基于結果枝環剝和機器學習的梨樹最佳葉面積果比研究
Plant Phenomics | 南京農業大學基于結果枝環剝和機器學習的梨樹最佳葉面積果比研究
根據FAO的2022年最新數據，我國梨樹的種植面積占全球梨樹種植面積的69%，年產量超過1600萬噸。果實品質是決定梨市場競爭力的重要因素，然而，由于我國梨果實品質參差不齊，其經濟效益并不理想。梨樹栽培中，樹體果實負載量是影響梨果實品質的重要因素之一，確定合理負載量的核心方法是葉果比（LFR）法，其本質是光合面積與果實數量的比率，即葉面積果比（LAFR），怎樣快速有效分析葉面積并指導科學有效疏果工作成為生產中亟需解決的技術問題。此外，以往研究中在一定程度上忽略了由于葉片/果實年際生長而導致的LFR或LAFR的動態變化，導致前期研究得出的LFR或LAFR建議值可能僅在梨樹特定的發育時期有效，而不足以覆蓋果實整個發育周期，難以為梨不同階段的疏果工作提供有效的指導。
2024年9月，Plant Phenomics在線發表了由南京農業大學園藝學院、三亞研究院、前沿交叉研究院和日本東京大學合作完成的題為Study on the Optimal Leaf Area-to-Fruit Ratio of Pear Trees on the Basis of Bearing Branch Girdling and Machine Learning的研究論文。
本研究提出了一種基于結果枝環剝技術和機器學習的梨樹不同發育時期最佳LAFR估算方法，并將其應用于梨樹栽培實踐中，證實了方法的有效性并估算了早熟砂梨5個不同時期（包括幼果期和果實成熟期）的最佳LAFR和LFR，指導不同時期的疏果作業。
本研究首先利用結果枝環剝技術，對結果枝進行處理并采集了每組樣本在不同時期的梨果實品質和對應的LAFR數據。其次，使用相關性分析篩選出與LAFR變化顯著相關的果實品質。進一步通過聚類算法和主成分分析，篩選出具有最高果實品質的類及其對應的LAFR數據，用于構建數據集。最后使用最小二乘法對數據進行擬合并確定了不同時期的最佳LAFR值及其對應的最佳LFR值，其結果為：花后28、42、63、91、112天（DAF）的最佳LAFR值分別為12.54、18.95、23.79、27.06、28.76 dm2（對應的最佳LFR分別為19、29、36、41、44）。
本研究進一步通過大規模田間驗證試驗證實了所估算的最佳LAFR值在提高梨果實品質的有效性。選取了兩個早熟砂梨品種，在幼果期進行隨機疏果以改變不同樣本的LAFR。在果實成熟期采集LAFR和果實品質實測值，用于構建數據集。結果顯示，相比非最佳LAFR，最佳LAFR可以提高包括果實大小和糖分含量在內的品質數據，而進一步提高LAFR值無法繼續提高果實品質，還會造成產量下降。該結果證實了在果實成熟期（112DAF），28.76 dm2是產生最佳果實品質同時保持合理產量的臨界值，代表最佳LAFR。其對應的幼果期（28/42DAF）最佳LAFR為12.54/18.95 dm2。
綜上所述，本研究優化了梨樹不同時期的LAFR，并證實了最佳LAFR對改善果實品質的有效性。本研究為合理確定梨樹負載量，指導疏果作業，實現優質、清潔的果實生產，提高果實品質和經濟效益提供了理論依據。本研究提出的LAFR研究流程是一種有效的策略，可以擴展到其他果樹的LAFR研究。
圖1.(A)實驗地點。(B)本研究的工作流程。(1)在環剝實驗中，收集了每個樣本在不同階段的果實質量和葉面積數據，使用相關性分析、聚類算法、主成分分析和最小二乘法確定每個時期的最佳LAFR。(2)在田間驗證實驗中，收集了每棵梨樹的LAFR和果實品質數據，通過比較不同LAFR下的果實品質來驗證最佳LAFR改善果實品質的能力。
圖2.兩個早熟砂梨品種‘翠冠’和‘翠玉’在不同LAFR下的果實品質比較。采用t檢驗和ANOVA進行統計分析。差異顯著性用“*”和“**”表示，分別表示P≤0.05和P≤0.01，“ns”表示差異不顯著。
南京農業大學園藝學院/三亞研究院張紹鈴院士團隊博士生張帆航為本論文的第一作者，博士生王琪為共同第一作者，陶書田教授為通訊作者，南京農業大學前沿交叉研究院穆悅博士和日本東京大學二宮正士教授為共同通訊作者。南京農業大學園藝學院/三亞研究院張紹鈴院士、博士生嚴鑫、已畢業碩士譚志豪和祖嘯潮，前沿交叉研究院已畢業博士周欽陽和已畢業碩士李海濤參與了研究工作。該研究得到了江蘇省農業科技自主創新資金項目（CX(22)2025和CX(23)1011）、南京農業大學三亞研究院成果轉化基金項目（NAUSY-CG-YB06）和國家現代農業（梨）產業技術體系（CARS-28）的資助。
作者團隊介紹
陶書田教授，南京農業大學園藝學院教授，博士生導師，現任國家梨產業技術體系崗位科學家。
研究方向：（1）果實品質發育生理及調控技術；（2）木質素合成及石細胞形成機理與調控；（3）木質素生物學；（4）果樹表型組學與智慧高效栽培。
二宮正士教授，日本東京大學名譽教授，曾任亞洲農業信息技術聯盟主席，日本農林水產省農業研究中心上席研究官，農林水產省農業IT研究推進負責人，日本國家農業研究機構研究管理監等職務，現任日本科學技術振興機構超先端研究總負責人，日本農林水產省農林水產技術會議會員。
研究方向：（1）基于圖像的多平臺作物表型研究；（2）田間服務器（Field Server）研究；（3）農業大數據研究。
穆悅博士，南京農業大學前沿交叉研究院講師，博士畢業于中國林業科學研究院，博士后留學于日本東京大學。
研究方向：（1）果樹冠層結構分析與光合利用；（2）智慧果園相關應用。
論文鏈接：
https://doi.org/10.34133/plantphenomics.0233
——推薦閱讀——
UAV-assisted dynamic monitoring of wheat uniformity toward yield and biomass estimation
https://doi.org/10.34133/plantphenomics.0191
Plant Phenomics | 南農農學院聯合前沿交叉研究院提出基于無人機圖像田間小麥生長均勻度的定量化方法
Interaction of Genotype, Environment, and Management on Organ-Specific Critical Nitrogen Dilution Curve in Wheat
https://doi.org/10.34133/plantphenomics.0078
Plant Phenomics | 南京農業大學揭示基因型、環境和管理對小麥器官特異性臨界氮稀釋曲線的影響
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為7.6，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：張帆航，陶書田
編輯排版：王平、張婕（上海交通大學）
審核：尹歡、孔敏
