基于IoT传感器连续监测土壤水分条件下土壤性质与冠层状态对马铃薯性状的影响

《American Journal of Potato Research》：How Do Soil Properties and Canopy Status Influence Potato Traits while Continuously Monitoring Soil Moisture with Iot-Based Sensors?

　　

与马铃薯产量和品质相关的土壤属性与由土壤质地（ST）决定的土壤水分储量（SWS）存在隐含联系。该土壤属性同时影响马铃薯冠层，后者可通过无人机（UAV）进行间接评估。本研究于2022年在波兰中部（52°4′ 50.94" N, 21°10′ 6.73" E）的雨养生产田开展，旨在确定能够最大程度决定马铃薯（Solanum tuberosum L.）性状——总产量（TY）、干物质（DM）含量和平均块茎重（ATW）——的土壤与冠层状态相关解释性属性（NDVI——归一化差异植被指数）。土壤水分储量通过连续测量的体积含水量（VWC）推算，测量采用安装于三个深度（10、20和30 cm）的水分传感器，传感器通过互联网交换数据（基于IoT的传感器）。因此，本研究第二个目标是评估SWS的时间变化以及SWS低于限制作物生长水平持续的时间对不同ST采样区TY的影响。马铃薯在产量形成关键阶段处于次优水分供应条件下生长。较多解释性土壤与冠层状态相关属性显著且更大程度地影响ATW和TY而非DM含量。在叶片发育至冠层封闭阶段之间测定的SWS在形成ATW和TY方面的作用比土壤化学属性更为关键。来自五幅UAV图像中四幅（种植后58–100天——DAP）的NDVI与产量和ATW呈极高相关性（r值为0.79–0.90），且该冠层状态指标优于所有基于土壤的变量。基于砂粒和粉粒含量、Cu和Zn的土壤肥力、果实发育期测定的NDVI以及叶片发育与冠层封闭之间记录的土壤水分储量的模型，对TY和ATW预测分别显示出最低RMSE，为5.85 t?ha^?1和7.98 g。仅基于冠层封闭至开花结束之间NDVI评估及同期测定的SWS的模型，是预测TY（RMSE = 6.67 t?ha^?1）和ATW（RMSE = 9.23 g）的有力替代方案。在TY最高、以壤质砂土ST为特征的采样区，SWS亏缺始于46 DAP且仅持续12天。相反，在TY最低、以砂土ST为特征的采样区，SWS亏缺从34 DAP开始，且这一限制作物生长期持续34天。

研究背景方面，欧洲约占全球马铃薯产量的26.2%，波兰是中东欧主要马铃薯生产国之一。近二十年来波兰马铃薯平均产量每年增长0.79吨，但在水资源短缺和降雨分布不均的年份，全国平均产量显著下降。这归因于水分胁迫——水分供应相对于蒸散发的负平衡，表现为气候水分平衡（CWB）。水分胁迫还负面影响块茎品质，导致畸形并降低商品产量。马铃薯因根系稀疏、浅层且穿透力弱而被视为干旱敏感作物，但在保水能力低至中等的砂土和砂质壤土中产量表现良好。波兰农业用地中极轻质土壤（主要为砂土，占28%）和轻质土壤（主要为壤质砂土及部分砂质壤土，占30%）的广泛分布，使这些质地类型的土壤常用于马铃薯种植。马铃薯的水分需求在极早期由母薯满足，当叶面积指数（LAI）超过0.75后母薯作为能量供给者的角色停止。此后生长阶段，水分由土壤中储存水 reserves 或通过不同灌溉调度方法供应，或两者兼有。据波兰马铃薯协会统计，波兰马铃薯灌溉总面积目前仅约占25%，许多马铃薯田因水源有限和灌溉系统成本高昂而仅依靠雨养。当前物联网（IoT）发展使农业中能够连续监测土壤水分亏缺，这是控制马铃薯块茎产量和品质的关键因素。然而，在不同深度安装探针以提供实时土壤水分读数的研究有限。近期系统综述显示，49项同行评审研究（2000–2025）中仅8%涉及使用直接和间接测量在马铃薯特定地点进行土壤水分监测。通常土壤水分传感器安装数量有限，仅安装在代表不同灌溉处理或基于表观电导率（EC）测量建立的灌溉区，而非监测因土壤质地（ST）本身差异导致的土壤水分的空间和时间变异。因此，不同田块部分因不同ST而测得的相同VWC导致不同的土壤水分储量（SWS），从而造成植物水分有效性的差异。多数农民在田块间施用统一施肥量，但由于普遍存在的土壤空间变异，马铃薯实际生长条件具有地点特异性。除传统土壤和植物采样方法外，基于传感器的解决方案也已可用。在遥感方法中，无人机（UAV）能够利用植被指数（VIs）评估土壤和植物状态，这些指数是马铃薯冠层生长和产量的间接度量，可整合到马铃薯模型中以提高产量预测精度。在众多使用的VIs中，NDVI由Rouse等（1973）开发，是最常用的VI，因其可从各种遥感平台获取、计算简单、应用和解释方便。NDVI作为冠层相关变量，可视为由各种土壤相关变量与SWS相互作用引起的作物活力的度量。研究假设是将广泛的土壤相关变量集与间接冠层变量——在整个马铃薯生育期登记的NDVI——整合，能比单独处理这些变量更好地解释它们与马铃薯性状之间的关系。本研究旨在确定在生产田块上最大程度决定马铃薯性状即总产量（TY）和品质指标干物质（DM）含量和平均块茎重（ATW）的解释性土壤和冠层状态相关属性。研究新颖性在于利用四种独特方法（模型）整合全面的土壤和冠层信息以理解和预测马铃薯性状。此外，使用安装在不同ST各采样区三个深度的田间IoT土壤水分传感器连续监测马铃薯植物的SWS。此类传感器能够测量土壤水分水平在空间（田块内）和时间（生育期内）上的波动，但文献综述显示尚未在马铃薯其他研究中测试。基于体积含水量的整合，在产量形成关键阶段即块茎形成和块茎膨大阶段（对水分胁迫最敏感）测定了0–40 cm层（马铃薯根系主要集中层）的SWS。因此，SWS被作为雨养条件下的土壤相关解释变量之一。本研究第二个目标是评估整个生育期SWS的时间变化以及SWS降至限制点以下的时段长度对不同ST采样区TY的影响。

研究人员开展了以下研究：研究于2022年在波兰中部华沙生命科学大学研究农场（Wilanów-Obory）商业化雨养马铃薯生产田（8.88 ha）进行。气候为湿润大陆性，冬季寒冷夏季炎热。30年平均（1991–2020）年降水量550 mm，其中313 mm在马铃薯生长季（5月至9月底）。2022年年降水量589 mm，年平均气温9.4 °C。田块海拔87 m，地形平坦。土壤为冲积土，平均土壤有机质（SOM）含量1.77%，KCl溶液pH 6.02。马铃薯采用4年轮作，前作为冬油菜。2021年秋季施用35.6 t·ha^?1牛厩肥和10.7 m³·ha^?1牛浆。种植前施用氯化钾和磷酸铵，种植后三周施用磺硝酸铵和硝酸铵。2022年5月9日种植半早熟Hermes品种，行距75 cm，株距30 cm，行向东西。利用2021年冬油菜产量图和1:5000历史土壤图在不同生长条件地点设置20个土壤和马铃薯采样区（各3 m²），使用GNSS-RTK接收机导航至中心点。降雨由距田块约1.5 km的雨量计记录，其他气象数据来自距田块约13 km的气象站。使用Penman–Monteith公式计算参考蒸散。UAV（Phantom 4 Multispectral）配备RTK校正，以2周间隔在BBCH阶段飞行5次：6月22日44 DAP（BBCH 39）、7月6日58 DAP（BBCH 61）、7月20日72 DAP（BBCH 69）、8月3日86 DAP（BBCH 70–79）、8月17日100 DAP（BBCH 81–89）。飞行垂直于阳光方向，接近正午，无云天气。高度约80 m，分辨率4 cm像素^?1。使用Pix4DFields生成正射影像和NDVI，QGIS提取各采样区平均NDVI。挖薯前采集土壤样品进行理化分析，使用Penetrologger测定土壤阻力（SR）至80 cm深度，取15和25 cm深度原状土样测定容重（BD），每采样区取15个土壤子样混合用于化学和质地分析。有效养分含量采用Mehlich-3法测定，使用Avio 200 ICP光谱仪。土壤pH在1 mol KCl溶液中测定。SOM、N和S总含量使用Elementar Vario MacroCube分析仪测定。土壤颗粒分布采用Casagrande比重计法（Prószyński修改）分析，按USDA分类确定土壤分离物含量。土壤EC于2022年10月28日使用MSP-3平台测定30 cm（ECsh）和90 cm（ECdp）深度。种植后25天在每个采样区中间三个深度（10、20、30 cm）水平安装Yosensi土壤水分传感器，采用75 MHz低频电容探头，测量介电常数（以电压表示），通过校准方程转换为VWC（每小时测量，日均值），计算0–40 cm层平均SWS。使用W?sten等（1999）的土壤传递函数评估土壤水分保持曲线，计算Van Genuchten（1980）方程参数。限制点假定土壤基质势为?500 cm，凋萎点为?15,848 cm。使用Assouline和Or（2014）的物理基础解析方程预测FC时SMC。SWS计算为以下时期的平均值：SWSaP1（BBCH 10–19至BBCH 39）、SWSaP2（BBCH 39至BBCH 61）、SWSaP3（BBCH 61至BBCH 69）、SWSaP4（BBCH 69至BBCH 70–79）、SWSaP5（BBCH 69至BBCH 81–89），并确定各时期SWS最小值、最大值、范围和标准差。8月31日去除茎叶，9月12–13日手动收获各3 m²采样区，测定总产量和块茎总数，计算ATW。干物质含量使用比重法（空气中重量/水中重量法）测定，样品3.64 kg。统计分析包括计算20个采样区解释变量和响应变量之间的相关性及p值低于0.05的统计显著性。解释变量包括土壤化学属性（P、K、Ca、Mg、Al、Na、Cu、Fe、Mn、Zn、B、Ni、Co有效含量，KCl pH，SOM、N、S总含量）和物理属性（SWS各时期、SWSmin、SWSmax、SWSrange、SWSstd、BD、ST、SR、EC），以及各次飞行NDVI值。响应变量为收获时测定的TY、ATW和DM含量。采用冗余分析（RDA）作为多元回归的扩展，同时建模所有品质响应，识别主要环境梯度，通过降维处理有限样本量，生成直观双标图。RDA使用R包vegan v2.8-0在RStudio中完成，图形使用ggplot2制备。分析前对三个响应变量数据集以标准差方法标准化。使用调整R²（R²_adj）评估RDA性能。建模部分考虑四种模型（策略）：M1基于最高相关性（r > 0.50）选择描述变量，使用RDA预测马铃薯性状；M2仅代表土壤物理属性；M3仅研究土壤化学属性；M4假定马铃薯性状仅依赖植物发育间接指标（NDVI）和SWS属性。M1为无限制模型，从48个候选变量中基于相关性选择，代表可获得的最大解释力，作为基准。M2和M3反映仅有一种土壤信息域可用的操作场景。M4考虑基于UAV NDVI和IoT SWS的联合土壤和冠层方法，无需土壤采样。使用留一交叉验证（LOO CV）评估RMSE_CV误差，基于七项统计指标对模型性能排名。

研究结果表明：所有采样区马铃薯平均产量为49.5 t?ha^?1，范围16.2至67.1 t?ha^?1。TY和ATW变异系数相似，分别为26.2%和25.4%。DM含量变异较小，变异系数4.06%。砂土（2号）和壤土（7号）采样区DM含量分别为22.0%和22.6%，接近田块平均值。土壤化学属性中，仅在2号和9号采样区观察到酸性土壤和Mg、Mn、Zn低肥力可能限制产量，但两区产量差异很大（16.2和57.7 t?ha^?1），表明2号区还有其他限制因素。田块犁层主要由砂质壤土（西部）和壤质砂土（东部）组成，砂土和壤土质地仅出现在2号和7号单采样区。犁层以下土壤阻力平均值高于2.1 MPa，可视为限制作物根系深穿透、导致排水不良和深层水分储存差的因子。0–30和0–90 cm层EC平均值和范围相似，表明土壤剖面内ST无显著变化。15 cm深度BD平均值1.55 g cm^?3（范围1.34–1.68），25 cm深度BD较高，平均1.62 g cm^?3（范围1.48–1.72）。相关性分析显示，较多解释变量显著且更大程度影响ATW和TY而非DM含量。NDVI来自五幅UAV图像中四幅（58–100 DAP）与产量和ATW呈极高相关性（r值0.79–0.90），优于所有土壤基变量。RDA结果：M1中，8月17日NDVI因与其他描述变量高度相关而冗余。五个解释变量负责DM、ATW和TY形成。砂粒含量与所有马铃薯性状负相关，限制其发展。DM强烈正依赖于粉粒含量。前两个RDA组分解释数据集变异的近87%。TY和ATW与砂粒强负相关，与粉粒含量、Zn和Cu土壤肥力、8月3日NDVI及SWSaP1（BBCH 10–19至BBCH 39）正相关。最高DM来自A6和A13采样区，最低DM为A5和A17。M2结果显示较高砂粒含量、25 cm BD和某些深度SR对TY和ATW的负影响，粉粒含量显著正影响DM，15 cm BD增加负影响DM，前两个组分解释近85%变异。M3显示较高钠和铜含量及较高pH与所有因变量正相关，磷含量增加负影响所有性状，M3性能相对较低，仅解释45.5%变异。M4解释近66%数据集变异，6月22日和7月20日NDVI及SWSaP1正影响所有性状，NDVI可视为补充SWSaP1的冠层指标。模型性能汇总：R²_adj最高为M1，最低为M3。M1的RMSE对TY和ATW最低（5.85 t?ha^?1和7.98 g），DM的RMSE略低于M2。M1和M2的RMSE_CVLOO水平相似。M4仅基于NDVI和SWSaP1，是预测TY（RMSE = 6.67 t?ha^?1）和ATW（RMSE = 9.23 g）的有力替代，其RMSECVLOO对后两性状最低。若仅基于交叉验证结果排名，M4性能最高。四个模型应解释为回答四个不同实践问题：M1显示广泛土壤物理、化学和冠层信息可用时的可实现效果，R²_adj = 0.832，TY和ATW的RMSE最低，确认结合ST、土壤微量营养状态和冠层/SWS信息捕获大部分可解释的田块内变异，但需实验室土壤分析；M2保留M1大部分性能（R²_adj = 0.781），M3性能显著较差（R²_adj = 0.268），表明该田块与根系和水运动相关的物理限制（质地、紧实）对TY和ATW变异的支配远大于化学肥力状态；M4完全不需要土壤采样，R²_adj低于M1或M2，但TY和ATW的RMSECVLOO最低，表明NDVI和连续SWS监测不仅是土壤理化表征的较弱替代，而是补充的低成本预测途径，其预测稳健性与全模型相当。土壤水分储量对产量的影响：根据Liao等（2016），20 cm深度土壤温度和20–30 cm深度SMC是影响产量的显著因素。最优马铃薯生长推荐土壤水分取决于发育阶段：种植至早期藤蔓生长维持FC的70–80%，后期生长阶段80–90%，成熟期60–65%。本研究中所有采样区40 cm层SWS平均测量值为59.7 mm，介于田块FC时SWS平均值（88.5 mm）和限制点平均值（55.4 mm）之间。20个采样区中6个平均季节SWS在最优范围。选择四个不同产量采样区（2、7、8、11号）比较SWS，代表四种不同质地类型：砂土（2）、壤质砂土（11）、壤土（7）、砂质壤土（8），覆盖产量变异全范围（16.2至67.1 t ha^?1）。生长季（5月9日至9月13日）ETo计算值427.7 mm，降水280 mm，CWB值147.2 mm，证实马铃薯总体在次优水分供应下生长。正降水亏缺仅在5月最后十年和7月第一十年观察到，6月全月为负CWB值，最显著水分亏缺发生在块茎形成和块茎膨大阶段。2号砂土采样区产量最低（16.2 t·ha^?1），土壤持水能力最低，SWS在生长季显著部分（34至68 DAP）低于限制点32 mm，块茎ATW最低（45.1 g）。11号壤质砂土采样区产量38.8 t·ha^?1，平均SWS较高（50.7 mm），SWS低于限制点（45.4 mm）首次记录于47–57 DAP，比2号区晚13天且持续时间更短。7号壤土采样区产量59.5 t·ha^?1，平均SWS 74.8 mm，低于限制点82 mm，平均土壤水分略低于最优水平，首次出现在35 DAP，持续25天。8号砂质壤土采样区产量最高（67.1 t·ha^?1），平均SWS 97.2 mm，直至46 DAP才降至限制点77.4 mm以下，仅持续12天，充足SWS也产生最高平均块茎重。四个采样区在显著降雨（超过10 mm）后观察到SWS明显变化（如53、58、60、83和98 DAP），表明土壤水分传感器工作正常。最显著的SWS变化（水分耗竭）发生在SWSaP1和SWSaP2时期（25至58 DAP），涵盖块茎形成和块茎膨大时间，马铃薯对干旱最敏感。SWS不足也反映在6月22日（44 DAP）和7月20日（72 DAP）UAV图像NDVI变异性较高。

讨论部分总结：研究分析了描述变量对马铃薯性状的影响，表明影响ATW和TY的因素比影响DM含量的因素更显著或更多变。四个测试模型中，模型1基于砂粒和粉粒含量、Cu和Zn土壤肥力、果实发育期UAV测定NDVI及叶片发育与冠层封闭之间（BBCH 10–19和BBCH 39）记录的SWSaP1，按调整R²、RMSE和RMSECVLOO排名最高。若仅基于交叉验证结果（RMSECVLOO），模型4（包含冠层封闭和开花结束时两次测定NDVI及SWSaP1）性能排名最高。模型1和模型4代表两种不同的预测马铃薯性状的实践策略，数据投入差异显著。模型1实现最高总体解释力，但需要实验室土壤物理和化学分析（砂粒和粉粒含量、植物有效Cu和Zn）结合UAV NDVI，最适合已有详细一次性土壤表征的情况。模型4仅依赖两种现代非破坏性数据源即UAV NDVI和IoT SWS，无需土壤采样或实验室分析，尽管数据需求大幅降低，模型4的交叉验证预测精度至少与模型1相当，按RMSECVLOO标准对TY和ATW略优。这表明连续低成本遥感和田间传感可近似实验室信息模型的预测能力，使模型4成为商业雨养马铃薯生产中季产量预测和早期识别表现不佳田块区的实用候选。由于实验室土壤分析的成本、周转时间或后勤复杂性限制模型1常规使用，可提出模型1和模型4为互补而非竞争工具：模型1作为诊断工具识别驱动产量变异的田块特异性土壤和冠层属性，模型4作为适合实时中季决策的操作用传感器预测工具。由于模型4在单田块和单生长季开发和交叉验证，其预测优势应在额外田块、土壤质地和季节确认后再作为独立操作工具采用。此外，使用农民田块研究产量限制因素存在一个问题，因为农民调整管理以最大化净收益，例如供应土壤缺乏的养分，从而削弱微量和大中量元素对TY和其他马铃薯性状的影响。因此，寻找直接影养分吸收的解释性土壤状态相关属性（即SWS）和可通过遥感确定因而反映冠层状态的解释性冠层状态相关属性是合理的。最低产量采样区以砂土ST为特征，是20个测试采样区中持水能力最低的，SWS亏缺始于34 DAP并持续34天。相反，最高产量采样区以砂质壤土ST为特征，平均SWS直至46 DAP才降至限制作物生长点以下，仅持续12天。

研究结论翻译：分析表明，较大比例的描述变量显著影响ATW和TY而非DM含量。这表明影响ATW和TY的因素比影响DM含量的因素更显著或更多变，这可能对理解研究中这些变量的动态有意义。在测试的四个描述变量对马铃薯性状影响的模型中，模型1基于砂粒和粉粒含量、Cu和Zn土壤肥力、果实发育期UAV测定NDVI及叶片发育与冠层封闭之间（BBCH 10–19和BBCH 39）记录的土壤水分储量（SWSaP1），按调整R²、RMSE和RMSECVLOO排名最高。若仅基于交叉验证结果（RMSECVLOO）排名，模型4（包含冠层封闭和开花结束时两次测定NDVI及SWSaP1）性能排名最高。超越相对统计性能，模型1和模型4代表两种不同的预测马铃薯性状的实践策略，数据投入差异显著。模型1实现最高总体解释力，但需要实验室土壤物理和化学分析（砂粒和粉粒含量、植物有效Cu和Zn）结合UAV NDVI，因此最适合已有详细一次性土壤表征的情况。模型4仅依赖两种现代非破坏性数据源即UAV NDVI和IoT SWS，无需土壤采样或实验室分析。尽管数据需求大幅降低，模型4的交叉验证预测精度至少与模型1相当，按RMSECVLOO标准对TY和ATW略优。这表明连续低成本遥感和田间传感可近似实验室信息模型的预测能力，使模型4成为商业雨养马铃薯生产中季产量预测和早期识别表现不佳田块区的实用候选。这尤其重要，因为实验室土壤分析的成本、周转时间或后勤复杂性限制模型1作为数据密集方法的常规使用。因此，可提出模型1和模型4为互补而非竞争工具：模型1作为诊断工具识别驱动产量变异的田块特异性土壤和冠层属性，模型4作为适合实时中季决策的操作用传感器预测工具。由于模型4在单田块和单生长季开发和交叉验证，其预测优势应在额外田块、土壤质地和季节确认后再作为独立操作工具采用。此外，使用农民田块研究产量限制因素存在一个问题，因为农民调整管理以最大化净收益，例如供应土壤缺乏的养分，从而削弱微量和大中量元素对TY和其他马铃薯性状的影响。因此，寻找直接影养分吸收的解释性土壤状态相关属性（即SWS）和可通过遥感确定因而反映冠层状态的解释性冠层状态相关属性是合理的。最低产量采样区以砂土ST为特征，是20个测试采样区中持水能力最低的，SWS亏缺始于34 DAP并持续34天。相反，最高产量采样区以砂质壤土ST为特征，平均SWS直至46 DAP才降至限制作物生长点以下，仅持续12天。