可可作物所需的微量营养素：两种土层中的养分可利用性等级

《Soil Science Society of America Journal》：Micronutrients for cacao: Availability classes in two soil layers

　　**摘要**

有效管理土壤中的微量营养元素对于可可（Theobroma cacao L.）的产量和可持续性至关重要，尤其是在热带地区。然而，巴西尚未为可可作物确定铜（Cu）、铁（Fe）、锰（Mn）和锌（Zn）的具体有效性分类。本研究首次在巴伊亚州东南部的可可种植区，针对0–10厘米和0–20厘米两个土层建立了这些分类。研究使用了由Renova Cacau项目生成的综合性数据库，该数据库代表了该州主要的可可种植区域。通过应用边界线方法，根据这两个土层中的Cu、Fe、Mn和Zn含量，拟合了平均相对产量的响应曲线。分析结果将这些微量营养元素的有效性分类为从“非常低”到“过量”不同的等级。对于0–20厘米的土层，与适宜范围（mg dm?3）相关的含量区间分别为Cu（1.02–1.52）、Fe（33.0–61.0）、Mn（9.5–15.8）和Zn（2.1–6.3）。这些结果为可可种植土壤的肥力解释提供了更科学的依据，有助于制定更精确的施肥建议，促进微量营养元素的合理管理，并提高可可生产的产量和可持续性。

**通俗语言总结**

本研究通过确定土壤中应含有的理想微量营养元素量，帮助农民和技术人员提高可可产量。我们分析了巴伊亚州东南部可可种植区两个土层的土壤样本，明确了铜、铁、锰和锌的缺乏、适宜和过量范围。这些范围使施肥建议更加可靠，有助于避免营养元素的不足或过量施用。利用这些指导原则可以改善植物营养，增加产量，并支持更可持续和盈利的可可生产。

**缩写说明**

- BL：边界线（Boundary Line）
- CV：变异系数（Coefficient of Variation）
- EA：实验区（Experimental Area）
- MRY：平均相对产量（Mean Relative Yield）
- MRYEP：评估地块的平均相对产量（Mean Relative Yield of Evaluation Plots）
- RF：相对频率（Relative Frequency）
- RY：相对产量（Relative Yield）

**1 引言**

可可（Theobroma cacao L.）是拉丁美洲、非洲和东南亚具有社会经济重要性的物种。作为巧克力的主要原料，它是一种高价值的全球商品。小农户管理着全球约90%的可可产量（ICCO, 2024; Piasentin & Saito, 2014）。在巴伊亚州，可可生产具有重要的经济意义，约占该州种植面积的70%。2024年，该州生产了137,028公吨可可豆，并通过农林业系统在社会包容和环境保护方面发挥了战略作用（IBGE, 2024; Somarriba & Beer, 2011; Vaast & Somarriba, 2014）。然而，巴西的平均产量仅为每公顷每年482公斤（IBGE, 2024），远低于每公顷每年4500公斤的潜力（Bondar, 1938; ICCO, 2024）。这一产量差距主要是由于农艺实践不佳和土壤肥力管理不善造成的（Chepote et al., 2013; de Souza Júnior et al., 1999; de Souza Júnior, Sodré et al., 2018）。现代克隆品种具有很高的生产潜力，因此需要基于可靠农艺证据的管理策略（Bahia et al., 2021; Sodré & Marrocos, 2022）。巴伊亚州东南部的历史和传统种植方式，特别是传统的cabruca系统（在稀疏的大西洋森林冠层下种植可可），也影响了营养元素的利用效率和其在土壤剖面中的垂直分布（Piasentin & Saito, 2014）。要解决产量低的问题，需要了解铜（Cu）、铁（Fe）、锰（Mn）和锌（Zn）等微量营养元素的作用。这些元素对生长、结果实、抗逆性和豆子质量至关重要（Bahia et al., 2021; Loureiro et al., 2017; Medauar et al., 2019; de Souza Júnior, Marrocos et al., 2018）。铜参与光合作用的氧化还原系统和细胞壁木质化过程。由于使用了铜基杀菌剂，铜缺乏的情况较为罕见，但过量积累可能导致毒性（de Souza Júnior, Marrocos et al., 2018; Veloso & Santana, 2000）。铁对于叶绿素形成和电子传输至关重要，其有效性受pH值和氧化还原状态的影响。在高pH值的氧化环境中铁会沉淀，但在缺氧条件下可能达到毒性水平（Abreu et al., 2007; Lapaz et al., 2023）。锰激活酶并参与水分解；在酸性土壤中，过高的锰含量可能引起毒性并限制根系生长（Nakayama & Andebrhan, 2000; Silva & Berti, 2022）。巴伊亚州的可可种植区经常出现锌缺乏，影响根系发育和结果实，而过量锌则较为罕见，通常与高酸度有关（Chepote et al., 2013; Soares et al., 2006）。Mehlich-1方法适用于估算该地区的微量营养元素有效性（Dantas, 2011）。准确的诊断需要适当的提取剂和仔细定义采样层（Chepote et al., 2013; Isaac et al., 2014）。虽然传统上使用0–20厘米的土层进行土壤肥力评估，但大多数细小的可可根系集中在上层10厘米内，因此0–10厘米的土层对于评估营养元素有效性和施肥反应尤为重要（Menezes et al., 2015; Martins & Augusto, 2012）。因此，这一浅层中的微量营养元素含量与叶片水平的相关性比0–20厘米或20–40厘米的土层更高（Dantas, 2011）。表面有机物的沉积和土壤耕作的缺失导致了可可系统中营养元素的垂直分层（Menezes et al., 2015）。因此，综合评估0–10厘米和0–20厘米的土层可以更全面地了解土壤剖面中的营养元素分布和诊断行为（Martins & Augusto, 2012; Ronquim, 2010）。尽管存在基于文献的解释性表格（de Souza Júnior, Sodré et al., 2018），但巴西仍缺乏针对可可种植土壤的实验验证的微量营养元素有效性数据。这一差距降低了施肥建议的准确性，限制了生产链的可持续性。因此，基于田间条件下获得的可靠数据集建立有效性分类对于改善可可系统的土壤肥力管理至关重要。本研究旨在使用边界线（BL）方法，为巴伊亚州东南部两个土层（0–10厘米和0–20厘米）中的Mehlich-1可提取Cu、Fe、Mn和Zn建立有效性分类。在此背景下，BL被用作校准工具，而不是比较实验因素的方法。因此，不同的更新方法、遗传材料、地点和年份被纳入数据集，作为代表实际种植条件的变异来源，从而识别与微量营养元素有效性相关的产量上限。BL方法最初由Webb（1972）提出，后来由Walworth等人（1986）用于土壤肥力研究，是一种分析框架，用于研究田间条件下获得的数据集中单一解释变量与响应变量之间的关系。BL方法越来越多地被用作传统肥力研究的替代方法，因为传统方法在获取土壤肥力诊断标准时通常成本高昂且耗时（Lima Neto et al., 2024）。与传统回归模型不同，BL方法关注数据云的上限，从而识别在异质田间条件下可实现的最大产量相关的营养元素水平。

**2 材料与方法**

**2.1 研究区域**

本研究使用的数据来自2015年至2022年间进行的Renova Cacau研究项目的数据库。研究在巴伊亚州东南部的15个商业可可农场进行，这些农场被称为实验区（EAs）。研究区域覆盖的纬度范围为南纬13°11′35″至15°26′00″，经度范围为西经39°06′36″至39°35′18″。该地区的气候主要为湿润热带气候，根据K?ppen气候分类属于Af/Am类型，年平均温度在24°C至25°C之间，年降水量通常在1500至2000毫米之间。实验区的主要土壤类型为Oxisols和Ultisols，这些是典型的湿润热带土壤，具有高酸度、低自然肥力以及土壤矿物学和有机质对微量营养元素有效性的强烈影响。每个实验区面积约为3000平方米，分布在区域内，以涵盖代表主要可可生产区的各种土壤和土壤气候条件。

**2.2 实验设计与实施**

实验采用3 × 5因子设计的随机完全区组布局，结合了三种更新方法：R1（将嫁接苗嫁接到成年可可树的基部枝条上，然后逐渐移除原始植株）；R2（种植可可幼苗，同时逐渐移除老植株）；R3（完全移除老植株，并建立与香蕉间作的新的种植园）。评估了五种克隆品种：CCN 51、CP 49、FA 13、PS 1319和SJ 02。在每个商业可可农场内，每种品种×更新方法的组合都有两个重复地块，形成了一个反映异质生产条件的区域观测网络。在此背景下，分析重点关注的是跨环境的区域响应模式，而不是单个实验区内的处理比较。在本研究中，每个实验区内的每个重复样本被视为一个独立的实验单元。这种方法与BL方法一致，该方法要求在广泛的田间条件下进行高密度的单独观测，以准确定义产量上限，而不是通过方差分析进行处理均值比较。每个地块包含每克隆品种10株可可植物的单行。为了最小化相邻品种或更新方法之间的边缘效应，仅使用中间的五株植物进行数据收集，这些地块称为评估地块。本研究使用的数据集用于考察基于商业生产条件获得的观测结果，探讨土壤微量营养元素含量与可可产量之间的关系。数据库包含了2020年至2022年三个连续生产年份的15个实验区的信息，每个土层共270个观测数据，涵盖了该地区主要可可生产系统的土壤、品种和管理实践的变异性。观测数据来自不同的实验区和生产年份，反映了商业可可系统的空间和时间变异性。具有这些特征的数据集适合BL分析，其分析重点在于识别潜在限制因素与作物产量之间的关系上限。在这种方法中，每个观测数据都有助于定义与特定营养元素含量相关的产量上限，而低于该上限的观测数据表明产量受到其他环境或管理因素的限制。因此，分析的一致性主要源于区域数据集中代表的广泛环境和农艺条件。尽管这种设计限制了传统的局部水平实验推断，但它符合基于BL方法的区域校准目的。Oliveira、Schneider等人（2025）和Oliveira、de Souza Júnior等人（2025）详细描述了实施程序、作物管理实践、栽培操作、石灰施用和施肥方案。微量营养元素的施肥基于土壤分析结果，遵循de Souza Júnior、Sodré等人的建议（2018）。采用这些指导原则允许在不同的土壤气候条件下评估其表现，并为可可种植土壤建立微量营养元素有效性分类。

**2.3 建立有效性分类**

为了建立酸度属性和微量营养元素有效性的分类，使用了2020–2022年连续三年的产量和土壤属性数据，此时可可树分别龄为5年、6年和7年。每年在每个实验区内，从六个采样地块（三种更新方法×两个重复）收集土壤样本，形成0–10厘米和10–20厘米两个层次的20个子样本的复合样本。使用Mehlich-1提取剂测定Cu、Fe、Mn和Zn的含量，方法参照Campos和Teixeira（2017）描述的方法。对于0–20厘米的土层（标准参考层），微量营养元素含量是通过0–10厘米和10–20厘米层次值的算术平均值估算的。每个复合土壤样本代表了50株可可植物（每个克隆品种10株植物）所占的面积。

**2.4 产量和平均相对产量**

为了估算产量，每月收获并统计每个评估地块（每行中间的五株克隆植物）的成熟健康豆荚的数量。年度产量以每株干豆的千克数表示，是通过将评估地块中每株植物收获的平均总豆荚数乘以每个克隆品种的每个豆荚的平均干豆重量来计算的。由于直接比较不同年龄、气候条件和更新方法下的克隆品种产量存在困难，因此使用相对产量（RY）作为评估标准，以将数据标准化到一个共同的尺度上。相对产量（RY）是根据以下公式为每个评估地块计算的：

其中RY代表相对产量（%）；EPY是评估地块的平均产量；MP是该特定克隆品种、更新方法和年份观察到的最高产量。随后，计算了每个土壤采样区域中存在的五个克隆的平均相对产量（MRYEP），代表评估地块的平均相对产量。对于每年，根据以下公式获得平均相对产量（MRY）：

其中MRY是平均相对产量（%），MRYEP代表该特定采样区域五个克隆的平均相对产量，MPMA代表该特定年份所有区域观察到的最高平均相对产量。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据为解释微量元素的有效性结果提供了支持。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据为解释微量元素的有效性结果提供了支持。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个观察到的营养范围内代表与每种微量元素相关的潜在产量的上限。在这种类型的分析中，目标不是描述数据集的中心趋势，而是估计在实际田间条件下可实现的产量上限。使用CurveExpert Professional软件（版本2.7.3，Hyams，2020）获得最佳代表MRY和土壤微量元素含量之间关系的BL点。根据生物学相关性、最佳拟合（最高调整决定系数）和t检验的系数显著性来选择方程。从为每种微量元素和土壤层选择的模型中，根据Fernandes（2010）和Oliveira, Schneider等人（2025）制定的标准定义了有效性类别：非常低（MRY < 50%）、低（50% ≤ MRY < 70%）、中等（70% ≤ MRY < 95%）以及高或充足（95% ≤ MRY ≤ 100%）。

2.5 数据特征描述

EA中土壤的物理化学特征在表S1中呈现，包括在0–10厘米、10–20厘米和0–20厘米层中评估的属性的描述性统计（最小值、平均值、最大值和变异系数[CV]）。这些数据有助于解释微量元素的有效性结果。

2.6 统计分析和BL方法

构建了将MRY与每个评估层中的土壤微量元素含量相关联的散点图。BL是从数据云的上包络线中定义的，排除了与预期生物反应模式明显不兼容或与极端分散相关的观测值。用于模型拟合的最终点集被选为在整个在地下，由于非晶氧化物的含量较高，还原性微环境经常将Fe3+转化为Fe2+，从而增加其溶解度（Abreu等人，2007年）。在地表，较高的pH值有利于沉淀反应，而更多的有机物则促进铁的螯合，这两者都会降低铁的有效性。Silva和Ranno（2005年）观察到可用铁与pH值之间存在负相关关系，而Lapaz等人（2023年）指出，在淹水条件下，由于微生物的作用Fe3+被还原为Fe2+，导致Fe2+含量增加。尽管热带土壤通常含有丰富的铁储备，但在碱性条件下或磷过量时，铁可能会以磷酸铁的形式沉淀下来；此外，在MnO2存在的情况下，Fe2+会被氧化成难溶的形式（Abreu等人，2007年；Santos等人，2021年）。在缺氧导致的还原条件下，高溶解度的Fe2+可能会过量释放，从而引发毒性（Lapaz等人，2023年）。地表Mn的积累主要可以通过养分循环来解释，因为Mn是可可叶中积累最多的微量元素（de Souza Júnior等人，2018年）。控制铁有效性的主要因素包括pH值、有机物含量和氧化还原电位。排水不良或酸性的土壤会促进Mn4+和Mn3+还原为Mn2+，增加其溶解度，而排水良好的土壤或pH值较高的土壤则有利于氧化作用，从而降低铁的有效性（Silva & Berti，2022年）。低稳定性有机复合物的形成也有助于将Mn从有机部分重新释放到土壤溶液中（Harter，1991年；Nascimento等人，2002年）。Mn缺乏会降低可可的产量，尤其是在pH值高、土壤呈沙质且阳离子交换能力低的土壤中（Abreu等人，2007年），同时还会降低植物对疾病的抵抗力（Nakayama & Andebrhan，2000年）。本研究中发现的过量Mn含量在其他植物物种中也与植物毒性有关（Mascarenhas等人，2013年）。与Cu和Mn类似，由于Zn的移动性较低以及养分循环和施肥的残留效应，Zn在表层土壤中的浓度较高。然而，在0–10厘米和0–20厘米土层中，Zn的有效性范围相似，表明可可根系对这种养分的响应在不同土层中是稳定的。Zn不足会导致生长、开花和结果受影响，原因包括激素失衡等（Chepote等人，2013年）。相反，本研究中发现的过量Zn含量也与其它作物的植物毒性效应有关（Fageria，2000年）。表1–4中的RF数据进一步证实了在常规施肥管理下，土壤中微量养分的有效性对于可可是适宜的。Fe在“高”或“适宜”类别中的样本浓度最高，这与这些热带土壤中天然铁储备丰富以及铁与深层粘土成分的结合一致。相比之下，Zn在超过适宜水平的样本比例较高，表明某些生产区域存在过量供应的风险。过量Zn会通过减少根系质量、限制磷的吸收和抑制菌根定殖来对可可生长产生负面影响（Soares等人，2006年），这突显了需要更加谨慎地管理Zn的用量。微量养分在垂直分层上的不同分布模式强调了分析特定土层（0–10厘米和0–20厘米）对于准确诊断的重要性。Cu和Mn在0–10厘米土层中的有效性限值较高，而Fe在0–20厘米土层中的有效性限值较高；Zn在这两个土层中的有效性限值相似。这些差异为确定不同深度的养分有效性类别提供了依据，并有助于更准确地解释可可系统的土壤肥力。由于所提出的阈值是基于观测数据集并通过MRY方法得出的，因此应将其视为根据实际栽培条件得出的诊断校准范围，而不是每个微量养分对产量的直接因果估计。这些类别提供了一个强大的框架，有助于通过改进土壤测试的解释来加强区域诊断，并帮助避免施肥不足和过量施用微量养分的问题。然而，在将这些阈值纳入常规推荐系统作为最终标准之前，还需要通过独立的田间数据集、与叶片营养状况的整合以及在更广泛的土壤类型、管理系统和克隆材料上的长期试验进行进一步验证。

5 结论
本研究首次为巴西两种土壤层（0–10厘米和0–20厘米）中的可可栽培建立了具体的微量养分有效性类别（Cu、Fe、Mn和Zn）。结果表明，0–10厘米土层在诊断可可系统中的微量养分有效性方面更为敏感，而Fe在综合的0–20厘米土层中显得更为重要。在评估的微量养分中，Cu在充足和过量之间的范围最窄，这突显了需要仔细监测以避免毒性条件。这些提出的类别对于解释巴伊亚州东南部可可种植区的土壤分析具有重要意义，为改进施肥建议提供了坚实的技术基础。未来结合更广泛的数据集、与叶片分析的整合以及长期田间验证的研究将进一步增强这些类别在不同生长条件下的适用性。

作者贡献
Edson da Silva de Fran?a：概念化；数据整理；形式分析；研究方法；可视化；初稿撰写；审阅和编辑。
Jerusa Schneider：概念化；形式分析；方法论；监督；验证；初稿撰写；审阅和编辑。
José Aridiano Lima de Deus：资源获取；验证；审阅和编辑。
Dario Ahnert：概念化；资金获取；项目管理；资源；监督；审阅和编辑。
José Olímpio de Souza Júnior：概念化；资金获取；方法论；项目管理；资源；监督；审阅和编辑。

致谢
作者感谢巴西可可农民提供农场访问权限，感谢圣克鲁斯州立大学（UESC）、Mondelez International和可可创新中心（CIC）根据协议RD-15540的支持。本研究部分由巴西高等教育人员培训协调委员会（CAPES）资助（资助代码001）。本文的发表费用由巴西高等教育人员培训协调委员会（CAPES）提供（ROR标识符：00x0ma614）。

利益冲突声明
作者声明没有利益冲突。

数据可用性声明
支持本研究结果的数据可向相应作者索取。