苗木生产岗位

王军

 

　　1　葡萄园的变异性

　　葡萄种植者种植葡萄的时间越长、酿酒师酿造葡萄酒的时间越长，他们就能知道，整个一个葡萄园的土壤、葡萄树体生长和果实（和由果实酿造的葡萄酒）的味觉有变化。然而，没有一个方法来测量或管理这种变异性，正在生长的葡萄和其它作物通常采用单个统一的策略管理。目前，通过许多技术的研发：统称为“精细葡萄栽培”（Precision Viticulture，PV）’，葡萄栽培者能绘制葡萄园的变异性图，并且在他们的整个葡萄园中精确地采用各种管理策略。

　　葡萄园内部变异性（被称作空间变异性）的存在是由于地形、土壤特点、所采用的管理技术、植物体健康状况和中气候的差异所致。每年发生的时间上的变异性是由于季节和年份之间天气条件的差异所致，且在偶然的情形下，是由于虫害和病害的发生和管理技术的改变所致（Proffitt et al. 2006）。

　　2　精细葡萄栽培的概念

　　Proffitt等（2006）、Tisseyre等（2007）和Bramley（2010）描述了精细葡萄栽培的原则和应用。在生产上，采用很多技术、方法和技巧来定位一个葡萄园内具有相同（或不同）生长特征的区域，量化这些区域在一个葡萄园内的表现，并且利用这些信息（或数据）来了解葡萄树体表现出现差异的原因，然后做出旨在提高产出、效率、收益率和/或可持续性的管理决定。

　　PV被认为是通向目标管理计划实施的观测、评估和说明的连续循环过程，如果需要，然后进一步进行管理计划的观测和细化（Proffitt et al. 2006）。涉及到的一组工具包括远程和近端高空间分辨率的遥感装置、产量监视器、全球定位系统（GPS）和地理信息系统（GIS）。

　　PV的最初使用通常是利用轻型飞机或卫星的遥感技术。目前所使用的最简单的数字成像系统是利用四个单独的成像传感器探测蓝光、绿光、红光和近红外波长上的反射光的多光谱系统。存在于在这些不同波长下测量到的葡萄树体生物量之间对比可以表示为“光谱植被”指数。

　　植被指数表明的是整个测量地点的光合活动生物量（PAB）的“相对”变化，例如，一个葡萄园内或一个葡萄园内的一个小区。PAB实质上与被成像传感器感觉到的叶片表面积和叶片健康状况有关。有两个植被指数常用于PV中，以产生影像：植株单元格密度（PCD）指数和归一化植被指数（NDVI）（Hall et al. 2002, Proffittet al. 2006）。目前还没有明确的研究来指明哪一个指数最适于葡萄叶幕的测量。最近的研究（D. W.Lamb，未发表）指出，PCD指数比NDVI在响应较大范围PAB内的PAB变化方面更敏感。“实地考察”影像后，才有可能鉴定葡萄树体特征相同的区域。在不同的研究中，PCD指数或NDVI与地上测量的叶幕表面积（Proffitt and Malcolm2005）、叶幕叶面积指数和叶面积/株（Hall et al. 2002）、主干周长（Proffitt and Malcolm 2005,Bramley et al. 2010, 2011a）相关。

　　3　精细葡萄栽培的应用

　　（1）  目标管理

　　目标管理策略已被大田生产谷物的农民使用多年，例如，用高分辨空间信息来区分采用变量施灌（VRA）技术的田间的不同地段的投入。与此相反，酿酒葡萄生产者不是关注投入，而是集中在管理产出（也就是产量和质量），只是在最近才关注所采用的投入方法，这是由于新技术的发展、生产成本的提高和灌溉水缺乏等环境限制所造成的。在目标管理方法中，使用到整个葡萄园特定区域的投入（例如，灌溉水、肥料、土壤改良、喷施和劳动力）是不同的，目的是改善一个收获季在产量和/或果实质量方面的整体一致性，通常也能实现较低的生产成本。

　　（2）　目标管理策略举例（Proffitt et al. 2006, Bramley et al.2010及其中的参考文献）

　　①整个葡萄园灌溉水的差异化使用被用于管理新梢生长势，目的是改善果实质量和降低叶幕管理成本：投入成本估测减少了700 $/ha。

　　②根据新梢数量和新梢生长势，采用各种修剪方法来降低成本和改善员工士气：投入成本估测减少了290 $/ha（11.6%），且果实质量更均一。

　　两项研究均使用了机载成像和PCD植被指数来描绘不同的区域。目标管理的其它例子包括差异化的叶片疏除以增加果穗曝光，通过提高或降低物质施用机械的速率进行肥料、石灰和覆盖物的差异化使用。

　　③选择性采收是目标管理的另一个例子。选择性采收的目的是提高交付给葡萄酒厂果实批次的一致性，使生产目标葡萄酒的机会最大化，它包括根据产量和/或质量标准分别采收葡萄，然后每一个采收批次交付给特定的产品类别。几篇报道表明，选择性采收能使收益率提高，如Smart（2005）、Bramley等（2005）和Proffitt等（2006），见表1中的举例，葡萄果实生产增加的收益介于3%～78%。在评估了葡萄酒产出的两个例子中，增加的收益约为20%。

　　产量监视器数据与葡萄果实或葡萄酒生产成本方面的知识相结合，也可用于构建毛利率图（Bramley and Proffitt 1999, Bramly2010），这些都是用来鉴定和寻找葡萄园财务业绩差和/或变化的有利的但目前未被充分利用的工具。

　　（3）取样和监测

　　取样和监测是关键活动，一年之内需要在葡萄园进行多次，包括产量预测、果实成熟度评价、用于养分分析的组织和土壤的采集、通过芽解剖评价结实力。其关键在于，这些作业活动的每一项所采用的取样方法代表了整个葡萄园小区，因为葡萄树体和/或土壤特点的空间变化可能将偏差引入到结果中。传统的方法是利用随机取样策略定目标葡萄植株或葡萄园小区内的区域。高分辨空间数据的商业化使用是可以利用的供选方法，例如，产量预测：根据来源于机载成像的葡萄树体特点，划分葡萄园的取样区。与传统的随机取样方法相比，这个策略在产量估测方面实现了5%的改进（Proffitt et al.2006）。

　　（4）葡萄园设计

　　通过使用土壤传感器产生的高分辨土壤地图，已被证明对洞察各种尺度上土壤性质的空间变异是有用的，已被用于设计新的葡萄园或重新规划老葡萄园（Bramly et al.2010）。

　　与标准的75m低分辨网格法相比，这些信息常被用于定位检修井的备选节本方法。有助于确定边界位置的技术描绘了土壤性质的变化，与地形学信息相结合，能有助于将葡萄品种匹配到理想的土壤类型、设计灌溉和排水系统，以及定位基础设施（例如道路、水坝和防霜风扇）和仪器仪表（例如气象站和土壤湿度/盐分监测装置）。

　　（5）田间试验

　　已被证明存在于葡萄园中的显著的空间变异性，对希望进行葡萄栽培田间试验的研究者和酿酒葡萄生产者来说，已经成为问题。同时也面临着管理技术应该如何针对多变的小区内的葡萄园管理的决策问题。高分辨空间数据的商业化应用与地质统计学方法相结合，将会产生新的试验方法（Bramleyand Lanyon 2005, Panten et al. 2008,2010）。

　　例 1 ：“目标管理”举例（Bramley 2008）

　　①品种/地点：‘西拉’/澳大利亚的Padthaway。

　　②处理：葡萄园的特点是在其中央有一个1.8m深的“凹陷”，它被认为与存在于下部石灰岩中的落水洞有关。土壤为红色和黑色沙质粘壤土的混合，黑壤主要在凹陷地，而红壤构成了小区的剩余部分。“凹陷”地的新梢生长势较强、产量较高，但果实质量较低。黑壤比红壤在一年四季保持水分的时间更长。2004年在“凹陷”地的行间种植苜蓿，目的在于“使土壤干燥”，因而减弱新梢生长势，使整个葡萄园一致性更好。

　　③结果和讨论：结果表明，种植苜蓿有效地降低了小区内凹陷地和剩余地块之间在产量和果实、葡萄酒质量方面的毛利差异。几年来在产量图中（图1）的变化模式明显，说明凹陷地的葡萄树体的表现越来越像葡萄园的剩余地块的葡萄植株，因而葡萄园的变异性降低。

　　④结论：Bramley（2008）将此形容为空间变化数据可以用于研发管理葡萄园变异性的积极主动策略的例子：在这种情况下，葡萄园的某一地段种植苜蓿后，使这一地段上的葡萄树体与葡萄园其它地段的葡萄树体更相似。另一个选项就是采用被动策略，葡萄园的每一个地段分开采收。这项研究表明，需要去了解信息的含义及其与葡萄园内变异性的关系，正如Rob Bramley所讲的：“思考信息与收集信息一样重要”。

　　在生产上，精细葡萄栽培可以采用主动积极的方式或被动的方式，风土因素是可以管理的。这项研究还说明，风土在葡萄园内水平上存在空间上的变化，且风土因素可以认为是能够管理的；苜蓿的种植成功地改变了葡萄园的“凹陷”地段的风土：也见Bramley和Hamilton（2007）的讨论。在另外一种情况下，PV方法可用于风土因素的管理，例如，通过灌溉、修剪和葡萄树体养分策略。

　　例2：“选择性采收”举例（Scollary et al. 2008）

　　该例叙述了一项PV试验，利用PV法将一个葡萄园的地块分为两个所谓的“生长势”区：“新梢生长势较弱”区和“新梢生长势较强”区。用代表每一个区域的果实分别进行小批量（50kg）葡萄酒酿造，重复三次，同时用代表整个葡萄园一起采收的果实样品（在产量所占百分比的基础上，将两个区域的果实混合在一起）酿造葡萄酒。按照科学的感官评价方法，由公司的酿酒师组成的品评小组对葡萄酒进行评价。用“新梢生长势较弱”区果实酿造的葡萄酒的感官评分值显著高于用“新梢生长势较强”区果实酿造的葡萄酒和用“整个葡萄园”果实酿造的葡萄酒。下述情形是利用实际产量和葡萄酒感官数据、基于感官数据的葡萄果实的市场价格估测，按照葡萄酒公司的分级系统，来自于“新梢生长势较弱”区的葡萄酒将获得一个较高的等级分配。

　　选择性采收的财务收益计为“整个葡萄园一起采收”与每一种“分区采收”之间的收入差，表示为每公顷。“生长势较弱”区、“生长势较强”区和一起采收的产量分别为9 t/ha、15 t/ha和12 t/ha。分配给正常采收（也就是整个葡萄园一起采收）果实的价格为1,000 $/t，提高一个等级水平的果实价格为1,200$/t。“整个葡萄园”一起采收每公顷的收入为12 t/ha× 1,000 $/t = 12,000 $。假定来自于每一个区域的果实采收于0.5 ha的面积，且来自于“新梢生长势较弱”区的果实等级提高一个等级的价格，而来自于“新梢生长势较强”区的果实保持正常的价格，选择性采收的产生的收入为：0.5×(9 t×1,200 $/t + 15 t × 1,000 $/t) = 12,900 $。

　　“选择性”采收的采收成本和遥感支出估测为170$/ha，因而分区采收每公顷的收入为12,730$，这就表示选择性采收的净收益为730$/ha。注意，同类的报道也列举了其它例子，例中选择性采收的净收益高达1,030$/ha。也有没有从选择性采收获利的情况：在这种情况下，变异性未足以造成葡萄酒质量上可觉察到的差异。

 

　　例3-1：一个葡萄园内两个分开地段的选择性采收（Bramley etal. 2003）

 

　　通过使用来自机载数字多波谱视频图像的“PCD”指数，将栽植‘赤霞珠’的葡萄园分为两个区域，北区植株被鉴定为产量较高，且具有更强的新梢生长；南区植株产量较低，具有不太强的新梢生长。来自于每一个区的果实分别在葡萄酒厂酿造成葡萄酒，由酿酒师对所酿葡萄酒进行评价。来自于北区的葡萄酒被定位为19 $/瓶，而来自于南区的葡萄酒被定位为30 $/瓶。在引用的文献中详述了产品定位和收益的深入讨论。

 

　　例3-2：一个葡萄园的不同地段在不同采收日期进行选择性采收（Bramley et al. 2005, Proffitt et al.2006）

 

　　将栽植‘雷司令’的葡萄园分为不同区：PCD图像如图2所示。根据葡萄园地图、果实成分化学分析和酿酒师对果实感官特性的评价决定采收日期。不同批次的果实在7天之内分开采收，目的在于使每一批次果实的质量潜力最大化，因而使所有批次的果实被定位到同样的产品流。果实为手工采收。

　　5个不同批次的果实在约一周时间内交付给葡萄酒厂，每一个批次的果实达到相同的糖分成熟度水平（°Brix）和由酿酒师评价的果实质量特性。酿酒师进一步确定，果实以一个批次的形式采收后，果实质量和所酿造的葡萄酒质量是否因过熟和未熟特征而变得质量较低。

 

　　表2所示为试验的收益分析。选择性采收的运用与整个葡萄园区一次性采收相比，成功地交付了更均一的果实批次，并且收益增加。

　　例3-3：不同葡萄园或葡萄园小区的不地段进行选择性采收（Bramley et al. 2011c）

 

　　前述的PV研究主要集中在葡萄园内或葡萄园小区内变异的管理，这里的生产适合所谓的“小批量”葡萄酒生产。本项研究展示了PV技术和理念怎样能应用在一个区域内的不同葡萄园或葡萄园小区的变异性调节上，此处的生产目的在于所谓的葡萄酒的“大量”生产（见所引用论文的前言）。

　　采用PV技术将不同的葡萄园区鉴定为小区（在本例中称之为“主区”和若干“后备区”），其特点是较弱的或较强的“生长势”，以下简称为“生长势弱”区和“生长势强”区。主区的一部分被鉴定为“生长势弱”区，但果实数量不足以充满可用的发酵容器，因此来自该区的果实与来自其它园区的“生长势弱”区的果实合并，以得到足够数量的果实装满发酵容器。与此类似，来自不同园区的“生长势强”区的果实合并到一起，以得到足够数量的果实装满发酵容器。PV技术已被证明可用于鉴定生产类似特性果实的可能区域。

　　不同小区的果实也可以进行小规模葡萄酒酿造。感官品评小组的参与能够察觉到来自不同小区的葡萄酒的感官特性的差异。这项研究同样考虑到了所划定小区的同质性问题。当利用PV技术划定一个葡萄园内的小区时，目的是鉴定出总变异小于整个葡萄园区变异的小区。不可能使这样的小区为同质，但它们应该比所处的葡萄园区的总体变异要小。

　　生产上的考虑以及架柱和架线的存在就意味着，应利用直线划定小区：如同图2所显示的那样。因此，这些小区很少是“纯净的”，所以，例如，“高产”小区常常包含小部分的“低产”葡萄植株。这个问题的一个解决办法是每一个小区用手工分开采收；另一个方法是将监视器（或控制台）和GPS安装到机械采收机上。显示待采收的不同小区的所谓 “采收地图”被加载到监视器中，如此，当与由GPS提供的地理定位结合在一起时，就能使操作员知道将采收机定位到何处、何时需要变换料斗，以保证来自于不同小区的果实分开放置。

　　图告诉了我们什么？空间变化是否大到足以必需进行管理技术上的改变？遥感图像（通过卫星或航空器获得的）描绘了植被指数，植被指数可以用来量化一个葡萄园的整个地段光合活性生物量的变化。利用这个信息，也许有可能鉴定具有不同叶幕特点的葡萄园小区四周的边界。不同小区可能需要不同的管理技术。因为图像显示了叶幕特点的相对差异，在管理技术做出改变之前，实地考察信息很重要。这是通过感兴趣参数的测量完成的，例如，每一个小区内多个样点的新梢长度和浆果成分，或者通过用每一个小区的果实酿造葡萄酒并评价葡萄酒的感官特性。资金上的考虑也应该包括在评价之中。评价结果将会表明，变化的量级是否足以需要按小区分开采收和/或管理技术上的改变，例如投入。产量图（从安装在机械采收机的传感器获得）以类似于图像的方式，也开始应用在葡萄园上，产量图胜过图像的主要优点之一在于，一旦被调整为匹配葡萄酒厂记录的吨位，就不需要实地考察。土壤地图（从一个或多个商业化应用的近端传感器获得）显示了土壤性质的变化，在做出任何管理决策之前，也需要实地考察。

　　空间变化的时间稳定性是什么？如果划定的管理小区使用了若干年，则需要考察空间变化模式的时间稳定性。论证空间变化模式的时间稳定性的研究包括Arnó等（2005）、Bramley（2007）、Bramley和Hamilton（2004, 2007）、Acevedo-Opazo（2008）、Tisseyre等（2008）、Bramley等（2010）。某些参数似乎比其它参数更稳定，例如，Tisseyre等（2008）的研究显示，果汁糖分、可滴定酸和pH值等浆果成分参数与剪枝重量、产量和叶幕大小等葡萄树体测量参数相比，表现为年份之间稳定性差。

　　Bramley和Hamilton（2004）描述了处理和呈现空间数据的各种方法。例如，利用通过k-平均值聚类或设定的产量目标得到的产量图，并确定达到特定产量目标的概率，如平均值 ± 5%，平均值 ±10%等。k-平均值聚类产生的图被用来鉴定低产、中产和高产小区。通过“产量目标”法评价表明，葡萄园的特征在于，小区的产量总是高于或低于葡萄园区的年平均产量。当平均聚类产量表示为占每一年的最低产量聚类的产量比率时，则1999年最低:中等:最高的平均聚类产量比率为1:1.6:2.3，2000年为1:1.6:2.9，2001年1:1.7:2.2。也就是说，除了最低产年（2000年）的最高产小区，产量模式是恒定的。

 

　　Bramley（2010）讨论了这个问题，并且采用合适的数学方法来确定小区、检验小区的时间稳定性。研究之间的差异可能与分配小区、检验时间稳定性所采用的方法有关，以及与分析的参数类型有关。Bramley（2010）以下面的陈述总结：“来自于世界各地对比鲜明的葡萄园的大量证据就是，即使葡萄园内变化的幅度通常约为10倍（例如产量），但葡萄园内果实产量和葡萄树体生长势的空间变异性模式具有时间上的稳定性”。

　　可以确定空间变异的原因吗？这是一个重要的问题，原因是，如果能确定变异的原因且希望降低整个葡萄园的变异性，就可以采取相应的行动。正如前面已经证实的，通过调整修剪水平或改变生长季所使用的灌水量和肥料施用量，有可能减小变异性。根据新梢生长势、主干周长或剪枝重量等葡萄树体特征的变化，可以进行整个葡萄园投入的调整。

　　摘译自《The Grapevines: from thescience to the practice of growing vinesfor wine》