《Crops》：Morphophysiological Responses of Lettuce to Irrigation Depths and Wastewater Sources with a Machine Learning Approach
编辑推荐：
摘要翻译：
淡水资源的日益紧缺推动了处理后的污水在农业灌溉中的应用，但其对植物发育的影响仍不确定。本研究评估了污水 treatments 和灌溉深度对生菜（Lactuca sativa L.）形态生理发育的影响。采用裂区试验设计，主区为种植周期，副区为因子排列
摘要翻译：
淡水资源的日益紧缺推动了处理后的污水在农业灌溉中的应用，但其对植物发育的影响仍不确定。本研究评估了污水 treatments 和灌溉深度对生菜（Lactuca sativa L.）形态生理发育的影响。采用裂区试验设计，主区为种植周期，副区为因子排列，包含五种水源和五个灌溉深度（50%至150% ETc），设三次重复。评估了七个变量，包括生长性状和水分生产力。灌溉深度对所有变量均有显著影响（p ≤ 0.01），是营养生长的主要驱动因素，增加了地上部鲜质量、茎粗和株高。相比之下，水源的影响较小。水分生产力随灌溉深度增加而降低，与其他变量的相关性较弱（r ≤ 0.468）。机器学习模型对灌溉深度预测的准确率中等（约55%），相邻类别之间存在混淆，表明检测到的是梯度而非精确分类。水源预测准确率较低（<30%），确认了形态分化有限。株高和茎粗是最具信息量的变量。这些结果表明，灌溉管理对生菜生长的影响强于水源。
论文解读：
**研究背景与问题**
21世纪农业面临水资源短缺的重大挑战，全球水需求预计到2030年将达到现有可用水量的约160%。农业消耗了约70%的全球淡水资源，因此寻找替代水源和提高用水效率成为迫切需求。处理后污水（treated wastewater）的农业回用被认为是一种有潜力的替代方案，既能实现 effluent 的合理处置，又能减少对常规水资源的依赖。然而，已有研究大多关注单一生长参数或特定水质指标，缺乏同时考虑多个形态生理变量及其复杂交互作用的综合方法。当灌溉深度和水质共同影响植物时，二者均直接参与细胞扩张、碳同化和水分利用效率等生理过程，植物响应往往表现为整合性的发育模式，而非孤立参数变化。生菜（Lactuca sativa L.）因其经济重要性、生长周期短、对栽培条件敏感以及鲜食特性对灌溉水质要求严格，成为研究替代水源的理想模式作物。尽管已有文献报道处理后污水可带来超过80%的产量增益，但也伴随盐分积累和微生物污染等风险。此外，传统统计方法难以捕捉多变量间的非线性关系，而机器学习（machine learning, ML）技术虽在农业中应用广泛，但多数研究集中于灌溉优化或产量预测，较少关注在灌溉深度与水质联合处理下形态生理响应模式的识别。因此，本研究将受控试验与先进分析工具相结合，利用机器学习和相关网络分析，探究生菜在不同灌溉深度和水源条件下的发育模式及预测能力。
**研究目的与主要结论**
研究人员开展了一项裂区试验，主区为两个种植周期，副区为5×5因子设计，包含五种水源（WS）和五个灌溉深度（ID，50%至150% ETc），共150个观测值。结果表明，灌溉深度对所有评估变量均有极显著影响（p ≤ 0.01），是营养生长的主要驱动因子，显著增加地上部鲜质量、茎粗和株高；水源影响相对较小。水分生产力（WP）随灌溉深度增加而降低，且与其他变量相关性弱（r ≤ 0.468）。机器学习模型预测灌溉深度准确率最高约55%（Naive Bayes），相邻深度类别间存在混淆，表明模型检测到的是水梯度而非精确分类；水源预测准确率低于30%，说明不同水源未诱导出足够明显的形态分化。株高和茎粗是最具信息量的变量。研究结论强调，灌溉管理对生菜生长的主导作用远大于水源类型，处理后污水在评价条件下可作为可行替代水源。该论文发表在《Crops》期刊，为水回用农业实践提供了基于多变量和机器学习综合分析的实证依据。
**主要关键技术方法**
研究采用裂区试验设计，在巴西塞尔希培联邦大学农业工程系保护地内开展两个种植周期（2021年6–8月和8–9月）。水源包括自来水（TW）、处理后污水（TWW）以及经生物炭过滤的处理后污水（TWW + B），并设置添加追肥的组合。灌溉深度按作物蒸散量（ETc）的50%至150%设定。利用Penman–Monteith方程估算参考蒸散量（ETo）。评估七项形态生理变量：叶片数（NL）、株高（PH）、茎长（SL）、茎粗（SD）、地上部鲜质量（SFM）、地上部干质量（SDM）和水分生产力（WP）。数据分析采用Shapiro–Wilk和Bartlett检验、方差分析（ANOVA）、Tukey事后检验、Pearson相关分析、相关网络、以及Weka平台上的机器学习分类算法（Naive Bayes、Random Forest、J48、SMO）和属性重要性分析（InfoGainAttributeEval）、期望最大化（EM）聚类。
**研究结果**
**3.1 农艺性状**
方差分析表明，灌溉深度对所有变量均有极显著影响（p ≤ 0.01），水源对多数变量也有显著影响。生长周期除叶片数和地上部干质量外，对多数变量有显著效应。水源与灌溉深度的交互作用（WS × ID）对部分变量显著，但三重交互（C × WS × ID）均不显著。均值数据显示，增加灌溉深度提高了生长变量，尤其地上部鲜质量、茎粗和株高；含处理后污水的处理（单独或组合生物炭/追肥）常表现出较高的地上部鲜、干质量；水分生产力在低灌溉深度下更高，且替代水源部分处理与自来水相似或更高。
**3.2 多元分析与预测建模**
机器学习分类模型预测灌溉深度最高准确率54.67%（Naive Bayes），显著高于随机概率20%；混淆矩阵显示相邻深度（如75% vs 100% ETc）易混淆，极端深度（50%和150% ETc）识别更准确，表明形态响应呈梯度性。预测水源最高准确率仅30.67%（Random Forest），无法有效区分水源类型。属性重要性分析中，株高（信息增益0.761 ± 0.113）、茎粗（0.687 ± 0.026）和地上部鲜质量（0.634 ± 0.093）是预测灌溉深度最有效的变量；水分生产力信息增益为零。聚类分析对灌溉深度产生四个与生长模式相关的簇，对水源产生的三个簇主要按营养体大小分离，与水源类型无一致关联。
**3.2.1 相关分析与网络结构**
Pearson相关分析显示，地上部鲜质量、茎粗、株高、茎长和叶片数构成强相关核心（多数r > 0.70），而水分生产力与其他变量相关性弱至中等（r ≤ 0.468），与地上部干质量相关性最低（r = 0.192）。在阈值r ≥ 0.70的相关网络中，水分生产力完全分离，印证了机器学习分析中其独立于形态变量的结论。但研究人员指出该模式是数据集的描述性特征，不必然代表生理机制独立。
**3.2.2 分类算法性能比较**
预测灌溉深度时，Naive Bayes平均准确率最高（55.2%），依次为Random Forest（52.4%）、SMO（48.2%）和J48（46.2%），Tukey检验显示各算法间差异显著。预测水源时，Random Forest最高（28.9%），J48（26.9%）、Naive Bayes（25.4%）和SMO（22.8%）之间无显著差异。简单模型在小样本、特征少、类别重叠大的情况下表现更稳健。
**讨论总结**
灌溉深度对生菜形态的影响强于水源，表明土壤水分有效性是营养生长的主要决定因素。较高灌溉深度下生长增量趋于平稳，出现饱和效应，可能与冠层自遮荫、根区通气性下降及边际收益递减有关。处理后污水的养分供应可能促进了生长，但水源间差异较小，原因是处理后污水成分适中、生物炭过滤部分稳定了水质，追肥也可能掩盖了水源差异。此外，温室环境缓冲了水质差异。水质表征显示TWW和TWW+B的总磷和电导率高于TW，但总铁和钠吸附比相似，导致处理间对比度有限。长期使用TWW可能存在土壤盐化和钠化风险（EC约1.0 dS m?1，SAR约10）。水分生产力与灌水量呈反向关系，体现了生产力与用水效率之间的权衡；其作为比值变量，结构上解释了与形态性状的弱关联。机器学习模型的中等准确率表明形态变量能反映总体水分梯度，但无法精确区分相邻灌溉水平。水源预测低准确率说明处理后的污水在合理管理下不会对生菜产生负面形态影响。属性重要性和相关网络共同确认灌溉深度管理是决定生菜形态的主导因子。
**研究结论**
本研究证明，灌溉深度是影响生菜形态生理和农艺响应的主要因素，对所有评估变量产生显著效应，促进更高生长值（地上部鲜、干质量，株高，茎粗和叶片数），而水源影响较小。水分生产力与灌溉深度呈反比关系，在水分亏缺条件下更高，凸显了生产力与水分利用效率之间的权衡。单独或与生物炭和/或追肥组合使用的处理后污水，其表现与常规水相似或更优，在评价条件下未检测到不利影响。机器学习模型对灌溉深度具有中等预测能力，表明形态变量可捕捉水分可利用性的总体梯度，但难以区分相邻灌溉水平。株高、茎粗和地上部鲜质量是预测灌溉条件的最有效变量；水源预测准确率低，证实不同水源未诱导出足够独特的形态模式。总体而言，灌溉管理在决定生菜生长中起主导作用，而处理后污水在研究条件下是可行的替代水源。实验与多变量方法的整合识别出了一致的响应模式，建议未来研究纳入更多植物和土壤变量，以深入理解水质对作物性能的细微影响。
