欧亚国际

2023年3月，Plant Phenomics在线发表了南京农业大学题为Potential of Establishing the Universal Critical Nitrogen Dilution Curve for Japonica Rice的研究论文。本研究基于长江流域10年的水稻氮肥实验数据，分别采用简单数据混合（simple data-mixing, SDM）、随机森林算法（random forest algorithm, RFA）和贝叶斯分层模型（Bayesian hierarchical model, BHM）三种策略建立了面向粳稻品种的通用氮浓度稀释曲线（图1）。

图1 建立粳稻通用临界氮浓度稀释曲线的三种策略：简单数据混合（SDM），随机森林算法（RFA）和贝叶斯分层模型（BHM）。

结果表明，构建曲线的参数a和b的值均受到基因遗传以及环境条件的影响。参数a主要由品种的氮吸收特性决定，而参数b与品种和环境条件有关。我们总共获取了14个相关影响因子用于RFA策略的筛选，最终植株高度、分蘖末期的比叶面积和营养生长期的最大干物质重量被用来预测参数a，分蘖末期的积温、分蘖末期的茎叶比和营养生长期的最大叶面积指数被用来预测参数b。RFA的建模方法的精度比传统的多元线性回归高14.69%。BHM策略则是在得到的后验分布中选择代表性值（即平均数、中位数和概率最高数（most probable number, MPN））来探索是否符合通用曲线的参数a和b值。其中BHM-MPN的氮营养指数验证精度最高，达到了82%。

SDM、RFA和BHM-MPN三种策略建立的通用临界氮浓度稀释曲线经验证均具有较强的氮诊断能力（氮营养指数的验证R2 ≥ 0.81）。与SDM策略相比，RFA策略和BHM-MPN策略可以在保证精度的前提下，大大简化实际建模过程（例如区分氮限制或非氮限制组），更有利于在区域尺度上的统一应用和推广。

该论文研究由南京农业大学国家信息农业工程技术中心的相关学者合作完成。南京农业大学博士研究生傅兆鹏为本文第一作者，南京农业大学刘小军教授为通讯作者。该成果得到了南京农业大学三亚研究所（No. NAUSY-ZD01）、国家自然科学基金（No. 32071903）、国家重点研发计划项目（No. 2022YFD2301402）、江苏省重点技术研发计划项目（No. BE2019386）和江苏省农业产业技术体系专项资金（Nos. JATS (2022)468、Nos. JATS (2022)168）资助。

论文链接：

http://doi.org/10.34133/plantphenomics.0036‍

——推荐阅读——

Rice Plant Counting, Locating and Sizing Method Based on High-Throughput UAV RGB Images 

http://doi.org/10.34133/plantphenomics.0020

Plant Phenomics | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法

Spectrometric Prediction of Nitrogen Content in Different Tissues of Slash Pine Trees

http://doi.org/10.34133/2022/9892728

Plant Phenomics | 氮肥都去哪儿了？湿地松不同部位氮元素含量差异及其光谱预测方法