Effects of biochar and Fe-modified biochar on acid buffering capacity and organic carbon fractions of lateritic red soil
-
摘要:目的
赤红壤是我国华南地区广泛分布的酸性土壤类型，持续酸化影响其土壤理化性质和生物特征，不利于土壤功能的维持和有机碳的积累与储存。生物炭添加是一种潜在有效的酸化土壤修复措施，本研究旨在探究生物炭和铁改性生物炭对赤红壤酸缓冲性和有机碳组分的影响，以期为酸性土壤改良和土壤固碳增汇提供科学依据。
方法以赤红壤为对象，添加不同温度(300、450和600 ℃)制备的水稻秸秆生物炭和铁改性水稻秸秆生物炭，通过测定土壤pH、酸缓冲容量、总有机碳含量、团聚体有机碳含量以及溶解性有机碳含量等指标，分析生物炭添加对土壤酸缓冲性和有机碳组分的影响。
结果相比于对照，600 ℃制备的铁改性生物炭显著提升土壤pH 14.7%和总有机碳含量160.5%，而450 ℃制备的铁改性生物炭则将酸缓冲容量提高11.6%。制备温度和生物炭铁改性处理不同程度地提升不同粒径土壤团聚体有机碳含量，其中对0.054~0.250 mm团聚体土壤有机碳含量的提升比例(178.88%)最高。铁改性处理趋于降低土壤溶解性有机碳中的胺类物质、疏水性碳和芳香族有机物等组分含量和芳构化程度
结论生物炭的添加能够显著提升赤红壤的酸缓冲能力和碳储存能力，但提升效果受生物炭制备温度和改性处理影响。
Abstract:ObjectiveLateritic red soil is a kind of acidic soil that covers a considerable proportion of the land in south China. Continuous soil acidification affects its physical and chemical property as well as biological characteristic, which is adverse to the maintenance of soil function as well as the accumulation and storage of soil organic carbon. Biochar addition could potentially remedy the acidified soils effectively. This study was aimed to explore the impacts of biochar and Fe-modified biochar on the acid buffering capacity and organic carbon fractions of lateritic red soil, in order to provide a scientific basis for acid soil improvement and soil carbon sequestration and enhancement.
MethodThis study focused on lateritic red soil as the research subject, with the addition of rice straw biochar and Fe-modified rice straw biochar prepared at different temperatures (300, 450, and 600 ℃). By measuring indicators such as soil pH, acid buffering capacity, total organic carbon content, aggregate organic carbon content, and dissolved organic carbon content, the effects of biochar addition on soil acid buffering capacity and organic carbon components were analyzed.
ResultRelative to the control group , the addition of Fe-modified biochar prepared at 600 ℃ significantly increased soil pH by 14.7% and total organic carbon content by 160.5%, while that at 450 ℃ resulted in an increase in acid buffering capacity of 11.6%. Temperature and Fe-modification treatments enhanced the organic carbon contents of soil aggregates with different particle sizes in different degrees, with the greatest increase of 207.11% observed in the 0.054−0.250 mm soil aggregate. Fe-modification tended to reduce amines, hydrophobic carbon, aromatic organic matter contents, and the degree of aromaticity of soildissolved organic carbon.
ConclusionBiochar addition can significantly improve lateritic soil acid buffering and carbon sequestration capacity. However, these improvement effects are influenced by biochar preparation temperature and modification treatment.
-
Keywords:
- Soil /
- Acid buffering capacity /
- Biochar /
- Soil remediation /
- Soil organic carbon
-
沙糖橘是我国岭南地区的重要水果，需要优质的种植地和高质量的栽培管理保证产量和口感。为了确保当地农村的支柱产业有效平稳地发展，需要对沙糖橘的果树长势进行监测。提取果园中的沙糖橘果树对分析植被分布影响因素和评价果树生长环境有重要意义。
无人机作业灵活，作业效率高，影像分辨率高，与传统卫星遥感影像和人工地面采集数字影像方法形成互补趋势，在各领域的遥感监测中发挥重要作用[1-4]。国内外学者基于无人机遥感影像技术和植被指数模型对植被信息的提取进行了大量研究。Xu等[5]利用无人机平台收集农田的可见光遥感图像，监测和提取耕地的可见光植被指数获取其面积、形状和地理位置信息；Choi等[6]运用固定翼无人机获取多光谱图像，建立沙丘的植被指数模型，对沙丘的部分植被覆盖进行估算；Zhang等[7]统计分析得到9种可见光植被指数与玉米、棉花、甘蔗和水稻4种植被覆盖度之间的关系，发现每种作物对应的最佳植被指数不一定相同，对应的植被覆盖度模型准确度也不相同；高永平等[8]通过无人机获取荒漠区的可见光图像，建立植被指数与植被覆盖度的关系模型，成功以高精度提取荒漠区中的植被。
上述研究的共同点是通过无人机遥感获取可见光图像，利用一种或几种可见光植被指数提取植被信息。遥感图像不仅包含光谱特征，还具有空间特征和纹理特征。本研究运用无人机影像，结合空间特征中的高度模型与6种可见光植被指数模型，对沙糖橘果树的提取精度进行对比分析，以期获得一种简单、方便、有效的沙糖橘植被提取方法，扩大无人机遥感技术在果园中的应用，为我国果园果树的监测提供参考。
1. 材料与方法
1.1 无人机影像数据的获取
研究地点位于广东省肇庆市四会市果园(23°36′N，112°68′E)，亚热带季风气候，雨热充足，适合沙糖橘的生长。试验地概况如图1所示。
试验采集平台为深圳大疆精灵4无人机，配备6.17 mm×4.55 mm的2 000万像素CMOS传感器，无需在特定的场地起飞与降落，可在空中长时间悬停，配备的RTK和六向视觉传感器使飞行更加安全稳定。试验数据采集于2020年6月2日，如图2所示，飞行高度为100 m，巡航速度为20 km/h，飞行航线的旁向和航向重叠度均为80%，单次采集320张RGB图像，图像分辨率为5 472像素×3 648像素，地面分辨率为3.66 cm。通过Pix4DMapper软件对图像进行拼接，获得试验地的正射图像和数字表面模型(Digital surface model)，如图3所示。
1.2 果树植被覆盖度的提取方法
1.2.1 植被指数的选取
遥感领域中使用大量的植被指数评价植被覆盖度及生长情况，但目前基于可见光波段的植被指数相对较少。本研究参考目前研究相对较多且精度较高的可见光植被指数，选取了6种植被指数：超红指数(Excess red index)[9]、超绿指数(Excess green index)[10]、超蓝指数(Excess blue index)[11]、可见光波段差异植被指数(Visible band differential vegetation index)[5]、红绿比指数(Red-green ratio index)[12]、蓝绿比指数(Blue-green ratio index)[13]。这6种植被指数的计算公式和理论区间如表1所示。
表 1 可见光植被指数Table 1. Vegetation indexes based on visible spectrum植被指数 Vegetation index 表达式1) Equation 理论区间 Theory interval 超红指数 Excess red index $1.4R - G$ [−255, 357] 超绿指数 Excess green index $2G - R - B$ [−255, 510] 超蓝指数 Excess blue index $1.4B - G$ [−255, 357] 可见光波段差异植被指数 Visible band differential vegetation index $\dfrac{ {2G - R - B} }{ {2G + R + B} }$ [−1, 1] 红绿比指数 Red-green ratio index $\dfrac{R}{G}$ [−1, 1] 蓝绿比指数 Blue-green ratio index $\dfrac{B}{G}$ [−1, 1] 1) R：红光波段，G：绿光波段，B：蓝光波段
1) R: Red light wave band, G: Green light wave band, B: Blue light wave band1.2.2 阈值的确定和植被信息的提取
基于无人机遥感图像的植被提取的关键在于选取合适的阈值区分植被和非植被，本研究选取双峰阈值法提取沙糖橘果树和非果树。双峰阈值法通常是选取2种地物，生成具有2个明显波峰的直方图。这2个波峰分别对应所选对象较多数目的像元，波峰之间的波谷则对应所选对象边缘相对较少数目的像元，一般选择两峰之间的最低点或者交点作为最佳阈值[14-15]，示意图如图4所示。果树与非果树的直方图具有明显的双峰性质，因此该方法可以呈现较好的分割效果。
利用遥感信息提取植被的方法中，面向对象的分类技术是将集合临近像元作为对象，识别感兴趣的光谱元素来提高分类结果的精度或者实现矢量输出，此法充分利用多光谱数据的空间、纹理和光谱信息进行分割和分类[16]。本研究通过基于规则的面向对象分类方法，根据其空间特征和光谱特征对对象进行分类，克服像元层次分类中的不足，具有良好的平滑性和较高的分类精度[17]。采用此分类方法从光谱和形状2个方面刻画果树和非果树像元，通过ENVI软件设定、提前统计完成的阈值规则，对上述6种植被指数模型进行果树与非果树的分类，能够有效地提供对象的几何和拓扑信息，更精准地提取出果树。
1.2.3 数字表面模型中的植被信息提取
可见光植被指数主要反映植被在可见光下反射与土壤背景之间的差异，在一定条件下可定量说明植被的生长情况。但是仅根据植被的光谱特性对植被进行提取，很难有效地解决同谱异物与同物异谱的问题，从而造成错分漏分且分类精度低。数字表面模型包含了地表果树和非果树等高度的地面高程模型，涵盖了除去地面以外的其他地表信息的高程，可以最真实地表达果园地面的起伏情况，如图5所示。数字表面模型有益于区分果园中果树和草地这2类色调相类似的地物。
本文拟将6种可见光植被指数计算结果图像与数字表面模型进行融合，加入果树与非果树的高程信息，使用基于规则的面向对象分类方法进行果树的提取，并将得到的分类精度与使用单一可见光植被指数的植被提取精度进行对比。
1.2.4 植被信息提取结果的评价方法
目前较为常用的植被提取评价方法是通过人机交互的方式，利用感兴趣区域把试验地块分为植被像元和非植被像元，结合地面调查数据和图像真实状态进行目视解译。此法受人力物力等条件的限制，不适合作为复杂大区域下的植被指数覆盖度提取精度评价。本研究使用混淆矩阵进行准确性评价，该矩阵是评估分类模型精度的一种可视化显示工具，通过目视判读的方法在遥感图像上各选取60个果树与非果树区域作为验证样本，样本的采样遵循随机原则，确保选择每个单个样本的概率完全相同。将每个实测像元的位置和分类与图像中相应的位置和分类相比较获得分类精度，并根据以下公式计算Kappa系数(K)。
$${p_{_0}} = \frac{{{a_{11}} + {a_{22}} + {a_{33}} + \cdots + {a_{nn}}}}{N},$$ (1) $$ {p_{\rm{e}}} = \frac{{{a_1}{b_1} + {a_2}{b_2} + {a_3}{b_3} + \cdots + {a_n}{b_n}}}{{N^2}}, $$ (2) $$ K = \frac{{{p_{_0}} - {p_{\rm{e}}}}}{{1 - {p_{\rm{e}}}}}, $$ (3) 式中，
${p_{_0}} $ 是总体分类精度，pe是机遇一致性，n是混淆矩阵方程的阶，N是样本总数，anbn是列(行)中所有值的总和。2. 结果与分析
2.1 可见光植被指数的计算与分析
以无人机采集的遥感影像作为数据源，根据表1的公式分别计算各可见光的植被指数，植被和非植被可以清晰地呈现，计算结果如图6所示。
![]()
图 6 6种可见光植被指数计算结果Figure 6. Calculation results of six visible light vegetation indexes为了更好地对比这6种可见光植被指数的提取结果，本研究只提取果树，将地物分为果树和非果树，每种地物选取100个感兴趣区域进行统计，并统计特征值。由表2可知，这6种可见光植被指数在植被信息和非植被信息之间差异较大，无重叠交叉部分，对于利用可见光进行植被信息识别具有较好的效果。
表 2 基于感兴趣区域的6种可见光植被指数的统计值Table 2. Statistics of six visible light vegetation indexes based on region of interest植被指数
Vegetation index果树 Fruit tree 非果树 Non fruit tree 平均值
Mean标准差
Standard deviation平均值
Mean标准差
Standard deviation超红指数 Excess red index −27.293 4 11.959 8 46.642 1 30.383 9 超绿指数 Excess green index 115.230 7 25.873 2 9.023 5 18.045 8 超蓝指数 Excess blue index −39.266 7 15.487 6 44.257 4 28.460 9 可见光波段差异植被指数 Visible band differential vegetation index 0.339 2 0.087 9 0.021 8 0.046 3 红绿比指数 Red-green ratio index 0.532 7 0.097 3 0.960 9 0.119 6 蓝绿比指数 Blue-green ratio index 0.466 5 0.104 1 0.960 5 0.130 6 2.2 植被信息提取与精度评价
为获取通过这6种可见光植被指数进行植被信息提取时的阈值，本研究通过ENVI软件统计分析沙糖橘果树与非果树的直方图。本研究试验时天气晴朗，忽略天气因素对图像处理结果的影响。从图7可知，6种可见光植被指数的直方图呈明显的双峰分布，表明相对应的地物区分性较强，适合可见光波段植被信息的提取，并且果树像元与非果树像元的峰值相差较大，在图像中易于选择合适的数值作为分割阈值。
![]()
图 7 6种可见光植被指数统计直方图Figure 7. Statistical histograms of six visible light vegetation indexes根据确定的阈值，利用基于规则的面向对象分类方法，设定阈值规则，进行植被信息的提取，得到6种可见光植被指数对应的植被分类提取结果。以无人机遥感图像作为数据源，根据目视判读在图像上选取60个果树和60个非果树的验证样本，将分类结果当作真值，分别对这2种地物的分类结果计算混淆矩阵，得到各可见光植被指数的提取精度评价(表3)。6 种可见光植被指数对应的植被分类提取结果如图8所示。从表3和图8可以看出，果树的提取精度均在99%以上，提取精度较好；非果树的提取精度较低，主要原因是非果树区域的草地部分色调与果树相似，易导致将草地分为果树，造成错分现象。
表 3 6种可见光植被指数的植被提取精度评价Table 3. Accuracy assessments of vegetation extraction for six visible light vegetation indexes植被指数
Vegetation index阈值
Threshold精度/% Accuracy Kappa系数(K)
Kappa coefficient果树
Fruit tree非果树
Non fruit tree总体
Total超红指数 Excess red index −1.886 99.78 90.63 95.18 0.903 6 超绿指数 Excess green index 50.000 99.68 87.58 93.60 0.872 0 超蓝指数 Excess blue index −4.675 99.77 94.62 97.18 0.943 6 可见光波段差异植被指数
Visible band differential vegetation index0.133 99.98 88.28 94.10 0.882 0 红绿比指数 Red-green ratio index 0.724 99.84 89.25 94.52 0.890 4 蓝绿比指数 Blue-green ratio index 0.682 99.79 91.40 95.57 0.911 4 ![]()
图 8 6种可见光植被指数的植被信息提取结果绿色部分代表果树，灰色部分代表非果树Figure 8. Vegetation extraction results of six visible light vegetation indexesThe green part indicates fruit tree, the gray part indicates non fruit tree2.3 结合数字表面模型的提取与精度评价
基于“2.2”的提取结果和提取精度，非果树区域中的草地部分被错分成了果树，导致非果树的提取精度和总精度降低。在数字表面模型中，沙糖橘果树和其他地物的高度具有较大差异，可以清晰地呈现出不同的亮度值。因此，我们将数字表面模型和上述6种可见光植被指数进行波段融合，提高草地的提取精度和提取结果的总精度。
同样利用基于规则的面向对象分类方法，对融合后的波段进行植被信息的提取，得到结合数字表面模型的6种可见光植被指数对应的植被分类提取结果，如图9所示。依然使用60个果树和60个非果树的验证样本，将分类结果当作真值，分别对这2种地物的分类结果计算混淆矩阵，得到融合波段各植被指数的提取精度评价，结果如表4所示。6种结合后的植被指数混淆矩阵中，总体分类精度分别为98.77%、97.27%、97.44%、97.67%、97.84%和97.84%，相较于对应的未结合数字表面模型的植被指数精度均有小幅度提升；非果树的提取精度分别提高了8.22%、8.77%、0.86%、8.27%、7.97%和5.53%；表明数字表面模型与可见光植被指数图像结合适用于提高非果树的提取精度，有效抑制和果树同为绿色的草地信息，不会过多地造成错分现象。
表 4 6种可见光植被指数融合数字表面模型提取精度评价Table 4. Accuracy assessments of vegetation extraction for six visible vegetation indexes combined with digital surface model植被指数
Vegetation index精度/% Accuracy Kappa系数(K)
Kappa coefficient果树 Fruit tree 非果树 Non fruit tree 总体 Total 超红指数 Excess red index 99.46 98.08 98.77 0.956 7 超绿指数 Excess green index 99.28 95.26 97.27 0.945 4 超蓝指数 Excess blue index 99.45 95.43 97.44 0.948 9 可见光波段差异植被指数
Visible band differential vegetation index99.76 95.58 97.67 0.953 4 红绿比指数 Red-green ratio index 99.31 96.37 97.84 0.956 8 蓝绿比指数 Blue-green ratio index 99.23 96.45 97.84 0.956 8 ![]()
图 9 结合数字表面模型的6种可见光植被指数信息提取结果绿色部分代表果树，黑色部分代表非果树Figure 9. Extraction results of six visible light vegetation indexes combined with digital surface modelThe green part indicates fruit tree, the black part indicates non fruit tree3. 结论
本研究在现有的可见光植被指数的植被提取基础上，提出了结合数字表面模型中的高程信息进一步提取果树和非果树的方法。在得到可见光植被指数(超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数、蓝绿比指数)的计算图后，分析各植被指数的光谱特征和统计直方图，获得提取植被覆盖度合适的阈值，进行果树信息的提取。数字表面模型与可见光植被指数波段融合后的总体精度均大于97%，且非果树的提取精度均有所提升。超红指数与数字表面模型结合后的总精度最高，为98.77%，Kappa系数为0.956 7，植被信息提取精度不同程度地优于其他5种可见光植被指数与数字表面模型结合后的提取精度。可见光植被指数结合数字表面模型提取植被信息的方法可有效区分与果树色调相类似的地物，提高此类地物的提取精度，减少错分概率。本研究的研究对象为沙糖橘果树和非果树，下一步的研究重点是将此法推广至其他不同作物上，进一步验证其适用性。
-
![]()
图 1 酸碱缓冲曲线
X轴上的负值代表酸添加量，正值代表碱添加量。
Figure 1. Acid-base buffering curve
Negative values on the X-axis represent acid addition amount, and positive values represent alkali addition amount.
![]()
图 2 不同制备温度和改性处理生物炭添加对土壤pH的影响
各小图中，“*”表示差异显著(P<0.05，t检验)；图B中，不同小写字母表示未改性生物炭不同制备温度间差异显著，不同大写字母表示改性生物炭不同制备温度间差异显著(P<0.05，单因素方差分析)。
Figure 2. Effects of addition of biochar with different preparation temperatures and modification treatments on soil pH
In each figure “*” represents significant differences (P<0.05, t-test); In figure B, different lowercase letters indicate significant differences among different preparation temperatures of unmodified biochar, and different capital letters indicate significant differences among different preparation temperatures of modified biochar (P<0.05, one-way ANOVA).
![]()
图 3 不同制备温度和改性处理生物炭添加对土壤总有机碳含量的影响
“*”表示差异显著(P<0.05，t-检验)；图B中，不同小写字母表示未改性生物炭不同制备温度间差异显著，不同大写字母表示改性生物炭不同制备温度间差异显著(P<0.05，单因素方差分析)。
Figure 3. Effects of addition of biochar with different preparation temperatures and modification treatments on soil total organic carbon content
“*” represents significant differences (P<0.05, t-test); In figure B, different lowercase letters indicate significant differences among different preparation temperatures of unmodified biochar, and different capital letters indicate significant differences among different preparation temperatures of modified biochar (P<0.05, one-way ANOVA).
![]()
图 4 不同制备温度和改性处理生物炭添加对土壤团聚体有机碳含量的影响
“*”表示差异显著(P<0.05，t-检验)；图B、C、D中，不同小写字母表示未改性生物炭不同制备温度间差异显著，不同大写字母表示改性生物炭不同制备温度间差异显著(P< 0.05，单因素方差分析)。
Figure 4. Effects of addition of biochar with different preparation temperatures and modification treatments on soil aggregate organic carbon content
“*” represents significant difference (P<0.05, t-test); In figure B, C, D different lowercase letters indicate significant differences among different preparation temperatures of unmodified biochar, and different capital letters indicate significant differences among different preparation temperatures of modified biochar (P<0.05, one-way ANOVA).
表 1 不同制备温度和改性处理生物炭的理化性质1)
Table 1 Physicochemical properties of biochar with different preparation temperatures and modification treatments
处理
Treatment产率/%
Productivity改性增质量率/%
Massgain rate of modificationpH 总有机碳含量/%
Total organic carbon content总氮含量/%
Total nitrogen content碳氮比
C/N灰分含量/%
Ash content300SB 48.00±0.01a 8.01±0.01e 53.00±0.34a 1.11±0.03ab 48.00±1.20c 30.38±0.01b 450SB 33.75±0.01b 10.15±0.01b 53.98±0.62a 1.20±0.07a 45.74±1.85c 35.16±0.07b 600SB 23.50±0.01c 10.65±0.01a 54.72±0.29a 1.01±0.01b 54.38±0.77bc 48.93±0.02a 300MB 19.67 7.36±0.01f 39.91±1.71b 0.53±0.36c 75.70±3.96a 52.35±0.01a 450MB 30.61 9.56±0.01d 39.64±0.42b 0.67±0.02c 59.70±2.24b 53.01±0.01a 600MB 21.56 10.07±0.01c 41.37±0.98b 0.58±0.01c 71.63±1.01a 56.09±0.03a 双因素方差分析 Two-factor ANOVA 温度 Temperature (T) P<0.001 P=0.563 P=0.087 P=0.025 P=0.005 改性 Modification (M) P<0.001 P<0.001 P<0.001 P<0.001 P<0.001 温度×改性T × M P=0.338 P=0.911 P=0.497 P=0.172 P=0.053 1) 同列数据后的不同小写字母表示处理间差异显著(P<0.05，单因素方差分析)。
1) Different lowercase letters in the same column indicate significant differences among treatments (P<0.05, one-way ANOVA analysis).
下载: 导出CSV
表 2 不同制备温度和改性处理生物炭添加对土壤酸缓冲容量的影响1)
Table 2 Effects of addition of biochar with different preparation temperatures and modification treatments on soil acid buffering capacity
处理
Treatmenta b Amid pHmin R2 pHmid 酸缓冲容量/[cmol·(kg·pH)−1]
pHBCCK 11.63±0.01 8.80±0.16 5.27±0.07 1.35±0.01 0.999 7.17±0.01 3.03±0.05 BC 11.23±0.26 9.12±0.20 1.50±0.68 1.46±0.01 0.999 7.07±0.01 3.25±0.01* 300SB 11.53±0.01 9.38±0.03 2.25±0.02 1.39±0.01 0.999 7.15±0.01 3.26±0.01ab* 300MB 11.51±0.01 9.18±0.03 2.38±0.06 1.39±0.01 0.999 7.14±0.01 3.19±0.01bc* 450SB 11.31±0.05 8.84±0.05 1.45±0.04 1.45±0.01 0.999 7.11±0.02 3.13±0.03c 450MB 10.98±0.01 9.28±0.01 1.13±0.01 1.51±0.01 0.999 7.00±0.01 3.38±0.01a* 600SB 10.97±0.01 9.00±0.03 0.69±0.03 1.52±0.01 0.999 7.00±0.01 3.28±0.01ab* 600MB 11.09±0.01 9.04±0.03 1.09±0.02 1.49±0.01 0.999 7.03±0.01 3.26±0.01b* 处理效应 Treatment effect P=0.011 双因素方差分析 Two-factor ANOVA 温度 Temperature (T) P=0.321 改性 Modification (M) P=0.040 温度×改性T × M P<0.001 1) a为酸碱缓冲曲线中最大pH和最小pH之差；b为定义曲线形状的参数；Amid为酸碱缓冲曲线拐点处的酸碱添加量；pHmin为酸碱缓冲曲线最小pH；R2为酸碱缓冲曲线的拟合程度；pHmid为酸碱缓冲曲线拐点处的pH。酸缓冲容量数据后的不同小写字母表示生物炭添加试验组间差异显著(P<0.05，单因素方差分析)；“*”代表生物炭添加试验组与对照组之间差异显著(P<0.05，t-test)。
1) a is the difference between the maximum pH and the minimum pH in the acid-base buffering curve; b is the parameter defining the curve shape; Amid is the amount of acid-base added at the inflection point of the acid-base buffering curve; pHmin is the minimum pH of the acid-base buffering curve; R2 is the fitting degree of the acid-base buffering curve; pHmid is pH at the inflection point of the acid-base buffering curve. Different lowercase letters after the acid buffering capacity data indicate significant differences among biochar addition groups (P<0.05, one-way ANOVA); “*” represents significant differences between the biochar addition and the control groups (P< 0.05, t-test).
下载: 导出CSV
表 3 不同种类生物炭添加对不同粒径土壤团聚体碳含量的提升比例1)
Table 3 Proportion of carbon content of soil aggregate with different particle sizes increased by addition of different kinds of biochar
% 处理 Treatment <0.054 mm 0.054~0.250 mm >0.250 mm BC 145.21 129.29 40.26 300SB 103.31b 97.55b 60.33a 450SB 195.41a 178.88a 28.59b 600SB 172.30b 138.56ab 30.60b 300MB 95.56b 60.53b 35.80b 450MB 127.73b 107.49b 39.08ab 600MB 176.96a 143.51a 41.55ab 双因素方差分析 Two-factor ANOVA 温度 Temperature (T) P<0.001 P=0.003 P=0.054 改性 Modification (M) P=0.086 P=0.012 P=0.946 温度×改性T × M P=0.077 P=0.724 P=0.017 1)同列数据后的不同小写字母表示生物炭添加试验组间差异显著(P<0.05，单因素方差分析)。
1)Different lowercase letters in the same column indicate significant differences among biochar addition groups (P<0.05, one-way ANOVA analysis).
下载: 导出CSV
表 4 不同制备温度和改性生物炭添加对土壤溶解性有机碳含量与组分的影响1)
Table 4 Effects of addition of biochar with different preparation temperatures and modification treatments on soil dissolved organic carbon contents and components
处理 Treatment w/(mg·kg−1) SUVA210 SUVA254 SUVA260 SUVA272 A250/A365 CK 356.06±185.80 0.16±0.02 0.13±0.03 0.12±0.03 0.11±0.03 4.15±0.86 BC 399.38±65.70 0.30±0.10 0.31±0.17 0.29±0.16 0.26±0.14 3.91±0.54 300SB 235.90±31.40a 0.36±0.01a 0.31±0.15ab 0.29±0.14ab 0.26±0.13ab 3.64±0.52b 300MB 283.00±17.90a 0.28±0.06ab 0.13±0.04b 0.13±0.04b 0.11±0.04b 4.01±0.92ab 450SB 348.59±15.60a 0.34±0.19ab 0.49±0.23a 0.47±0.22a 0.42±0.19ab 3.66±0.29b 450MB 270.52±10.20a 0.28±0.01ab 0.25±0.05ab 0.24±0.05ab 0.22±0.04ab 3.65±0.50b 600SB 317.83±140.50a 0.38±0.12a 0.48±0.09a 0.46±0.08a 0.41±0.08a 3.86±0.44ab 600MB 340.44±110.80a 0.16±0.12b 0.18±0.06b 0.17±0.06b 0.15±0.05ab 4.64±0.38a 处理效应
Treatment effectP=0.402 P<0.001 P=0.002 P=0.001 P=0.001 P=0.539 双因素方差分析 Two-factor ANOVA 温度 Temperature (T) P=0.310 P=0.706 P=0.118 P=0.118 P=0.115 P=0.197 改性 Modification (M) P=0.667 P=0.042 P=0.001 P=0.001 P=0.001 P=0.164 温度×改性T × M P=0.910 P=0.441 P=0.670 P=0.670 P=0.645 P=0.483 1)同列数据后的不同小写字母表示生物炭添加试验组间差异显著(P<0.05，单因素方差分析)；SUVA210表征胺类物质含量，SUVA254表征芳香化程度，SUVA260表征疏水性碳含量，SUVA272表征芳构化程度，A250/A365表征腐殖化程度。
1) Different lowercase letters in the same column indicate significant differences among biochar addition groups (P<0.05, one-way ANOVA); SUVA210 characterizes the content of amines, SUVA254 characterizes the aromatization degree, SUVA260 characterizes the hydrophobic carbon content, SUVA272 characterizes the degree of aromatization, A250/A365 characterizes the degree of humization.
下载: 导出CSV
-
[1] BATJES N H. Harmonized soil property values for broad-scale modelling (WISE30sec) with estimates of global soil carbon stocks[J]. Geoderma, 2016, 269: 61-68. doi: 10.1016/j.geoderma.2016.01.034
[2] BOSSIO D A, COOK-PATTON S C, ELLIS P W, et al. The role of soil carbon in natural climate solutions[J]. Nature Sustainability, 2020, 3(5): 391-398. doi: 10.1038/s41893-020-0491-z
[3] WEI H, LIU Y, ZHANG J, et al. Leaching of simulated acid rain deteriorates soil physiochemical and mechanical properties in three agricultural soils[J]. Catena, 2021, 206: 105485. doi: 10.1016/j.catena.2021.105485.
[4] WEI H, LIU W, ZHANG J, et al. Effects of simulated acid rain on soil fauna community composition and their ecological niches[J]. Environmental Pollution, 2017, 220: 460-468. doi: 10.1016/j.envpol.2016.09.088
[5] 郭治兴, 王静, 柴敏, 等. 近30年来广东省土壤pH值的时空变化[J]. 应用生态学报, 2011, 22(2): 425-430. [6] 江军, 曹楠楠, 俞梦笑, 等. 酸性森林土壤缓冲酸沉降关键机理研究进展[J]. 热带亚热带植物学报, 2019, 27(5): 491-499. doi: 10.11926/jtsb.4086 [7] YANG J, WEI H, ZHANG J, et al. Land use and soil type exert strongly interactive impacts on the pH buffering capacity of acidic soils in South China[J]. Sustainability, 2022, 14(19): 12891. doi: 10.3390/su141912891.
[8] QIAN S, ZHOU X, FU Y, et al. Biochar-compost as a new option for soil improvement: Application in various problem soils[J]. Science of the Total Environment, 2023, 870: 162024. doi: 10.1016/j.scitotenv.2023.162024.
[9] KHAN S, IRSHAD S, MEHMOOD K, et al. Biochar production and characteristics, its impacts on soil health, crop production, and yield enhancement: A review[J]. Plants (Basel), 2024, 13(2): 166. doi: 10.3390/plants13020166.
[10] 廉辰, 于嘉佳, 高婷, 等. 3种壳类生物质炭对南方红壤理化性质的动态影响[J]. 华南农业大学学报, 2022, 43(1): 20-27. doi: 10.7671/j.issn.1001-411X.202010019 [11] 宋佩佩, 马文静, 王军, 等. 铁改性生物炭的制备及其在重金属污染土壤修复技术中的应用进展[J]. 环境工程学报, 2022, 16(12): 4018-4036. doi: 10.12030/j.cjee.202201170 [12] CHEN M, WU L, DING X, et al. Fe-modified biochar improved the stability of soil aggregates and organic carbon: Evidence from enzymatic activity and microbial composition[J]. Land Degradation & Development, 2024, 35(2): 732-743.
[13] GILLINGHAM M D, GOMES R L, FERRARI R, et al. Sorption, separation and recycling of ammonium in agricultural soils: A viable application for magnetic biochar?[J]. Science of the Total Environment, 2022, 812: 151440. doi: 10.1016/j.scitotenv.2021.151440.
[14] 刘俊杰, 严晓斌, 张美怡, 等. 中国农作物秸秆资源产量分布及利用分析[J/OL]. (2024-06-17) [2024-08-27]. https://doi.org/10.13254/j.jare.2024.0184. 农业资源与环境学报, 2024. [15] WANG L, LI Z, WANG Y, et al. Performance and mechanisms for remediation of Cd(II) and As(III) co-contamination by magnetic biochar-microbe biochemical composite: Competition and synergy effects[J]. Science of the Total Environment, 2021, 750: 141672. doi: 10.1016/j.scitotenv.2020.141672.
[16] YI Y, HUANG Z, LU B, et al. Magnetic biochar for environmental remediation: A review[J]. Bioresource Technology, 2020, 298: 122468. doi: 10.1016/j.biortech.2019.122468.
[17] 中国林业科学院林产化学工业研究所. 木炭和木炭试验方法: GB/T 17664—1999[S]. 北京: 中国标准出版社, 1999. [18] NELSON P N, SU N. Soil pH buffering capacity: A descriptive function and its application to some acidic tropical soils[J]. Australian Journal of Soil Research, 2010, 48(3): 201-207. doi: 10.1071/SR09150
[19] 李彬彬, 武兰芳, 许艳艳, 等. 秸秆还田土壤溶解性有机碳的官能团特征及其与CO2排放的关系[J]. 农业环境科学学报, 2017, 36(12): 2535-2543. doi: 10.11654/jaes.2017-0747 [20] JAFFRAIN J, GÉRARD F, MEYER M, et al. Assessing the quality of dissolved organic matter in forest soils using ultraviolet absorption spectrophotometry[J]. Soil Science Society of America Journal, 2007, 71(6): 1851-1858. doi: 10.2136/sssaj2006.0202
[21] WANG L Y, WU F C, ZHANG R Y, et al. Characterization of dissolved organic matter fractions from Lake Hongfeng, Southwestern China Plateau[J]. Journal of Environmental Sciences, 2009, 21(5): 581-588. doi: 10.1016/S1001-0742(08)62311-6
[22] WANG L, CHEN H, WU J, et al. Effects of magnetic biochar-microbe composite on Cd remediation and microbial responses in paddy soil[J]. Journal of Hazardous Materials, 2021, 414: 125494. doi: 10.1016/j.jhazmat.2021.125494.
[23] ULRICH B. Soil acidity and its relations to acid deposition[M]//ULRICH B, PANKRATH J. Effects of accumulation of air pollutants in forest ecosystems. Proceedings of a workshop held at Göttingen, West Germany, May 16-18, 1982. Dordrecht: Springer Netherlands, 1983: 127-146.
[24] RAZA S, MIAO N, WANG P, et al. Dramatic loss of inorganic carbon by nitrogen-induced soil acidification in Chinese croplands[J]. Global Change Biology, 2020, 26(6): 3738-3751. doi: 10.1111/gcb.15101
[25] WEI H, YANG J, LIU Z, et al. Data integration analysis indicates that soil texture and pH greatly influence the acid buffering capacity of global surface soils[J]. Sustainability, 2022, 14(5): 3017. doi: 10.3390/su14053017.
[26] 黄清扬, 徐仁扣, 俞元春. 不同产地油菜秸秆制备的生物质炭对红壤酸度和土壤pH缓冲容量的影响[J]. 土壤通报, 2022, 53(4): 821-827. [27] 袁帅, 赵立欣, 孟海波, 等. 生物炭主要类型、理化性质及其研究展望[J]. 植物营养与肥料学报, 2016, 22(5): 1402-1417. doi: 10.11674/zwyf.14539 [28] 刘鑫裕, 王冬梅, 张泽洲, 等. 生物炭配施磷肥对土壤养分、酶活性及紫花苜蓿养分吸收的影响[J]. 环境科学, 2023, 44(7): 4162-4169. [29] BLANCO-CANQUI H, LAIRD D A, HEATON E A, et al. Soil carbon increased by twice the amount of biochar carbon applied after 6 years: Field evidence of negative priming[J]. Global Change Biology Bioenergy, 2020, 12(4): 240-251. doi: 10.1111/gcbb.12665
[30] MOORE O W, CURTI L, WOULDS C, et al. Long-term organic carbon preservation enhanced by iron and manganese[J]. Nature, 2023, 621(7978): 312-317. doi: 10.1038/s41586-023-06325-9
[31] 徐艺萍, 饶越悦, 孟艳, 等. 免耕对农田土壤团聚体的影响研究: Meta分析[J]. 环境科学, 2024, 45(2): 952-960. [32] 庞津雯, 王钰皓, 陶宏扬, 等. 生物炭不同添加量对旱作覆膜农田土壤团聚体特性及有机碳含量的影响[J]. 中国农业科学, 2023, 56(9): 1729-1743. doi: 10.3864/j.issn.0578-1752.2023.09.010 [33] 高尚志, 刘日月, 窦森, 等. 不同施量生物炭对土壤团聚体及其有机碳含量的影响[J]. 吉林农业大学学报, 2022, 44(4): 421-430. [34] 谭文峰, 许运, 史志华, 等. 胶结物质驱动的土壤团聚体形成过程与稳定机制[J]. 土壤学报, 2023, 60(5): 1297-1308. doi: 10.11766/trxb202308060312 [35] 宋旭昕, 刘同旭. 土壤铁矿物形态转化影响有机碳固定研究进展[J]. 生态学报, 2021, 41(20): 7928-7938. -
期刊类型引用(6)
1. 赵慧. 数字化技术在甜樱桃生产中的应用. 落叶果树. 2024(01): 47-50 . 
百度学术
2. 张振飞，郭靖，颜安，袁以琳，肖淑婷，侯正清，孙哲. 基于多光谱无人机不同飞行高度下苹果树冠幅信息的提取. 新疆农业科学. 2024(06): 1468-1476 . 百度学术
3. 董秀春，蒋怡，杨玉婷，郭涛，李宗南，李章成. 基于语义分割模型和遥感的柑橘园空间信息提取. 中国农机化学报. 2023(01): 178-184 . 百度学术
4. 杨珍，郭艳光，鲁晓波. 基于改进AlexNet网络的无人机遥感图像分类方法. 湖南科技大学学报(自然科学版). 2023(03): 59-69 . 百度学术
5. 王雨阳，王懿祥，李明哲，梁丹. 基于无人机可见光影像的毛竹林郁闭度估测方法. 浙江农林大学学报. 2022(05): 981-988 . 百度学术
6. 崔万新，李锦荣，司前程，王茹，罗祥英，杨锋，李映坤. 基于无人机可见光数据荒漠灌木覆盖度提取方法研究. 水土保持研究. 2021(06): 175-182+189 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 10
