为印第安纳州的柳枝稷品种开发形态预测方程

《Crop, Forage & Turfgrass Management》：Developing morphological prediction equations for switchgrass cultivars in Indiana

　　switchgrass形态发育预测；GDD与DOY模型；Liberty与Shawnee品种；印第安纳州环境差异；线性与二次响应关系；验证集R2>96%；氮肥无显著影响。

　　
本研究聚焦于美国印第安纳州 switchgrass（ panicum virgatum L.）品种 Liberty 与 Shawnee 的形态发育预测模型构建与验证。研究通过两年期（2016-2017）多地点田间试验，结合气候数据与形态学指标分析，揭示了不同地理环境下 switchgrass 植株生长阶段的动态规律，并建立了基于积温（GDD）与日序（DOY）的预测模型。

在实验设计方面，研究团队在印第安纳州三个典型气候区（北部罗安、中部特拉法加、西部中心城）设置了重复试验。2012年与2013年分别建立核心试验区，采用标准化播种密度（9磅/英亩纯活种子）和统一化学防治方案，确保试验条件的可比性。特别值得注意的是，研究创新性地引入氮肥梯度处理（0/60/120磅/英亩），但发现氮肥对形态发育阶段（MSC）与生物量（MSW）无显著影响（P>0.26），这一发现与之前部分研究结果存在差异，可能反映出印第安纳州特定气候条件下氮肥对 switchgrass 形态发育的阈值效应。

气候数据监测显示，研究区域年降水量达40英寸，显著高于美国内布拉斯加州原研究模型的适用范围（17-34英寸）。这种差异促使研究团队重新建立区域化预测模型。温度数据表明，罗安地区（平均GDD 3830）与特拉法加地区（平均GDD 3673）的积温波动幅度较小，但日序（DOY）相关的生长速率差异显著。这种地理特异性在之前的文献中尚未充分报道，为区域化模型构建提供了理论依据。

形态学分析采用Moore体系，通过每周采样记录植株叶节发育状态。研究发现，两种品种在GDD模型中呈现显著差异（P<0.01），其中 Liberty 品种的MSC与MSW预测方程截距均显著低于 Shawnee（P<0.01），这与品种亲本中低地生态型（Liberty）的贡献相关。模型显示，GDD每增加1单位，MSC提升0.0019个阶段，MSW增加0.0015吨/英亩，这种线性关系与内布拉斯加州原模型高度吻合（R2>0.93），验证了GDD模型的跨区域适用性。

关于DOY模型，研究揭示了二次响应特征（P<0.01），这可能与印第安纳州春季气温波动与光照变化有关。数据显示，5-6月日均温波动导致生长速率变化，6月后进入稳定生长期，促使DOY模型呈现明显的抛物线特征。值得注意的是，尽管模型形式不同（线性GDD vs 二次DOY），但两者的预测精度相当（R2>0.95），为选择预测工具提供了新思路。

验证阶段采用中心城试验站数据（2017年），结果显示所有模型在跨区域应用中表现优异：MSC预测R2达96%-98%，MSW预测R2达97%-98%，RMSE控制在0.12-0.20个阶段单位之间。特别值得关注的是，基于GDD的模型在罗安（R2=95.2%）与特拉法加（R2=95.1%）的交叉验证中表现稳定，说明该模型已突破地域限制，具备推广价值。

研究首次系统揭示了印第安纳州 switchgrass 品种形态发育的地理差异特征。数据显示，罗安地区（年均GDD 3830）的形态发育进程较特拉法加（年均GDD 3673）快12-15天，这种差异在MSC与MSW预测方程中均得到体现。例如，Liberty品种在罗安的MSC方程截距为1.227，而在特拉法加为1.534，说明北部地区品种启动期更晚但进展速度更快。这种时空差异对农业管理具有重要指导意义，特别是在制定收割窗口期时需考虑区域气候特征。

关于品种比较，Shawnee作为传统高地品种，其MSC与MSW均显著高于Liberty（P<0.01），但差异幅度随气候带变化。在GDD模型中，Shawnee的MSC预测值比Liberty高5-8%，而MSW差异可达10-15%。但在DOY模型中，品种间差异消失（P>0.67），这可能与DOY模型对光周期响应的敏感性有关。研究建议在北部高积温区域优先使用GDD模型，而在中部低积温区域可结合DOY模型进行动态调整。

模型验证阶段采用蒙特卡洛交叉验证方法，结果显示预测方程在极端气候条件下仍保持较高稳定性。例如，2017年中心城试验站遭遇50英寸年降水，但MSC预测误差仍控制在0.16个阶段单位内，验证了模型的环境适应性。研究进一步发现，基于GDD的预测模型对品种差异的反应更敏感，而DOY模型则更能捕捉光照周期的影响，这种互补性为多模型集成管理提供了理论支持。

在农业应用方面，研究提出了"双轨制"预测策略：对于氮肥管理（如追肥时机选择），推荐使用GDD模型；而对于刈割窗口期预测（如第一次收割时间），DOY模型更具优势。这种分工预测体系可显著降低管理成本，提高资源利用效率。研究特别指出，在印第安纳州中西部地区，基于DOY的预测模型在6-8月生长期（R2>96%）与GDD模型（R2>97%）具有同等效力，这为简化预测流程提供了可能。

该研究对switchgrass生态模型构建具有里程碑意义。首先，首次在北美中西部建立包含高地（Shawnee）与改良低地（Liberty）的双品种对比体系，其次开发了首个印第安纳州区域化形态预测模型，填补了该地区在switchgrass生长模型方面的空白。研究还发现，switchgrass的形态发育存在明显的"双响应机制"：在温度主导型（GDD）区域，品种间差异显著；在光周期主导型（DOY）区域，品种差异被环境因素覆盖，这为后续研究提供了重要方向。

研究团队特别强调实践指导意义：对于牧场主，可通过MSC预测模型提前2-3周掌握牧草适口性变化，优化放牧管理；对于生物质能源开发商，基于MSW的干物质积累模型可精确控制收割时机，提升能源作物产量。此外，研究证实了气候变率对switchgrass生长的显著影响，建议在模型应用中增加气候异常年的验证数据。

该研究还存在若干待完善领域：首先，未考察不同氮肥梯度对长期形态发育的累积效应；其次，跨纬度（如明尼苏达州至得克萨斯州）的模型适用性仍需验证；最后，关于不同生育阶段（营养生长期与生殖生长期）的模型分离问题有待深入探讨。后续研究可考虑引入机器学习算法，整合GDD、DOY及土壤温湿度等多源数据，进一步提升预测精度。

总体而言，本研究成功构建了印第安纳州switchgrass形态发育的预测体系，证实了GDD与DOY模型的互补性，为该区域生物质能源开发与畜牧管理提供了科学依据。研究方法创新性地将混合效应模型与BIC准则结合，有效解决了多地点、多变量交叉影响问题，其统计方法对农业生物研究具有重要参考价值。