農業土壤中總有機碳和總氮的近紅外檢測

　　傳統農業的現代化由于采用了施化肥、控制雜草、土壤耕作新方法以及選擇高產品種等手段已經大幅提高了農作物的產量。農藝技術可以可觀的影響土壤的肥力。如果農業中的農作物生產是持續和有成本效益的，就需要更多的有關土壤成分的信息。使用化學方法對土壤進行分析是準確的，但是需要很多的時間和人工，而且成本高，并且產生有害污染物影響環境，這些使得化學方法不適合作為常規的測定方法。近紅外反射光譜(NIR)是一種可能的備選方式，它同時節約了時間和人工勞力，并減少了化學試劑的成本。NIR已經被不同程度地成功的應用在一系列土壤成分的分析上。

　　在ISCF的一個長期項目中，正在研究不同作物輪作對土壤肥力的影響。作為對各種不同農作物常規的研究的補充，從1985年開始定期地收集土壤樣品，目前的收集周期是3年。主要目的是確定在土壤肥力尤其是土壤組成上的精細作物管理實施對多種農作物輪作的主要及次要影響。

　　此項目中近紅外(NIR)反射光譜用于土壤非破壞性特性分析的可能性研究已經展開，目標是開發可以預測諸如總有機碳、總氮、可交換鉀及有效磷等土壤中成分的穩定定標方程，用于田間試驗中的監控。

　　材料和方法

　　土壤樣品 樣品從Lodi附近的Po Valley的一個長期試驗田中收集，pH為6.2的砂質土壤。比較了5種不同的輪作方式，分別代表了不同的作物強化程度的飼用作物體系：

　　(1) 1年連續的雙作物輪作，意大利黑麥草(lolium multiflorum Lam.) + 青貯玉米(zea mays L.)；(2) 3年輪作，意大利黑麥草 + 青貯玉米-大麥(hordeum vulgare L.) + 青貯玉米-糧用玉米；(3) 6年輪作，意大利黑麥草 + 青貯玉米(3年)-輪作牧草(3年)(trifolium repens L. + festuca arundinacea Schreb.)；(4) *牧草的單作；(5) 糧用玉米的連續單作。

　　每一個輪作從屬于2個作物管理實踐，包括不同的營養水平、雜草控制和土壤耕種方法。在1985年實驗開始，在1997年又重新開始，在總共72塊土地的每一塊隨機鉆取5個土樣(0-30cm深)。

　　化學和NIR分析 所有樣品風干后充分研磨去測定總氮、總有機碳、可交換鉀和有效磷，并進行NIR掃描?？偟涂偺加啥篷R斯燃燒法來測定，使用CE Instruments公司的NA1500元素分析儀。有效磷含量用0.5mg NaHCO3(pH 8.5)溶液萃取后以抗壞血酸法測定。可交換鉀用1mg醋酸銨萃取后以電感耦合等離子發射光譜測定。

　　土壤的光譜范圍是1100-2500nm。

　　開發NIR定標 初始的定標數據是142個土壤樣品，對每一個成分都分別使用了Step-up，Stepwise和改進的偏zui小二乘法MPLS，用所有數據建立回歸模型。另外通過計算將光譜馬氏距離>3的反常樣品去除，或者手工排除那些難以很好解釋的樣品，再使用MPLS方法生成定標方程。所有的模型都被用來預測1985年和1997年采集樣品的總氮、總有機碳、可交換鉀和有效磷含量。

　　結果

　　NIR定標開發 獲得的定標方程對總氮、總有機碳、可交換鉀和有效磷含量的預測統計數據列于表1。

　　表1：定標方程開發交互驗證過程中對總氮、總有機碳、可交換鉀和有效磷含量預測的統計數據

　　

定標回歸算法	總氮			總有機碳			鉀			磷
	n*	r2	SECV	n*	r2	SECV	n*	r2	SECV	n*	r2	SECV
Step-up	142	0.83	0.010	142	0.83	0.07	1422	0.43	7.83	142	0.70	6.92
Stepwise	142	0.85	0.010	142	0.87	0.06	142	0.57	6.83	142	0.72	6.66
MPLS	142	0.77	0.007	142	0.81	0.07	142	0.49	7.51	142	0.71	6.84
MPLS(手工挑選樣品)	129	0.87	0.005	138	0.81	0.07	127	0.70	5.81	128	0.83	4.89
MPLS(軟件挑選樣品)	134	0.77	0.007	132	0.81	0.07	129	0.49	7.51	131	0.71	6.84

 

　　* 在定標運算中使用的樣品數量

　　從表中可以看出不同回歸算法得到的模型結果之間的差異。總有機碳的定標是其中的，總氮的略差一些。可交換鉀和有效磷的結果相比于氮和碳要遜色?？傊?，交互驗證的結果顯示了近紅外預測土壤中總氮和總有機碳的可行性。

　　近紅外預測 用上面獲得的定標對于1985和1997年土壤樣品的進行預測的結果統計數據列于表2。

　　表2：所有預測1985和1997土壤樣品中總氮、總有機碳、可交換鉀和有效磷含量的定標模型準確度

　　

定標回歸算法	總氮			總有機碳			鉀			磷
	r2	SEP	Bias*	r2	SEP	Bias	r2	SEP	Bias	r2	SEP	Bias
1985 預測
Step-up	0.93	0.004	0.000	0.84	0.054	0.003	0.50	7.114	0.381	0.25	5.441	-0.797
Stepwise	0.93	0.004	0.000	0.86	0.051	-0.003	0.59	6.411	0.276	0.29	5.306	-0.203
MPLS	0.93	0.004	0.000	0.88	0.049	-0.001	0.69	5.589	-0.055	0.50	4.491	-0.123
MPLS(手工挑選樣品)	0.93	0.004	0.000	0.88	0.049	-0.001	0.63	6.233	-0.102	0.56	4.162	-0.114
MPLS(軟件挑選樣品)	0.94	0.004	0.000	0.89	0.047	0.002	0.66	5.855	0.757	0.57	4.083	-0.127
1997預測
Step-up	0.76	0.008	0.000	0.78	0.071	-0.003	0.50	7.507	-0.370	0.23	7.556	0.775
Stepwise	0.80	0.007	0.000	0.83	0.061	0.003	0.65	6.261	-0.268	0.25	7.124	0.198
MPLS	0.73	0.008	0.000	0.77	0.074	0.001	0.82	4.558	0.054	0.45	6.130	0.119
MPLS(手工挑選樣品)	0.68	0.009	0.000	0.74	0.077	0.000	0.76	5.211	0.303	0.23	7.381	0.957
MPLS(軟件挑選樣品)	0.67	0.009	0.001	0.72	0.080	0.001	0.48	8.208	-0.208	0.23	7.265	-0.793

 

　　* 所有樣品的化學分析結果平均值和近紅外預測結果平均值之間的差異

　　比較有意思的是，在總氮和總有機碳這2個成分上，1985年樣品的結果要好于1997年的結果。這2個成分zui成功的預測是對1985年樣品，以MPLS方法回歸得到的模型。這2個成分的結果表明近紅外光譜可以做為測定它們的方式。對于可交換鉀，以r2和SEP作為其預測效果是相當不錯的，盡管與其它模型相比沒有那么成功?？山粨Q鉀也可以用近紅外進行預測，結果的準確性至少可以區分不同類型的土壤樣品。zui后討論一下有效磷，近紅外的預測結果似乎不是很成功，用于判斷磷含量高或低還是可靠的。

　　結論

　　通過我們的研究證明了，近紅外反射光譜可以用來測定土壤的總氮和總有機碳并有很好的準確性，所以可以作為一種分析土壤樣品這些成分的常規的、快速的并且是非破壞性的方法。對于可交換鉀的結果稍遜，可以用于提供可靠的樣品分類。對其它成分例如有效磷，至少在我們的研究中近紅外反射光譜似乎可用于大致的粗測。一個利用同一長期試驗的新系列的6年輪作土壤樣品對近紅外可靠性的驗證工作正在進行中。