《Biologia Futura》：Predicting growth parameters of biofertilizer inoculated pepper, using root capacitance assessments and artificial neural networks in two soils
編輯推薦：
為解決傳統根系監測方法的不足，研究人員開展了利用根電容(CR)評估根系功能及與植物生長參數關系的研究。結果顯示CR與植物生長參數顯著相關，且人工神經網絡（ANN）預測性能優于多元線性回歸（MLR），有助于優化農業生產。
在農業生產中，根系對于植物生長起著至關重要的作用。它不僅負責吸收水分和養分，還參與植物的多種生理過程。然而，傳統的根系檢測方法大多具有破壞性，無法對同一土壤 - 植物系統進行重復測試。例如，以往常用的挖掘法，會直接破壞植物根系，影響植物后續生長，也難以連續監測根系的動態變化。同時，現有的一些非破壞性方法，適用性也常常受到限制，像某些基于成像技術的方法，對土壤條件和植物種類有較高要求，難以廣泛應用。這就使得研究人員急需尋找一種簡單、快速且無損的方法來監測根系活動。在這樣的背景下，根電容
(CR)測量技術進入了人們的視野。但此前對
CR與植物生長參數關系的研究多采用簡單的線性回歸分析，難以準確揭示復雜的生物學關系。于是，匈牙利農業與生命科學大學等機構的研究人員開展了一項研究，旨在深入探究不同微生物和營養處理對兩種土壤類型中辣椒根電容的影響，并評估
CR作為根系功能指標的實用性及其與植物生長參數的關系，該研究成果發表在《Biologia Futura》上。
研究人員采用了多種關鍵技術方法。首先是設置實驗，選用甜椒（Capsicum annuum L.）‘Ami F1’品種進行盆栽實驗，采用隨機區組設計，設置五個處理組（對照、固氮菌（Azotobacter）、木霉菌（Trichoderma）、羊毛顆粒（Wool Pellet）和無機氮（Inorganic N）），在兩種不同質地（沙質和沙壤土）的土壤中進行種植，每個處理設置四個重復。其次是測定相關指標，利用 LC - 300 便攜式儀器測量根電容(CR)；實驗結束時，測定植物地上部和地下部干生物量、葉片氮含量等；實驗過程中，定期監測植物高度、莖直徑、莖橫截面積和葉綠素含量指數等參數。最后運用統計分析和人工神經網絡（ANN）進行數據處理，對比多元線性回歸（MLR）和 ANN 在預測植物生長參數方面的性能 。
研究結果
- 處理對根電容及與植物生長特征關系的影響：不同處理下，不同土壤中根電容(CR)的變化能有效反映根系生長動態差異。在對照植株中，CR在營養生長階段顯著增加，在開花初期達到峰值，之后穩定并下降。在沙質土壤中，木霉菌（T.harzianum）處理的植株CR值最高，隨后逐漸降低；在高土壤有機質（SOM）含量的土壤中，該菌株處理的植株CR值較低且變化平緩。固氮菌（A.vinelandii）在低 SOM 含量土壤中的CR值較高。羊毛顆粒（WP）處理在兩種土壤中的CR值都較高。通過多元線性回歸（MLR）分析發現，在沙質土壤中，CR與根干生物量和地上部干生物量顯著線性相關；在沙壤土中，CR與根干生物量和葉片總氮含量顯著相關 。
- 處理對植被期末根電容和植物生長參數的影響：在沙壤土中，羊毛顆粒（WP）處理使植株高度（PH）顯著增加；在兩種土壤中，WP 處理都顯著增加了莖橫截面積（CSA）。在沙壤土中，無機氮（RN）和 WP 處理使莖直徑（SDI）、地上部干生物量（SDB）和根干生物量（RDB）顯著增加。WP 處理還顯著提高了兩種土壤中葉片總氮濃度和葉綠素濃度指數（CCI） 。
- 利用人工神經網絡從根電容預測監測植物生長參數：不同處理下，人工神經網絡（ANN）對不同植物生長參數的預測效果各異。對于莖直徑（SDI），WP 處理在較低CR值時預測值偏低，較高CR值時接近測量值；對于植株高度（PH），固氮菌（A）處理的預測值與實際測量值差異較��；對于莖橫截面積（CSA），各處理的 ANN 預測值與測量值在不同CR值下表現出不同程度的波動和差異；對于葉綠素濃度指數（CCI），WP 處理在較高CR值時，ANN 預測值與測量值接近 。通過重要性評估發現，在兩種土壤中，葉綠素濃度指數（CCI）都是對模型最重要的變量。對比模型預測準確性，ANN 的平均絕對誤差（MAE）值低于 MLR，表明 ANN 在預測植物生長參數方面表現更優 。
研究結論與討論
本研究表明，根電容(CR)可作為一種可靠的、非破壞性的根系活動指標，能有效反映辣椒（Capsicumannuum L.）的生長和養分狀況。在兩種不同有機質含量的土壤中，CR與根干生物量、地上部生物量和葉片總氮含量顯著相關，能夠檢測無機和有機處理的效果。人工神經網絡（ANN）在從CR數據預測植物性狀方面始終優于多元線性回歸（MLR），凸顯了非線性、數據驅動方法在根系 - 地上部關系建模中的價值。這一研究成果對于實時評估根系健康和活力，尤其是在植物生長早期階段具有重要的實用價值。結合 ANN，基于CR的方法能夠更好地捕捉植物生理學的復雜性，為未來生物學研究和方法創新開辟了新途徑。例如，可利用CR - ANN 工作流程評估脅迫條件下的基因型差異，助力早期篩選與養分吸收、耐受性和植物整體健康相關的根系性狀；還可將該方法應用于田間診斷，將實時CR讀數與特定地點的施肥或灌溉制度相聯系 。此外，研究還發現 ANN 在處理復雜生物學關系方面具有優勢，能夠更好地捕捉數據中的非線性關系，而 MLR 由于假設數據關系為線性，在復雜生物系統中的適用性受限。像在研究羊毛顆粒處理與 CCI 的關系時，ANN 在較高CR值下能更準確地預測 CCI 值，這得益于羊毛顆粒作為緩釋肥料，為植物提供了持續的養分，使得根系在較高CR值時能更有效地利用養分，從而讓模型能更好地預測相關指標 �？傊�，該研究成果為農業生產和植物科學研究提供了重要的理論依據和實踐指導。
