Assessment for soil nutrient content prediction model based on visible-near infrared spectroscopy in the typical regions of Guangdong Province
-
摘要:目的
可见−近红外光谱(Visible-near infrared spectroscopy，VNIRS)可以利用少量土壤样品建立预测模型，从而无损快速地预测土壤养分含量。然而，至今鲜见广东省土壤养分的VNIRS预测模型的报道。本研究旨在通过传统化学分析方法和VNIRS技术对广东典型地区的耕地土壤进行分析，构建土壤全量及速效养分含量的VNIRS预测模型，并评估利用光谱分析土壤全量和速效养分含量的可行性，为广东省土壤养分的快速检测及质量评估提供科学参考。
方法本研究采集了粤东(梅州)、粤西(湛江)、粤北(韶关)、粤西北(肇庆)和珠三角(惠州和珠海) 5个地区共514份耕地土壤样品，测量样品有机质、全氮、可溶性有机碳、碱解氮和速效磷含量，同时利用VNIRS在400~2490 nm波长范围内探明其全光谱特征，筛选定标样品，结合偏最小二乘法和主成分分析，建立预测模型，并在此基础上进行反向验证，评估模型的可行性。
结果各地区土壤有机质、全氮、可溶性有机碳、碱解氮和速效磷含量及光谱特征均存在显著差异。有机质和全氮的定标预测模型效果较好，其中，粤西北地区的有机质定标相关系数达到0.831 1，珠三角地区的全氮定标相关系数达到0.789 8；可溶性有机碳、碱解氮和速效磷的预测模型效果在地区间差异较大，粤西北和珠三角地区碱解氮和速效磷的定标效果远优于其他地区。反向验证结果表明，有机质和全氮的预测值与实测值具有较好的相关性，决定系数(R2)最高分别达到0.69和0.65；粤西北和珠三角地区碱解氮的反向验证结果也较好，R2达到0.63和0.62；而可溶性有机碳和速效磷的反向验证结果总体较差。
结论VNIRS技术能够区分省域内不同地区的土壤来源，可以作为未来土壤分类和土壤质量调查的重要评价指标。VNIRS技术能够较好地直接预测耕地土壤有机质和全氮含量，对可溶性有机碳、碱解氮、速效磷含量的预测存在明显元素差别和地区差异，今后需进一步筛选光谱范围或采用更优方式构建模型。
Abstract:ObjectiveVisible-near-infrared spectroscopy (VNIRS) can non-invasively and rapidly predict soil nutrient contents based on models developed using data of some representative soil samples, but soil nutrient content prediction models for different regions of Guangdong Province are still lacking. In this study, representative agricultural soil samples were collected from Guangdong Province, and models were developed based on the traditional soil chemical analyses and VNIRS spectral signatures. The objective was to assess the predictive ability of the models for soil total and available nutrients so as to provide a scientific basis for rapid soil nutrient content estimation and soil quality evaluation in Guangdong Province.
MethodA total of 514 representative soil samples were collected from the east (Meizhou), west (Zhanjiang), north (Shaoguan), and northwest regions (Zhaoqing) and the Pearl River Delta (Huizhou and Zhuhai) in Guangdong Province, and the contents of soil organic matter, total nitrogen, dissolved organic carbon, available nitrogen, and available phosphorus were analyzed. In addition, the VNIRS spectral signatures of soil samples were obtained between 400 and 2 490 nm. Models were developed and calibrated using partial least squares regression combined with principal component analysis, and the models were reversely validated and assessed for their predictive abilities.
ResultThere were significant differences in the contents of soil organic matter, total nitrogen, dissolved organic carbon, available nitrogen and available phosphorus and VNIRS spectral signatures among the soils from different regions. The models for soil organic matter and total nitrogen showed good prediction performances, with validation determination coefficients of 0.831 1 for soil organic matter in the northwest region and 0.789 8 for total nitrogen in the Pearl River Delta. The models for dissolved organic carbon, available nitrogen, and available phosphorus showed very different prediction performances among regions, with much better performances for available nitrogen and available phosphorus in the northwest region and Pearl River Delta compared with other regions. Model validation showed good correlations between the predicted and measured values of soil organic matter and total nitrogen, with the highest coefficients of determination (R2) being up to 0.69 and 0.65, respectively. The predicted and measured values of available nitrogen in the northwest region and Pearl River Delta also showed good correlations, with R2 of 0.63 and 0.62, respectively. However, model validation showed generally poor correlations between the predicted and measured values of dissolved organic carbon and available phosphorus.
ConclusionVNIRS technology can predict soil organic matter and nutrient contents to differentiate soils from different regions at the provincial scale. Soil VNIRS spectral signature can be used as an important index for soil classification and soil quality evaluation. VNIRS technology shows good performance in the predictions of soil organic matter and total nitrogen contents, but its performance in the predictions of dissolved organic carbon, available nitrogen, and available phosphorus contents is element- and region-dependent. Therefore, future efforts should be focused on spectral range selection and model optimization.
-
动物的采食行为是维持机体能量稳态的基础，畜禽生产中获得充足的食物是其生长发育的前提。动物采食量受中枢调控，其中胃肠道状态是决定畜禽食欲的关键部位。揭示饥饿状态下鸡食欲调控的潜在肠−脑轴机制可为如何提高鸡采食量提供理论依据。下丘脑弓状核作为食欲调控中枢[1-2]存在大量的促采食的刺鼠相关蛋白(Agouti-related protein，AgRP)/神经肽 Y(Neuropeptide Y，NPY)神经元和抑采食的前阿片黑色皮质素(Proopiomelanocortin，POMC)/可卡因−苯丙胺调节转录肽(Cocaine and amphetamine regulated transcript，CART)神经元[3-6]。影响动物食欲的因素有很多，遗传、环境因素、机体健康以及肠道充盈状态等均能影响动物采食量[7]。其中胃肠道作为营养物质暂时储存和消化吸收的关键部位，存在大量食欲调控信号[8]。这些食欲调控信号一方面通过血液循环被中枢所感应[2, 9]，另一方面被肠道迷走感觉传入神经元直接感应，经脑干孤束核最终将信号投递至食欲调控中枢，肠道和中枢间的这种信息传递被称为“肠−脑轴” [8, 10]。肠道迷走感觉神经作为假单极双向神经元，位于结状神经节处的胞体分别向中枢孤束核和肠道发出轴突，其中肠道迷走神经末梢存在多种受体感应肠道各种理化信号，例如游离脂肪酸受体2 (FFAR2)、生长激素促分泌素受体(GHSR)、胆囊收缩素受体(CCKR)，以及炎症受体TLR4等 [10-12]。
肠道健康对机体维持高食欲具有重要作用，维持肠道平衡可以维持机体正常食欲，反之肠道菌群紊乱等原因导致肠道健康受损则会引起采食量降低[13-14]，而肠道屏障是肠道发挥其正常生物学功能的重要前提[15-16]，肠道黏膜屏障包括肠上皮细胞及胞间连接，其中，紧密连接是肠上皮细胞间的细胞旁通路的主要屏障，闭合(Occludin)和紧密连接(Claudin)家族成员是影响其功能的主要封闭蛋白，二者与胞浆蛋白相互作用维持紧密蛋白的完整性[17-18]。当肠道出现炎症时，会导致Claudin蛋白结构变化，进而引起肠道屏障功能性障碍，并且受致病菌侵害也会导致肠道屏障通透性增加[19]；动物炎症性肠病会导致肠道隐窝改变、小肠绒毛萎缩或变平以及一系列的形态学变化[20]。大量研究发现间歇性饥饿有助于维持肠道及肠道屏障的完整性[21-22]。
此外，胃肠道中上皮基质和微生物群落共调控生成活性氧，导致生成H2O2；而H2O2是维持正常细胞稳态和生理功能所必需的第二信使[23]。Miller等[24]研究发现，结肠内壁中的细胞会释放H2O2(而非氧气)来限制微生物的生长，H2O2可以协同其他物质在肠道黏膜上形成保护，防止菌群紊乱或肠道炎症对机体造成损伤，并且可以治疗肠道炎症，恢复机体正常生理功能。然而，目前并不清楚短期饥饿是否影响肠道炎症水平和屏障功能、是否被迷走感觉神经所感应。本研究旨在揭示禁食后肠道炎症水平和肠道屏障变化，以及提高食欲的潜在机制，并提供理论基础和试验依据。
1. 材料与方法
1.1 试验动物与试验设计
选用20只1日龄初生黄羽肉鸡[25-28](购于广东省清远市凤翔麻鸡发展有限公司生产基地)，试验前称体质量并排序，随后按配对随机设计的原则将体质量相近的小鼠分为2组：对照组和禁食组，每组10只黄羽肉鸡，正常饲喂饲料至5日龄并采样。采样前12 h，禁食组禁食，对照组正常采食。禁食12 h后收集小肠肠道内容物检测H2O2水平，采集黄羽肉鸡结状神经节(Nodose ganglia，NG)，检测炎症和食欲相关受体的表达；采集十二指肠、空肠和回肠及其肠道黏膜，检测黄羽肉鸡肠道形态、闭锁小带蛋白−1 (Zonula，ZO-1)、闭合蛋白 (Occludens-1，OCC)、紧密连接蛋白(Claudin-1) 以及炎症因子的表达。
1.2 测定指标与方法
1.2.1 小肠肠道内容物
分离小肠，区分十二指肠、空肠和回肠，取部分肠道轻轻挤压，将内容物收集于 2 mL 离心管中，使用过氧化氢测定试剂盒(A064-1-1，南京建成生物工程研究所)检测H2O2水平。
1.2.2 扫描电子显微镜(SEM)
取一段1 cm长的空肠，剪开后平铺，用生理盐水轻轻清洗内容物，而后修剪为5 mm边长的正方形放于保存液中，于4 ℃条件下保存。而后脱水、干燥，进行电镜扫描。
1.2.3 苏木精−伊红(HE) 染色
小肠分离后剪取约 3 cm 空肠中段放于 40 g/L 的多聚甲醛中固定，按照常规方法制作石蜡切片，HE染色，光学显微镜下拍照，然后用Image软件测取肠道绒毛长度(lv)和隐窝深度(dc)，每个切片取 3~5 个视野，取其平均值计算绒毛长度与隐窝深度比值(lv/dc)。
1.2.4 小肠黏膜及 NG 的 RNA 提取、逆转录和荧光定量PCR (q-PCR)
小肠黏膜及NG总 RNA 使用 RNA 提取试剂盒(R4130-02，广州美基生物科技有限公司)和 TRIzol 试剂提取。1 g 总 RNA 按试剂盒说明书用 4× Reverse Transcription Master Mix(EZB-RT2GQ，美国 EZBioscience 生物技术有限公司)逆转录成 cDNA。引物序列见表1，按照2× SYBR Green qPCR Master Mix(A0012-R2，美国 EZBioscience 生物技术有限公司)说明书配制反应体系：10 μL 的体系中含有 5 μL 2× Color SYBR Green qPCR Master Mix、3.6 μL dd H2O、1 μL cDNA、0.4 μL 引物工作液；使用 Applied Biosystems QuantStudio 3 实时 PCR 系统并按照以下程序反应：95 ℃预热 5 min；95 ℃ 10 s，60 ℃ 30 s，循环 40 次。根据对照组 β-actin mRNA 表达进行归一化处理[15]。
表 1 实时荧光定量PCR所用引物Table 1. Primers used for quantitative real-time PCR基因
Gene上游引物序列(5′→3′)
Forward primer sequence下游引物序列(5′→3′)
Reverse primer sequence序列号
Accession numberβ-actin CTGTGCCCATCTATGAAGGCTA ATTTCTCTCTCGGCTGTGGTG L08165 AgRP CTCTTCCCAGGCCAGACTTG GCAGAAGGCGTTGAAGAACC XM_046925680.1 CCKAR AGCTCTTCTGCCAACCTGAT GTGTAGGACAGCAGGTGGAT NM_001081501.2 Claudin-1 TGGAGGATGACCAGGTGAAG TGTGAAAGGGTCATAGAAGG NM_001013611.2 CART CGAGAGAAGGAGCTGATCGA AGAAAGGAGTTGCACGAGGT XM_046937244.1 FFAR2 GCACTCTCTTTATGGCTGCC GGATTCCCTGGTCTTGGTCA XM_040693461.2 IL-1 CCTCCTCCAGCCAGAAAGTG CGGTAGAAGATGAAGCGGGT XM_015297469.3 IL-4 CCCCAGGTGTAGGCTCTAGT ACTCTGTCATTGCTGCTCCC XM_040683457.2 IL-6 ACCCGAGCTCTTTGGTGATG CGTGCCCTCTGTTTGTACCT XM_025143427.3 IL-10 GCTGCCAAGCCCTGTT CCTCAAACTTCACCCTCA NM_001004414.4 GHSR ATTAGTGCTGGCCCCATCTT CGGACCGATGTTCTTCCTCT XM_046923539.1 MC4R AGGGGTCATCATCACATGCA GATGGCCCCTTTCATGTTGG NM_001031514.2 NPY GTGCTGACTTTCGCCTTGTC ATCTCTGCCTGGTGATGAGG NM_205473.2 Occludin TGGAGGAGTGGGTGAAGAAC ATCCTTCCCCTTCTCCTCCT XM_046904540.1 POMC AGAGGAAGGCGAGGAGGAAA GTAGGCGCTTTTGACGATGG XM_046914234.1 TLR-4 GGCTCAACCTCACGTTGGTA AGTCCGTTCTGAAATCCCGT NM_001030693.2 TNF-α TTCTATGACCGCCCAGTT CAGAGCATCCAACGCAAAA XM_046920820.1 NPY2R GGCCATCATCTCCTATGCCT GGAAGCCAACTGACAGCAAA NM_001398092.1 ZO-1 TCATCCTTACCGCCGCATAT GTTGACTGCTCGTACTCCCT XM_046925214.1 1.3 数据统计与分析
所有数据均以平均值±标准误差(Mean±SE)表示。用GraphPad Prism 8.0 软件进行统计分析。采用 t 检验对2组均值进行差异显著性分析。
2. 结果与分析
2.1 禁食后下丘脑内食欲肽相关受体表达变化
通过 q-PCR 检测下丘脑内食欲肽相关基因表达，结果发现，与对照组相比，雏鸡禁食12 h后促采食食欲肽基因AgRP (P<0.05)和 NPY (P<0.01)的 mRNA 相对表达量均显著上调(图1)，提示雏鸡饥饿模型构建成功。
![图 1 黄羽肉鸡禁食12 h后下丘脑内食欲肽相关受体表达的变化]()
图 1 黄羽肉鸡禁食12 h后下丘脑内食欲肽相关受体表达的变化“*”和“**”分别表示差异达到 0.05和0.01的显著水平(t检验)Figure 1. Expression changes of orexin-related receptors in hypothalamus of yellow-feathered broilers after 12 h of fasting“*” and “**” indicate that the difference reaches 0.05 and 0.01 significance levels respectively (t test)2.2 禁食对黄羽肉鸡空肠肠道形态的影响
空肠肠绒毛电镜扫描及分析结果如图2A、3A、3B 所示，观察发现雏鸡禁食12 h 后，同对照组相比空肠肠绒毛表面更加完整，单位面积内绒毛总数更多、受损更少并且排列更加整齐。空肠 HE 染色及分析结果如图2B、3C、3D 所示，与正常采食的雏鸡相比，禁食后雏鸡的隐窝深度和lv／dc均无明显变化，但是对照组绒毛有明显损伤，而禁食组绒毛排列整齐、长度更长。
![图 2 黄羽肉鸡禁食12 h对空肠肠道绒毛形态的影响]()
图 2 黄羽肉鸡禁食12 h对空肠肠道绒毛形态的影响Figure 2. Effects of fasting for 12 h on jejunum intestinal villus morphology of yellow-feathered broilers![图 3 黄羽肉鸡禁食12 h后空肠肠道绒毛形态变化的电镜扫描结果(A、B)和HE 染色结果(C、D)统计]()
图 3 黄羽肉鸡禁食12 h后空肠肠道绒毛形态变化的电镜扫描结果(A、B)和HE 染色结果(C、D)统计Ⅰ：对照组，Ⅱ：禁食组；“*”和“**”分别表示差异达到 0.05和0.01的显著水平(t检验)Figure 3. Statistics of the scanning electron microscopy results (A, B) and HE staining results (C, D) for the morphological changes of jejunum intestinal villi of yellow-feathered broilers after fasting for 12 hⅠ: Control, Ⅱ: Fasting group; “*” and “**” indicate that the difference reaches 0.05 and 0.01 significance levels respectively (t test)2.3 禁食对黄羽肉鸡肠道屏障的影响
由图4 可知，与对照组相比，禁食12 h后雏鸡小肠黏膜中紧密蛋白标志性基因ZO-1和Occludin mRNA的相对表达量均显著上调(P<0.05)，在十二指肠中，Claudin-1 的mRNA相对表达量也显著上调(P<0.05)。
![图 4 黄羽肉鸡禁食12 h后小肠肠道黏膜紧密蛋白的mRNA相对表达量变化]()
图 4 黄羽肉鸡禁食12 h后小肠肠道黏膜紧密蛋白的mRNA相对表达量变化“*”和“**”分别表示差异达到 0.05和0.01的显著水平(t检验)Figure 4. mRNA relative expression changes of intestinal mucosal compact protein in small intestine of yellow-feathered broilers after 12 h fasting“*” and “**” indicate that the difference reaches 0.05 and 0.01 significance levels respectively (t test)2.4 禁食对黄羽肉鸡肠道炎症水平的影响
由图5可知，黄羽肉鸡禁食12 h后，与对照组相比，十二指肠、空肠和回肠黏膜上炎症因子IL-1、IL-6和TNF-α的 mRNA表达量无明显变化，但是空肠黏膜抗炎因子IL-4和IL-10的 mRNA表达量均有显著升高(P<0.01)。并且空肠和回肠内容物中H2O2浓度均有不同程度的增加(图3 D )。
![图 5 黄羽肉鸡禁食12 h后小肠炎症因子mRNA相对表达量及H2O2浓度变化]()
图 5 黄羽肉鸡禁食12 h后小肠炎症因子mRNA相对表达量及H2O2浓度变化图D中，DU：十二指肠，Anterior JE：空肠前段，Middle JE：空肠中段，Posterior JE：空肠后段，Anterior IL：回肠前段，Posterior IL：回肠后段；“*”和“**”分别表示差异达到 0.05和0.01的显著水平(t检验)Figure 5. Changes in mRNA relative expressions of intestinal inflammatory factors and H2O2 concentrations in yellow-feathered broilers after 12 h of fastingIn figure D, DU: Duodenum, Anterior JE: Anterior jejunum, Middle JE: Middle jejunum, Posterior JE: Posterior jejunum, Anterior IL: Anterior ileum , Posterior IL: Posterior ileum; “*” and “**” indicate that the difference reaches 0.05 and 0.01 significance levels respectively (t test)2.5 禁食后雏鸡NG内受体表达的变化
由图6A 可知，与对照组相比，雏鸡禁食12 h后 NG 内肠道炎症因子IL-4的受体基因IL-4R的mRNA相对表达量显著上调(P<0.01)。由图6B 可知，禁食组雏鸡NG内食欲相关受体基因的mRNA相对表达量有所增加，其中FFAR2和神经肽2受体(NPY2R)表达量增加显著(P<0.01)。
![图 6 黄羽肉鸡禁食12 h后结状神经节内炎症(A)与食欲(B)相关受体mRNA相对表达量]()
图 6 黄羽肉鸡禁食12 h后结状神经节内炎症(A)与食欲(B)相关受体mRNA相对表达量“**”表示差异达到0.01的显著水平(t检验)Figure 6. mRNA relative expression of inflammation-related (A) and orexin-related (B) receptors in nodose ganglia of yellow-feathered broilers after 12 h of fasting“**” indicates that the difference reaches 0.01 significance level (t test)3. 讨论与结论
已有研究发现，特异性激活下丘脑弓状核AgRP神经元显著提高动物采食量[29]，诱导肥胖发生[30]，而消除AgRP神经元则会导致厌食症[31]。因此，本研究首先检测了下丘脑弓状核食欲肽表达变化，结果发现短期禁食后黄羽肉鸡下丘脑 AgRP/NPY表达显著上调(P ＜ 0.05)，而POMC有下降趋势(P = 0.07)，提示黄羽肉鸡饥饿模型构建成功。
肠道健康对机体维持高食欲具有重要作用，而肠道炎症则会影响肠道代谢水平、破坏微生物平衡[32]以及肠道屏障的完整性[33]，甚至会影响中枢神经系统中神经肽的分泌，大量研究发现间歇性饥饿有助于维持肠道及肠道屏障的完整性[21-22]。据报道，胃肠道中上皮基质和微生物群落共调控生成活性氧，导致H2O2形成；而H2O2是维持正常细胞稳态和生理功能所必需的第二信使[23]。本试验通过检测小肠不同肠段内容物的H2O2浓度发现，短期禁食导致禁食组空肠和回肠内容物中H2O2浓度均有不同程度的增加，推测饥饿状态下肠道可能通过生成适量H2O2维持肠道稳定。为进一步验证这一假设，我们通过电镜扫描、HE染色以及q-PCR结果发现，短期禁食并未对肠道形态造成损伤，且由于缺少食物影响，肠道绒毛排列更加紧凑整齐。我们推测，机体短期禁食后尚未引发肠道疾病，并且在肠道饥饿状态下，因肠道营养物质缺乏，机体可能出于自我保护机制防止肠道毒素等有害因子进入机体，从而紧密连接增强，即肠道物理屏障增强，且抗炎因子的表达增加，降低空肠损伤比例，避免肠道受损，以抵抗禁食给机体带来的不良影响，维持肠道正常的生理功能，这对维持较高食欲至关重要。
大量研究报道，肠道食欲调控信号不仅可以通过血液信号被中枢所识别，还可以被肠道迷走感觉传入神经元直接感应，经肠−脑轴最终将信号投递至食欲调控中枢[10-12]。本试验结果发现，与对照组相比，雏鸡禁食12 h后结状神经节内IL-4受体基因的mRNA相对表达量显著上调，和肠道黏膜抗炎因子表达变化相对应；提示机体在饥饿状态下，可能通过提高肠道抗炎能力以及增强物理屏障来抵抗由禁食所导致的轻微炎症，维持肠道健康。
此外，结状神经节内食欲相关受体基因的mRNA相对表达量有所增加，其中FFAR2和NPY2R表达量增加显著(P ＜ 0.01)，推测黄羽肉鸡饥饿后由于AgRP和NPY表达量增加[4]，并且FFAR2和NPY2R表达增加，二者将肠道饥饿信号传递至中枢神经系统，提高动物食欲进而促进采食量增加。
综上所述，饥饿可引起肠道抗炎因子水平升高，并维持肠道屏障完整性，同时促进迷走感觉神经末梢抗炎因子受体表达，最终引起食欲增强。
-
![]()
图 1 广东省不同地区土壤养分含量的差异
NG：粤北，EG：粤东，WG：粵西，NWG：粤西北，PRD：珠三角；各小图中不同小写字母表示不同地区间差异显著(P < 0.05，Duncan’s法)
Figure 1. Differences of soil nutrient contents in different areas of Guangdong Province
NG: North Guangdong, EG: East Guangdong, WG: West Guangdong, NWG: Northwest Guangdong, PRD: Pearl River Delta; Different lowercase letters in each figure indicate significant differences among different areas (P < 0.05, Duncan’s method)
![]()
图 2 广东省各地区耕地土壤养分主成分分析
SOM：土壤有机质；DOC：可溶性有机碳；TN：全氮；AN：碱解氮；AP：速效磷
Figure 2. Principal component analyses of soil nutrients in different areas of Guangdong Province
SOM: Soil organic matter; DOC: Dissolved organic carbon; TN: Total nitrogen; AN: Available nitrogen; AP: Available phosphorus
![]()
图 3 广东省不同地区土壤养分含量实测值与VNIRS预测值的相关性
Figure 3. Correlation between measured and VNIRS predicted values of soil nutrient contents in different regions of Guangdong Province
表 1 采样区概况
Table 1 Information about sampling pots
地区
Region行政市
Administrative city样点数量
Sampling point number气候类型
Climate type土壤类型
Soil type粤北
North Guangdong韶关 100 亚热带季风气候 以红壤为主，风化程度深，富铁铝化作用明显，质地较黏重 粤东
East Guangdong梅州 102 亚热带季风气候 以赤红壤、黄壤为主 粤西
West Guangdong湛江 98 热带北缘季风气候 有赤红壤、砖红壤，土层深厚，质地黏重，呈强酸性反应，铁铝富集最为显著 粤西北
Northwest Guangdong肇庆 99 南亚热带季风气候 以赤红壤为主，农田土壤整体偏酸 珠三角
Pearl River Delta惠州 65 亚热带季风气候 有红壤、赤红壤和黄壤，以赤红壤类型分布最广，土壤呈酸性，阳离子交换量较低，矿质养分较贫乏 珠海 50 亚热带季风海洋性
气候有红壤和赤红壤，红壤面积较少，分布不广，300 m以上的丘陵台地多分布有红壤 
下载: 导出CSV
表 2 广东省各地区的土壤养分模型预测效果1)
Table 2 Prediction performance of soil nutrient models in different areas of Guangdong Province
指标
Index地区
AreaSEC RSQ SECV 1-VR 有机质
Soil organic matter粤北 4.260 2 0.662 2 5.666 3 0.406 5 粤东 10.191 2 0.476 4 11.699 5 0.337 7 粤西 3.803 4 0.837 8 7.071 8 0.595 1 粤西北 3.985 1 0.831 1 5.032 2 0.735 8 珠三角 5.057 6 0.817 2 6.123 1 0.729 5 全氮
Total nitrogen粤北 0.107 4 0.898 6 0.180 9 0.731 9 粤东 0.295 9 0.784 0 0.382 5 0.646 6 粤西 0.219 8 0.660 5 0.347 6 0.336 7 粤西北 0.245 3 0.704 7 0.310 4 0.540 2 珠三角 0.245 4 0.789 8 0.308 9 0.677 0 可溶性有机碳
Dissolved organic carbon粤北 24.437 4 0.694 1 26.896 4 0.641 1 粤东 31.206 8 0.141 4 34.763 2 0.043 9 粤西 25.987 2 0.471 5 30.433 7 0.324 5 粤西北 31.937 4 0.281 6 33.930 4 0.216 6 珠三角 27.896 4 0.132 6 30.310 7 −0.021 7 碱解氮
Available nitrogen粤北 61.912 7 0.108 7 72.340 4 −0.040 3 粤东 50.192 4 0.323 6 57.612 0 0.148 8 粤西 42.216 6 0.380 4 53.081 4 0.130 4 粤西北 19.314 8 0.731 4 25.338 4 0.536 7 珠三角 20.557 2 0.820 0 27.365 0 0.685 0 速效磷
Available phosphorus粤北 15.325 8 0.225 1 18.882 4 0.077 8 粤东 24.353 7 0.070 1 27.115 0 −0.040 5 粤西 31.471 9 0.482 7 34.417 0 0.374 3 粤西北 18.240 2 0.647 6 28.404 3 0.400 4 珠三角 28.844 6 0.694 9 35.797 0 0.546 2 1) SEC：定标标准误差；RSQ：定标相关系数；SECV：交互验证标准误差；1-VR：交叉验证相关系数
1) SEC: Standard error of calibration; RSQ: Coefficient of determination for validation; SECV: Standard error of cross validation; 1-VR: 1 minus the variance ration
下载: 导出CSV
-
[1] 赵其国, 孙波, 张桃林. 土壤质量与持续环境Ⅰ: 土壤质量的定义及评价方法[J]. 土壤, 1997(3): 113-120. [2] 张甘霖, 朱永官, 傅伯杰. 城市土壤质量演变及其生态环境效应[J]. 生态学报, 2003, 23(3): 539-546. [3] XIAO R, SU S, ZHANG Z, et al. Dynamics of soil sealing and soil landscape patterns under rapid urbanization[J]. Catena, 2013, 109: 1-12. doi: 10.1016/j.catena.2013.05.004
[4] 江恩赐, 陈林, 颜继忠, 等. 智能高光谱成像融合CARS特征波段筛选快速检测硫熏牛膝SO2含量[J]. 中国中药杂志, 2022, 47(7): 1864-1870. [5] 王巧华, 马逸霄, 付丹丹. 基于光谱技术的禽蛋内部品质无损检测研究进展[J]. 华中农业大学学报, 2021, 40(6): 220-230. [6] 宋亮, 刘善军, 虞茉莉, 等. 基于可见−近红外和热红外光谱联合分析的煤和矸石分类方法研究[J]. 光谱学与光谱分析, 2017, 37(2): 416-422. [7] BADARÓ A T, MORIMITSU F L, FERREIRA A R, et al. Identification of fiber added to semolina by near infrared (NIR) spectral techniques[J]. Food Chemistry, 2019, 289: 195-203. doi: 10.1016/j.foodchem.2019.03.057
[8] 孙园园, 蔡怡聪, 谢黎虹, 等. 近红外光谱分析技术在稻米品质测定和遗传分析中应用研究概述[J]. 中国稻米, 2016, 22(6): 1-3. [9] MENDES DE OLIVEIRA D, FONTES L M, PASQUINI C. Comparing laser induced breakdown spectroscopy, near infrared spectroscopy, and their integration for simultaneous multi-elemental determination of micro-and macronutrients in vegetable samples[J]. Analytica Chimica Acta, 2019, 1062: 28-36. doi: 10.1016/j.aca.2019.02.043
[10] ELLE O, RICHTER R, VOHLAND M, et al. Fine root lignin content is well predictable with near-infrared spectroscopy[J]. Scientific Reports, 2019, 9: 6396. doi: 10.1038/s41598-018-37186-2
[11] BELLON-MAUREL V, MCBRATNEY A. Near-infrared (NIR) and mid-infrared (MIR) spectroscopic techniques for assessing the amount of carbon stock in soils: Critical review and research perspectives[J]. Soil Biology and Biochemistry, 2011, 43(7): 1398-1410. doi: 10.1016/j.soilbio.2011.02.019
[12] 刘燕德, 熊松盛, 刘德力. 近红外光谱技术在土壤成分检测中的研究进展[J]. 光谱学与光谱分析, 2014, 34(10): 2639-2644. [13] VELASQUEZ E, LAVELLE P, BARRIOS E, et al. Evaluating soil quality in tropical agroecosystems of Colombia using NIRS[J]. Soil Biology and Biochemistry, 2005, 37(5): 889-898. doi: 10.1016/j.soilbio.2004.09.009
[14] DE SANTANA F B, DE SOUZA A M, POPPI R J. Visible and near infrared spectroscopy coupled to random forest to quantify some soil quality parameters[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2018, 191: 454-462. doi: 10.1016/j.saa.2017.10.052
[15] JOUQUET P, HENRY-DES-TUREAUX T, MATHIEU J, et al. Utilization of near infrared reflectance spectroscopy (NIRS) to quantify the impact of earthworms on soil and carbon erosion in steep slope ecosystem: A study case in Northern Vietnam[J]. Catena, 2010, 81(2): 113-116. doi: 10.1016/j.catena.2010.01.010
[16] 张欣跃, 赵玉国, 刘峰, 等. 基于可见−近红外光谱与化学属性的土壤来源地判别[J]. 土壤学报, 2019, 56(5): 1060-1071. [17] MOUAZEN A M, KUANG B, DE BAERDEMAEKER J, et al. Comparison among principal component, partial least squares and back propagation neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared spectroscopy[J]. Geoderma, 2010, 158(1/2): 23-31. doi: 10.1016/j.geoderma.2010.03.001
[18] 李伟, 张书慧, 张倩, 等. 近红外光谱法快速测定土壤碱解氮、速效磷和速效钾含量[J]. 农业工程学报, 2007, 112(1): 55-59. [19] 赵明松, 谢毅, 陆龙妹, 等. 基于高光谱特征指数的土壤有机质含量建模[J]. 土壤学报, 2021, 58(1): 42-54. [20] 陈秋宇, 杨仁敏, 朱长明. 基于 VIS-NIR 光谱的互花米草入侵湿地土壤有机碳预测研究[J]. 土壤学报, 2021, 58(3): 694-703. [21] QIAO Y, ZHANG S. Near-infrared spectroscopy technology for soil nutrients detection based on LS-SVM[C]//International Conference on Computer and Computing Technologies in Agriculture. Berlin, Heidelberg: Springer, 2012: 325-335.
[22] 陈滢伊, 司友涛, 鲍勇, 等. 隔离降雨对亚热带米槠天然林土壤可溶性有机质数量及光谱学特征的影响[J]. 应用生态学报, 2019, 30(9): 2964-2972. [23] LIU S, ZHU Y, LIU L, et al. Cation-induced coagulation of aquatic plant-derived dissolved organic matter: Investigation by EEM-PARAFAC and FT-IR spectroscopy[J]. Environmental Pollution, 2018, 234: 726-734. doi: 10.1016/j.envpol.2017.11.076
[24] 刘雪梅, 柳建设. 基于MC-UVE的土壤碱解氮和速效钾近红外光谱检测[J]. 农业机械学报, 2013, 44(3): 88-91. [25] 贾生尧, 杨祥龙, 李光, 等. 近红外光谱技术结合递归偏最小二乘算法对土壤速效磷与速效钾含量测定研究[J]. 光谱学与光谱分析, 2015, 35(9): 2516-2520. [26] 方向, 金秀, 朱娟娟, 等. 基于可见−近红外光谱预处理建模的土壤速效氮含量预测[J]. 浙江农业学报, 2019, 31(9): 1523-1530. [27] 汪六三, 鲁翠萍, 王儒敬, 等. 土壤碱解氮含量可见/近红外光谱预测模型优化[J]. 发光学报, 2018, 39(7): 1016-1023. [28] 何电源. 华南热带土壤养分含量状态及肥力评价[J]. 土壤学报, 1983, 20(2): 154-166. [29] 孟鑫鑫, 于雷, 周勇, 等. 基于可见近红外和中红外近地面光谱数据融合的土壤有机碳含量反演[J]. 土壤通报, 2022, 53(2): 301-307. [30] SHI Z, WANG Q L, PENG J, et al. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations[J]. Science China Earth Sciences, 2014, 57(7): 1671-1680. doi: 10.1007/s11430-013-4808-x
[31] TZIOLAS N, TSAKIRIDIS N, OGEN Y, et al. An integrated methodology using open soil spectral libraries and Earth Observation data for soil organic carbon estimations in support of soil-related SDGs[J]. Remote Sensing of Environment, 2020, 244: 111793. doi: 10.1016/j.rse.2020.111793
[32] 鲁如坤. 土壤农业化学分析方法[M]. 北京: 中国农业科技出版社, 1999: 146-191. [33] 刘磊, 沈润平, 丁国香. 基于高光谱的土壤有机质含量估算研究[J]. 光谱学与光谱分析, 2011, 31(3): 762-766. [34] 张雪莲, 李晓娜, 武菊英, 等. 不同类型土壤总氮的近红外光谱技术测定研究[J]. 光谱学与光谱分析, 2010, 30(4): 906-910. [35] 王昶. 近红外光谱快速评估土壤和有机肥质量研究[D]. 南京: 南京农业大学, 2014. [36] BEN-DOR E, HELLER D, CHUDNOVSKY A. A novel method of classifying soil profiles in the field using optical means[J]. Soil Science Society of America Journal, 2008, 72(4): 1113-1123. doi: 10.2136/sssaj2006.0059
[37] 曾招兵, 曾思坚, 汤建东, 等. 广东省耕地土壤有效磷时空变化特征及影响因素分析[J]. 生态环境学报, 2014, 23(3): 444-451. [38] 王文俊, 李志伟, 王璨, 等. 高光谱成像的褐土土壤速效钾含量预测[J]. 光谱学与光谱分析, 2019, 39(5): 1579-1585.
