基于随机森林荟萃分析的田间条件下谷物对生物刺激素的产量响应

《Field Crops Research》：Global yield responses of cereals to biostimulants under field conditions: Insights from a random forest meta-analysis

　　

专业术语翻译 根据联合国粮农组织（FAO）最近的一份报告，生产中主要的作物类别是谷物，其中小麦（Triticum spp .）、玉米（Zea mays L.）和水稻（Oryza sativa L.）占全球所有谷物出口的88%。谷物生产尤其依赖氮（N），全球超过50%的氮肥供应用于水稻、小麦和玉米种植。氮肥的生产依赖化石燃料，并且它们并非唯一依赖不可再生资源的农业施肥投入。磷（P）和钾（K）作为作物生长的必需营养素，通过开采获得，同样依赖于有限的 geological 储量。尽管矿质施肥被广泛用于提高作物生产力，但在谷物系统中，它会导致水体富营养化和硝酸盐淋溶，施用氮肥中有36–44%从田间流失，土壤酸化导致欧洲农田每年损失6.1×10? kg CaCO?，以及与氮相关的显著气体损失，每生产一吨谷物贡献197–632 kg CO?-eq的温室气体排放。植物生物刺激素（Plant Biostimulants，PBs）代表了可持续农业中的一项重要创新，它能增强植物的养分吸收和利用效率而不直接提供养分，并减少与施肥相关的环境影响。PBs在谷物作物上的应用已被证明能提高对多种非生物胁迫因子的耐受性。预计到2027年，PBs市场价值将达到51亿美元。根据欧盟法规，PBs的定义基于其功能而非营养成分。此外，欧洲议会将非微生物PBs（Non-microbial PBs，NPBs）和微生物PBs（Microbial PBs，MPBs）区分开来，后者包含微生物或微生物联合体。在科学文献中，MPBs也被称为生物肥料或生物效应物，虽然它们仍被归类为PBs，但它们在通过新途径改善养分利用效率或使植物可利用养分方面发挥着独特作用。 PBs在受控环境中显示出有前景的结果；然而，由于显著的环境影响，它们在田间条件下的有效性常常变化。已有几项荟萃分析评估了PBs对作物产量的影响。尽管如此，由于实验条件的巨大变异性，精确模拟这些影响仍然困难。因此，在关于农艺实践的荟萃分析中，考虑实验背景并量化协变量的影响至关重要。为此，本研究采用了一种创新方法，将传统荟萃分析与机器学习相结合，以处理多个调节变量、非线性效应和复杂交互作用。 本研究旨在评估PBs在提高露天谷物产量方面的有效性，同时描述其有效性所依赖的农业环境背景。研究人员采用系统性的选择方法来筛选相关研究，确保全面性和公正性，并聚焦于PBs在非胁迫条件下对作物的影响，有意排除了涉及诱导生物或非生物胁迫的研究。然而，研究人员纳入了施用次优肥料剂量的研究，因为这些研究能够探究PBs与植物营养策略之间的相互作用。

论文解读文章

研究背景与目的

当前，全球谷物生产高度依赖化肥，尤其是氮肥。然而，化肥的生产和使用不仅消耗大量化石能源和有限的地质资源，还导致了水体富营养化、土壤酸化和温室气体排放等一系列严重的环境问题。在此背景下，植物生物刺激素（Plant Biostimulants，PBs）作为一种可持续农业的创新手段受到关注。PBs本身不直接提供养分，而是通过增强植物对养分的吸收和利用效率、提升作物对非生物胁迫的耐受性等机制发挥作用。尽管PBs在受控环境中表现出潜力，但其在复杂的田间条件下的效果往往不稳定，受到气候、土壤、农艺管理等多种因素的显著影响。已有的关于PBs对作物产量影响的荟萃分析难以有效处理这种由多因素导致的巨大变异。因此，本研究旨在运用一种创新的分析方法——结合机器学习的随机森林荟萃分析（random forest meta-analysis），来评估PBs在田间条件下对主要谷物（小麦、玉米、水稻）产量的整体效果，并揭示影响其效果的关键环境和管理因素。

研究方法概述

研究人员首先通过Scopus数据库进行了系统的文献检索和筛选，最终纳入253篇符合标准的田间研究论文，建立了包含1450个处理-对照组的数据集。研究采用了以下几个关键技术方法：

1. 1.
   效应量计算：以对数响应比（log-response ratio，logRR）作为效应量（Effect Size，ES），衡量PBs处理相对于对照的产量变化。
2. 2.
   权重分配：由于多数研究未报告重复间的变异性，采用基于重复数的公式（w = n_T·n_C / (n_T + n_C)）来计算每个处理-对照对的权重。
3. 3.
   缺失值插补：对于环境预测因子（如土壤pH、有机质含量等）中的缺失数据，使用链式随机森林（missRanger包）进行多变量插补。
4. 4.
   随机森林荟萃分析模型：使用R语言metaforest包构建模型。模型将推荐肥料剂量（Recommended Dose of Fertilizer，RDF）、作物种类、PBs功能类别、施用方式等多个处理和描述变量，以及气候（K?ppen-Geiger分类）、土壤类型、pH、有机质等环境变量作为预测因子，以logRR为结局变量，并指定了随机效应以处理多臂研究。
5. 5.
   模型优化与解释：通过变量预选、超参数调优（确定mtry=1，min.node.size=20）后，训练了包含7500棵树的最终模型。利用反事实预测（counterfactual predictions）绘制边际效应图，以直观展示各变量的影响。

研究结果

3.1. 发表偏倚

通过漏斗图和标准化偏差检验发现，研究数据存在一定的不对称性，表明可能存在发表偏倚，即倾向于报道正向结果的趋势。

3.2. 模型性能与变量重要性

最终模型的袋内R2为0.508，而袋外R2仅为0.006，这表明模型虽能较好地拟合已见数据，但对未参与建模的新数据的预测能力有限，仍有大量残差未被所选预测因子解释。平均原始效应量显示，PBs总体上能带来一定的产量增益。

3.3. 关键调节变量的影响

通过反事实预测分析，研究发现：

• •
  推荐肥料剂量（RDF）：这是影响PBs效果的最关键变量之一。在低RDF（即施肥不足）条件下，PBs的增产效果最为显著，随着RDF增加至满足作物需求的水平，PBs的增产幅度逐渐减小。
• •
  作物种类：PBs对不同谷物的增产效果存在差异，具体结果需参见原文图表。
• •
  PBs功能类别：不同功能类别的PBs（如固氮菌、解磷菌、海藻提取物等）的增产效果不同，某些特定类别表现出更稳定的正效应。
• •
  其他因素：施用方法、施用次数、PBs的剂型状态以及环境变量（如气候区、土壤性质）也都会对PBs的田间效果产生不同程度的调节作用。

讨论与结论

讨论部分指出，PBs在田间条件下的效果具有高度情境依赖性，尤其是在施肥不足的情况下，其替代或补充部分化肥的潜力最大。这为精准农业和减施增效提供了重要的理论依据。研究采用的随机森林荟萃分析方法成功揭示了传统荟萃分析难以捕捉的非线性关系和复杂交互作用，为处理高变异性的农业数据提供了新的思路。

研究结论总结如下：植物生物刺激素在田间条件下普遍能提高谷物产量，尤其在次优的种植条件（如低施肥水平）下效果更为突出。其效果受到作物种类、PBs自身特性、施用技术以及环境条件的共同调控。该研究强调了将PBs整合到综合养分管理策略中的重要性，并指出未来的研究应侧重于阐明特定PBs产品在不同农业生态区域的最佳应用方案。