜力。本研究的主要优势之一在于使用扩展光谱范围（UV/Vis/NIR），能够捕捉与植株水分状况相关的更广泛叶片理化性质。此外，对采集条件的严格控制，最大限度地减少了环境噪声（如环境光波动或大气变异性），有助于开发高度准确和可重复的预测模型（验证R²最高达0.85），优于以往研究。全局模型与葡萄园特定PLS回归模型的比较表明，预测性能取决于葡萄园特征。尽管全局模型对大多数葡萄园提供了良好精度，但其在Leiro的性能下降，表明环境和田间管理条件可能影响模型稳健性和可迁移性。同样，各葡萄园的最佳光谱预处理策略有所不同，凸显了根据校准数据集特征选择预处理方法的重要性，尽管最佳全局模型采用了光谱变换（SP）。总体而言，研究结果表明所提出的方法在受控实验室条件下提供了具有生理学意义且准确的葡萄Ψ_stem估算。通过结合宽光谱信息与稳健的多变量建模，该方法为进一步开发可迁移的光谱工具以支持葡萄园水分状况评估和精准灌溉管理奠定了坚实基础。