编辑推荐：
为解决传统根系监测方法的不足，研究人员开展了利用根电容(CR)评估根系功能及与植物生长参数关系的研究。结果显示CR与植物生长参数显著相关，且人工神经网络（ANN）预测性能优于多元线性回归（MLR），有助于优化农业生产。
在农业生产中，根系对于植物生长起着至关重要的作用。它不仅负责吸收水分和养分，还参与植物的多种生理过程。然而，传统的根系检测方法大多具有破坏性，无法对同一土壤 - 植物系统进行重复测试。例如，以往常用的挖掘法，会直接破坏植物根系，影响植物后续生长，也难以连续监测根系的动态变化。同时，现有的一些非破坏性方法，适用性也常常受到限制，像某些基于成像技术的方法，对土壤条件和植物种类有较高要求，难以广泛应用。这就使得研究人员急需寻找一种简单、快速且无损的方法来监测根系活动。在这样的背景下，根电容
(CR)测量技术进入了人们的视野。但此前对
CR与植物生长参数关系的研究多采用简单的线性回归分析，难以准确揭示复杂的生物学关系。于是，匈牙利农业与生命科学大学等机构的研究人员开展了一项研究，旨在深入探究不同微生物和营养处理对两种土壤类型中辣椒根电容的影响，并评估
CR作为根系功能指标的实用性及其与植物生长参数的关系，该研究成果发表在《Biologia Futura》上。
研究人员采用了多种关键技术方法。首先是设置实验，选用甜椒（Capsicum annuum L.）‘Ami F1’品种进行盆栽实验，采用随机区组设计，设置五个处理组（对照、固氮菌（Azotobacter）、木霉菌（Trichoderma）、羊毛颗粒（Wool Pellet）和无机氮（Inorganic N）），在两种不同质地（沙质和沙壤土）的土壤中进行种植，每个处理设置四个重复。其次是测定相关指标，利用 LC - 300 便携式仪器测量根电容(CR)；实验结束时，测定植物地上部和地下部干生物量、叶片氮含量等；实验过程中，定期监测植物高度、茎直径、茎横截面积和叶绿素含量指数等参数。最后运用统计分析和人工神经网络（ANN）进行数据处理，对比多元线性回归（MLR）和 ANN 在预测植物生长参数方面的性能 。
研究结果
- 处理对根电容及与植物生长特征关系的影响：不同处理下，不同土壤中根电容(CR)的变化能有效反映根系生长动态差异。在对照植株中，CR在营养生长阶段显著增加，在开花初期达到峰值，之后稳定并下降。在沙质土壤中，木霉菌（T.harzianum）处理的植株CR值最高，随后逐渐降低；在高土壤有机质（SOM）含量的土壤中，该菌株处理的植株CR值较低且变化平缓。固氮菌（A.vinelandii）在低 SOM 含量土壤中的CR值较高。羊毛颗粒（WP）处理在两种土壤中的CR值都较高。通过多元线性回归（MLR）分析发现，在沙质土壤中，CR与根干生物量和地上部干生物量显著线性相关；在沙壤土中，CR与根干生物量和叶片总氮含量显著相关 。
- 处理对植被期末根电容和植物生长参数的影响：在沙壤土中，羊毛颗粒（WP）处理使植株高度（PH）显著增加；在两种土壤中，WP 处理都显著增加了茎横截面积（CSA）。在沙壤土中，无机氮（RN）和 WP 处理使茎直径（SDI）、地上部干生物量（SDB）和根干生物量（RDB）显著增加。WP 处理还显著提高了两种土壤中叶片总氮浓度和叶绿素浓度指数（CCI） 。
- 利用人工神经网络从根电容预测监测植物生长参数：不同处理下，人工神经网络（ANN）对不同植物生长参数的预测效果各异。对于茎直径（SDI），WP 处理在较低CR值时预测值偏低，较高CR值时接近测量值；对于植株高度（PH），固氮菌（A）处理的预测值与实际测量值差异较小；对于茎横截面积（CSA），各处理的 ANN 预测值与测量值在不同CR值下表现出不同程度的波动和差异；对于叶绿素浓度指数（CCI），WP 处理在较高CR值时，ANN 预测值与测量值接近 。通过重要性评估发现，在两种土壤中，叶绿素浓度指数（CCI）都是对模型最重要的变量。对比模型预测准确性，ANN 的平均绝对误差（MAE）值低于 MLR，表明 ANN 在预测植物生长参数方面表现更优 。
研究结论与讨论
本研究表明，根电容(CR)可作为一种可靠的、非破坏性的根系活动指标，能有效反映辣椒（Capsicumannuum L.）的生长和养分状况。在两种不同有机质含量的土壤中，CR与根干生物量、地上部生物量和叶片总氮含量显著相关，能够检测无机和有机处理的效果。人工神经网络（ANN）在从CR数据预测植物性状方面始终优于多元线性回归（MLR），凸显了非线性、数据驱动方法在根系 - 地上部关系建模中的价值。这一研究成果对于实时评估根系健康和活力，尤其是在植物生长早期阶段具有重要的实用价值。结合 ANN，基于CR的方法能够更好地捕捉植物生理学的复杂性，为未来生物学研究和方法创新开辟了新途径。例如，可利用CR - ANN 工作流程评估胁迫条件下的基因型差异，助力早期筛选与养分吸收、耐受性和植物整体健康相关的根系性状；还可将该方法应用于田间诊断，将实时CR读数与特定地点的施肥或灌溉制度相联系 。此外，研究还发现 ANN 在处理复杂生物学关系方面具有优势，能够更好地捕捉数据中的非线性关系，而 MLR 由于假设数据关系为线性，在复杂生物系统中的适用性受限。像在研究羊毛颗粒处理与 CCI 的关系时，ANN 在较高CR值下能更准确地预测 CCI 值，这得益于羊毛颗粒作为缓释肥料，为植物提供了持续的养分，使得根系在较高CR值时能更有效地利用养分，从而让模型能更好地预测相关指标 。总之，该研究成果为农业生产和植物科学研究提供了重要的理论依据和实践指导。
