在钙质农业生态系统中进行多变量营养诊断，以优化半干旱条件下普通菜豆（Phaseolus vulgaris）的产量

《Journal of Agriculture and Food Research》：Multivariate Nutrient Diagnostics in Calcareous Agroecosystems to Optimize Phaseolus vulgaris Productivity Under Semi-Arid Stress

　　赛义德·马沙拉拉·侯赛尼（Seyed Mashaallah Hosseini）、穆罕默德·萨伊德·塔达永（Mohammad Saeed Tadayon）和索赫拉布·萨德吉（Sohrab Sadeghi）
伊朗设拉子市农业研究、教育与推广组织（AREEO）土壤与水资源研究部门

**摘要**
在半干旱农业生态系统中，钙质土壤中的营养失衡和拮抗作用严重限制了普通菜豆（Phaseolus vulgaris，又称Pinto bean）的产量。高土壤pH值、碳酸钙的主导地位以及磷的固定作用限制了养分的可用性和吸收效率。传统的单变量诊断方法往往无法捕捉这些多元素之间的相互作用，导致施肥策略效率低下和产量不稳定。本研究旨在：（1）建立首个适用于半干旱钙质环境中Pinto bean的CND-DOP-PCA综合诊断框架；（2）确定新的临界阈值（NBI=200；CND-r2=14.33），超过这些阈值后产量下降幅度会增加34%；（3）阐明在钙质胁迫下Fe-Cu-Mn拮抗作用对共生固氮的影响机制。研究在2022至2024年间对伊朗法尔斯省的101个商业农场进行了为期三年的实地调查。在开花期采集叶片和土壤样本，并在收获时测量谷物产量。通过多元营养模型结合主成分分析来揭示养分相互作用模式，同时应用三次回归分析确定影响产量的关键养分阈值。研究发现，磷（91%）、锌（60%）、铁（51%）和硼（38%）严重缺乏，主要原因是Ca-P沉淀和微量养分的拮抗作用。养分平衡指数大于200的田块产量比养分平衡的田块低34%。CND方法比DOP方法能更好地解释产量变异，并更有效地识别微量养分之间的隐藏拮抗作用。总体而言，将区域特定的CND诊断方法整合到精准施肥计划中可以提高养分利用效率，在半干旱胁迫条件下稳定产量，并支持钙质环境和气候适应性农业系统中豆类生产的可持续集约化。

**1. 引言**
普通菜豆（Phaseolus vulgaris L.）是全球最重要的直接食用豆类作物，为发展中国家超过3亿人提供必需的蛋白质、纤维和微量养分（FAO, 2022）。全球年产量超过2800万吨，其中拉丁美洲、非洲和亚洲占种植面积的约75%。该作物的农艺适应性、固氮能力和对不同农业生态区的适应性使其成为可持续农业集约化的战略作物，尤其是在气候变化和资源短缺加剧的背景下（Dave et al., 2024）。在伊朗，每年种植面积约为9.5万公顷，年产量约为22万吨。然而，由于养分管理不善、频繁干旱以及钙质土壤的限制，平均产量（2.2-2.5吨/公顷）远低于其潜在产量（3.5-4.0吨/公顷），尤其是在法尔斯省等主要生产区。主要种植的品种如Pinto bean（Phaseolus vulgaris var. coccineus）和白豆（Phaseolus vulgaris var. albus）面临养分管理不善、土壤退化和水资源利用效率低等日益严峻的挑战（Mohammadpur et al., 2025）。研究表明，平衡的植物养分可以提高作物产量、增强对生物胁迫（如病虫害）的抵抗力，并减轻干旱和盐碱等非生物胁迫（Priya et al., 2025）。豆类作物特别是需要平衡的大量元素和微量元素来进行共生固氮、光合作用和应对胁迫（Thilakarathna and Raizada, 2018; Chiurazzi et al., 2025）。法尔斯省普遍存在的钙质土壤（pH >7.5）会加剧养分固定并降低养分的生物有效性（Roozitalab et al., 2018）。在干旱胁迫和钙质土壤条件下，养分缺乏和失衡尤为严重，因为这会降低养分的吸收、运输和在植物内的分布（Tadayon et al., 2025）。不当的施肥是导致产量和质量下降的主要因素。有效的养分管理对于优化作物数量和质量至关重要。叶面诊断是评估养分状况、指导施肥策略和确保生产系统可持续性的关键工具（Anago et al., 2023）。植物生长发育依赖于必需元素的平衡供应，这一平衡由稳态机制维持（Li et al., 2024a）。传统的诊断方法如土壤测试和植物组织分析长期以来被用于评估养分状况，但这些方法往往无法考虑养分之间的协同或拮抗作用以及环境变化，导致建议不全面或具有误导性。养分失衡可能是由于某些元素的缺乏或过量吸收引起的，可以通过偏离最佳组成规范来检测（García-Hernández et al., 2005; Ali et al., 2023）。这种失衡可能导致营养失调和严重的产量损失，这些情况受到遗传控制特征的强烈影响（Basiru et al., 2025）。因此，为商业作物建立养分规范和指标是有效养分管理的第一步。

先进的多元框架，如成分养分诊断（CND；Parent and Dafir, 1992）和偏离最佳百分比（DOP；Monta?és et al., 1993），通过量化养分比率及其与高产规范的偏差提供了更深入的见解。CND通过将元素比率与几何平均值进行比较来评估养分相互作用，比静态临界值更具优势（Parent & Dafir, 1992; de Souza et al., 2025）。这种多元方法整合了大量元素和微量元素之间的化学计量关系，捕捉了控制植物生理反应的复杂相互依赖性。CND根据当前产量数据确定关键养分水平和适当的养分范围，使养分施用更加合理（Li et al., 2025）。离子组学概念涵盖了生物体内的所有矿物质养分和微量元素，促进了在环境、生理或遗传变化下多元素相互作用的研究（Singh et al., 2013; Nakombo-Gbassault et al., 2025）。离子组学为植物营养提供了系统级的理解，有助于准确诊断营养失调（Parent et al., 2013; Rozane et al., 2020; Ali et al., 2025）。与单变量临界值（CV）或双变量诊断与推荐集成系统（DRIS）方法相比，CND的多元框架提高了组织诊断的准确性。它还能识别并排除异常值，增强养分状况评估的可靠性（Parent et al., 2013）。计算建模的最新进展进一步提高了CND的预测准确性，使其能够根据实时农业生态数据动态调整施肥方案（Muthulakshmi et al., 2025）。

与以往仅将现有规范应用于新区域的CND和DOP方法不同，本研究有三个创新贡献：（1）首个结合CND、DOP和PCA的集成框架，专门针对钙质和干旱胁迫下的Pinto bean；（2）确定定义产量限制失衡的区域特定临界阈值（NBI=200；CND-r2=14.33）；（3）阐明Fe-Cu-Mn拮抗作用及其对豆科植物根瘤中电子传输链功能的影响，这对钙质农业生态系统中的精准微量养分管理具有重要意义。CND已在多种作物中显示出有效性，包括玉米（de Souza et al., 2025）、甘蔗（Costa et al., 2025）和小麦（Hosseini and Tadayon, 2025）。在钙质土壤中，CND发现Pinto bean存在显著的氮、磷和钾缺乏，同时钙和磷之间存在负相关（Troyo-Diéguez et al., 2010）。在巴西豆类田地中，CND和DRIS确定锰、磷和硼是限制产量的关键因素，其诊断准确性优于基于充足范围的评估（Partelli et al., 2014）。尽管取得了这些进展，但在豆类作物领域，特别是在水资源紧张且土壤钙质化的地区，CND的应用仍不够充分。鉴于该地区易受含水层枯竭、降水不规律和温度升高的影响，这一问题尤为突出，这些因素加剧了养分吸收的效率低下。例如，干旱胁迫可使豆类的固氮率降低多达40%，从而加剧了因养分管理不善造成的产量损失（Fenta et al., 2020）。过度依赖合成肥料也导致了锌、硼等元素的缺乏和土壤酸化问题，而CND的综合性诊断框架可以系统地解决这些问题（Rozane et al., 2020）。

DOP通过量化与高产规范的偏差来简化养分失衡的识别，相比基于复杂比率的DRIS系统更为简便。最新研究表明，参考（Cref）值具有作物和区域特异性。例如，Attar和Joolka（2015）使用DOP诊断西喜马拉雅地区Starking Delicious苹果的大量元素失衡，并将其与产量和果实品质变化联系起来。Mirabdulbaghi（2015）应用DOP评估不同砧木下的梨树品种，发现硼-锌处理在开花期改善了养分平衡。Conilon咖啡的空间变异研究利用DOP和地理统计映射指导局部施肥，显示钾（K）和硼（B）的空间依赖性很强（Partelli et al., 2022）。DOP的简单性和可解释性使其在某些情况下优于DRIS，因为它依赖于绝对偏差而非养分比率，从而降低了诊断复杂性。最近对DOP应用的改进，包括主成分分析（PCA）和ΣDOP（绝对DOP值之和）等多元分析，提高了其评估整体养分平衡的实用性（Shyam et al., 2024）。

这项为期三年的研究（2022–2024）是首次在法尔斯省应用DOP和CND方法进行豆类种植的综合性尝试。研究目标有两个：（1）建立区域特定的养分规范；（2）开发数据驱动的施肥策略，以增强在日益严峻的环境胁迫下的产量稳定性。通过整合地理空间土壤健康数据、气候预测和多元养分分析，本研究旨在重新定义半干旱环境中的豆类精准农业实践。预期这些发现将为面临类似农业气候挑战的地区提供可扩展的解决方案。

**2. 材料与方法**
**2.1. 研究区域和采样**
这项为期三年的研究（2022–2024）在伊朗法尔斯省的101个Pinto bean（Phaseolus vulgaris L. cv. Khomein）田地进行，该地区以钙质土壤和降水不规律为特征。调查田块面积从2公顷到10公顷不等，平均每个田块约为4.1公顷。选定的田块涵盖了三个主要的豆类生产区：Sepidan、Abadeh和Eqlid，这些地区产量差异较大（高：>2.5吨/公顷，中等：1.5–2.5吨/公顷，低：<1.5吨/公顷），并反映了区域性的农艺限制（水资源短缺、土壤盐碱化）。所有田块均采用统一的灌溉方式（带状灌溉）并遵循以下描述的当地施肥方案，以减少混淆变量。这些田块的土壤和叶片分析数据被汇编成数据库。

**施肥方案**：
在调查的农场中，施肥遵循当地推广建议，但不同农场之间存在较大差异。氮肥（尿素，46%氮）的施用量在80至150公斤/公顷之间，通常分为播种前（50%）和开花期追肥（50%）。磷肥（三重过磷酸钙，46% P2O5）在播种前施用，施用量在40–80公斤/公顷之间。钾肥（硫酸钾，50% K2O）在需要时施用，施用量在30–60公斤/公顷之间，但约有35%的农场未施用钾肥。微量养分的施用情况不一：锌肥（硫酸锌，23% Zn）在28%的农场施用，施用量在20–30公斤/公顷；铁肥（铁螯合物，6% Fe）在15%的农场施用；硼肥（硼酸，17% B）在12%的农场施用。没有农场报告施用锰或铜肥料。如果使用叶面微量养分喷雾，则在早期开花期施用一次。

**法尔斯省的气候特征**
法尔斯省主要分为两个气候区：非常炎热干燥区和半炎热半干燥区。长期农业气象数据（1980-2024）见补充表S1。年最高温度（41.8°C）出现在7月，最低温度（-7.6°C）出现在2月。12月、1月和2月属于湿润月份；3月、4月和11月属于半干燥月份；5月至10月属于干燥月份。1月的绝对最大相对湿度为70%，6月和7月降至12%。7月的蒸发量最高（462.3毫米），1月最低（37.1毫米）。最湿润的月份是3月（118.5毫米）、4月（102.4毫米）和2月（97.6毫米），这三个月份占年总降雨量的60%以上。

**采样方法**
在每个田块的主要生长阶段采集灌溉水样本。采样前让系统运行10–15分钟以确保样本代表性。收集的水样储存在500毫升的聚乙烯瓶中，置于冷藏容器中，并在24小时内进行分析。

**土壤样本采集**
在播种前使用之字形模式从每个田块采集0–30厘米深度的复合土壤样本（每个田块15个子样本）。土壤和水样在伊朗扎尔甘的法尔斯农业与自然资源研究中心的土壤与水资源研究部门进行分析实验室进行检测。水样被分析了pH值和电导率（EC），以及Ca2+、Mg2+、Na+、K+、CO32-、HCO3-、Cl-、SO42-的浓度（Estefan等人，2013年）。为了评估灌溉水质，还计算了钠吸附比（SAR）和残余碳酸钠（RSC）。土壤样本经过风干、筛分（2毫米），并分析了其物理化学性质：pH值和电导率（饱和糊状物）（Sparks等人，1996年）；有机物通过Walkley-Black方法测定（Estefan等人，2013年）；质地通过比重计方法测定（Gee和Or，2002年）；有效氮通过Kjeldahl方法测定（Bremner，1996年）；有效磷通过Olsen方法测定（Olsen等人，1954年）；交换性钾通过醋酸铵提取法测定（Helmke和Sparks，1996年）；钙和镁通过醋酸铵提取法测定；有效铁、锌、铜、锰通过DTPA提取法测定（Lindsay和Norvell，1978年）；硼通过Azomethine-H方法测定（Krug等人，1981年）。总碳酸钙（CaCO3%）通过钙量计方法测定。在开花期（BBCH 18-16；Meier等人，2009年），每个田块随机选择了30株植物。从每株植物的上部三分之一处剪下幼嫩且完全展开的叶片，用0.1% HCl和去离子水清洗后，在70°C下烘干48小时，然后研磨用于养分分析。总叶氮（N）浓度（干重百分比）使用micro-Kjeldahl方法测定（Helrich，1990年），仪器为Kjeltec 2300分析仪（Foss Tecator，瑞典）。磷（P）通过钒钼酸盐磷酸黄色法进行分光光度分析（Chapman & Pratt，1978年）。总叶钾（K）浓度通过火焰光度法测定（Helmke等人，1996年）。钙（Ca）、镁（Mg）、铁（Fe）、锰（Mn）、锌（Zn）和铜（Cu）通过原子吸收光谱法测定（Perkin-Elmer 1100B）（Isaac等人，1971年），硼（B）浓度通过Azomethine-H分光光度法测定（Krug等人，1981年）。谷物产量通过手工收割整个田块在完全成熟时获得。收获后的植物在田面上晾晒5-7天，然后用机械联合收割机（John Deere 955）脱粒。测量每个田块的总种子重量，校正到14%的水分含量，并以千克/公顷（kg ha-1）表示。

2.2. 指数和统计分析
偏离最佳百分比（DOP）指数根据公式（1）计算：
\[公式1\]
其中C代表植物样本中测得的养分浓度，Cref表示来自高产群体的参考值。
然后通过将各个DOP指数的绝对值相加来计算营养平衡指数（NBI），如公式（2）所示（Monta?és等人，1993年）：
\[公式2\]
其中C代表测得的养分浓度，Cref代表来自高产群体的参考值（>2.5吨/公顷）。较高的NBI值表示更大的养分不平衡。
CND-clr（中心对数比率）方法用于评估养分相互作用（Parent & Dafir，1992年；Khiari等人，2001年；Tadayon等人，2025年）。该方法涉及对包含所有已知养分（N、P、K等）以及其他未确定元素、碳水化合物等的100%封闭系统的多变量分析。植物组织组成形成一个d维养分排列或单纯形（Sd），包括d+1个养分比例，以及一个填充值（Rd），由公式（3）定义：
\[公式3\]
其中N、P、K等是在干物质中测得的养分浓度（%），Rd的计算公式为（公式4）：
\[公式4\]
通过除以d+1个组分的几何平均值（G）将养分比例转换为尺度不变值（Aitchison，1994年）（公式5）：
\[公式5\]
养分X的CND行中心对数比率（VX）的计算公式为（公式6）：
\[公式6\]
包括填充值（RdRd）在内的行中心对数比率之和应为零（公式7）：
\[公式7\]
使用Cate-Nelson程序（Cate和Nelson，1971年）将观测值分类为高产和低产亚群体。累积方差比率函数Fic(VX)的计算公式为（公式8）：
\[公式8\]
其中ni-1是组分数量，n是观测值总数（n1+n2）。转折点（-b/3a）通过将函数的二阶导数设为零来确定。CND指数（IX）的计算公式为（公式9）：
\[公式9\]
营养不平衡指数（CND-r2）的计算公式为（公式10）。
\[公式10\]
CND-r2越接近零，养分平衡越好。
描述性参数（均值、标准差、变异系数和几何均值）和CND参考标准使用Microsoft Excel 2016计算。数据使用分段回归（Muggeo，2008年）和SPSS v27及Minitab 14中的主成分分析（PCA）进行分析。PC载荷的显著性使用Ovalles和Collins（1988年）提出的选择标准（SC）确定，定义为SC = 0.5/√(PC特征值)。超过此标准的载荷被认为是显著的。进行分段回归分析以确定谷物产量与诊断指数（如营养平衡指数（NBI）和各个CND养分指数）之间的关系。分析使用R软件（v.4.3.1；R Core Team，2023）中的分段回归程序进行。通过最小化残差平方和（RSS）和最大化决定系数（R2）迭代确定临界点。使用Davies检验（Davies，2002；p < 0.05）测试每个临界点的统计显著性。拟合模型用于定义最佳和次优养分平衡范围，临界点（c）对应于产量显著下降的临界NBI或养分指数值。

3. 结果
3.1. 豆类农场土壤和水的性质分析
分析了豆类农场的灌溉水和土壤的物理化学性质。详细的统计总结及箱线图和缺乏情况见补充图S1。灌溉水的平均pH值为7.81（范围6.9-8.5），表明呈碱性条件。平均盐度（EC）为466.65 μS/cm（范围300–660 μS/cm），表明盐度适中。土壤pH值平均为7.85（范围7.4–8.6），确认为中等碱性条件。土壤电导率平均为0.85 dS/m（范围0.34–1.37 dS/m），处于非盐化范围内。土壤富含钙质，平均碳酸钙（CaCO3）含量为34.8%（范围17.6–47.1%）。有机碳（OC）平均含量为1.04%（范围0.42–2.78%），表明肥力较低。氮（N）不足（平均32 mg kg-1；63.4%的农场低于40 ppm）。磷（P）含量低（平均5.6 mg kg-1；91.2%低于20 ppm）。钾（K）含量充足（平均133.6 mg kg-1；67.2%低于200 ppm）。土壤质地为壤土（33.4%沙子，28.0%粉砂，28.6%粘土）。微量元素缺乏：锌（Zn）（0.82 mg kg-1；59.5%缺乏），铁（Fe）（4.1 mg kg-1；40.8%缺乏），锰（Mn）（3.54 mg kg-1；52.1%缺乏），硼（B）（0.34 mg kg-1；38.1%缺乏）；铜（Cu）含量充足（0.86 mg kg-1；0%缺乏）。

3.2. 谷物产量和叶片养分浓度
平均谷物产量为2,422 kg ha-1（范围1,000-4,150 kg ha-1）。叶片养分浓度（表1）平均值为：氮（N）3.13%（2.50-4.10%），磷（P）0.28%（0.15-0.50%），钾（K）1.79%（0.60-3.39%），钙（Ca）1.30%（1.08-1.72%），镁（Mg）0.32%（0.08-0.83%），铁（Fe）220.6 mg kg-1（9-738），锰（Mn）54.7 mg kg-1（3-153），锌（Zn）22.5 mg kg-1（7.8-49.4），铜（Cu）10.3 mg kg-1（5-15），硼（B）30.5 mg kg-1（8.5-71.8）。
表1. 伊朗法尔斯省101个农场普通菜豆（Phaseolus vulgaris）叶片养分浓度和谷物产量的统计总结。
| 养分/参数 | 单位 | 平均值 | 范围（最小–最大） | 标准差（SD） |
| --- | --- | --- | --- | --- |
| 谷物产量 | kg ha-1 | 2,422 | 1,000–4,150 | 720.45 |
| 大量元素 | 氮（N）% | 3.13 | 2.50–4.10 | 0.37 |
| 磷（P）% | 0.28 | 0.15–0.50 | 0.07 |
| 钾（K）% | 1.79 | 0.60–3.39 | 0.71 |
| 钙（Ca）% | 1.30 | 1.08–1.72 | 0.13 |
| 镁（Mg）% | 0.32 | 0.08–0.83 | 0.15 |
| 微量元素 | 铁（Fe） | mg kg-1 | 220.6 | 9–738 | 150.09 |
| 锰（Mn） | mg kg-1 | 54.7 | 33–153 | 40.02 |
| 锌（Zn） | mg kg-1 | 22.5 | 17.8 | 0–49.4 | 0.77 |
| 铜（Cu） | mg kg-1 | 10.2 | 5–152.9 | 3 |
| 硼（B） | mg kg-1 | 30.4 | 8.5–71.7 | 13.97 |

3.3. 偏离最佳百分比（DOP）分析
高产农场（>2,500 kg ha-1；n=58）的DOP参考标准见补充图S2。必需植物养分的优化百分比（DOP）的负偏差显示，铁（Fe）缺乏最为严重（平均负DOP -55.6，影响51.5%的农场），其次是锰（-37.2%，39.6%），硼（-35.4%，36.6%），锌（-25.6%，57.4%），镁（-28.4%，22.8%），钾（-22.3%，24.8%），铜（-20.1%，47.5%），磷（-18.7%，14.9%），钙（-15.8%，29.7%），氮（-12.5%，18.8%）。

3.4. DOP-营养平衡指数（NBI）分析
分段回归揭示了NBI与豆类产量之间的关系（图2）。对于NBI ≤ 200的田块：产量 = 3,850 - 5.2 NBI（R2 = 0.65）。对于NBI > 200的田块：产量 = 4,200 - 12.8 NBI（R2 = 0.82）。临界点为NBI = 200（Davies检验，p < 0.001）。NBI ≤ 200的田块平均产量为3,460 kg ha-1，而NBI > 200的田块平均产量为2,280 kg ha-1——减少了34%（t检验，p < 0.001）。

3.5. 使用组成养分诊断（CND）进行营养状况评估
为10种养分元素和一个残余组分（Rd）拟合了三次多项式方程，所有模型的决定系数均显著（R2 = 0.930–0.987）（补充表S2；图3）。区分高产和低产组的最佳产量阈值为3,124.33 kg ha-1，通过累积方差比率函数[F?c(Vx)]及其产量转折点（-b/3a）确定。超过此阈值的农场被归类为高产（16个农场，15.8%，平均产量3,565.6 kg ha-1），而84.2%（85个农场）属于低产组。各养分的临界拐点各不相同：钾（K）为3,124.3 kg ha-1，镁（Mg）为2,987.9 kg ha-1，铁（Fe）为2,669.2 kg ha-1，硼（B）为3,095.0 kg ha-1，锰（Mn）为1,106.1 kg ha-1。

3.6. 养分充足范围的临界参考值
表2列出了基于高产组（n=16）使用CND方法得出的养分充足范围的临界参考值（V*X）。
表2. 使用组成养分诊断（CND）方法确定的高产菜豆农场必需养分的参考值。
| 养分 | 单位 | 参考值 | 标准差 | 平均值 V*x（高产组，n = 16） |
| --- | --- | --- | --- |
| N | % | 3.52 | 2.50 | 6 |
| P | % | 0.29 | 0.21 | 8 |
| K | % | 2.80 | 0.19 | 6 |
| Ca | % | 1.53 | 0.13 | 3 |
| Mg | % | 0.59 | 0.18 | 2 |
| Zn | mg/kg | 24.2 | 10.3 | 4 |
| Fe | mg/kg | 9.75 | 0.81 | -3.09 |
| Cu | mg/kg | 89.5 | 0.45 | -5.72 |
| Mn | mg/kg | 55.2 | 0.17 | 6 |
| B | mg/kg | 30.5 | 0.31 | 4 |
| Rd | mg/kg | 0.31 | 0 |

3.7. 最佳养分浓度和临界阈值
根据Parent和Khiari（2003）的方法得出的最佳养分浓度和临界阈值见表3。钾（I2K）和镁（I2Mg）的临界范围最宽，而微量元素（Zn：±1.119；Fe：±1.120）的临界范围较窄。
表3. 使用组成养分诊断（CND）方法确定的菜豆养分指数、临界水平和充足范围。
| 养分指数 | 上临界值 | 下临界值 | 临界范围 |
| --- | --- | --- | --- |
| I2N | 1.51 | 1.51 | 3 | 208 | 4.14 |
| I2P | 1.35 | 1.35 | 6 | 225 | 4.38 |
| I2K | 2.31 | 2.31 | 8 | 5.37 |
| I2Ca | 1.08 | 1.08 | 7 | 1.18 |
| I2Mg | 3.73 | 3.73 | 3 | 13.93 |
| I2Zn | 1.11 | 1.11 | 9 | 25 |
| I2Fe | 1.12 | 1.12 | 1 | 26 |
| I2Cu | 1.59 | 1.59 | 2 | 18 |
| I2Mn | 1.57 | 1.57 | 2 | 48 |
| I2B | 3.67 | 3 | 3 | 13.49 |
| I2Rd | 2.71 | 2.71 | 7 | 34 |
| CND = 组成养分诊断；V*x = CND转换中的标准化养分变量。对于高产农场（n=16），PC1（45.8%）优先考虑镁（Mg）、硼（B）和钙（Ca）的正偏差，而锰（Mn）的负偏差（IMn：-0.483）在PC4中显现。在两个亚群体中，铁（Fe）和铜（Cu）以及铁（Fe）和锰（Mn）之间的拮抗作用都很明显。

4. 讨论
本研究首次将营养成分诊断（CND）和偏离最优百分比（DOP）的方法结合起来，以解决在石灰质半干旱条件下普通菜豆（Phaseolus vulgaris）的营养不平衡问题。关键发现揭示了临界阈值（CND-r2 = 14.33；NBI = 200），在这些阈值下，由于协同缺乏（例如铁、锌、硼）和拮抗作用（例如钙-磷、锰-铜），产量下降加速。由于石灰质土壤的独特性质（pH 7.85；CaCO3 34.8%），确定的局部充足范围（如钾2.22%和铁181.75 mg kg-1）与全球基准有所不同。观察到营养不平衡对产量的非线性响应，严重缺乏（NBI >200）使产量减少了34%（2,280 kg ha-1 vs 3,460 kg ha-1）。这些发现与最近的离子组学进展一致，后者强调系统范围内的营养相互作用而非孤立的缺乏（De Oliveira等人，2020；Matsuoka，2020；d'Oria等人，2022；Palmgren和Shabala，2024）。主成分分析（PCA）进一步突出了铁-铜-锰的氧化还原冲突和镁-硼的协同作用，强调了在石灰质农业生态系统中进行多变量诊断的必要性。

4.1. 方法比较：CND与DOP
在方法上，CND在捕捉隐藏的拮抗作用（如铁-锰竞争）方面优于DOP，这在高pH值的土壤中尤为重要，因为那里微量营养素的固定很普遍（Mostashari等人，2022；Parent，2025）。CND的多变量方法在诊断锰和铁的相互作用方面优于DOP。橄榄园中的类似发现（Tadayon等人，2025）验证了CND在异质土壤中的稳健性。CND的对数比率框架（Parent等人，2013）通过整合残差成分（Rd）在分类高产群体（3,565 kg ha-1）方面优于DOP，这些残差成分反映了非营养压力因素，如水资源短缺。相比之下，DOP优先考虑大量营养素的偏差（钾、钙、镁），但未能诊断对豆科植物结瘤至关重要的铁-铜相互作用（Li等人，2024b；Ma等人，2024）。虽然DOP依赖于静态参考值（例如硼：39.57 mg kg-1），忽略了干旱条件下的化学计量变化，但CND的动态clr转换（de Souza等人，2025；Parent，2025）提供了关于抗逆性的可操作见解，例如在高产系统中识别潜在的锰缺乏（IMn：-0.483）。CND的对数比率框架（clr）考虑了营养元素的化学计量比，使其特别适合诊断石灰质系统中的不平衡。通过将营养浓度转换为相对比例（例如ln(N/G），其中G是几何平均值），CND减轻了传统方法中固有的“封闭总和”偏差（Parent，2025）。这解释了它能够检测到DOP忽略的微妙拮抗作用（如PC4中的铁-铜竞争：-0.483）。CND中的残差成分（Rd）进一步整合了影响压力下营养分配的非营养因素（例如碳水化合物、次级代谢物）（Mészáros等人，2021）。例如，Rd与产量的负相关（PC1：-0.34）表明干旱条件下碳的分配发生了变化，植物优先分配根系分泌物而不是地上生物量，从而减少了可用于营养吸收的光合产物（Li等人，2024a；Ali等人，2025）。

4.2. 石灰质土壤中的营养缺乏和拮抗作用
法尔斯省豆田中观察到的营养缺乏和拮抗作用源于石灰质土壤化学（pH >7.5，CaCO3 >15%）、植物生理适应和环境压力因素之间的复杂相互作用。石灰质土壤对豆类生产有三个关键障碍：（1）磷的固定，91.2%的农场表现出磷缺乏（<20 ppm），这是由于CaCO3引起的沉淀（Roozitalab等人，2018）；（2）微量营养素的固定，尤其是锌（57.4%的缺乏）和铁（51.5%），这是由于高pH值下的螯合作用（Jayara等人，2023）；（3）有机碳的耗竭（1.04%），这减少了微生物的固氮作用并加剧了产量损失（Raza等人，2020；Dwivedi等人，2025）。锌和铁的缺乏是限制豆类产量的最关键因素，影响了超过50%的农场。铁的普遍缺乏（51.5%的农场）表明碱性土壤存在问题，铁在这种土壤中往往不可利用。高比例的锌缺乏（57.4%的农场）表明锌施肥不足、土壤中锌含量低或与高磷水平相互作用，这会减少锌的吸收。锌和铁支持光合作用、叶绿素合成和酶活性。锌缺乏会干扰生长素合成和二氧化碳固定（碳酸酐酶活性），从而加剧产量损失（Sheteiwy等人，2025）。

4.3. 植物适应和管理策略
豆类采用双重策略来缓解石灰质土壤的限制。根系分泌有机酸（例如柠檬酸、苹果酸）可以螯合钙离子（Ca2+）和铁离子（Fe3+），提高磷和锌的溶解度（Schwerdtner等人，2022；Liao等人，2022）。然而，长期干旱会抑制分泌物的产生，从而加重缺乏，这一现象在研究的低产群体中有所体现。营养不平衡直接抑制了根瘤菌的活性。碱性土壤可能会限制磷和某些微量营养素（如铁和锌）的可用性。为了解决这个问题，可以施用硫磺或有机物等土壤改良剂来降低pH值并提高营养素的可用性。镁离子（Mg2+）的缺乏（22.8%的农场观察到）会干扰细菌中的ATP合成，降低固氮酶的效率（Li等人，2024b）。同样，硼的缺乏（38.1%的农场）会通过改变细胞壁弹性和信号传导来影响根瘤的形成（Bonilla和Bolanos，2010；Yeremko等人，2025）。这些挑战需要精确的施肥策略，例如定制的NPK+Zn+B方案（例如，在开花期施用叶面锌-EDTA），以缓解缺乏同时避免钙-磷的拮抗作用。

4.4. 营养拮抗和协同作用
营养拮抗作用进一步加剧了缺乏。钙离子（Ca2+）与镁离子（Mg2+）和钾离子（K+）竞争根系吸收位点，因为它们共享阳离子通道（Chen等人，2025）。这解释了钙-钾和钙-镁之间的负相关关系（PC1负荷：-0.595）以及通过CND确定的临界镁阈值（0.59%）。在大量营养素中，镁显示出最高的负DOP（-28.4），影响了22.8%的农场。钾的缺乏（-22.3%，24.8%）也是一个问题，因为钾在气孔调节、抗旱性和果实品质中起着关键作用。钾离子调节气孔导度和渗透压平衡；缺乏会增加活性氧（ROS）的敏感性（Priya等人，2025；Zhu等人，2025）。同样，在碱性土壤中，锰和铁的氧化还原相互作用会导致锰离子/铁离子氧化物沉淀，降低它们的植物可用性（Bhattacharya等人，2024）。PCA揭示了铁-锰-铜的氧化还原冲突（PC3负荷：-0.717），这与最近的离子组学研究一致，表明铁-铜的共同限制会破坏豆科植物根瘤中的电子传输链，从而影响固氮作用（Ma等人，2024；Hasan等人，2025；Kumari等人，2025）。尽管豆类具有固氮能力，但仍有18.8%的田地表现出氮缺乏（DOP < -12.5）。石灰质土壤中的高钙离子浓度和有机物质不足会抑制根瘤菌的活性，减少根瘤的形成（Abd-Alla等人，2022）。

4.5. 干旱压力和营养动态
干旱压力通过改变根际动态加剧了这些营养限制。水资源短缺减少了质量流和扩散速率，限制了像磷和锌这样的不可移动营养素的移动（Priya等人，2025；Sharma等人，2025）。同时，干旱下的气孔关闭减少了由蒸腾作用驱动的营养运输，加剧了木质部可移动元素（如钙、硼）的缺乏。钙在植物发育和抗逆性的信号传导中充当第二信使（Wang等人，2025；Naveed等人，2025）。在环境压力下，钙和硼刺激糖的积累并调节蔗糖诱导的糖吸收，整合各种内部和外部信号以实现营养平衡和协调应激反应（Sakr等人，2018；Zhang等人，2018；Wang等人，2025）。这种机制相互作用解释了NBI >200的农场产量急剧下降（34%）的原因，其中协同的水分-营养压力破坏了光合作用效率和荚果形成（Priya等人，2025；Lin等人，2025）。

4.6. 限制和未来方向
我们承认这项研究的一个局限性：这里开发的诊断标准（表2）和确定的临界阈值（NBI=200；CND-r2=14.33）是基于观察性田间数据（n=101个农场）得出的，尚未通过独立的田间试验进行验证。用于建立CND标准的高产亚群体包括16个农场（占总数的15.8%），这与已建立的CND方法一致，即高产亚群体通常代表调查地点的10-25%（Parent和Dafir，1992；Khiari等人，2001）。尽管如此，我们认识到需要验证研究来确认基于这些标准的肥料调整是否能提高产量和营养利用效率。未来的研究应实施随机对照试验，比较传统施肥和CND指导的精准施肥，特别关注NBI=200的阈值和提出的铁-锌-硼联合补充策略。这样的验证将加强我们的发现在其他石灰质地区的适用性。

这项研究的方法学局限性在于其横断面设计，它仅在一个时间点捕捉营养-产量关系。纵向研究跟踪生长季节中的营养动态将增强关于NBI=200阈值的因果推断。此外，虽然我们的样本量（n=101）超过了多变量CND分析的最低要求（Parent等人，2013），但高产亚群体（n=16）代表了一种保守的标准化方法。未来具有更大高产样本的研究可以完善这些标准，并测试它们在不同豆类品种和管理制度下的普遍性。

4.7. 对可持续集约化的意义
这对可持续集约化具有重要意义。PCA驱动的CND指数能够在降雨不规律的情况下动态调整灌溉-施肥计划，符合气候适应目标（Soussi等人，2024；Kabato等人，2025）。政策整合同样关键；这项工作通过提高产量稳定性和支持可持续发展目标2（零饥饿）和可持续发展目标13（气候行动）来减少化肥过度使用（Mishra等人，2024）。新兴的纳米肥料（例如ZnO和Fe3O4纳米颗粒）在绕过土壤固定方面显示出潜力。例如，封装的锌-EDTA纳米颗粒在石灰质土壤中的吸收效率比传统肥料高出40%（Madhupriyaa等人，2024）。未来的研究应优先考虑将CND与机器学习（例如随机森林）结合，以预测气候变化下的营养阈值并优化实时营养管理（Shawky等人，2024；Wen和Ma，2024）。在clr转换数据上训练的随机森林算法可以以89%的准确性预测特定地点的NPK+Zn需求（Yamane等人，2022）。通过粮农组织的全球土壤伙伴关系协议将CND框架扩展到其他石灰质地区，可以放大其全球影响。

5. 结论
本研究表明，将CND和DOP结合起来为识别营养限制和优化石灰质半干旱系统中普通菜豆的生产力提供了一个强大的诊断框架。CND的成分方法揭示了复杂的营养拮抗作用，特别是铁-铜-锰和钙-磷相互作用，这些是传统方法所忽视的。营养平衡的田地（NBI ≤200；CND-r2 ≤14.3）实现了高达34%的产量提升。虽然这里提出的诊断标准和阈值需要通过独立的田间试验进行验证，但这项研究为石灰质豆类生产系统的基于证据的营养管理奠定了基础。这里确定的区域特定充足范围和诊断阈值构成了精准施肥策略的基础，包括有针对性的磷-锌-硼补充和有机改良，以提高微量营养素的生物利用度。通过独立田间试验验证后，这里开发的CND-DOP框架可以为其他石灰质农业生态系统的营养诊断和可持续集约化提供可转移的指南。我们鼓励未来的研究通过随机对照试验测试这些基于CND的标准的预测性能，比较传统施肥和CND指导的施肥方案。

7. 利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。