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。添加生物炭是一种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，分析添加生物炭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将土壤pH显著提升 14.76%，总有机碳含量显著提升160.59%，而450 ℃制备的铁改性生物炭将酸缓冲容量提升11.75%。生物炭制备温度和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土壤团聚体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。
结论添加生物炭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 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 as well as 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 14.76% and total organic carbon content by 160.59%, while that at 450 ℃ resulted in an increase in acid buffering capacity of 11.75%. Biochar preparation 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 178.88% 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 soil dissolved 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:
- Lateritic red soil /
- Acid buffering capacity /
- Biochar /
- Soil remediation /
- Soil organic carbon
-
玉米是全球产量最高的粮食作物之一，也是重要的工业原料。近年来，全球玉米消费量逐年上升，需求量巨大，但玉米病害问题严重影响了其产量和品质。目前，玉米病害监测主要依靠人工，时效性差。使用人工智能技术进行玉米病害检测已成为智慧农业的一部分，且在病害初期及时监测并防治，可以有效降低病害影响并提高玉米产量。
目前，在检测作物叶片病害时，很多学者将深度学习与计算机视觉技术结合，利用训练好的网络模型对作物叶片病害进行迁移学习，许景辉等[1]、刘合兵等[2]和Li等[3]采用迁移学习结合卷积神经网络的方法进行玉米叶片病害的检测和识别。Pan等[4]利用损失函数对玉米叶片病害进行检测，从玉米图像中有效地诊断出玉米北方枯叶病。Li等[5]采用K-means算法对玉米早期叶斑病和锈病的图像样本进行检测，该方法能够高效、无损地识别玉米叶斑病和锈病。
从上述研究来看，大多是以数据集中且已有数据的、样本均衡的玉米叶片病害为对象，且数据样本属于实验室拍摄，复杂度低，不适用于实际应用中模型在农田复杂背景下识别玉米病害。本研究针对复杂环境中玉米叶片病害样本不均衡和检测精度低的问题，构建一个不均衡的玉米叶片病害数据集。采用基于YOLOv5模型的迁移学习方法，探索适用于农田场景下样本不均衡的数据集的检测与识别策略。研究结果将为实际应用中2种玉米叶片病害的监测提供数据支持。
1. 材料与方法
1.1 图像收集与数据集建立
本研究收集了475张玉米北方枯叶病害图片和792张玉米虫洞病害图片，所有图像大小均为
2884 ×2884 。使用图像标注工具LabelImg对样本进行标记，构建初始数据集。考虑到样本数量较少，本研究通过添加高斯噪声、遮挡以及旋转180°处理等数据增强方法扩充数据样本(图1)，以提高目标检测模型在实际农田复杂场景下的鲁棒性和泛化能力。最终，样本总数为原始数据的4倍，共计5068 张，并按8∶1∶1的比例划分为训练集、验证集和测试集，其中，训练集4056 张，验证集和测试集各506张。![]()
图 1 玉米2种病害原始图像与数据增强图Figure 1. Original images and data-enhanced images of two types of maize diseases1.2 评估指标
本次研究中，使用与混淆矩阵相关的分类指标来判断模型的性能，选择精度(Precision)、召回率(Recall)和平均精度(Average precision，AP)和均值检测精度(Mean average precision，mAP)作为评价指标。Precision表示某一类样本预测的准确率，Recall用于衡量模型正确识别不同样本的比例，Precision 和 Recall计算方法如式(1)和式(2)所示：
$$ {\mathrm{Precision}}=\frac{{\mathrm{TP}}}{{\mathrm{TP}}+{\mathrm{FP}}}， $$ (1) $$ {\mathrm{Recall}}=\frac{{\mathrm{TP}}}{{\mathrm{TP}}+{\mathrm{FN}}}， $$ (2) 其中，TP(真阳性)表示正确分类的阳性实例数，FN(假阴性)表示错误分类的阳性实例数，FP(假阳性)表示错误分类为阳性类别的阴性实例数。AP 是衡量某一类别检测的平均精度，是精度对召回率的积分，具体如式(3)所示：
$$ {\mathrm{AP}}\left(c\right)={\int }_{0}^{1}{\mathrm{Precision}}\left(c\right)\;\mathrm{d}{\mathrm{Recall}}\left(c\right)， $$ (3) $$ \text{mAP=}\frac{1}{\boldsymbol{C}}\text{}\sum _{{c}\in \boldsymbol{C}}\mathrm{A}\mathrm{P}\left({c}\right)， $$ (4) 式中， c 表示某一类别，C 表示所有类别的集合。
1.3 改进YOLOv5网络模型的结构框架
近年来，目标检测网络快速发展和演变，现大致分为一阶段检测器(Single-stage detector)和二阶段检测器(Two-stage detector)2类，其中，一阶段检测器主要包括YOLOv5[6]、YOLOv8[7]等YOLO系列模型和SSD网络[8]；二阶段检测器主要包括R-CNN[9]及其衍生网络系列，实际应用中检测速度较慢。
YOLO系列模型经过不断演变，检测精度和识别速度较SSD网络更好[10-12]，且为了满足模型以较快速度实时检测农田场景下玉米叶片病害的需求，本研究首先对YOLO系列模型中的YOLOv5、YOLOv8、YOLOv9[13]和YOLOv10[14]作了比较综合精度、召回率、平均精度、mAP和参数量5个指标，结果(表1)表明，较YOLOv8、YOLOv9和YOLOv10模型来说，YOLOv5参数最少、训练速度较快、mAP最高，更适用于实时应用场景，因此选择YOLOv5为基础模型进行研究。
表 1 4种单阶段模型的性能指标的比较Table 1. Comparison of performance indicators among four single-stage models模型
Model精度/%
Precision召回率/%
Recall平均精度/%
AP均值检测精度/%
mAP参数量(×106)
No. of parametersYOLOv5 91.8 78.9 72.4 86.3 7.1 YOLOv8 94.2 79.9 75.3 85.1 11.1 YOLOv9 87.0 70.3 61.5 78.9 9.7 YOLOv10 94.3 78.9 75.0 85.5 8.1 本研究在Backbone网络结构处引入SPD_Conv[15]模块与特征金字塔网络共同构成SPD-FPN，让不同层特征中的空间信息在通道维度上进行延伸，以增强特征金字塔在不同分辨率下的信息提取和特征交互能力，实现更优的检测识别效果，YOLOv5s网络结构[16]改进后如图2所示。
1.3.1 SPD-FPN结构
传统特征金字塔网络[17](Feature pyramid networks, FPN)使用下采样方法(图3a)，随着网络层次的增加，高分辨率特征逐渐下采样到低分辨率特征上，图像分辨率逐级降低，虽然可以提取更多维度的特征，但在融合这些特征时存在稀疏性，小目标信息在高层中容易失去被学习的能力，难以捕获多维度特征之间的深层次特征依赖，在后续网络学习和训练中难以对小目标进行有效的特征交互，较粗糙的特征融合方式可能导致信息损失或特征交互关系不足。
![]()
图 3 传统特征金字塔(a)与SPD-FPN(b)结构对比Figure 3. Comparison of the traditional feature pyramid (a) structure versus the SPD-FPN (b) structure本研究在FPN网络不同分辨率条件下的特征模块后引入空间卷积模块(SPD_Conv)，构成空间−特征金字塔结构(SPD-FPN)(图3b)，在模型主干网络处的具体特征信息交互流程如下：假设输入特征图
$ {\boldsymbol{F}} \in {\boldsymbol{R}}^{{\boldsymbol{C}}\times {\boldsymbol{H}}\times {\boldsymbol{W}}} $ ，其中，高度H为640，宽度W为640，通道数C为64，R表示多维矩阵。输入图像$ {\boldsymbol{F}} $ 通过网络层SPD-FPN结构时，对上一层目标信息进行四划分，由特征P1：64×320×320转换为特征映射P2：64×4×160×160，依次进行下采样，最终生成不同分辨率的特征映射{P1，P2，P3，P4，P5}，其中“×4”表示特征图信息在通道维度上进行延展，即将W-H平面上的信息转换为通道维度，网络中的SPD-FPN通过使分辨率降低时的特征图增大感受野范围，减少深层网络对小目标的信息损失。1.3.2 Focal Loss函数
在进行目标检测和分类研究时，由于数据集样本、样本数量、样本信息内容、损失函数等选择不同，实际应用中几乎不存在某种对任何数据集都表现良好的算法模型。在许多任务中，构造数据集的正负样本数量极其不均衡。以目标检测为例，区域都是背景，属于负样本，而图像的目标区域(正样本)只占一小部分。分类损失函数(如交叉熵)对所有样本赋予同等的权重，因此负样本数量占优势，容易导致模型更倾向于预测负类，忽略正类样本，使得模型在处理不平衡数据时产生偏差，无法有效识别少量的正样本。
根据本研究构造的不均衡样本数据集，使用Focal Loss[18]函数代替YOLOv5中的CIoU Loss解决目标检测器在训练过程中出现的样本不均衡问题，在交叉熵损失的基础上引入一个调节因子，专门调整样本的权重，使得难分类的样本获得更大的权重，而减小易分类的样本对损失的贡献。Focal Loss函数的计算公式如下：
$$ \mathrm{F}\mathrm{L}\left({{P}}_{\mathrm{t}}\right)=-{{\alpha }}_{{{\mathrm{t}}}}({1-{{P}}_{{{\mathrm{t}}}})}^{\mathrm{\gamma }}\mathrm{l}\mathrm{g}\left({{P}}_{{{\mathrm{t}}}}\right)， $$ (5) 式中，
$ \alpha \in \left(\mathrm{0,1}\right) $ 为超参数，代表了数量较少的样本类的权重，即绝大多数情况下的正样本；$ { P} $ 代表预测结果，$ {{ P}}_{{\mathrm{t}}} $ 的大小反映实际样本分类难易的程度；$ \gamma $ 为调节参数，也称为焦点参数，决定损失衰减程度，其值越大损失衰减越明显。1.4 试验环境
模型运行的软件工作环境为Inter(R) Core(TM) i9-10900K CPU @3.70 GHz，NVIDIA RTX 3090 24 G的台式计算机，操作系统为Ubuntu20.04.1。硬件环境为树莓派4B (Raspberry Pi 4)，内存4 GB，中央处理器(Central processing unit, CPU)为ARM Cortex-A72 CPU @ 1.5 GHz。
2. 结果与分析
2.1 网络模型训练
使用SPD-FPN结构改进特征金字塔的YOLOv5模型对复杂环境下的玉米植株图片进行可视化测试，验证SPD-FPN结构的可行性(图4、5)。从检测结果可以看出，改进后的模型对使用3种数据增强方法扩充的玉米北方枯叶病害样本的错检率降低，且对2种病害的检测识别精度都有所改进，说明SPD-FPN比原有YOLOv5模型更适用于复杂场景下不同尺度的目标信息的提取，且一定程度上能加强模型学习样本特征信息交互的能力。
![]()
图 4 改进前、后特征金字塔模型对玉米虫洞病的检测Figure 4. Detection of corn wormhole disease by the feature pyramid model before and after improvement本文中的玉米数据样本只有2个类别，且玉米虫洞病害样本的标注数量为玉米北方枯叶病害的2倍，因此将
$ \alpha $ 设为0.25，代表玉米虫洞病害作为目标区域即正样本，$ 1-\alpha $ 为0.75，代表玉米北方枯叶病害作为背景区域即负样本。为了选取合适的$ \mathrm{\gamma } $ 值，分别将$ \mathrm{\gamma } $ 设为0、1、2和3，加入SPD-FPN结构后的模型对玉米2种病害的检测结果如表2所示。由表2可知，$ \gamma $ 在取值1和2时，玉米叶片病害在精度上较$ \gamma =0 $ 时分别提高了8.6和8.3个百分点，在召回率上对病害的实际预测概率分别提高了0.3和6.0个百分点，在平均精确度上分别提高4.8和11.7个百分点，在mAP上分别提高了0.3和3.8个百分点，模型总体表现优于$ \gamma =0 $ 时的检测效果，表明Focal Loss对样本不均衡的数据集的调节作用呈优化趋势；而在$ \gamma =3 $ 时，各项指标较$ \gamma $ 取值1和2时略有下降，这表明损失函数优化为Focal Loss函数时，并不是$ \gamma $ 值越大越好，所以本研究最终选用$ \gamma =2 $ 作为最后的参数。表 2 不同$ \mathbf{\gamma } $ 值下SF_YOLOv5模型对玉米病害数据集的检测结果Table 2. Detection results of the SF_YOLOv5 model for two types of corn diseases under different$ \mathbf{\gamma } $ values$ \mathrm{\gamma } $ 精度/%
Precision召回率/%
Recall平均精确度/%
AP均值检测精度/%
mAP0 88.4 83.7 76.6 89.5 1 97.0 84.0 81.4 89.8 2 96.7 89.7 88.3 93.3 3 93.5 82.5 77.0 87.6 ![]()
图 5 改进前、后特征金字塔模型对玉米北方枯叶病的检测Figure 5. Detection of corn northern leaf blight by the feature pyramid model before and after improvement2.2 迁移学习
迁移学习的核心思想是使用一个领域学习到的知识加速另一个领域学习的过程，可以有效提升模型在目标领域的表现。本研究使用YOLOv5模型参数作为预训练模型对玉米叶片病害数据集进行训练，进一步对改进后的模型进行验证集上的测试，检测结果见表3。由表3可知，本文提出的SF_YOLOv5模型体量为1.672×107，参数量为8.6×106，在云平台上检测的帧率为47.4帧/s，与原模型和未优化损失函数的模型检测速度相比，有较大的提升，且在树莓派移动端检测的每秒帧数为0.713，满足部署在移动平台上的实际应用需求。从上述3个指标可以看出，本研究的模型可以在移动平台上部署并保持较高的检测效率，可以为后续农业领域实时监测玉米病害提供理论基础。
表 3 不同模型在玉米叶片病害测试集上的检测结果识别Table 3. Detection results of different models on the corn leaf disease test set模型
Model模型体量(×107)
Model volume参数量(×106)
No. of parameters每秒帧数
Frames per second精度/%
Precision召回率/%
Recall平均精度/%
AP均值
检测精度/%
mAPYOLOv5s 1.372 7.1 28.4 91.8 78.9 72.4 86.3 YOLOv5s +SPD-FPN 1.672 8.6 16.4 88.4 83.7 76.6 89.5 SF_YOLOv5 1.672 8.6 47.4 96.7 89.6 88.3 93.3 此外，本研究的模型对样本不均衡的2种玉米病害数据集实现了96.7%的精度，比YOLOv5模型提高了4.9个百分点，比只加入SPD-FPN精度提高了8.3个百分点；召回率方面，SF_YOLOv5比YOLOv5模型提高了10.7个百分点，比只加入SPD-FPN提高5.9个百分点，漏检和误检率降低；在平均精确度方面，SF_YOLOv5比YOLOv5模型提高了15.9个百分点，比只加入SPD-FPN提高11.7个百分点；在mAP上，SF_YOLOv5模型比YOLOv5高了7.1个百分点，比只加入SPD-FPN提高3.8个百分点。从这4个指标可以看出，模型通过SPD-FPN结构可以有效提高网络对不同分辨率特征目标识别的准确率，且引入Focal Loss对数据优化后的结果有明显改善。
通过混淆矩阵可以直观评价改进后的 YOLOv5模型对 2种不同形态的玉米叶片病害的分类性能，结果见图6。该模型对2种不均衡的样本病害构成的数据集在检测与识别上表现出较好的效果，且大部分样本预测正确，表明改进后的 YOLOv5模型可以有效地解决复杂环境中玉米叶片病害分布不均衡和精度低的问题，为农业领域实时监测农田场景下的玉米病害提供了理论基础。
![]()
图 6 SF_YOLOv5模型在 2 种玉米病害验证集上测试的混淆矩阵Figure 6. The confusion matrix of the SF_YOLOv5 model tested on the validation sets of two types of corn diseases3. 结论
本研究针对复杂环境中玉米叶片病害分布不均衡和精度低的问题，设计了一种基于YOLOv5模型的改进的SF_YOLOv5网络。增加的SPD-FPN结构通过对不同尺度特征图的变换和信息提取，提高了模型对不同分辨率下输出的特征图的特征信息交互能力和检测精度；并针对样本不均衡的问题，提出使用Focal Loss函数进行优化，之后利用迁移学习的思想，将YOLOv5模型的参数迁移到改进的网络上进行训练。试验得出本研究提出的模型体积较小，易部署于移动端设备；对2种玉米叶片病害构成的数据集测试的mAP较原始网络提高了7.1个百分点。
在实际应用中，玉米叶片病虫害的多样性和复杂性对模型准确检测和识别提出了重大挑战。病害类型繁多、每种病害独特的症状和表现、作物病害在农田环境下受环境因素，如光照、背景噪声和植株生长状况的变化等影响，均容易导致误分类或漏检，特别是在病害表现出重叠特征的情况下。为了应对这些挑战，我们计划未来构建农田场景下病害种类丰富的玉米病害数据集，进一步优化模型，增强其区分各种疾病的能力。通过涵盖各种病虫害实例的大型数据集，训练能够有效地适应新的数据和场景的模型，使模型即使在训练样本有限的情况下也能表现出稳健的性能。为农民和农业从业者提供智能、及时、准确的玉米健康监测信息，从而促进更好地管理实践并提高作物产量。通过这一举措，我们希望为精准农业的发展作出贡献。
-
![]()
图 1 酸碱缓冲曲线
CK：未添加生物炭；300、450、600：生物炭制备温度；SB：秸秆生物炭；MB：铁改性生物炭。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
CK: No biochar addition; 300, 450, 600: Biochar preparation temperature; SB: Straw biochar; MB: Fe modified biochar. Negative values on the X-axis represent acid addition amount, and positive values represent alkali addition amount.
![]()
图 2 添加不同制备温度和改性处理生物炭对土壤pH的影响
CK：未添加生物炭，BC：添加生物炭，MB：铁改性生物炭，SB：秸秆生物炭；各小图中，“*”表示差异显著(P<0.05，t检验)；图B中，柱子上方的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 adding biochar with different preparation temperatures and modification treatments on soil pH
CK: No biochar addition, BC: Biochar addition, MB: Fe-modified biochar, SB: Straw biochar; In each figure, “*” represents significant differences (P<0.05, t-test); In figure B, different lowercase letters on the columns indicate significant differences among different preparation temperatures for unmodified biochar, and different capital letters indicate significant differences among different preparation temperatures for modified biochar (P<0.05, one-way ANOVA).
![]()
图 3 添加不同制备温度和改性处理生物炭对土壤总有机碳含量的影响
CK：未添加生物炭，BC：添加生物炭，MB：铁改性生物炭，SB：秸秆生物炭；“*”表示差异显著(P<0.05，t-检验)；图B中，柱子上方的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 adding biochars with different preparation temperatures and modification treatments on soil total organic carbon content
CK: No biochar addition, BC: Biochar addition, MB: Fe-modified biochar, SB: Straw biochar; “*” represents significant differences (P<0.05, t-test); In figure B, different lowercase letters on the columns indicate significant differences among different preparation temperatures for unmodified biochar, and different capital letters indicate significant differences among different preparation temperatures for modified biochar (P<0.05, one-way ANOVA).
![]()
图 4 添加不同制备温度和改性处理生物炭对土壤团聚体有机碳含量的影响
CK：未添加生物炭，BC：添加生物炭，MB：铁改性生物炭，SB：秸秆生物炭；“*”表示差异显著(P<0.05，t-检验)；图B、C、D中，柱子上方的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 adding biochars with different preparation temperatures and modification treatments on soil aggregate organic carbon content
CK: No biochar addition, BC: Biochar addition, MB: Fe-modified biochar, SB: Straw biochar; “*” represents significant difference (P<0.05, t-test); In figure B, C, D, different lowercase letters on the columns 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/%
Mass gain rate of modificationpH $\omega $(总有机碳)/%
Total organic carbon content$\omega $(总氮)/%
Total nitrogen content碳氮比
C/N$\omega $(灰分)/%
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 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) 300、450、600：生物炭制备温度；SB：秸秆生物炭；MB：铁改性生物炭。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)；温度、改性及二者的交互作用对相关指标的影响采用双因素方差分析进行。
1) 300, 450, 600: Biochar preparation temperature; SB: Straw biochar; MB: Fe-modified biochar. Different lowercase letters in the same column indicate significant differences among treatments (P<0.05, one-way ANOVA); The effects of temperature, modification and their interaction on the relevant indicators are analyzed by two-way ANOVA.
下载: 导出CSV
表 2 添加不同制备温度和改性处理生物炭对土壤酸缓冲容量(pHBC)的影响1)
Table 2 Effects of adding biochars with different preparation temperatures and modification treatments on soil acid buffering capacity (pHBC)
处理
Treatmenta c bmid pHmin R2 pHmid pHBC/(cmol·kg−1·pH−1) CK 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 3.25±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 温度 Temperature (T) P=0.321 改性 Modification (M) P=0.040 温度×改性T × M P<0.001 1) CK：未添加生物炭；BC：添加生物炭；300、450、600：生物炭制备温度；SB：秸秆生物炭；MB：铁改性生物炭。a为酸碱缓冲曲线中最大pH和最小pH之差；c为定义曲线形状的参数；bmid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添加生物炭试验组间差异显著(P<0.05，单因素方差分析)；“*”代表添加生物炭试验组与对照组(CK)之间差异显著(P<0.05，t-test)；温度、改性及二者的交互作用对相关指标的影响采用双因素方差分析进行。
1) CK: No biochar addition; BC: Biochar addition; 300, 450, 600: Biochar preparation temperature; SB: Straw biochar; MB: Fe-modified biochar. a is the difference between the maximum pH and the minimum pH in the acid-base buffering curve; c is the parameter defining the curve shape; bmid is the added amount of acid-base 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 adding biochar groups (P<0.05, one-way ANOVA); “*” represents significant differences between the adding biochar and the control (CK) groups (P<0.05, t-test); The effects of temperature, modification and their interaction on the relevant indicators are analyzed by two-way ANOVA.
下载: 导出CSV
表 3 添加不同制备温度和改性处理生物炭对不同粒径土壤团聚体有机碳含量的提升比例1)
Table 3 Proportions of organic carbon contents of soil aggregates with different particle sizes increased by adding biochars with different preparation temperatures and modification treatments
% 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 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) BC：添加生物炭；300、450、600：生物炭制备温度；SB：秸秆生物炭；MB：铁改性生物炭。同列数据后的不同小写字母表示添加生物炭试验组间差异显著(P<0.05，单因素方差分析)；温度、改性及二者的交互作用对相关指标的影响采用双因素方差分析进行。
1) BC: Biochar addition; 300, 450, 600: Biochar preparation temperature; SB: Straw biochar; MB: Fe-modified biochar. Different lowercase letters in the same column indicate significant differences among adding biochar groups (P<0.05, one-way ANOVA); The effects of temperature, modification and their interaction on the relevant indicators are analyzed by two-way ANOVA.
下载: 导出CSV
表 4 添加不同制备温度和改性处理生物炭对土壤溶解性有机碳含量(
$\omega $ )与组分的影响1)Table 4 Effects of adding biochars with different preparation temperatures and modification treatments on soil dissolved organic carbon contents (
$\omega $ ) and components处理 Treatment $\omega $/(mg·kg−1) SUVA210 nm SUVA254 nm SUVA260 nm SUVA272 nm A250 nm/A365 nm 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 299.38±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 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) CK：未添加生物炭；BC：添加生物炭；300、450、600：生物炭制备温度；SB：秸秆生物炭；MB：铁改性生物炭。同列数据后的不同小写字母表示添加生物炭试验组间差异显著(P<0.05，单因素方差分析)；“*”代表添加生物炭试验组与对照组(CK)之间差异显著(P<0.05，t-test)；温度、改性及二者的交互作用对相关指标的影响采用双因素方差分析进行。SUVA210 nm表征胺类物质含量，SUVA254 nm表征芳香化程度，SUVA260 nm表征疏水性碳含量，SUVA272 nm表征芳构化程度，A250 nm/A365 nm表征腐殖化程度。
1) CK: No biochar addition; BC: Biochar addition; 300, 450, 600: Biochar preparation temperature; SB: Straw biochar; MB: Fe-modified biochar. Different lowercase letters in the same column indicate significant differences among adding biochar groups (P<0.05, one-way ANOVA); “*” represents significant differences between the adding biochar and the control (CK) groups (P<0.05, t-test); The effects of temperature, modification and their interaction on the relevant indicators are analyzed by two-way ANOVA. SUVA210 nm characterizes the amines content, SUVA254 nm characterizes the aromatization degree, SUVA260 nm characterizes the hydrophobic carbon content, SUVA272 nm characterizes the aromatization degree, A250 nm/A365 nm characterizes the humization degree.
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].农业资源与环境学报, 2025, 42(3): 751-760. [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[C]//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.
计量
- 文章访问数: 98
- HTML全文浏览量: 5
- PDF下载量: 16
