编辑推荐：
本研究针对热带木瓜生产中土壤退化、病害多发及产量预测困难等问题，评估了四种覆盖作物（包括Centrosema macrocarpum、Arachis pintoi、Canavalia ensiformis及自然植被）对木瓜产量及土壤质量的影响，并利用多光谱影像、农学与气象数据，通过随机森林、K-近邻和XGBoost等机器学习算法构建了产量预测模型。结果表明，Centrosema macrocarpum处理获得最高产量（102.22 t ha-1），较自然植被增产37%，并显著改善土壤pH。其中XGBoost模型预测性能最佳（R2=0.85）。该研究为将覆盖作物策略与精准农业工具相结合，以优化决策、提升资源利用效率及增强木瓜生产系统韧性提供了科学依据。
木瓜，这种口感香甜、营养丰富的热带水果，在全球范围内，尤其是在印度、巴西等温暖地区，扮演着重要的经济角色。然而，它的种植之路并非一帆风顺。木瓜生长周期短，但对病害的抵抗力却相对脆弱，由木瓜环斑病毒等引起的病害可能导致产量骤降40%以上。此外，不当的农艺措施还导致了约半数种植区出现土壤退化问题，威胁着产业的可持续发展。在秘鲁哈恩省等地区，尽管木瓜被视为多样化种植、增强系统韧性的战略选择，但其产量在当地农业版图中的占比仍然有限。如何在不进一步损害环境的前提下，提高木瓜的产量和稳定性，成为摆在研究者和种植者面前的紧迫课题。
传统的解决方案，如频繁除草、施肥和施药，不仅增加成本，也可能加剧环境负担。因此，一种更为生态友好的策略——种植覆盖作物（Cover Crops）——进入了人们的视野。像Centrosema macrocarpum（大果距瓣豆）、Arachis pintoi（平托花生）和Canavalia ensiformis（刀豆）这样的豆科植物，能够通过生物固氮作用提升土壤肥力，改善土壤结构，增加钾、磷、钙等必需养分的有效性，甚至有助于抑制土传病原菌（如疫霉菌）的滋生。与此同时，精准农业（Precision Agriculture）技术的兴起，特别是搭载多光谱传感器的无人机（UAV），使得通过植被指数（Vegetation Indices）实时、无损地监测作物长势成为可能。那么，将覆盖作物这一农艺措施，与基于无人机遥感和机器学习（Machine Learning）的智能预测工具相结合，能否为木瓜生产开辟一条高产、高效且可持续的新路径呢？这正是Pedro A. Torres-Herrera及其合作团队在发表于《Smart Agricultural Technology》上的这项研究试图回答的核心问题。
为了探索上述问题，研究团队在秘鲁卡哈马卡大区哈恩省的亚纳亚库实验中心（Centro Experimental Yanayacu, INIA）设计了一项严谨的田间试验。他们种植了木瓜品种‘Sinta F1’，并设置了五个处理进行对比：清耕区（对照）、自然植被、平托花生、刀豆以及大果距瓣豆覆盖。研究系统地采集了三大类数据：一是包括株高、茎粗、叶绿素含量（SPAD值）、果实数量等在内的农学变量；二是利用无人机获取多光谱影像，并计算了归一化差异植被指数（NDVI）、增强型植被指数（EVI）、修改型土壤调整植被指数（MSAVI）、绿光归一化差异植被指数（GNDVI）和归一化差异红边指数（NDRE）这五种植被指数；三是监测了气象数据。在作物发育的关键阶段（开花期和产果期），他们还采集了土壤样本，分析了pH、有机质、有效磷、全氮等一系列土壤理化性质。基于这些丰富的多源数据，研究人员应用了RIDGE回归进行变量筛选，并构建了随机森林、K-近邻和XGBoost三种机器学习模型，来预测木瓜产量，并通过决定系数（R2）和均方根误差（RMSE）评估模型性能。
研究结果揭示了覆盖作物带来的多方面益处：
- •
3.1. 变量监测结果：在农学变量上，覆盖作物处理普遍表现出优势。例如，刀豆处理下的植株最高，茎粗也最大。大果距瓣豆处理则拥有最多的花蕾和果实总数。在植被指数动态上，所有指数值均随着物候期推进而呈现增长趋势，其中EVI和NDVI对冠层结构和活力表现出高敏感性，而GNDVI和NDRE则与叶绿素和氮素状况关联更强。气象监测显示，研究期间温湿度虽有波动，但未检测到显著的长期趋势。
- •
3.2. 土壤理化变量分析：覆盖作物的引入对土壤产生了积极影响。最显著的变化是土壤pH值从之前的偏碱性（8.17-8.33）显著降低至接近中性（7.83-7.93），这对于养分有效性和土壤微生物活动极为有利。相关性分析进一步表明，在覆盖作物建立后，土壤有机质、全碳、全氮等肥力指标与产量相关农学性状（如果实数、花蕾数）之间的关联性增强了，说明覆盖作物改善了土壤肥力与作物生长之间的协同关系。
- •
3.3. 产量建模：产量测定给出了最直接的证据。大果距瓣豆覆盖处理获得了最高的产量，达到102.22吨/公顷，相比自然植被处理（74.50吨/公顷）大幅提高了37%。 方差分析证实了处理间产量存在显著差异。在预测模型方面，XGBoost算法整体表现最优。尤其是在平托花生处理中，结合农学和气象变量构建的XGBoost模型预测精度最高，R2达到0.85，RMSE为11.56吨/公顷。SHAP分析显示，果实数量、株高等是预测产量最重要的变量。尽管大果距瓣豆产量最高，但其对应的模型预测精度（R2=0.48）却是最低的，研究人员分析这可能与其创造的高生物量、复杂微环境所导致的植被指数饱和及非线性关系有关。
结论与讨论部分对上述发现进行了整合与升华。本研究确证了在木瓜种植中引入覆盖作物，特别是大果距瓣豆，是一种能够显著提高产量（达102.22吨/公顷）并改善土壤健康（如调节pH向中性）的有效农艺策略。其高产原因可归结于其强大的生物固氮能力、丰富的生物量返还以及对田间微气候的调节作用，这些共同促进了木瓜的生长发育和生理效率。
在技术层面，研究展示了将无人机遥感获取的植被指数与机器学习算法（尤其是XGBoost）相结合，可实现木瓜产量的准确预测，为精准农业管理提供了有力工具。尽管在大果距瓣豆这样高产且结构复杂的处理中模型预测面临挑战（可能由于植被指数饱和），但这反而揭示了此类系统更高的生态复杂性，提示未来研究需整合如EVI等更抗饱和的指数或物候学指标。
综上所述，这项研究不仅为热带木瓜的可持续集约化生产提供了具体的覆盖作物选择（推荐大果距瓣豆）和科学的土壤改良依据，还成功构建了一套融合多源数据与先进算法的智能预测框架。它标志着通过协同利用覆盖作物（农业生态学实践）与机器学习驱动的预测模型（数字农业工具），可以有效优化资源利用、提升系统韧性，从而推动热带水果产业向着更加智慧、高产且环境友好的未来迈进。研究者建议，推广机构和政府部门应通过农业生态项目和气候智能型农业战略，积极推广此类覆盖作物作为生产力的盟友。
