豆类作物中的喷雾施用量、助剂及硼元素的行为：来自塞拉多地区生理响应与遥感技术的见解 作者：Fábio Henrique Rojo Baio、Cid Naudi Silva Campos、Larissa Pereira Ribeiro Teodoro、Job Teixeira de Oliveira、Simone Pereira da Silva Baio、Dthenifer Cordeiro Santana、Fernanda Ganassin、Dilier Olivera Viciedo 和 Paulo Eduardo Teodoro

《AgriEngineering》：Spray Application Rates, Adjuvants, and Boron Behavior in Soybean: Insights from Physiological Responses and Remote Sensing in Cerrado Fábio Henrique Rojo Baio, Cid Naudi Silva Campos, Larissa Pereira Ribeiro Teodoro, Job Teixeira de Oliveira, Simone Pereira da Silva Baio, Dthenifer Cordeiro Santana, Fernanda Ganassin, Dilier Olivera Viciedo and Paulo Eduardo Teodoro

　　摘要：在巴西塞拉多地区的氧化土中，硼的应用通常通过与多种成分混合的罐装肥料通过叶面喷施的方式实现。本研究调查了不同喷施速率（40、70、100和130升/公顷）和助剂类型（有机硅表面活性剂；甲基化种子油；以及水对照组）对硼沉积及其导致的生理状态的交互效应。有机硅表面活性剂提供了更好的技术稳定性和沉积效率，使得喷施速率可以降低到40至70升/公顷之间，同时在整个评估范围内保持稳定的叶片硼含量。相比之下，甲基化油的效果严格依赖于物理沉积，在中等喷施速率下才有效，而单独使用水在较低喷施量时则存在较高的技术失败风险。此外，NDRE指数在监测高密度冠层中的沉积效率方面比NDVI更为敏感和可靠，因为它避免了信号饱和。最后，多元分析表明，在塞拉多地区，大豆产量主要受水分和热胁迫（TVDI）的影响，而优化的硼施用作为这些环境条件下生殖成功和产量稳定的关键因素。

1. 引言
在大豆（Glycine max）中，叶面微量营养素补充越来越多地与农用化学品结合使用。这些营养素不再单独施用，而是通常与植物保护产品和表面活性剂集成到复杂的罐装混合物中，以优化田间操作[1]。然而，这些多组分喷雾溶液极易受到大气漂移的影响，可能导致肥料流失到目标区域之外，从而减少对冠层的养分供应[2,3]。特定助剂化学类别与减少喷施量之间的精确协同作用，以最大化低移动性营养素（如硼（B）的叶面吸收，目前仍不甚明了，也未在大规模生产中得到优化。因此，确保微量营养素和农药能够到达预期作用部位需要精确的施用技术安排。喷施速率（SAR）和使用专用助剂等因素对于控制液滴与目标的相互作用至关重要，这有助于在不同环境条件下调整液滴谱，从而提高整个作物冠层的沉积均匀性[4]。鉴于巴西塞拉多地区氧化土中硼的生物有效性经常受到有机物矿化速率低和固有土壤限制的影响[5]，这种叶面施用的技术改进是必要的。作为大豆作物的重要微量营养素，硼对多种代谢功能至关重要，从碳水化合物运输和膜完整性到蛋白质合成和硝酸盐代谢的调节[6,7]。此外，硼在生殖发育中的关键作用，特别是在花粉活力和受精过程中，为理解为什么在这种环境下高效沉积这种营养素对于保持产量稳定至关重要提供了生理基础[8,9]。虽然显著降低SAR可以提高操作能力和物流效率，但如果没有扎实的技术基础，实施这种降低措施可能会导致目标覆盖不足，并因可能需要进行重复施用而增加生产成本[10]。尽管精确的叶面施用非常重要，但一个全面的框架来优化SAR、特定助剂机制和实时植物生理状态之间的协同作用仍大多尚未开发。特别是，尚未确定无论是否存在助剂，降低SAR会何时影响硼的吸收。这一科学空白在塞拉多地区一年生作物的高效硼施用方面尤为明显[11]，并且在高密度冠层的特定条件下也尚未得到充分优化。

最近的研究强调，随着冠层密度的增加（通常表现为更高的植被指数（VI）值），必须相应调整SAR，以维持对中层和下层冠层的有效液滴穿透和沉积[12]。光谱传感器有助于间接评估植物叶片表面和生理状态，利用叶绿素在可见光谱中的选择性吸收及其在近红外区域的强烈反射[13]。现代精准农业越来越多地使用配备多光谱传感器的无人机（UAV）来获取高分辨率图像，从而能够计算归一化差异植被指数（NDVI）和其他高级指数，用于高通量表型分析[14]。通过将NDRE和TVDI等光谱指数作为与养分输送相关的生理状态的代理指标，本研究超越了静态评估方法，迈向了实时生理状态的评估。因此，本研究旨在探讨不同SAR和助剂类型对硼沉积和叶面吸收的交互效应，并验证多光谱植被指数在优化大豆作物喷施技术中的潜力。

2. 材料与方法
实验在巴西马托格罗索杜苏尔联邦大学Chapad?o do Sul校区的试验田进行（南纬18°46′26″，西经52°37′28″；海拔810米），在2022/2023作物季节进行（图1）。该地区的气候被归类为热带稀树草原型。土壤化学分析结果显示：pH（CaCl2）= 5.57；有机质 = 21.89克/分米3；pH值 = 35.44毫克/分米3；H + Al = 27.00毫摩尔/分米3；K = 1.58毫摩尔/分米3；Ca = 41.50毫摩尔/分米3；Mg = 11.83毫摩尔/分米3；S = 3.28毫克/分米3；阳离子交换容量（CEC）= 81.91毫摩尔/分米3；碱饱和度（V）= 65.56％；微量营养素B = 0.19毫克/分米3，Cu = 1.23毫克/分米3，Fe = 40.06毫克/分米3，Mn = 2.22毫克/分米3，Zn = 3.03毫克/分米3。粘土、沙子和粉砂的比例分别为46%、46%和8%。试验区域的土壤被归类为红贫瘠氧化土[15]。在塞拉多土壤中种植大豆时，理想的硼含量范围为0.2至0.3毫克/分米3；低于此范围的值被认为是低的，适合涉及这种营养素的实验。

实验使用了由Brasmax Genética（巴西朗德里纳）开发并销售的大豆品种Brasmax Tanque i2X。该品种具有无限生长习性，全熟期平均周期为120天。播种时间为2022年11月中旬，行间距为0.50米，以实现每公顷220,000株的目标密度。播种时共施用了15公斤/公顷的氮（N）、81公斤/公顷的五氧化二磷（P2O5）和90公斤/公顷的氧化钾（K2O）。栽培措施根据需要进行，并遵循该地区的推荐[16]。实验采用随机完全区组设计，安排为因子方案，重复四次。第一个因素包括以下助剂处理：(i) 表面活性剂（SUR；基于有机硅的非离子表面活性剂Figher?，De Sangosse，Ibipor?，巴西），(ii) 油类（OIL；基于甲基化种子油的渗透剂Tatic?，UPL，Campinas，巴西），以及(iii) 水（WTR；作为对照组）。第二个因素包括四种喷施速率（SAR）：40、70、100和130升/公顷。每种助剂的剂量根据制造商的标签建议确定，并保持相对于喷雾溶液的恒定浓度（0.05% v/v）。叶面硼以硼酸（H3BO3）的形式施用，施用量为500克/公顷。在大豆的V6和R1生长阶段进行了两次喷施，使用的是针对每个目标SAR校准的CO2加压背包喷雾器（Herbicat，Catanduva，巴西）。

喷施速率是通过调整操作压力和前进速度获得的。对于40和70升/公顷的处理，使用了TeeJet TT 11001扁平风扇喷嘴（TeeJet Technologies，美国Wheaton），工作压力为100千帕，前进速度分别为2.33米/秒和1.33米/秒。100和130升/公顷的喷施速率分别使用TeeJet TT 110015喷嘴（TeeJet Technologies，美国Wheaton）实现，工作压力为210千帕，前进速度分别为1.67米/秒和1.28米/秒。在这些操作条件下，较低喷施速率的喷液谱体径（VMD）为279.3微米，较高喷施速率的VMD为236.8微米。液滴大小分布使用SPAN指数量化，40和70升/公顷处理的SPAN指数为1.42，100和130升/公顷处理的SPAN指数为1.24。小于100微米的液滴比例在较低喷施速率为8.17%，在较高喷施速率为3.32%。尽管使用了不同的喷嘴型号和压力组合来达到目标SAR，但VMD的变化被认为是微小的，并且在可比较的范围内。不同的SAR是通过同步喷嘴压力和速度模型来实现的，以反映大规模大豆生产中实际使用的施用技术配置。尽管这些调整导致VMD略有变化（从236.8微米到279.3微米），但液滴谱仍在可比较的范围内，且变化相对于载体体积的变化来说是次要的。

多光谱植被指数（VI）在V6和R1物候阶段进行了评估。无人机飞行与喷施评估同步进行，以确保生理数据的时间一致性。所使用的多光谱传感器具有61.9°的水平视场（HFOV）、48.5°的垂直视场（VFOV）和73.7°的对角视场（DFOV）。图像在当地时间上午9:00（无云的晴朗天空）获取，飞行高度为100米（当地海拔），空间分辨率为0.10米。空中调查使用了RTK（实时运动学）技术，可以以2.5厘米的精度估计拍摄图像时的相机位置。Parrot Sequoia（Parrot SA，法国巴黎）无人机的田间校准使用了e-Motion软件版本2.4.13，并在起飞前使用反射面板图像进行。由于飞行时间不到15分钟，因此着陆后无需重新校准。飞行时图像的侧向和正面重叠率分别为80%和85%，飞行路线垂直于同一研究区域，从而增加了后续处理步骤的数量和质量。对于每个光谱带和植被指数，使用QGIS 3.40.9版本中的“Extract Point Values”工具计算了各块/象限的所有像素的平均值。为了避免重复块之间的边缘效应，每个样地去除了一米的内缓冲区。

VI地图使用配备自主飞行控制和多光谱传感器的Sensefly eBee RTK固定翼无人机（SenseFly SA，瑞士Cheseaux-sur-Lausanne）获取。计算出的植被指数包括归一化差异植被指数（NDVI）、归一化差异红边指数（NDRE）和绿色归一化差异植被指数（GNDVI）。植被指数使用图像的平均值计算得出。图像处理，包括镶嵌和正射校正，使用Pix4Dmapper（Pix4D，版本4.1.24）完成。严格实施了辐射校正，将原始像素值转换为反射率因子，利用了传感器的阳光（辐照度）传感器和校准的反射率目标进行特定于田间的大气补偿。此外，还推导了温度植被干燥指数（TVDI），以评估作物的水分状态。这些模型基于使用Zenmuse H20T相机（DJI，中国深圳）集成到Matrice 300 RTK无人机平台（DJI，中国深圳）获取的高分辨率热数据进行处理。TVDI估计遵循了将叶面温度（FST）与植被指数（特别是NDVI）相关联的概念框架。该指数是通过定义FST/NDVI散点图的干燥和湿润边缘来推导的，分别代表最大和最小水分胁迫的限度。这一程序允许根据植被覆盖情况标准化温度变化，提供了一个敏感的作物水分可用性和蒸发冷却的指标。图像在受控飞行条件下获取，随后进行了热隔离和处理，以生成NDVI和表面温度（ST）地图。应用了掩膜标准来去除无效像素，如不需要的暴露像素和噪声，然后进行了质量控制程序以确保数据的一致性。在TVDI计算中，通过NDVI与FST之间的关系以及蒸发三角形的原理，定义了湿润边缘和干燥边缘。NDVI值被划分为若干区间，对于每个区间，确定了分布中2%（湿润极限）和98%（干燥极限）对应的极端FST值。湿润边缘是由与较低FST限制相关的像素的平均值确定的，而干燥边缘则是通过使用较高FST限制的像素进行线性回归拟合得到的。这些限制用于对模型进行标准化，使得TVDI可以在0到1的范围内进行估计，代表植被冠层上的水分状况。该指数的计算和解释基于Schirmbeck等人[17]描述的方法。为了评估喷雾沉积情况，向喷罐中添加了示踪染料酒石黄FD&C-5（三钠盐5-羟基-1-(4-磺苯基)-4-[(4-磺苯基)偶氮]-吡唑-3-羧酸酯）。利用酒石黄染料进行光谱定量分析已被广泛用作测量植物表面喷雾沉积的方法，从叶片组织中提取后可以提供可靠的喷雾沉积量估计[18,19]。为了确保所有处理中每公顷应用的一致示踪剂量，将染料浓度调整为6200、3542、2480和1907 mg L?1，分别对应于40、70、100和130 L ha?1的喷雾施用量。喷洒在早晨进行，以利用有利的气象条件，保持风速低于10 km h?1且温度低于30 °C，符合高质量喷洒的农业标准。环境参数（包括空气温度和相对湿度）使用Instrutemp DT-250-N湿度计（Instrutemp，圣保罗，巴西）进行记录，而AD-250风速计（Instrutemp，圣保罗，巴西）则每隔15分钟测量一次风速。叶片喷雾沉积量通过质量平衡法[11]进行量化。在喷洒后采集了参考叶片样本，每个小区选取三株代表性植物的各一片叶子作为样本，并使用一次性手套以防止交叉污染。考虑到大豆植株不同冠层层次的喷雾沉积量可能有所不同[19]，因此结果应解释为评估条件下冠层中心区域的代表值。使用30 mL的1%洗涤剂溶液（蒸馏水和Tween 80）从叶表面提取示踪剂。使用SP-22分光光度计（Biospectro，库里蒂巴，巴西）在427 nm波长处测量吸光度，并通过标准化校准曲线确定最终浓度。为了归一化沉积结果，使用CI-203便携式面积计（CID Bio-Science Inc., 卡马斯，DC，美国）测量叶片表面积，从而将染料沉积量与特定叶片面积相关联。不同的施用率是通过调整喷洒系统获得的，这可能会导致产生的液滴谱发生变化。因此，所评估的处理应被视为不同的应用技术配置，其中施用量与生成的液滴谱特性有关。所以，观察到的效应可能反映了施用率、液滴大小以及与喷雾沉积相关的物理过程（如蒸发、漂移、滞留和冠层穿透）之间的相互作用。

此外，为了测定叶片硼浓度，在每次施用后10天进行采样。选择这个时间间隔是为了让养分在叶片组织中有足够的时间被吸收和重新分布，从而能够评估不同助剂和SAR组合对大豆植株营养状态的影响。因此，叶片硼浓度的分析主要反映了养分随时间的吸收和同化过程，而不是为了检测施用后立即的沉积差异。在大豆生理成熟期，从每个试验小区中心2平方米的区域内收获植株来确定产量。数据首先经过初步分析，以验证正态性（Shapiro–Wilk检验）和方差齐性（Levene检验）。然后进行了双向方差分析（ANOVA），以评估助剂类型、喷雾施用量及其相互作用对所有测量变量的影响。为了提供更全面的统计评估，计算了效应大小（η2）和95%置信区间（CIs）。为了理解沉积、营养状态和光谱响应之间的复杂关系，采用了多元统计技术。使用标准化数据（Z-score）进行了主成分分析（PCA）和层次聚类分析（HCA），以降低维度并基于整体相似性可视化处理组的聚类。最后，实施了三维响应面方法（RSM）来建模和可视化喷雾施用量与生理性能之间的非线性相互作用。所有统计计算和图形表示都是使用R软件（版本4.5）以及tidyverse、factoextra、heatmap和pls软件包完成的。

### 结果
评估了助剂类型、喷雾施用量及其相互作用对大豆硼沉积、叶片吸收和生理反应的影响。初步的Shapiro–Wilk检验和Levene检验分别显示了数据的正态性和方差齐性，支持了双向ANOVA的应用。观察到几个关键参数的显著主效应和相互作用，详见表1。喷雾施用量是具有最大直接影响的因素。在喷雾沉积（p < 0.0001）、植被干燥指数（TVDI）和叶片温度方面观察到了非常显著的差异。产量（p = 0.0228）和喷雾沉积（p = 0.0226）之间的显著相互作用在技术上证明了使用响应面建模（RSM）的合理性，因为一个因素的效果取决于另一个因素的水平。因此，需要可视化响应面以确定最佳点（助剂与SAR的理想组合），从而最大化作物产量，因为这可以增加硼的吸收。尽管单变量分析对个别变量的影响有限，但作物的多维反应需要系统性的方法。因此，使用了主成分分析（PCA）和响应面方法（RSM）来识别隐藏的相互作用模式。

表1：大豆生理、沉积和产量参数的方差分析摘要。虽然叶片硼的单变量显著性未达到显著水平，但喷雾施用量（SAR）和助剂类型的主效应分别解释了总方差的12.6%（η2 = 0.126）和10.2%（η2 = 0.102）。例如，SUR处理组的结果数值平均值最高（89.45 ± 5.85 mg kg?1），而OIL处理组为81.54 ± 6.47 mg kg?1。考虑到田间微量营养素动态的高残差方差（η2 = 0.717）和实验设计，统计能力有限，无法检测到这些微妙的生理变化作为主效应，因此分析重点转向了产量和空间沉积等系统级指标。

多变量热图（图2）显示，基于油的助剂（OIL）处理在生理变量上定义了独特的响应模式，捕捉到了传统均值比较所忽视的生物模式，后者忽略了参数之间的协变性。关于助剂-SAR相互作用，层次聚类分析直观地证实了基于油的助剂在不同施用量下保持稳定的生理和沉积特性。相比之下，表面活性剂（SUR）显示出高度的波动性，在较低的SAR值（SUR为40 L ha?1）时作物产量达到峰值，而在较高施用量时显著下降。这些特定性能峰值的识别表明，大豆的生产力受到助剂使用和喷雾覆盖度之间复杂协同作用的影响。这使得可以采用更可持续的管理策略，重点关注应用效率和物理化学兼容性，而不仅仅是简单提高SAR的量。图2显示了受助剂类型和喷雾施用量（SAR）影响的大豆响应变量的标准化（Z-score）值的热图和树状图。即使分类交互作用不显著，响应面分析也能识别出生物响应的坡度和方向，并允许可视化ANOVA忽略的非线性趋势。基于有机硅的表面活性剂（SUR）表现出高效的平台区，其表面光滑且曲率较高，表明了出色的技术稳定性（图3B）。在较低的SAR值（40–70 L ha?1）下，SUR的超级扩散机制弥补了较低载体体积的不足，使得系统对操作变化或喷雾施用量的误差不那么敏感。图3显示了响应面方法建模的不同助剂类别（SUR（B）和OIL（C）以及对照组（水-WTR（D）下喷雾施用量（A）对NDRE植被指数的交互效应。相比之下，甲基化油（OIL）表现出渗透梯度（图3C），其中NDRE的增加严格依赖于物理沉积。这种行为表明OIL通过更好的水力覆盖有效地促进了角质层蜡的溶解，在中等施用量下最为有效。相反，水对照组（图3D）表现出最高的技术不稳定性，在低喷雾施用量时性能突然下降。在没有助剂保护的情况下，纯水溶液容易因蒸发和漂移而损失，只有在最大施用量130 L ha?1时才能达到满意的水平。表面拓扑结构验证了在低SAR量下使用表面活性剂扩展操作窗口的合理性，而由于其固有的不稳定性，在较低体积下使用表面活性剂风险较高[11]。尽管响应面模型的决定系数较低，但这些结果与田间实验中的高变异性一致，尤其是在环境条件不均匀的情况下。在这种情况下，模型的使用不应针对精确的定量预测。相反，系数的大小和方向应被解释为定性趋势的指示，有助于表征响应面的拓扑结构和识别评估因素之间的总体交互模式。生成的 surfaces（图3）在这方面特别有用，突出了相对响应较强的区域。

回归系数（表2：b0至b5）阐明了观察到的技术性能的数学基础。截距（b_0）代表理论上的NDRE基线，其中较高的WTR值（0.30）起到了数学锚定的作用，补偿了其随后急剧的性能下降。关于沉积敏感性（b_2和b_5），SUR显示出最高的线性系数（0.68），表明其对物理覆盖度的生理响应强烈且直接。SUR和OIL都显示出正的二次系数（0.87和0.83），导致响应曲线的上升趋势，表明在助剂存在的情况下效率加速。此外，SUR的速率稳定性系数（b_3）为正，证实了在低载体体积下的持续效率，而WTR的负值从数学上验证了偏离理想施用量时的性能下降。SUR的交互项（b_4）为?0.015，进一步证明了其在减少水体积的同时提升覆盖质量的能力，提供了操作灵活性。尽管R2值（0.08–0.16）相对较低，但在涉及遥感的田间实验中这是常见的，因为这些实验条件受到高度的生物和环境变化的影响。尽管如此，观察到的系数的大小和方向提供了关于分析变量生物行为的相关信息，并有助于识别与评估喷洒技术的技术稳定性相关的一致趋势。表2总结了不同助剂类别和喷雾施用量下响应面方程的参数。

主成分分析双轴图（图4）综合了喷洒技术、生理响应和作物产量之间的关系。前两个主成分（PC1和PC2）解释了总方差的相当大的一部分（>70%）[20]。前两个成分解释了总方差的71.4%（PC1 = 48.2；PC2 = 23.2）。第一个主成分（PC1）主要由植被活力指标定义，NDVI和GNDV贡献了超过66%的方差。相反，PC2反映了环境压力动态，TVDI（39.6%）和籽粒产量（20.4%）作为主导变量。值得强调的一个发现是NDRE指数的独特定位，它在两个成分中都有显著贡献（PC1中为13.1%，PC2中为21.6%）。这种多维敏感性表明，NDRE作为评估高密度冠层营养状况的稳健替代指标，能够有效避开标准植被指数中常见的信号饱和问题。在PC1轴上观察到活力指数（NDVI和GNDVI）与应用效率指标（硼和喷雾沉积）之间的对立关系。这种关系揭示了稀释效应，即生物量积累较高的植物通常表现出每单位质量的营养浓度较低。相比之下，PC2轴突出了环境对作物表现的影响，显示出产量（位于顶部）与温度植被干燥指数（TVDI，位于底部）之间的负相关关系。图4显示了大豆（Glycine max L.）中喷雾技术参数、营养效率和生理状态之间相互作用的主成分分析（PCA）。这可能表明，在该试验中，水分和热应力是大豆产量的主要限制因素。NDRE向量位于左下象限，显示出标准指数如NDVI所缺乏的独特敏感性。这表明NDRE指数是评估深冠层营养状况和沉积质量的更有效替代指标，是一个有前途的评估工具。关于处理组，高施用量（100和130 L ha?1）与助剂（特别是SUR表面活性剂）的组合偏向生物图的右侧和底部，与较高的硼和沉积向量对齐。另一方面，对照组（WTR）由于施用量较低，仍孤立在右上象限，反映了在营养输送方面的不佳表现。

PCA中的一个微妙但关键的细节是产量向量与NDVI向量之间的正交性，表明谷物生产更多受到应力缓解（如与TVDI的负相关关系所示）的影响，而不仅仅是生物量积累。此外，NDRE向量与硼向量的平行对齐进一步证实了红边带在评估与微量营养素输送效率相关的冠层光谱响应方面的优越性。

叶面硼浓度没有显著差异可以归因于多种生理因素的综合作用。首先，采样时间可能没有与营养物质的吸收高峰期重合，因为叶面微量营养素的吸收动态受到环境条件和植物生理状态的强烈影响。因此，处理组之间的任何差异可能发生在评估之前的时期，并未被收集时捕捉到。然而，关于施用和指数的其他变量在结果上显示出差异。研究表明，低动态表面张力的表面活性剂可以改善液滴扩散并显著降低表面张力，从而增强在疏水叶表面的润湿和保持能力[21,22]。这种机制即使在有限的喷雾量下也能实现广泛的覆盖，通过增加液滴与叶表面的有效接触面积来弥补低体积施用的典型不足[23]。动态表面张力（DST）描述了液滴形成后立即发生的表面张力快速下降，控制着液滴在叶表面的扩散和润湿。有机硅表面活性剂可以将DST降低到极低值（通常<23 m?1），促进气孔淹没，从而使喷雾溶液渗透到开放的气孔中，而不是仅停留在角质层[24,25]。相比之下，油基助剂通过溶解疏水成分并延迟液滴蒸发来促进通过表皮蜡层的渗透，从而增强活性成分进入叶组织的吸收[26]。研究证明，与纯水相比，植物油和矿物油助剂可以改善沉积效果并减少漂移[22]。这两种不同的作用机制，一种通过表面活性剂增强水平覆盖，另一种通过油基渗透剂增强垂直渗透，反映了根据沉积目标选择助剂的重要性。

NDRE指数与技术沉积之间的正相关表明，在高生物量条件下，基于NDRE的分析仍然具有响应性，而依赖传统NDVI指标的研究可能会受到指数饱和的影响，从而无法捕捉到与沉积之间的有意义的关系[27]。虽然NDVI中使用的红边波段主要被上层叶层吸收，但红边波长可以更深入地穿透冠层[27]，从而允许指数与硼之间建立关系。尽管助剂类型和喷雾施用量（SAR）的主要效应对产量或叶面硼浓度没有单独的显著性影响，但它们的相互作用表明，硼的效率取决于喷雾配方和载体体积如何影响液滴在冠层上的保持和重新分布[28]。这种相互作用可能改变了叶面上硼的空间分布，影响其吸收和随后的生理反应。这种现象强调了通过叶面喷洒输送营养不仅受到植物营养需求的影响，还受到施用物理过程的控制。

尽管有机硅表面活性剂（SUR）在低施用量（40 L ha?1）下表现出最佳效率，但在最高施用量（130 L ha?1）时性能有所下降。这种现象可能是由于过度降低表面张力所致；在高施用量下，过度扩散机制可能会促进液滴聚合并从叶表面流失[29]，从而减少有效的营养保持。含硅表面活性剂的加入有效地降低了液滴表面张力，扩大了大豆叶表面的湿润区域。较低的表面张力增强了叶面营养物质的吸收动态[11]。这个过程为观察到的含助剂处理组中叶面硼浓度增加提供了机制解释，特别是在施用量较低的情况下，最小化液滴蒸发损失变得至关重要。助剂与现有环境条件之间的相互作用也显著影响了液滴在叶表面的持久性。在本研究中，添加表面活性剂改变了大豆叶片上喷雾液滴的蒸发行为。这一观察结果与近期研究一致，即添加合适的助剂可以降低表面张力并改变液滴动态，增强扩散并延长液滴在植物表面的停留时间，从而可能增加叶面吸收[21,26,30]。因此，根据田间环境条件战略性地选择助剂类型和浓度对于平衡改善的扩散效果和液滴寿命至关重要。操作设置直接影响了施用过程中生成的液滴谱，反映了喷雾溶液在植物冠层上的沉积和分布变化。液滴谱的变化影响了液滴的大小、密度和覆盖范围，这些都是决定产品截留和保持在叶表面的关键因素。

叶面硼吸收与大豆产量之间的正相关关系强调了这种微量营养素在生殖成功中的重要角色。现有证据表明，在生殖发育期间充足的硼供应支持了诸如微孢子发生、花粉管生长和受精后胚胎发育等关键过程，这些过程可以直接影响荚果形成和种子形成[9,31]。此外，研究表明硼有助于碳水化合物和其他同化物向发育中的生殖器官的运输，从而提高产量成分[32]。从生理角度来看，值得注意的是，硼在如大豆这样的作物中的流动能力有限，这限制了其在新组织中的重新分布，使得基于单一采样位置的检测难以发现空间变化。因此，点状叶面浓度可能无法充分反映营养吸收和利用的动态。鉴于这些限制，谷物产量和光谱指数是更综合的作物响应指标，因为它们反映了整个周期中的营养累积效应，而不仅仅是时间和空间上的点状测量。除了在生殖发育中的作用外，硼还对细胞膜完整性和光合产物的韧皮部运输至关重要[9]。充足的硼供应支持气孔调节和蒸腾冷却，这可能有助于降低叶片温度并减少如TVDI这样的作物水分胁迫指标。

为了改进作物管理，微量营养素通常与作物保护产品和表面活性剂一起喷洒，以增强液滴与叶片的相互作用[1]。尽管这些多组分混合物在物流上有益处，但由此产生的喷雾溶液容易漂移，导致环境损失和施用营养物质的非均匀分布[3]。需要注意的是，沉积评估是在冠层的中部进行的，这代表了研究的方法学局限性。喷雾沉积在植物的垂直分布上可能会有显著差异，这取决于冠层结构、叶面积指数和液滴特性。因此，这里呈现的结果应被视为该特定三分之一植物的代表性数据。未来考虑到沿冠层的分层研究将提供对喷雾分布的更全面理解。尽管这项研究提供了相关见解，但其发现应在考虑某些限制的情况下进行解释。实验是在巴西塞拉多地区的一个生长季节和一个地点进行的；结果代表了局部的气候条件。此外，全年气候的变化，特别是与生产力和区域特定温度制度相关的变化，可能会影响植物发育和观察到的反应，在推广到其他环境条件时需要加以考虑。虽然不同处理组之间的叶面硼浓度没有显著差异，但在PCA生物图中硼和NDRE向量的对齐表明沉积质量和营养状况之间存在一致的基础关系。施用是在V6和R1生长阶段进行的，此时对硼的需求较高；然而，由于冠层复杂性和叶面积的增加，后期生殖阶段的液滴-目标相互作用可能会有所不同。该研究还只关注了两种助剂类别，表明包括更广泛表面活性剂范围的评估将有助于加强技术建议。

结果表明，硼肥的有效性取决于技术包（助剂+ SAR）的协同作用，其中表面活性剂的物理化学性质补偿了载体体积的减少，无论液滴谱的小范围波动如何。有机硅表面活性剂的优越性在于它们能够提供更高的技术稳定性和沉积效率，使得施用量降至40至70 L ha?1之间时仍能保持稳定的叶面硼状态。相比之下，甲基化油基助剂的性能严格依赖于物理沉积，仅在中间施用量下更有效，而单独使用水则因固有的不稳定性和较高的漂移及蒸发损失风险而在高施用量下具有较高的技术失败风险。NDRE指数在检测与微量营养素供应和植物营养状况相关的冠层光谱变化方面比NDVI表现出更大的敏感性。在本研究中，NDRE还显示出与硼沉积的更强关联，作为生理指标，表明其在监测作物冠层营养变化方面的潜在实用性，但仍需要在田间进行生理和生化验证。

塞拉多地区的大豆产量主要受水分和热应力缓解的调控，这与温度植被干燥指数的强负相关关系得到了证实，而通过喷雾技术优化硼的施用则是这些环境限制下生殖成功和产量稳定的关键促进因素。