温室玫瑰切花栽培中的水源利用季节性变化与多目标精准灌溉优化

《Agricultural Water Management》：Seasonal dynamics of water source use and multi-objective precision irrigation optimization for greenhouse rose cut-flower cultivation

　　吴俊能 | 魏朗 | 米卓军 | 程峰 | 王瑞芳 | 苏志龙 | 赵雷 | 赵凡
中国云南省昆明市云南师范大学地理学院

摘要：温室玫瑰生产需要制定一种能够兼顾节水与植物营养状况的灌溉策略，而这种策略的制定依赖于对植物水分吸收的季节性变化以及灌溉、土壤水分与植物响应之间关联路径的理解。本研究在中国西南部金沙县的一个商业温室玫瑰种植系统中进行了为期一年的深入案例研究，选择了一个位于当地主要生产区域内的、配备了全套观测设备的地点作为研究点。选择该地点的目的是为了在特定的生产环境下分析季节性的水分吸收过程，而不是将其作为整个地区的代表性样本。我们开发了一种综合的工作流程：结合了稳定同位素分析和非线性编程技术来进行水源分配；利用偏最小二乘结构方程模型（PLS-SEM）来识别水分吸收的路径；并通过帕累托优化方法筛选合适的灌溉方案。同位素分析结果表明，在湿润季节，植物主要从表层土壤（0–30厘米）吸收水分；而在干旱季节，则更多地依赖深层土壤（50–80厘米）。PLS-SEM的结果进一步表明，灌溉对植物整体状况的影响主要通过土壤水分条件来实现。在模拟的营养限制条件下，研究确定了一种具有季节性差异的平衡灌溉策略。与当前的管理方式相比，这种新策略在调整灌溉频率和年用水量方面较为温和，同时仍能维持植物所需的养分浓度以及叶片的δ13C值。需要注意的是，叶片的δ13C值被解释为与植物水分利用行为相关的补充性碳同位素指标，而非直接反映水分利用效率（WUE）。由于这些数据仅来自一个受严密监测的温室，并通过模拟进行比较，因此所提出的策略应被视为特定环境下的最佳选择，并非适用于所有情况的通用方案。总体而言，这种结合稳定同位素分析、PLS-SEM和帕累托优化的综合方法为类似管理条件的温室玫瑰种植系统提供了一种透明、基于具体案例的灌溉策略筛选框架。

1. 引言
精准灌溉在保护性园艺中日益重要，因为温室生产系统需要在保持高市场价值的同时应对水资源压力、肥料使用效率和环境质量的挑战。全球切花市场规模超过550亿美元，其中玫瑰占据了最大市场份额（AIPH，2023年）。植物蒸腾作用和水分入渗是陆地水循环的重要组成部分（Jasechko等人，2013年；Maxwell和Condon，2016年）。然而，集约化的温室栽培通常伴随着大量的灌溉投入和复杂的管理措施，这可能会降低水分利用效率、加剧养分流失，并威胁生产系统的可持续性（Incrocci等人，2014年；Thompson等人，2007年）。因此，开发既能节水又能维持植物营养状态的灌溉策略对于温室玫瑰生产具有普遍意义，而不仅仅是一个局部管理问题。

要实现精准灌溉，首先需要了解植物对不同水源的季节性利用情况。稳定同位素技术表明，随着水分可用性的变化，植物会在不同深度的土壤中取水（Dawson和Ehleringer，1991年；Brooks等人，2010年；McDonnell，2014年），而叶片的δ13C值常被用作与水分利用效率相关的综合指标（Farquhar等人，1982年；Farquhar等人，1989年）。然而，现有的大部分研究数据来自自然植被或大田作物，而非保护性园艺系统（Ma和Song，2020年；Dai等人，2024年）。温室种植的玫瑰面临频繁的人工灌溉、受控的微气候以及密集的营养管理，因此其季节性的水源利用模式及其相关的营养响应机制尚未得到充分研究。

灌溉方案的制定不仅需要了解水源的分配情况，还需要考虑灌溉、土壤湿度和植物响应之间的复杂相互作用。结构方程模型可以量化这些因素之间的关联；而情景模拟和帕累托优化技术可以帮助识别不同灌溉投入、植物表现和管理目标之间的权衡关系（Grace等人，2010年；Eisenhauer等人，2015年；Zhang等人，2023年）。实际上，这些方法通常是单独应用的。将水源分配、路径分析和灌溉方案筛选整合到一个分析流程中的实证研究仍然很少见，尤其是在保护性园艺领域。为填补这一空白，我们开发了一种综合工作流程：利用稳定同位素数据和非线性编程技术划分季节性水源；通过PLS-SEM识别关键的灌溉-土壤-植物关联；并利用帕累托优化在营养限制条件下筛选合适的灌溉方案。

本研究在云南省昆明市金沙县的一个半开放式温室玫瑰种植系统中进行了为期一年的案例分析。该温室由当地合作社推荐，属于管理良好的商业单位，具有统一的品种类型、土壤质地以及滴灌和施肥技术。我们将其视为特定生产环境下的一个重点观测案例，而非整个地区的代表样本。由于我们关注的过程依赖于同步的灌溉、土壤水分、同位素和植物测量数据，且不同种植者的操作时间存在差异，因此在现阶段不进行大规模的跨温室调查，以免干扰季节性变化信息的解析。本研究的目标包括：（1）量化不同土壤层的水分吸收季节性变化；（2）评估土壤水分在灌溉管理和植物营养响应之间的中介作用；（3）确定既能节水又能维持植物营养状态的灌溉方案，并将其与实际种植者的操作方案进行比较。我们假设温室玫瑰在湿润季节更多依赖表层土壤水分，在干旱季节则更多地利用深层土壤水分，且其灌溉响应主要受土壤水分条件的影响。本研究旨在提供基于机制和模型支持的验证证据，同时指出在广泛推广前仍需进行多站点和田间验证。

2. 材料与方法
2.1 研究地点与实验设计
本研究在中国云南省昆明市金沙县店心村的一个半开放式塑料薄膜温室中进行（地理坐标：25°08'N, 102°35'E；海拔1890米）。该地区属于北亚热带季风气候，具有明显的干湿季节变化：5月至10月为湿润季节，11月至4月为干旱季节。温室面积为210.5平方米，采用滴灌系统，水源主要为循环利用的沟渠水，辅以井水。土壤类型为粘壤土，分为五个层次（0–10厘米、10–20厘米、20–30厘米、30–50厘米和50–80厘米）。选择该温室作为重点观测对象，是因为其管理方式与周边商业玫瑰种植区一致。本研究关注的是不同温室环境之间的差异，而非单纯样本数量的问题。研究设计侧重于季节间的同步监测，而不是对多个温室的低强度覆盖，因为如果不同温室之间的灌溉时间和操作方式存在差异，将干扰结果的解释。

研究期间的采样活动包括9次同步观测，分别于2022年的4月12日、5月16日、6月10日、7月22日、8月19日、9月16日、11月3日和12月23日以及2023年3月17日进行。这些观测涵盖了整个生长季的各个关键阶段。

2.2 样本采集与同位素分析
每次观测中随机选取3–5株健康的玫瑰植株，采集木质部组织用于水同位素分析，并收集成熟叶片用于养分和δ13C值测定。排除有病害、虫害或机械损伤的植株后，将样本合并成三个重复组。土壤样本从温室的前部、中部和后部三个位置采集，并按上述五个深度层次划分。分析了植物样本中的碳（C）、氮（N）、磷（P）和钾（K）含量、化学计量比以及叶片的δ13C值。土壤样本按层次分别测定总碳、总氮、δ13C、有效氮（AN）、有效磷（AP）、有效钾（AK）、pH值和电导率（EC）。养分分析遵循Sparks（1996年）的标准程序。

水同位素（δD和δ1?O）使用液体水同位素分析仪（Los Gatos Research Liquid Water Isotope Analyzer, DLT-100）进行测定，δD的重复测量精度为±1.0‰，δ1?O的重复测量精度为±0.2‰（n=5）。植物组织和土壤中溶解无机氮的氮同位素（δ1?N）通过同位素质谱仪测定，用于确定水分分配过程中的氮同位素分馏情况；在土壤-植物系统中，δ1?N常用于解释氮循环和分馏过程（H?gberg，1997年；Robinson，2001年）。叶片的δ13C值通过Vienna Pee Dee Belemnite（VPDB）标度进行表示，作为与植物水分利用行为相关的补充性碳同位素指标，而非直接反映水分利用效率（WUE）。所有同位素分析均由专业同位素实验室在标准仪器质量控制下完成。

2.3 灌溉事件识别
灌溉事件是根据每日土壤含水量（SWC）时间序列重建的，通过计算每日净增量来确定。若表层土壤（0–30厘米）的含水量出现显著增加（>1.0%），且日均变化超过3.0%，则判定为灌溉事件。为区分灌溉作用和降雨信号，当深层土壤（50–80厘米）的响应强度与表层相近时（平均深度响应≥0.8倍表层响应），也会将其标记为降雨事件。通过将SWC增量转换为相应的深度值来估算灌溉事件的深度。事件深度计算公式为：di = Δθi × fi × hi / 10，其中Δθi表示主要的水分增加百分比，fi为特定层次的传递系数，hi为层次厚度。

2.4 水源划分
水源划分采用了两步受限框架。贝叶斯混合模型（MixSIAR）最初被用作氢-氧（H-O）基线，用于源分配，之后通过非线性编程（NLP）步骤进行了最终的氢-氧-氮（H-O-N）分配。在MixSIAR基线中，木质部水被视为混合物，五个土壤层（D1–D5）被视为候选端元。该模型在R语言中运行，使用了Dirichlet（1,1,1,1,1）先验，并且每个链保留了10,000个后验样本，以获得基于H-O的贡献范围和收敛性诊断。

贝叶斯模型并未被放弃；相反，它作为一个双同位素基准。然而，报告的源估计需要解决一个联合的H-O-N质量平衡问题，同时需要满足非负性、总和为一的约束条件，以及在纳入δ15N信息时考虑有界的氮分馏项。因此，NLP步骤被用作在明确可行性条件下的约束源分配求解器，概念上类似于基于优化的IsoSource风格的质量平衡搜索扩展，而不是通用的黑盒优化器。采用这种形式是因为MixSIAR可以提供基于H-O的基线后验，但不能直接估计联合H-O-N问题中所需的有限εN项。

对于每次采样活动，层贡献向量w = (w1, …, w5)与氮分馏参数εN一起被估计。输入包括观测到的植物同位素值、五个土壤层的同位素特征以及H、O和N的测量不确定性项。复合目标最小化了观测值和预测值之间的加权误差，其中预测的植物同位素值表示为特定层端元的混合物加上氮项的εN。约束条件为wi ≥ 0、Σwi = 1以及εN ∈ [-2.1‰, 2.3‰]。

为了减少对单一局部最优解的依赖，每次活动都使用全球和局部优化器（包括DE、PSO、SLSQP、DA和BH/L-BFGS-B变体）的多启动集合进行解决，并在计算汇总统计之前去除数值上相同的解。来自可行解集的输出被总结为特定层的贡献分布（平均值、标准差和关键分位数），而不是单一的确定性解。从接受的解决方案中重建的预测植物同位素值与测量值进行比较，作为内部拟合检查。然后，得到的特定层吸收分布被用作后续PLS-SEM和灌溉情景筛选工作流中的Water_Uptake指标，从而将同位素证据与机制分析和决策支持联系起来。

2.5 统计分析：PLS-SEM
SEM组件的设计旨在优先考虑管理、土壤-水分状态、土壤化学、源利用和植物响应之间的路径，在同步的活动规模上。由于数据集包含九个活动级别的系统状态、多个相关指标和以预测为导向的目标，我们使用了偏最小二乘结构方程建模（PLS-SEM），并将其放在统计分析部分中。这一选择不仅是为了适应较小的样本量；它还反映了研究设计的结构。这些活动分布在生产年的关键水文气候和管理窗口期间；因此，在同一窗口内增加采样频率主要会产生时间自相关的观测值，而不是为该路径模型提供额外的独立季节性管理状态。在这种设计下，基于方差的PLS-SEM（使用plspm框架实现）比基于协方差的SEM更适合识别观察系统中的主导路径和相对效应层次结构（Sanchez, 2013, Hair et al., 2019）。

在估计之前，基于温室水-养分级联指定了一个概念性的先验模型：季节性环境强迫影响灌溉需求；灌溉改变土壤-水分状态，间接改变土壤化学；土壤-水分和土壤-化学条件共同影响五个源层的相对利用；植物响应整合了环境、土壤水分、土壤化学和水-源组成的直接和间接效应。因此，这个先验模型遵循了关于水分可用性、养分移动性和源选择的生态推理，而不仅仅是纯数据驱动的边缘搜索。

使用了六个潜在结构：环境、管理、土壤_水分、土壤_化学、水分吸收和植物响应。从可用的环境、管理、土壤和源分配预测因子开始，我们通过相关性筛选和惩罚变量选择保留了一组核心指标，然后再进行块分配。植物响应包括叶片养分和化学计量指标以及与同位素相关的响应变量；土壤_水分被解释为以亏缺为导向的结构，因为保留的SWC指标具有相同的符号反转，因此较大的潜在分数代表更干燥的条件，而不是更湿润的土壤。路径系数通过自举重采样估计，模型稳定性通过主要路径的方向、大小层次结构和重采样一致性进行评估。因此，得到的系数被解释为观察到的温室系统内路径优先级的活动规模证据，而不是普遍适用的因果常数。

2.6 多目标灌溉情景筛选
从最终的PLS-SEM结构构建了一个级联预测器，以通过土壤_水分、土壤_化学、水分吸收和植物响应块传播管理情景。输入的管理变量包括每15天的灌溉频率和每次事件的水量，结合了在15天滚动窗口内总结的观测气象条件。我们评估了80种组合（每15天2-11次事件和每次事件2-9毫米）。对于每种组合，模型在观测到的季节性气候序列下预测了植物磷（P）、钾（K）和叶片δ13C以及累积灌溉水量，并用100个自举实现来传播不确定性。筛选的目标是在满足11个养分平衡约束的同时，最大化植物磷、钾和叶片δ13C。

2.7 统计分析和可视化
约束违反通过可行性过滤来处理，而不是对所有情景一视同仁：对于每个情景，计算满足所有阈值的自举实现的百分比，只有高于选定可行性阈值的情景才能进入Pareto筛选。因此，可行性作为对阈值违反的隐含惩罚，得到的平衡策略被解释为在指定约束集下得到模型支持的候选方案，而不是唯一验证的农艺最优方案。为了评估这种筛选对阈值选择的依赖性，我们在存档的干旱季节和湿润季节的80个情景网格上重复了相同的程序，可行性阈值分别为0.5、0.6和0.7。当阈值从0.5增加到0.6时，每个季节只移除了两个边际情景；在0.6到0.7之间没有进一步的变化，且报告的平衡候选方案在所有三种情况下都100%可行。所有统计分析都是在R（v4.1.2）和Python（v3.9）中完成的；显著性检验使用双尾检验，α = 0.05，并在适当的情况下进行了Bonferroni校正。任何孤立的气象序列间隙都使用Prophet时间序列模型进行填充，短SWC间隙通过基于时间的线性插值填充（Taylor和Letham, 2018）。响应面插值仅用于可视化，而不用于选择策略。由于情景分析步骤使用了观测到的气候序列和固定的模型系数，而不是自适应的温室控制器，因此得到的干旱季节和湿润季节的时间表应被解释为模型支持的候选时间表，而不是经过验证的实时控制规则。

3. 结果
3.1 植物和土壤同位素的季节性模式
植物木质部水的同位素组成在不同季节有所不同（图1，图2a–b）。δD的范围从?95.01到?76.10‰（平均值?85.93 ± 7.40‰），湿润季节的值更负（?90.36 ± 6.46‰），而干旱季节的值较不负（?80.38 ± 4.09‰），这与水源的同位素背景的季节性变化一致。土壤-水同位素显示出明显的垂直梯度：表层D1层相对富集，而中间-深层D3–D4层则更加贫乏，表明从浅层到深层土壤水的同位素逐渐分化（图2b,d）。
下载：下载高分辨率图像（524KB）
下载：下载全尺寸图像
图1. 研究地点的气象条件。每日气象变量包括：(a) 月降水量（条形图）和气温（线条：最高值、平均值、最低值），(b) 相对湿度和露点温度，(c) 太阳辐射和风速，以及(d) 大气压力。背景阴影区分了干燥季节（橙色，11月至4月）和湿润季节（浅蓝色，5月至10月）。每个面板中的线条是季节趋势线（30天移动平均值），(a)和(b)面板中的阴影带表示日变化。

下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图2. 植物木质部和土壤水的稳定同位素特征及模型验证结果。(a–c) δD、δ18O和δ15N的时间变化，包括氮分馏前后的状态。(d–f) 双同位素生物图显示δD和δ18O（d）之间的关系、δD和δ15N（e）之间的关系以及δ18O和δ15N（f）之间的关系。(g–i) 通过观测-预测比较获得的δD（g）、δ18O（h）和δ15N（i）的模型验证结果。

δ15N值在土壤层之间也有所不同（图2c），D1层的平均值约为5.9 ± 1.8‰，D5层的平均值约为2.3 ± 1.2‰，这支持了在受限分配框架中使用氮同位素作为辅助示踪剂。估计的分馏项（εN）保持在模型应用的有界范围内（图2e–f）。预测和观测植物同位素值之间的比较（图2g–i）表明了内部一致的拟合，支持使用H-O-N框架进行比较源分配，尽管这些诊断应被视为数据集内的一致性检查，而不是外部验证。

季节性土壤水分含量的变化主导了水分吸收层的转换过程（图3b）。表层区域（0–30厘米，D1–D3）在湿润季节显著增加，而在干燥季节减少；而深层区域（50–80厘米，D4–D5）则更加稳定。D1层的SWC在湿润季节为35.2 ± 4.8%，在干燥季节为18.3 ± 6.2%（p < 0.01）；D5层的变化较小（湿润季节为21.4%，干燥季节为19.6%）。灌溉频率与表层SWC显著相关（r = 0.68；p < 0.01），但与深层SWC无关（r = 0.23；p > 0.05），表明当前灌溉策略对深层土壤的补给有限。

3.2 植物-土壤养分的动态变化
植物养分状况随季节变化（图4a–c）。植物磷（P）浓度范围为2.10至6.41克/千克，钾（K）浓度范围为18.60至26.89克/千克，而植物氮（N）浓度在一个狭窄的区间内变化（23.06–33.70克/千克；变异系数CV = 12.8%），表明季节性养分浓度的最大差异表现在磷和钾之间，而不是总体氮浓度之间。叶片δ13C的范围从?27.6到?25.4‰，湿润季节的值较不负；在这里，δ13C被解释为与可比生理条件下的水分利用效率（WUE）相关的碳同位素指标，而不是WUE本身的直接测量值。观测到的植物氮范围大致符合高等植物矿质营养的生理范围（Marschner, 2012）。

下载：下载高分辨率图像（889KB）
下载：下载全尺寸图像
图4. 植物和土壤养分的时空模式。(a) 植物碳（C）含量和δ13C。(b) 植物氮（N）、磷（P）和钾（K）含量。(c) 植物化学计量比（C:N、C:P、N:P)。(d–l) 土壤养分深度-时间热图显示总碳（d）、总氮（e）、δ13C（f）、有效氮（g）、有效磷（h）、有效钾（i）和质量水分含量（j）以及pH值（k）和电导率（l）。图(a-c)中的背景阴影区分了旱季（橙色）和雨季（浅蓝色）。热图中的颜色刻度代表浓度梯度，垂直轴表示土壤深度，水平轴表示采样月份。误差条代表标准误差。土壤指标热图显示了显著的深度梯度，并伴有适度的季节性波动（图4d–l）。总碳和总氮浓度（图4d–e）从表层逐渐减少到深层（表层约为22/2.6克/千克，深层约为19/2.0克/千克），其时间波动显著小于深度差异。土壤δ13C（图4f）显示了一种深度-时间组合模式：在雨季中期深层相对富集，而在旱季和深层更为负值，反映了土壤有机质分解和二氧化碳通量随深度增加的情况（Bowling等人，2008年）。可用氮和可用磷的量（图4g–h）在表层富集，深层的一年水平大约是表层的一半（D5/D1分别约为0.6和0.5）。夏季时，表层中的可用氮更常达到峰值。可用钾浓度（图4i）也随深度减小。土壤质量含水量（图4j）表现出明显的季节性变化：雨季表层增加，而深层则稳定。pH值（图4k）随深度增加，在雨季表层降低；电导率（EC）（图4l）整体上随深度减小，但在雨季中期表层和中间层出现局部高值。

3.3. 从灌溉到综合植物响应块的路径分析
PLS-SEM分析表明，综合植物响应块主要由土壤-水路径驱动，土壤化学性质提供额外支持，水源组成主要起间接作用（图5）。在本研究中，植物响应被定义为一个潜在块，总结叶营养状况、化学计量平衡和叶δ13C，因为管理问题关注的是整体植物功能状态，而不是任何单一的农艺终点。在观察到的实验结构中，该模型解释了这个综合块的大部分方差，支持其用于识别所研究温室系统中的主导路径和相对效应排序，尽管更广泛的系数泛化仍需要进一步验证（表1）。
下载：下载高分辨率图像（521KB）
下载：下载全尺寸图像
图5. 结构方程模型通过土壤-水路径将管理措施与植物生理响应联系起来，在温室玫瑰种植场景中。这里，植物响应表示总结叶营养状况、化学计量平衡和叶δ13C的复合潜在块。偏最小二乘结构方程建模（PLS-SEM）将环境条件、灌溉管理、土壤性质、水源和九个采样期间的植物响应联系起来。(a–c) 路径图显示了 (a) 完整的结构模型，(b) 灌溉和环境的直接对植物响应的影响（绕过土壤-水中介），以及 (c) 水介导的路径。箭头粗细和颜色分别代表路径系数的大小和方向。由于土壤-水被编码为亏损，植物响应的负系数表示在较干燥的土壤条件下植物状态较差。(d) 观测变量对其潜在构造的PLS载荷。杆子长度和圆圈大小代表载荷大小；相对于零的位置表示符号（正数在上，负数在下）。

表1. 探索性九次实验模型的标准化PLS-SEM路径系数和效应分解
路径 直接效应 β SE 95% CI
环境 → 管理 0.55 0.12 0.003 [-0.79, ?0.31]
管理 → 土壤-水 0.71 0.11 < 0.001 [-0.93, ?0.49]
土壤-水 → 植物响应 -1.06 0.09 < 0.001 [-1.24, ?0.88]
土壤-水 → 水分吸收 -0.30 0.14 0.031 [-0.58, ?0.02]
水分吸收 → 植物响应 -0.31 0.15 0.041 [-0.61, ?0.01]
土壤化学 → 植物响应 +0.41 0.13 0.002 [0.15, 0.67]
环境 → 植物响应 +0.30 0.14 0.034 [0.02, 0.58]
管理 → 植物（直接）+0.12 0.18 0.502 [-0.24, 0.48]
管理 → 植物（间接）+0.45 0.14 0.007 [0.17, 0.73]
管理 → 植物（总）+0.57 0.13 0.002 [0.31, 0.83]
注：Bootstrap N = 5000，显著性α = 0.05。SE = 标准误差；CI = 置信区间。由于土壤-水被编码为亏损，负的土壤-水→植物响应系数表示在较干燥的土壤条件下植物状态较差。
最强的标准化路径是土壤-水 → 植物响应（β = -1.06），意味着较高的亏损分数对应着较差的植物综合表现。管理主要通过土壤-水间接影响植物响应，而水分吸收的直接影响较弱。因此，在这个案例研究中，同位素来源分配有助于解释灌溉如何改变吸收模式，但管理信号到达植物状态的过程更多受到整体土壤-水制度的影响，而不仅仅是来源-层次比例的影响。

3.4. 模型支持的灌溉权衡和候选策略
在指定的四个目标和十一个约束条件下，从80个方案网格中识别出51个非支配方案（图6a, b, d, e）。这些方案代表了在当前阈值设置下模型支持的权衡候选方案，而不是经过田间验证的处方。在应用了营养平衡约束后，80个组合中有56个仍然可行，然后仅在该可行子集中进行了帕累托筛选。使用相同的存档网格进行的轻型阈值敏感性检查显示，可行性边界仅在边缘处发生变化：将可行性截止值从0.5增加到0.6会移除每个季节的两个边缘方案，而在0.6到0.7之间没有额外的变化。在该测试范围内，平衡候选方案始终保持完全可行，并且位于帕累托边界上。这项阈值敏感性检查的详细结果在补充说明S1和表S1中提供；当截止值从0.5增加到0.6时被移除的边缘方案列在表S2和S3中。

图6. 通过PLS-SEM进行的系统场景模拟得出的多目标灌溉优化和策略评估。面板(a)、(b)、(d)和(e)分别显示了由灌溉频率×灌溉量定义的管理空间，用于植物P、植物K、叶δ13C和灌溉输入。面板(c)和(f)显示了植物P和植物K之间以及叶δ13C和灌溉之间的权衡。高P、节水、平衡和当前策略点的代表性标记被突出显示；当前策略基于153个识别的灌溉事件和种植者报告的约2吨桶在210.5平方米土地上施用的水量（每年大约1454毫米）作为名义管理参考点，并且没有被包括在帕累托筛选的方案中。面板(g)比较了代表性模拟策略的标准化季节性能，面板(h)总结了当前策略、高P、节水和平衡候选方案的年度灌溉预算。
植物P和植物K通常沿着边界一起增加，尽管它们的绝对最大值出现在不同的点，这需要在倾向营养和倾向水的候选方案之间做出选择（图6c）。这种模式表明，主要的权衡不是严格的P与K对抗，而是在选定的约束条件下平衡营养增益与水分使用和可行性之间的需求。
叶δ13C在场景网格中也有所不同。在低水分场景中，δ13C值较不负面，这与与较高内在WUE相关的碳同位素信号一致，但δ13C不应被视为WUE的直接替代指标。因此，场景空间表明了一个δ13C-水分的代理级别权衡，而不是水利用效率的直接生理测量。

为了总结可行域，从边界中选择了三个代表性候选方案（图6g–h）：一个倾向营养的候选方案（每15天10次事件，每次事件8毫米），一个节水候选方案（每15天3次事件，每次事件7毫米），以及一个平衡候选方案（旱季：每15天6次事件，每次事件8毫米；雨季：每15天7次事件，每次事件8毫米）。这些代表被选择是为了涵盖可行边界内的营养导向、节水和中间位置。在模型假设下，平衡候选方案被保留为主要中间候选方案，因为它在整个测试的截止范围内始终保持完全可行，位于帕累托边界上，并且处于倾向营养和节水极端之间的中间位置，而不是最大化任何一个单一目标。
为了制定基准，当前管理基准基于153个识别的灌溉事件，以及种植者报告的约2吨桶在210.5平方米玫瑰面积上施用的水量，每年大约1454毫米；这个基准并不是作为传感器测量的灌溉总量呈现的。当年化到场景坐标中时，这个参考点略高于测试的上限9毫米/次事件，因此被用作外部比较点，而不是作为帕累托筛选的方案。根据这个定义，平衡候选方案仅在灌溉频率和年度输入方面相对于当前实践进行了适度调整。这种有限的脱离当前实践使得平衡候选方案成为一个适合逐步田间测试的起点，但它不应该被解释为当前种植制度已经是最佳的，或者模拟的收益会在实践中自动实现。

4. 讨论
综合来看，同位素、PLS-SEM和场景筛选结果表明温室玫瑰系统中有效水分吸收深度的季节性重组。然而，这些证据应该在吸收模式和管理影响的层面上进行解释，而不是作为根系重新分配或田间验证的灌溉性能的直接证明。

4.1. 解释有效水分吸收深度的季节性变化
塑料薄膜覆盖限制了浅层土壤的直接降雨补给；因此，雨季的浅层湿润主要依赖于灌溉输入。旱季降水量低，当前的种植计划结合了相对频繁的灌溉和每次事件适量的灌溉，这种模式可以维持浅层湿润，同时 hanya 部分补充深层土壤。这种温室模式与开放田地常见的降雨脉冲深层补给动态（Ehleringer等人，1991年；Schwinning等人，2004年）以及半干旱种植系统报告的补充性季节性灌溉-深层储备行为（Dai等人，2024年）不同。同位素结果与这种水文设置一致，并且在旱季中期有效吸收深度增加。
几种机制可以合理解释这种模式。一种解释与Feddes类型的根系水分吸收理论（Feddes等人，1978年）和SPAC框架（Van Den Honert，1948年）一致，即浅层土壤水分可用性的降低将有效吸收区域向下移动。因为同位素分配解决的是有效水分吸收的深度，而不是根系结构本身，所以不能假设给定层次中的根系存在或根系密度与给定时间的功能性活跃吸收区域一一对应。实际吸收取决于根系分布、土壤水分可用性、水力结构和补偿性吸收过程；因此，仅靠特定层次的根系丰度并不能直接代表特定层次的水分来源贡献（Couvreur等人，2012年；Jarvis，2011年；Cai等人，2018年）。因此，观察到的深层信号最好解释为根系系统中有效吸收深度向下移动的间接证据，尽管预计根系仍然主要集中在上层。另一种解释是最佳觅食：当浅层水源仍然可用时，植物预期会使用能量更低的浅层水源，并且只有当表层供应变得有限时才会增加深层吸收（McNickle和Brown，2014年）。已发表的证据表明根系的可塑性是合理的，但我们的数据并没有直接区分根系重新分配、水力传导性的变化、储存深层水分的被动使用或水力重新分配（Caldwell等人，1998年）。这里使用的低干扰同位素方法有助于推断实际的水分来源使用情况，而无需进行广泛的破坏性根系挖掘，但它不能替代直接的根系观察。因此，当前结果支持有效吸收深度的季节性变化，而不是任何单一根系机制的直接证明。
旱季11月、3月和4月浅层使用的共存与12月至2月的深层消耗表明，当前的灌溉制度创造了交替的浅层补给和深层亏损阶段，而不是统一的旱季策略。这种解释还有助于解释为什么深层水分使用与较低的磷可用性同时发生：深层土壤中的可用磷含量较少。因此，从这个案例研究中得出的管理信号不仅仅是“越深越好”，而是需要综合考虑每次事件的水量和间隔，以便在旱季不重复依赖深层水分的同时保持浅层营养丰富的功能性。

4.2.在探索性的PLS-SEM分析中，土壤-水分亏缺被确定为连接灌溉管理与植物响应综合模块的主要路径。由于土壤-水分变量被编码为亏缺状态，因此负的土壤-水分→植物响应系数表明较干燥的条件与较差的植物功能状态相关，而较湿润的土壤本身并不具有危害性。同样，负的管理→土壤-水分系数表明管理措施能够减少亏缺程度。这种路径模式应被视为对所观察生产系统的总体方向性推断。主要含义是，在所有采样的季节性管理状态下，管理主要通过影响土壤-水分亏缺来影响植物状态；而当亏缺问题未能在土壤剖面中得到解决时，深层水源的利用就变得更加重要。

Wang等人（2024年）在智能水分-肥料集成系统的研究中也指出，土壤湿度状态是管理措施与作物养分吸收之间的关键中介因素。根际养分移动与水分供应紧密相关（Tinker和Nye，2000年），最近的研究已将同位素追踪技术整合到分布式生态水文模型中，以量化这一耦合关系（Knighton等人，2020年）。从灌溉调节到土壤湿度状态、养分可用性和植物响应的这一系列过程与本研究中的SEM路径高度一致。相对较弱的直接水分吸收路径表明，仅考虑总体土壤-水分条件和土壤化学成分时，无法仅依靠吸收层的组成来解释植物状态。在实际应用中，这意味着同位素分析有助于确定系统如何重新分配水分吸收，但灌溉决策不能仅基于吸收层的百分比来制定。

最近的研究还发现了木质部水分与假定来源水之间的系统性同位素偏差（Barbeta等人，2019年；Poca等人，2019年），这可能是由于根系吸水过程中发生的分馏或微尺度蒸发富集造成的。尽管我们的H-O-N多同位素非线性编程（NLP）框架旨在在建模阶段减少这种偏差，但剩余的偏差仍可能影响对水分吸收深度与植物响应之间关系的估计效果。

在当前的情景分析中，“平衡候选方案”有助于将这一发现转化为管理实践：8毫米的灌溉深度足以改善中间土壤层的湿润度，同时保持整体灌溉计划仍在可行的范围内。在规定的阈值下，该方案比“低水分候选方案”能够实现更高的植物磷（Plant_P）和钾（Plant_K）浓度，且用水量也少于“关注养分平衡的候选方案”。这些结果应被解释为模型支持的决策依据，而非经过田间验证的农学证据。

4.3 多目标优化的决策支持意义
非支配解集体现了养分资源之间的权衡，而非单一的最佳灌溉规则。关注养分的候选方案位于效率前沿的一端，而节水候选方案位于另一端，表明在模型中改善养分状态通常需要更充分的水分供应条件，而过于激进的水分节约措施则会缩小可用的养分空间。这一模式与磷吸收依赖于充足的土壤湿度、扩散作用和根际过程的特性一致（Hinsinger，2001年；Lambers等人，2006年）。最近的多目标灌溉优化研究进一步丰富了我们对养分资源权衡的理解。Teshome等人（2023年）发现，在75%作物蒸散量（ETc）亏缺灌溉条件下种植的青豆和甜玉米可以实现对水资源的高效利用，但其产量损失可能达到12-18%。Wen等人（2024年）对黄土高原的苹果园进行了帕累托分析，提出了三种策略（高产量、高养分和节水策略），他们报告不同策略之间的权衡幅度可达20-35%，这与本研究的结果相似。类似的作物模型优化框架，如AquaCrop Plug-in-PSO，也表明基于情景的灌溉计划可以在保持性能目标的同时提高水资源利用率（Gholami Sharafkhane等人，2024年）。

在当前模型框架内，植物磷（Plant_P）和钾（Plant_K）之间的正相关关系也应得到合理解释。这些发现表明，在这种温室滴灌环境中，适度湿润上层和中层土壤有利于同时促进两种养分的吸收，但这并不意味着所有系统或品种间的磷和钾吸收总是协同作用的。因此，稳定同位素分析、PLS-SEM和帕累托分析法可被视为一种决策支持工具，用于在观测到的气候条件和明确养分限制下筛选可行的灌溉方案。通过0.5-0.7的阈值敏感性测试进一步验证了所提出的平衡方案的稳定性，尽管在边界附近的前沿组成仍受阈值影响。该工具并非闭环控制系统，不能实时监测根系水分来源，也无法处理可能改变根系结构或调整未来模型系数的长期反馈效应。未来若结合基于传感器的监测技术，可能会提升该工具的实际应用价值，但这些工程集成和成本评估超出了本研究的范围。

4.4 限制与未来研究方向
本研究仅限于单一温室、九种灌溉方案的案例研究。缺乏空间上的重复实验，未测量根系生物量和根长密度，也未将情景分析与独立的田间灌溉实验进行对比。这些限制影响了结果的普遍适用性。然而，由于监测地点是有意从具有相似农学特征的生产环境中选取的，因此目前的结论主要适用于该环境内的类似管理方式的温室玫瑰种植系统，而非所有生产场景。分析流程可能具有普遍适用性，但具体的灌溉参数仍需在独立温室中进行验证。虽然已对当前可行性范围进行了简单的阈值敏感性测试，但更全面的稳健性评估仍待完善。未来的工作应包括多地点重复实验、直接观察根系行为、跨目标和模型结构的敏感性分析，以及在更广泛的范围内与常规灌溉方式进行对比。此外，关于根际养分矿化和气候适应性变化的研究也将有助于完善该框架（Schimel和Bennett，2004年；IPCC，2021年）。

在这一证据框架下，H1选项被证实为该温室内的季节性水分吸收模式；H2选项在PLS-SEM分析中作为探索性路径假设得到初步支持；H3选项仍是一个基于模型的候选方案，需要通过田间验证。这种区别很重要：本研究提供了一个以机制为导向的框架和一系列候选策略，而非已在所有生产环境中得到验证的最终解决方案。

5. 结论
本案例研究了H-O-N同位素分配、探索性PLS-SEM分析和多目标情景筛选方法在温室玫瑰灌溉中的应用。数据表明有效水分吸收深度存在季节性变化，并确定土壤-水分亏缺是连接灌溉管理与植物响应综合模块的主要路径。在规定的目标和约束条件下，“平衡候选方案”在模型模拟中表现出稳定的中间权衡位置，同时保持了良好的磷和钾含量结果。通过在0.5-0.7的可行性阈值范围内进行敏感性测试，验证了该方案的合理性及帕累托最优性，尽管前沿组成在边界附近略有变化。由于该方案仅需适度偏离现有管理标准，因此为逐步的田间测试提供了可行的起点，而非全面重新设计管理方案。这一灌溉方案应被视为模型支持的候选方案，而非经过田间验证的固定方案。更广泛而言，稳定同位素分析、PLS-SEM和帕累托分析法为类似管理方式的温室玫瑰灌溉策略提供了基于案例的筛选框架；此处确定的特定灌溉方案仍需在独立温室中进行验证，作为从经验性灌溉向数据驱动精准灌溉管理过渡的一部分。

CRediT作者贡献声明：
吴俊恩：撰写初稿、可视化处理、验证、方法学设计、数据分析、资金获取、正式分析、概念构思。
程峰：修订与编辑、方法学设计、资金获取、数据管理。
魏朗：撰写初稿、验证、软件开发、方法学设计、数据分析、正式分析。
苗卓军：撰写初稿、可视化处理、数据分析、正式分析。
赵雷：修订与编辑、监督工作、资金获取、概念构思。
赵帆：修订与编辑、监督工作、资源协调、项目管理、概念构思。
王瑞芳：数据验证。
苏志龙：软件开发、资金获取、正式分析。