• 《中国科学引文数据库(CSCD)》来源期刊
  • 中国科技期刊引证报告(核心版)期刊
  • 《中文核心期刊要目总览》核心期刊
  • RCCSE中国核心学术期刊

克拉玛依市玛依湖区土壤有机质空间异质性分析

尚白军, 郑博文, 周智彬, 王利界

尚白军, 郑博文, 周智彬, 等. 克拉玛依市玛依湖区土壤有机质空间异质性分析[J]. 华南农业大学学报, 2021, 42(1): 72-81. DOI: 10.7671/j.issn.1001-411X.202003006
引用本文: 尚白军, 郑博文, 周智彬, 等. 克拉玛依市玛依湖区土壤有机质空间异质性分析[J]. 华南农业大学学报, 2021, 42(1): 72-81. DOI: 10.7671/j.issn.1001-411X.202003006
SHANG Baijun, ZHENG Bowen, ZHOU Zhibin, et al. Spatial heterogeneity of soil organic matter in Mayi lake area of Karamay city[J]. Journal of South China Agricultural University, 2021, 42(1): 72-81. DOI: 10.7671/j.issn.1001-411X.202003006
Citation: SHANG Baijun, ZHENG Bowen, ZHOU Zhibin, et al. Spatial heterogeneity of soil organic matter in Mayi lake area of Karamay city[J]. Journal of South China Agricultural University, 2021, 42(1): 72-81. DOI: 10.7671/j.issn.1001-411X.202003006

克拉玛依市玛依湖区土壤有机质空间异质性分析

基金项目: 中国科学院新疆生态与地理研究所“一三五”规划项目“荒漠和绿洲生态保育及生态屏障建设技术”;中国科学院战略先导科技专项(XDA23060203)
详细信息
    作者简介:

    尚白军(1995—),男,硕士研究生,E-mail:shangbaijun18@mails.ucas.ac.cn

    通讯作者:

    周智彬(1969—),男,研究员,博士,E-mail: zhouzb@ms.xjb.ac.cn

  • 中图分类号: X825

Spatial heterogeneity of soil organic matter in Mayi lake area of Karamay city

  • 摘要:
    目的 

    研究克拉玛依市东部生态屏障的水源地玛依湖区土壤有机质的空间分布规律, 为湖区的生态环境保护提供科学依据和数据支撑。

    方法 

    以玛依湖区为研究对象,通过野外采样和室内分析,利用趋势分析法、反距离权重插值法、空间自相关法和半变异函数法分析玛依湖区不同土层深度土壤有机质的空间分布规律。

    结果 

    趋势法分析表明,玛依湖区土壤有机质含量在0~20、20~40、40~60和60~80 cm土层的变化速率存在差异,整体趋势为土壤有机质含量南北方向呈增加趋势、东西方向呈减少趋势。反距离权重插值法(IDW)研究表明,玛依湖区不同土层土壤有机质水平分布差异较大,局部地区土壤有机质含量存在明显的垂直分布特征,土壤有机质含量变化趋势同趋势法分析结果高度一致,整体表现为土壤有机质含量南北方向呈增加趋势、东西方向呈减少趋势。空间自相关法研究表明,0~20、20~40、40~60和60~80 cm土层的Moran指数分别为0.1643、0.1236、0.1955和0.2461,均在空间上呈现出显著正相关;4个土层的Z值分别为3.1510、2.5934、3.5903和4.6355,底层(40~60和60~80 cm)的土壤有机质空间正相关较显著、空间聚集程度最高,表层(0~20和20~40 cm)空间相关性不显著、空间聚集程度较低。半变异函数分析法表明,底层(40~60和60~80 cm)土层的块金效应分别为0.427和0.420,说明土壤有机质具有一定的空间相关性;表层(0~20和20~40 cm)土层的块金效应分别为0.033和0.045,土壤有机质的空间相关性较弱。

    结论 

    不同土层土壤有机质含量水平差异较大,南北方向呈增加趋势,东西方向呈减少趋势,局部地区存在明显的垂直分布特征。土壤有机质在表层(0~20和20~40 cm)空间相关性不显著,空间聚集程度较低;在底层(40~60和60~80 cm)空间相关性较显著,空间聚集程度较高。土壤有机质空间异质性受土壤类型、土壤质地、外围植被类型以及湖区面积变化的影响较大;在湖区外围生态屏障建设时,防护林树种、种植深度、种植密度的选择应当结合土壤有机质含量的空间分布状况进行。

    Abstract:
    Objective 

    To study the spatial distribution of soil organic matter in Mayi lake, the water source of the eastern ecological barrier of Karamay city, and provide scientific basis and data support for the ecological environment protection of the lake area.

    Method 

    The study area of this paper was Mayi lake. Through field sampling and indoor analysis, the study used trend analysis method, inverse distance weight interpolation method, spatial autocorrelation method and semi-variogram function method to analyze the spatial distribution law of soil organic matter at different depths of Mayi lake.

    Result 

    The trend analysis showed that the change rates of soil organic matter content in Mayi lake were different from 0−20, 20−40, 40−60 and 60−80 cm soil layers, but the overall trend was that soil organic matter content increased in the north-south direction and decreased in the east-west direction. The inverse distance weight interpolation method (IDW) showed that there are large horizontal distribution differences of soil organic matter contents in different soil layers, and regional obvious vertical distribution characteristics of soil organic matter content in Mayi lake. The trends in soil organic matter content change were highly consistent with trend analysis method. The overall performance of the north-south direction of soil organic matter content increased, the east-west direction showed a trend of decrease. The spatial autocorrelation method showed that Moran indexes of four layers were 0.164 3, 0.123 6, 0.195 5 and 0.246 1 respectively, showing a significant positive correlation on the space. The Z values of 0−20, 20−40, 40−60 and 60−80 cm soil layers were 3.151 0, 2.593 4, 3.590 3 and 4.635 5 respectively. The soil organic matter of underlayers (40−60, 60−80 cm) had obvious positive spatial correlation with the highest space aggregation degree. The surface layers (0−20, 20−40 cm) had no significant spatial correlation, and low spatial aggregation degree. The semi-variogram function method showed that the nugget effects of the underlayers (40−60 and 60−80 cm) were 0.427 and 0.420 respectively, indicating spatial correlation of soil organic matter was general. The nugget effects of the surface layers (0−20 and 20−40 cm) were 0.033 and 0.045 respectively, indicating high spatial correlation of soil organic matter.

    Conclusion 

    The contents of soil organic matter in different soil layers vary greatly, and the north-south direction tends to increase, while the east-west direction tends to decrease. The spatial correlations of soil organic matter in the surface layers (0−20 and 20−40 cm) are not significant, and the spatial aggregation degrees are low, while the spatial correlations are significant and the spatial aggregation degrees are high in the underlayers (40−60 and 60−80 cm). The spatial heterogeneity of soil organic matter content is greatly affected by soil type, soil texture, vegetation type and the variation of lake area. While constructing ecological barrier in the periphery of lake area, the selection of shelterbelt tree species, planting depth and planting density should be combined with the spatial distribution of soil organic matter content.

  • 大面积水产养殖发展迅速,信息化、数字化、智慧化监测技术手段的研发与应用对实现优质、高效、安全、环保的养殖目标尤为重要[1-2]。在针对溶解氧、酸碱度、温度、盐度、氨氮等水体环境关键因子构建基于物联网技术的水体环境在线实时监测系统的研究方面,黄建清等[3]在水产养殖水质监测系统开发中通过nRF905射频芯片实现水质数据的传输,使中短程无线数据传输创新性在水产养殖中得到实际应用;李鑫星等[4]针对ZigBee多跳通信的特点提出了一种基于JN5139的ZigBee无线模块,实现对溶解氧、pH、电导率和温度的监测。多跳通信的远距离数据传输会增大数据的丢失概率。金光等[5]对ZigBee与LoRaWAN的网络拓扑复杂度、能耗、部署3部分进行了对比分析,在拓扑结构方面ZigBee为多跳路由将数据传输到汇聚节点建立簇树形的无线传感网,LoRaWAN网络节点单跳即可覆盖终端节点从而建立星型低功耗广域网,得出LoRa在大范围覆盖通信场景优于ZigBee。林永君等[6]发展了水产养殖数据监测领域的无线通信方式,将基于商业化的GPRS无线通信媒介应用到了监测领域,借助互联网对现场设备信息进行远程监控;但GPRS通信依赖于电信运营商,若监测目的地离运营商基站较远,GPRS信号差或无信号的情况下实际通信质量较低,导致通信丢包率高甚至无法完成正常通讯需求[7]

    针对大面积水产养殖中水质监测所面临的节点分布广且分散,偏远郊野地带商用通信信号较差的问题,本文结合LoRa无线通信距离远的特点,设计了一款实现低功耗远距离无线传输的多水质因素监测系统,并开发了在线监测平台,在覆盖较大规模目标监测水域面积的前提下实现对目标监测水体温度、溶解氧、pH、氨氮和盐度5种关键环境理化因素的在线监测。文中对系统采集终端的误差进行了比对及对系统整体水质因素采集进行了整体测试,以期为水质环境监测的相关研究提供新的参考。

    水质监测设备主要包括数据采集模块、通信接口电路、控制核心、LoRa无线发送模块、远程LoRa无线接收模块和上位机端可视化平台等。在水质数据采集端,分别使用溶解氧/温度传感器、酸碱度传感器、氨氮传感器、盐度传感器实现对水质多重因素的采集。各节点采集的数据通过RS485总线经由通信接口电路传送至控制核心进行下一步处理。由于水体环境比较复杂,通信线路面临多种形式的干扰源,以通信接口电路的形式实现电路保护。数据传输单元(Data transfer unit,DTU)把采集到的数据通过LoRa无线数据通信方式向外发送,远程接收模块实现对采集数据的接收,至此完成一个水质数据采集发送与远程接收端的收发周期。系统整体框架图见图1

    图  1  监测系统结构图
    Figure  1.  Structure diagram of monitoring system

    系统水质数据采集终端的控制核心采用TI公司具有16位总线的MSP430F149型微控制器[8-10]。该芯片包括60 kb闪存、256字节FLASH、2 kb RAM,以及基本时钟模块、看门狗定时器、带3个捕获/比较寄存器和PWM输出的16位定时器、带7个捕获/比较寄存器和PWM输出的16位定时器、2个具有中断功能的8位并行端口、4个8位并行端口、模拟比较器、12位A/D转换器、2个串行通信接口等模块。基本最小控制电路见图2

    图  2  监测系统控制核心电路
    Figure  2.  Control core circuit of monitoring system

    通过查阅文献[11-13],本系统的水质数据采集采用了对水质温度、溶解氧、pH、盐度、氨氮5个关键因子进行监测的4个传感器,各传感器型号、量程及精度如表1所示。

    表  1  数据采集传感器及相关参数
    Table  1.  Data acquisition sensors and related parameters
    水质因子
    Water element
    型号
    Model
    量程
    Range
    精度
    Accuracy
    氨氮 NH4+-NO2 NHN-202A 0~10 mg·L−1 ±0.2 mg·L−1
    溶解氧
    Dissolved oxygen
    RDO-206 0~20 mg·L−1 ±0.2 mg·L−1
    温度 Temperature RDO-206 0~40 ℃ ±0.5 ℃
    pH PHG-200 0~14 ±0.01
    盐度 Salinity DDM-202I/C 0~0.5% ±0.007 5%
    下载: 导出CSV 
    | 显示表格

    以上4种传感器通过RS485总线传输采集的数据信号,以连接到采集设备控制核心进行数据的无线传输。图3为探测器实物图。

    图  3  各探测传感器实物图
    Figure  3.  Physical map of each detecting sensor

    具有代表性的无线通信方式主要包括长距离无线广域网代表技术GPRS、NB-IOT[14]、LoRa[15],短距离无线局域网代表技术WiFi、Zigbee[16]表2对各技术从通信频段、传输距离、传输速度方面进行了综合对比。本系统采用LoRa无线通信方式进行采集端与汇聚节点间的数据传输。

    表  2  无线通信技术对比分析
    Table  2.  Comparative analysis of wireless communication technology
    无线技术
    Wireless technology
    通信频段/Hz
    Communication frequency
    传输距离/m
    Transmission distance
    传输速度/bp·s−1
    Transmission speed
    ZigBee 2 400 000 000 10~100 20 000~ 250 000
    WiFi 2 450 000 000 300 11 000 000
    GPRS 935 000 000~ 960 000 000 20 000 10 000~ 100 000
    NB-IOT 800 000 000~ 2 100 000 000 10 000~ 20 000 100 000
    LoRa 470 000 000~ 518 000 000 20 000 300~50 000
    下载: 导出CSV 
    | 显示表格

    LoRa汇聚网关端采用SX1301数字基带芯片[17],该芯片具备对应8个频点的8个通道,每个通道支持SF7到SF12 六种速率,LoRa Std可以对49个LoRa信号解码,网关容量大,理论上可支持多达10 000个终端接入。结合Mediatek(联发科)的MT7688AN芯片进行数据处理构成汇聚网关。通过采取LoRaWAN协议标准实现网络协议转换。本系统网关节点保留了GPRS通信方式作为备选,网关节点实物图见图4

    图  4  网关节点实物图
    Figure  4.  Gateway node physical map

    文中采用主机轮询方式组网,从机编号为1、2、3、4、5、6、7、8、9,分别对应9个养殖水塘,主机根据从机地址不同分别访问各从机节点。各从机在接收到主机数据传输命令后,对应从机将数据打包开始数据传送。单一节点的数据接收完成后,主机以同样的轮询方式获取其他从机的待传输数据。

    数据传输过程中,采用MODBUS RTU通信协议。报文传输格式如下。开始:T1-T2-T3-T4,4位起始符;地址:8 bits,表示设备地址,即主站要访问的从站地址,范围为0~247;功能:8 bits,表示功能代码占位,主要区分为“读”、“写”功能,即具体读取从站哪块区域的数据以及具体将数据写到从站的哪块区域,不同从站的数据区对应有不同的功能码;数据:N*8 bits,对所发送数据进行整8位的分配空间;校验:16 bits,2个字节的差错校验,即CRC校验低位8 bits,CRC校验高位8 bits;终止:T1-T2-T3-T4,4位结束符。

    监测终端数据的采集与发送。系统通过各传感器设备采集水质数据后,按照数据帧的格式传输到LoRa发送模块,LoRa模块发送前一直处于待机状态,在初始化Tx模块后,将FifoPtrAddr设置为FifoTxPtrBase,并把PayloadLength写入FIFO(RegFifo)。然后方可将待发送数据(Payload)写入FIFO,通过发送Tx模式请求切换到发送状态将数据通过LoRa调制成信号帧发送出去,等到发送完成后,会产生TxDone中断,同时再次切换为待机状态,完成一个发送流程[18]。发送流程如图5a所示。

    图  5  数据收发流程
    Figure  5.  Data sending and receiving processes

    远程无线接收端的数据接收。该监测系统采取连续接收模式,LoRa调制解调器首先会持续地扫描信道搜索前导码,如果检测到,LoRa会在收到数据之前对该前导码进行检测及跟踪,然后继续等待检测下一前导码。如果前导码长度超过RegPreambleMsb和RegPreambleLsb设定的预计值(按照符号周期测量),则前导码会被丢弃,并重新开始搜索前导码,但这种场景不会产生中断标志。与单一Rx模式相反,在连续Rx模式下,当产生RxTimeout中断时,设备不会进入待机模式,这时用户必须在设备继续等待有效前导码的同时直接清除中断信号。接下来开始数据包接收,在睡眠或待机模式下,选择RxCOUNT模式;在收到有效报头Header后,紧接着会产生RxDone中断。芯片一直处于RxCOUNT模式,等待下一个LoRa数据包;检查PayloadCrcError标志,以验证数据包的完整性。如果数据包被正确接受,则可以读取FIFO;之后不断判断是否有新的数据包待接收。接收流程图如图5b所示。

    为满足系统远程监测需求,参考文献[19-21]开发了服务器端的监测平台。依据权限不同,平台提供2个进入系统的端口,用户登录时可以选择以普通用户或管理员身份登录。管理员可以进入系统用户管理页面,功能包括已注册成员的增删改查等。普通用户直接进入数据可视化平台,实现对水体环境关键因素的实时监察。服务器端采用Linux系统搭建,通过JetBrains下的IntelliJ IDEA开发工具创建,编程语言为Java。该线上平台采用SpringMVC框架,数据库连接通过HiBernate对象关系映射框架连接操作,通过Tomcat部署在Linux系统上。数据展示界面通过调用开源可视化库Echarts实现,其中包括对中国气象平台应用程序接口(Application programming interface,API)的调用,实现平台的天气预报功能。图6为服务器云平台的架构。

    图  6  服务器云平台的架构
    1:目标水塘;2:水体数据采集;3:设备控制端;4:服务器云平台;5:MYSQL数据库;6:服务提供层;7:后台信息管理应用程序接口;8:信息展示应用程序接口;9:监测终端;10:控制;11:采集
    Figure  6.  Architecture of server cloud platform
    1: Target reservoir; 2: Water data collection; 3: Equipment control terminal; 4: Sever cloud platform; 5: MYSQL database; 6: Service layer; 7: Background information management API; 8: Information display API; 9: Monitoring terminal; 10: Control; 11: Collection

    作为大面积水产养殖水质环境因素监测设备这一应用实例,为了进一步验证系统整体的实际应用效果,水质参数在线监测系统于2019年5月开始在杨进浜水产养殖基地部署进行水质环境因素监测,截至2020年6月已经正常完成了13个月有余的时间。图7为设备实际部署的位置情况。

    图  7  采集节点设备部署
    1~5:采集节点1~5
    Figure  7.  Collection node equipment deployment
    1−5: Collection node 1−5

    本文给出了2019年10月4日13:00—16:00对1号水塘水体水文数据的实际采集情况与误差分析。数据采集周期为10 min,监测时段内系统运行状态正常。图8为单一采集终端实物及电路封装图。

    图  8  单一采集终端实物图及电路封装
    Figure  8.  Physical map of single acquisition end and circuit package

    为分析本系统采集数据的精度,采用HANNA公司研发的HI98319型电导EC法盐度测定仪、HI9146型饱和溶解氧测定仪、HI98121型手持酸度pH−氧化还原ORP−温度测定仪分别测出水体的盐度、溶解氧、pH、温度4个要素,与本系统设备实际所测数据进行误差分析。如图9所示,在所测时段内,水质数据采集系统实际所测水体溶解氧含量的绝对误差为0.12 mg/L,盐度的绝对误差为0.001%,pH的绝对误差为0.017,温度的绝对误差为0.05 ℃。

    图  9  部分监测时段内各要素数据
    Figure  9.  Element data during partial monitoring period

    根据实际需求,本系统的监测平台如图10所示,主要功能包括但不限于:

    图  10  上位机端可视化平台
    Figure  10.  Host computer side visualization platform

    1)对汇聚网关节点接收到的数据包进行数据合法性检验,应答空中入网请求,提取有效传感器数据信息传输到终端监测模块,进行数据绘图处理。

    2)网络气象服务。实时校验系统与传输节点间时间,并提供满足基地所处区域最近7天天气的监测端服务需求。

    3)终端监测功能。对数据获取模块经过校验后的有效信息进行进一步处理并对当前水体溶解氧浓度、氨氮浓度、温度、pH、盐度5种环境因素进行实时显示。

    另外,为测试采集设备用电情况,试验采用5 200 mA电池为设备供电,于10月4日16:06放置在水域,开始数据采集测试,设备于10月5日20:37左右电量耗尽而停止工作,持续工作约28.5 h。

    本文针对水产养殖的环境因素动态变化,尤其是多种水体环境监测因素综合影响的特点,采用动态自检测技术方案,设计了一种基于MSP430F149微控制器的可同时采集水体溶解氧、盐度、pH、氨氮和温度5种参数数据的设备。设备通过LoRa无线通信技术与上位机端数据可视化平台相结合的设计,增强了远距离水质监测技术的可靠性,解决了动态实时测量中监测数据长距离传输问题及数据同步上位机端平台展示问题。

    系统在杨进浜水产养殖基地应用中取得了良好的效果。系统实际所测水体溶解氧含量绝对误差为0.12 mg/L,盐度的绝对误差为0.001%,pH的绝对误差为0.017,温度的绝对误差为0.05 ℃,可以达到实际水质监测应用中的需求。单一采集设备功耗测试中,5 200 mA电池可持续为终端设备供电28.5 h。

    考虑到大面积养殖渔业环境监测的实际需求,为实现监测端长时间持续地工作,下一步将在现有研究的基础上为系统搭载太阳能供电系统,以避免频繁更换供电电源;另外需要在水产养殖中智能控制及通信距离与质量上进行更深层次的研究。

    致谢:特此感谢上海海洋大学农业农村部渔业信息重点实验室提供的实验平台以及课题组指导老师们的帮助!

  • 图  1   不同土层土壤的有机质含量变化趋势

    Figure  1.   The variation trend of soil organic matter content at different soil layers

    图  2   不同土层土壤有机质含量的反距离权重插值(IDW)

    Figure  2.   Inverse distance weight(IDW) interpolation method of soil organic matter content at different soil layers

    图  3   不同土层土壤有机质含量的空间自相关分析

    A1、B1、C1和D1显示各土层莫兰指数(I);A2、B2、C2和D2显示各土层莫兰指数经置换后对应的期望值(Ie)

    Figure  3.   Spatial autocorrelation analysis of soil organic matter content at different soil layers

    A1, B1, C1和D1 show Moran index (I) values at different soil layers; A2, B2, C2和D2 show the expected values (Ie) of Moran index after iteration at different soil layers

    图  4   不同土层土壤有机质含量的变异函数模拟模型

    Figure  4.   Variogram model of soil organic matter content at different soil layers

    图  5   不同土层土壤有机质含量的垂直分布特征

    Figure  5.   Vertical distribution characteristics of soil organic matter content at different soil layers

    图  6   不同湖区不同土层土壤有机质含量多重比较分析

    各图中,柱子上方的不同小写字母表示差异显著(P<0.05,Duncan’s法)

    Figure  6.   Multiple comparative analysis of soil organic matter content at different soil layers of different lake areas

    In each figure, different lowercase letters on bars indicate significant differences(P<0.05, Duncan’s test)

    表  1   不同土层土壤有机质含量统计特征值

    Table  1   Statistical characteristic values of soil organic matter content at different soil layers

    土层/cm
    Soil layer
    w(有机质)/ (g·kg−1) Organic matter content 统计特征值 Statistical characteristic value
    最小值
    Min.
    最大值
    Max.
    平均值
    Average
    标准差
    Standard deviation
    方差
    Variance
    变异系数/%
    Coefficient of variation
    偏度
    Skewness
    峰度
    Kurtosis
    P
    0~20 0.41 35.15 8.72 6.31 39.87 72.39 1.50 3.88 0.168
    20~40 0.28 25.68 6.36 4.95 24.51 77.84 1.54 3.71 0.341
    40~60 0.19 13.20 5.12 3.18 10.10 62.11 0.58 −0.17 0.837
    60~80 0.33 15.23 5.30 3.39 11.48 63.93 0.77 0.73 0.646
    下载: 导出CSV

    表  2   各土层土壤有机质含量变异函数模型参数

    Table  2   Variogram model parameters of soil organic matter content at different soil layers

    土层/cm
    Soil layer
    变异函数模型类型
    Variogram model
    块金值(C0)
    Nugget
    基台值(C0+C)
    Sill
    变程/m
    Range
    C0/(C0+C)
    Nugget/Sill
    决定系数(R2)
    Coefficient of determination
    0~20 球状模型 Spherical model 1.30 38.96 1 510.00 0.033 0.177
    20~40 球状模型 Spherical model 1.08 24.22 1 250.00 0.045 0.061
    40~60 高斯模型 Gaussian model 4.23 9.91 7 170.69 0.427 0.661
    60~80 指数模型 Exponential model 5.32 12.68 39 660.00 0.420 0.413
    下载: 导出CSV
  • [1] 袁晓宇, 海春兴, 刘广通. 阴山北麓不同用地土壤有机质含量对抗风蚀的作用研究[J]. 水土保持研究, 2007, 14(6): 302-304.
    [2] 毛丽, 苏志珠, 王国玲, 等. 毛乌素沙地不同土地利用类型的土壤粒度及有机质特征[J]. 干旱区研究, 2019, 36(3): 589-598.
    [3] 张枝枝, 张福平, 燕玉超, 等. 渭河两岸缓冲带的土壤有机质含量分布特征及其影响因子[J]. 土壤, 2017, 49(2): 393-399.
    [4] 曹智, 闵庆文, 刘某承, 等. 基于生态系统服务的生态承载力: 概念、内涵与评估模型及应用[J]. 自然资源学报, 2015, 30(1): 1-11.
    [5] 陈春燕, 杜兴瑞, 李晓莉, 等. 基于GIS的九寨沟县域土壤养分空间变异特征[J]. 湖北农业科学, 2015, 54(21): 5277-5280.
    [6] 赵明松, 张甘霖, 李德成, 等. 江苏省土壤有机质变异及其主要影响因素[J]. 生态学报, 2013, 33(16): 5058-5066.
    [7] 乔蕻强, 程文仕, 程东林. 等. 基于DPSIR模型的土地整治规划环境影响评价[J]. 水土保持通报, 2017, 37(2): 308-312.
    [8] 徐小锋, 宋长春. 全球碳循环研究中“碳失汇”研究进展[J]. 中国科学院研究生院学报, 2004, 21(2): 145-152.
    [9] 李晓燕, 张树文, 王宗明, 等. 吉林省德惠市土壤特性空间变异特征与格局[J]. 地理学报, 2004, 59(6): 989-997.
    [10] 徐英, 陈亚新, 史海滨, 等. 土壤水盐空间变异尺度效应的研究[J]. 农业工程学报, 2004, 20(2): 1-5.
    [11] 邵明安, 王全九, 黄明斌. 土壤物理学[M]. 北京: 高等教育出版社, 2006.
    [12] 张娜, 张栋良, 屈忠义, 等. 不同尺度下内蒙古河套灌区有机质空间变异[J]. 生态学杂志, 2016, 35(3): 630-640.
    [13] 雷咏雯, 危常州, 李俊华, 等. 不同尺度下土壤养分空间变异特征的研究[J]. 土壤, 2004, 36(4): 376-381.
    [14] 郭安廷, 崔锦霞, 许鑫, 等. 基于GIS与地统计的土壤养分空间变异研究[J]. 中国农学通报, 2018, 34(23): 72-79.
    [15] 李慧芳, 杨虎德, 郑隆举. 基于GIS技术的土壤养分时空变异研究[J]. 北方农业学报, 2016, 44(2): 77-80.
    [16] 马亚平, 魏永霞. 基于Matlab和地统计学的土壤有机质空间变异研究[J]. 东北农业大学学报, 2010, 41(2): 70-72.
    [17] 孙强, 曾维华, 沈珍瑶, 等. 基于地统计学方法的泾河流域降水空间变异规律研究[J]. 干旱区资源与环境, 2004, 18(5): 47-51.
    [18] 王政权. 地质统计学及在生态学中的应用[M]. 北京: 科学出版社, 1999.
    [19] 王合玲, 张辉国, 秦璐, 等. 新疆艾比湖流域土壤有机质的空间分布特征及其影响因素[J]. 生态学报, 2012, 32(16): 4969-4980.
    [20] 王述潮, 马鸣. 新疆克拉玛依市玛依湖区的鸟类多样性[J]. 湿地科学, 2019, 17(2): 172-178.
    [21] 赵雲泰, 黄贤金, 钟太洋, 等. 1999—2007 年中国能源消费碳排放强度空间演变特征[J]. 环境科学, 2011, 32(11): 3145-3152.
    [22] 陈思明, 王宁, 秦艳芳, 等. 河口湿地不同土层有机质的水平异质性与自相关性[J]. 生态学杂志, 2019, 38(9): 2805-2812.
    [23] 刘迁迁, 苏里坦, 刘广明, 等. 伊犁河谷察南灌区土壤盐分空间变异研究[J]. 干旱区研究, 2017, 34(5): 980-985.
    [24] 焦德志, 于欣宇, 王昱深, 等. 扎龙湿地芦苇分株生态可塑性及其对土壤因子的响应[J]. 生态学报, 2019, 39(11): 4149-4157.
    [25] 周倩倩, 丁建丽, 唐梦迎, 等. 干旱区典型绿洲土壤有机质的反演及影响因素研究[J]. 土壤学报, 2018, 55(2): 313-324.
    [26] 张海欧, 王欢元, 孙婴婴. 毛乌素沙地玉米不同种植年限砒砂岩与沙复配土壤有机质与全氮的关系[J]. 水土保持通报, 2019, 39(2): 242-245.
    [27] 鲍丽然, 周皎, 李瑜, 等. 渝西北土壤有机质空间变异及影响因素分析[J]. 西南农业学报, 2017, 30(11): 2541-2547.
    [28] 杜佩颖, 张海涛, 郭龙, 等. 平原丘陵过渡区土壤有机质空间变异及其影响因素[J]. 土壤学报, 2018, 55(5): 1286-1295.
    [29] 董莉丽, 杨波, 李晓华, 等. 陕西省土壤有机质含量及其与影响因素的关系[J]. 水土保持通报, 2017, 37(4): 85-91.
  • 期刊类型引用(19)

    1. 钱卫星,郑东. 动态环境监测系统的设计. 集成电路应用. 2024(03): 186-187 . 百度学术
    2. 陈雄,罗海波. 碳汇渔业贝类养殖监测管理系统的设计与开发. 闽江学院学报. 2024(05): 51-58 . 百度学术
    3. 罗潜,吉艺宽,李美娣. 基于STM32和ZigBee的水产养殖水质监测系统设计. 仪器仪表用户. 2023(08): 22-26 . 百度学术
    4. 杨智玲,程玮. 基于无人机遥感技术的渔业养殖池塘水质监测方法. 太原师范学院学报(自然科学版). 2023(02): 35-40 . 百度学术
    5. 余钱程,管延敏,黄温赟,韦龙,虞嘉晨. 基于STM32与树莓派的养殖水质监测无人艇系统研究. 渔业现代化. 2023(05): 33-42 . 百度学术
    6. 林盾,怀晓伟,宁睿. 面向电网基建现场的LoRa通信低功耗组网控制技术的优化设计. 自动化应用. 2023(22): 73-75 . 百度学术
    7. 杨智玲. 无人机技术在水产养殖作业通信系统中的应用. 长江信息通信. 2022(04): 1-3 . 百度学术
    8. 孔兵,余梅,乔欣. 基于LoRa无线通信的水产养殖水质监测系统设计. 滨州学院学报. 2022(02): 74-80 . 百度学术
    9. 任晓亮,施羽露,廖河庭,杨晓曦,钱信宇,郑尧,陈家长. 水产环境污染现状及治理策略. 农学学报. 2022(05): 42-46 . 百度学术
    10. 闫尉深,刘威,刘家俊,李志达. 基于无线技术的隧道积水监测系统设计. 电子设计工程. 2022(14): 137-141 . 百度学术
    11. 李阳东,漆林,笪亨融,谢洋洋. 基于物联网的近海岸水质监测平台方案设计. 海岸工程. 2022(03): 268-276 . 百度学术
    12. 康晋. 基于LoRa无线通信的工业机器人远程监控系统设计. 计算机测量与控制. 2022(09): 119-124+132 . 百度学术
    13. 肖军. 基于无线通信技术的医院信息管理系统设计. 自动化技术与应用. 2022(11): 107-111 . 百度学术
    14. 巫鹏航,王锦鹏,朱敬宾,郭来功. 基于STM32与LabVIEW的地下水压水温监测系统设计. 长春师范大学学报. 2021(04): 43-47 . 百度学术
    15. 覃伟锋,郝文杰,莫胜胜,龙应萍,蔡世媚,范嘉晨. 基于云服务的水产养殖水质监测系统. 电子制作. 2021(10): 30-32 . 百度学术
    16. 胡颖,徐轶群. 基于窄带物联网通信的海洋水质监测系统设计. 广州航海学院学报. 2021(02): 14-19 . 百度学术
    17. 谭明,曾海涛,王田. 基于无线通信的换流阀冷却塔温度监测系统设计. 电工技术. 2021(12): 8-9+12 . 百度学术
    18. 颜瑞,王震,李言浩,李哲敏,李娴. 中国农业智能传感器的应用、问题与发展. 农业大数据学报. 2021(02): 3-15 . 百度学术
    19. 尹航,廖梓渊,徐龙琴,刘双印,曹亮,郭建军. 基于ECharts的对虾产业数据可视化分析平台设计及实现. 现代农业装备. 2021(04): 7-14 . 百度学术

    其他类型引用(12)

图(6)  /  表(2)
计量
  • 文章访问数:  1186
  • HTML全文浏览量:  3
  • PDF下载量:  1203
  • 被引次数: 31
出版历程
  • 收稿日期:  2020-03-07
  • 网络出版日期:  2023-05-17
  • 刊出日期:  2021-01-09

目录

/

返回文章
返回