基于判别分析与概率神经网络结合土壤化学性质对覆盖作物轮作体系下产量等级进行分类的研究

《AgriEngineering》:Integration of Discriminant Analysis and Probabilistic Neural Networks to Classify Yield Levels Based on Soil Chemical Properties in Cover Crop Rotation Systems Carolina dos Santos Batista Bonini, Borja Velázquez-Martí, Pamela Gomes Nakada-Freitas, Alfredo Bonini, Melissa Alexandre Santos and Ana Clara Tomasseti

【字体: 大 中 小 】 时间:2026年03月04日 来源:AgriEngineering 3.1

编辑推荐:

  本研究探讨覆盖作物管理与土壤耕作方式如何影响黄瓜(Cucumis sativus L.)与甘蓝(Brassica oleracea var. capitata)的发育及产量。秋季/冬季评价蓝羽扇豆(Lupinus angustifolius,豆科Fabacea

  
本研究探讨覆盖作物管理与土壤耕作方式如何影响黄瓜(Cucumis sativus L.)与甘蓝(Brassica oleracea var. capitata)的发育及产量。秋季/冬季评价蓝羽扇豆(Lupinus angustifolius,豆科Fabaceae)、黑燕麦(Avena strigosa,禾本科Poaceae)及其混播三种覆盖作物处理,春季/夏季评价距瓣山蚂蟥(Stylosanthes capitata,Fabaceae)、珍珠粟(Pennisetum glaucum,Poaceae)及其混播,分别设常规耕作(conventional tillage, CT)与免耕(no-tillage, NT,直接播种)两种土壤管理制度。覆盖作物种植后栽培蔬菜作物,采用滴灌与有机管理。研究测定发芽率、幼苗存活率、株高、叶数、冠层覆盖度、果实或叶球大小及产量(t ha?1)。为阐明产量差异原因,研究人员采用多元分析技术——线性判别分析(Linear Discriminant Analysis, LDA)与概率神经网络(Probabilistic Neural Network, PNN)探究土壤化学性质(pH、有机质organic matter, OM、阳离子交换量cation exchange capacity, CEC、磷P、钾K)对产量分组的影响。LDA与PNN结果表明,土壤pH、OM、CEC、P和K是区分高产与低产组的关键因子;甘蓝产量与pH和OM关联最强,黄瓜产量则对钾(K)和CEC响应更显著。
论文解读:判别分析与概率神经网络结合土壤化学性质对覆盖作物轮作体系下蔬菜产量等级的分类研究
本文发表于《AgriEngineering》,针对热带砂质土壤中覆盖作物(cover crop)种类与耕作制度(常规耕作conventional tillage/CT vs. 免耕no-tillage/NT)对短周期蔬菜作物——甘蓝(cabbage, Brassica oleracea var. capitata)与黄瓜(cucumber, Cucumis sativus L.)——产量影响机制不清,且传统统计学难以刻画土壤—管理—产量间非线性交互关系的问题,研究人员开展田间试验,结合经典多元统计与人工智能方法,识别驱动产量差异的关键土壤化学属性并构建产量等级预测模型,为生态集约化(ecological intensification)与精准农业提供决策依据。
主要关键技术方法:
研究于巴西圣保罗州Dracena市(22°39′42″ S, 50°24′44″ W)Typic Acrisol(巴西分类Argissolo Vermelho-Amarelo)砂质土壤试验田开展。采用随机完全区组设计裂区排列(split-plot),主区为3种覆盖作物(冬:蓝羽扇豆T1、黑燕麦T2、70%羽扇豆+30%黑燕麦混播T3;夏:距瓣山蚂蟥T1、珍珠粟T2、70%距瓣山蚂蟥+30%珍珠粟混播T3),副区为CT与NT两水平,4次重复(3×2×4=24个小区)。冬播覆盖作物后移栽甘蓝,夏播覆盖作物后移栽黄瓜,滴灌有机管理。于覆盖作物播种前、终止后及每季蔬菜收获后采集0–10 cm(p1)与10–20 cm(p2)土层土样,测定pH、P、K、OM、CEC。产量经ANOVA方差分析划分产量等级组(甘蓝分A/AB/B三组,黄瓜分A/B/BC/C/D五组),对标准化土壤变量做线性判别分析(LDA)提取判别函数,将判别函数值作为概率神经网络(PNN)输入进行产量等级分类与双相图(biphasic diagram / two-phase diagram)绘制,数据按训练集与验证集(各12样本)平衡划分评估模型。

研究结果
3. Results——产量与农艺响应
甘蓝在CT配合豆科或混播覆盖下产量最高(B组达51.66 t ha?1),NT下产量最低(A组约32 t ha?1);禾本科覆盖时CT与NT无显著差异。黄瓜则在NT配合禾本科或混播覆盖下达最高产量(D组约31 t ha?1),NT配合豆科覆盖产量最低(A组约9 t ha?1)。说明作物种类决定覆盖作物—耕作方式的适宜组合:甘蓝偏好CT+豆科/混播,黄瓜偏好NT+禾本科/混播。
3. Results——土壤化学性质与产量分组的关系
高产的甘蓝B组具较高表土K、较深土层P与CEC,低产A组P含量低、深层pH偏酸、有效CEC低,AB组介于其间。黄瓜从低产A组到高产D组显示:A组深层P极低、深层pH偏酸,虽深层K高但因营养失衡限制产量;B组表层P与总养分含量(total nutrient content, TNC)高但未达最高产;BC组各层P、K、TNC较均衡属过渡态;C组OM较高、pH近中性但深层TNC略低;D组无极端值但剖面化学平衡佳——适中P、近中性pH、表深K分配合理、充足CEC。表明黄瓜产量依赖土壤肥力垂直分布平衡而非单一养分富集。
3. Results——判别函数系数与判别空间分析
LDA生成甘蓝与黄瓜的标准化判别函数(示例黄瓜Function 1含p1 P、p1 OM、p1 pH、p1 K、p1 CEC及p2对应变量的加权组合)。甘蓝高产区对应判别空间Function 2正值与Function 1负值区域,受表土高K与高CEC正向驱动(Function 2正系数、Function 1负系数),过量P对甘蓝不利(负系数),pH升高对甘蓝有负面影响,深层K与CEC增加不提升甘蓝产量。黄瓜高产区(D区)位于Function 1≈?15~+15、Function 2≈?2~+10,表土过高K与CEC关联低产(A区),P提升有利黄瓜产量,pH近中性最优,深层K与CEC提升有利黄瓜产量——与甘蓝响应模式相反。
3. Results——概率神经网络(PNN)分类区域
将LDA判别函数值输入PNN绘制的双相概率图中,高低产区边界清晰、无重叠模糊带(islands)或过渡不确定区,说明所选变量(耕作—覆盖—土壤化学性质)对产量等级具强区分力,模型判别力高,可明确划定各产量等级决策域。

讨论与结论总结
4.1. Effect of Management on Cabbage Yield: 甘蓝高产需速效N与P,豆科覆盖残体C/N比低、CT加速矿化,实现养分释放与作物需求同步(priming effect);禾本科高C/N致N固持(nitrogen immobilization),NT下尤为明显,故NT+禾本科表现不稳定。
4.2. Effect of Management on Cucumber Yield: 黄瓜高产依赖K供应与根际水热稳定环境,禾本科残体在NT下形成持久覆盖减少蒸发、缓冲土温,且缓慢释放K优于豆科快速供N,故NT+禾本科/混播最优。
4.3. Hydrothermal Stability and Moisture Retention in Sandy Soils: >80%砂质土壤中有机覆盖降低土温波动5–8℃、减蒸约40%,维持根际水膜,NT优于CT。
4.4. Soil Chemical Properties and Discriminant Analysis: pH、OM、CEC、P、K为区分产量组主导变量;砂质土有效CEC主要靠OM腐殖化维持,NT+禾本科促进稳定碳积累与有机—矿复合体形成,增强保水保肥。
4.5. Integration of Statistics and Artificial Intelligence(PNN): 经典统计(ANOVA+LDA)解释变量效应与因果关系,PNN捕捉非线性阈值转变并生成概率决策面,二者互补——LDA识别分组驱动变量,PNN诊断系统状态并预测新组合下产量等级,验证集零误分证明鲁棒性。
4.6. Practical Implications and Sustainability: 豆科覆盖供N、禾本科覆盖护土,依作物选覆盖—耕作组合可替代部分合成投入,概率图辅助农户决策,兼顾生产力与生态系统服务。
5. Conclusions结论译文:
不同作物对管理制度响应不同——甘蓝以常规耕作配合混播覆盖效果最佳,免耕多致低产;黄瓜以免耕配合禾本科或混播覆盖效果最佳。判别分析证实土壤pH、OM、CEC、P、K是区分产量等级的决定性因子,平衡土壤肥力管理对稳产高产至关重要。概率神经网络生成的产量概率图清晰界定高、中、低产潜力区,弥补传统统计不足,捕捉土壤属性间复杂非线性交互,为精准农业管理提供先进决策工具。覆盖作物类型、耕作方式与土壤化学性质的互作显著决定作物产量且因物种而异;经典统计与人工智能技术联用给出更稳健视角,既可解释结果又能预测优化可持续农业生产管理。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号