论文部分内容阅读
土壤养分是反映土壤肥力的重要指标,为植物生长提供养分来源。测定土壤碳(C)、氮(N)、磷(P)等养分含量主要采用化学分析方法,该方法的工作量大,程序繁琐,成本较高。已有研究表明近红外光谱(NIRs)技术具有测试速度快,效率高,污染较小等优点,可用来测定土壤养分含量。但NIRs方法需要大量的样本及其测定的养分和光谱数据,还需要对光谱数据进行预处理,然后建立模型,对模型进行检验和优化后,才能用来测定土壤养分含量。因此,研究NIRs方法测定森林土壤C、N、P含量具有较大的应用价值。本研究选择已建立的南酸枣落叶阔叶林和石栎-青冈常绿阔叶林的长期观测样地,分别在100m×100m样地内已划分100个10m×10m小样方的中心采集0-10cm、10-20cm和20-30cm的土壤样品,采用化学方法测量土壤有机C、全N、全P的含量,然后用傅立叶红外光谱仪测定各土样的近红外光谱特征和吸收值,采用偏最小二乘法(PLS)建立土壤C、N、P含量预测模型。主要研究结果为:(1)各土壤样品近红外光谱信息集中在4000nm-11000nm之间,采用直线减差法、矢量归一法、最小最大归一法、多元散射校正、一阶导数、二阶导数等6种方法进行预处理后,光谱的大多数信息集中在4000nm-7000nm之间,明显吸收峰4400nm-5400nm之间,特征明显的光谱集中于4400nm-5400nm之间,预处理后的光谱基本保留了原始光谱的吸收特征,能更好地判断其光谱特征。(2)土壤样品数越多,模型拟合度越高,样品数达到一定数量(400个土壤样品)后,模型的决定系数(R2)达到0.9以上并趋于稳定。对两种林分的土壤样品分别建模后,石栎-青冈常绿阔叶林土壤养分含量预测模型的拟合度比南酸枣落叶阔叶林土壤养分含量预测模型的低。两种林分土壤样品数据整合到一起后,模型的拟合度比南酸枣的低,但比石栎-青冈的高。可能是因为石栎-青冈林的土壤较为复杂,养分含量相对较难用线性的方法来拟合,同时表明不同林分土壤用同一个预测模型会有不同的拟合度。(3)土壤有机C和全N含量预测模型的拟合度比土壤全P含量预测模型的高,土壤有机C和全N含量预测值更接近真值,预测模型决定系数(R2)在0.8-0.9之间,交叉检验均方根误差(RMSECV)相对较小(<4.4),相对分析误差(RPD)在可用范围(>2.0),表明土壤中含C-H,N-H和O-H键的组分更适用于NIRs技术来测定其含量,建立的预测模型的重现性好,能够被应用于森林土壤的养分测定。(4)在OPUS软件中,6种预处理方法的效果来看,使用多元散射校正方法预处理后,建立预测模型的维数和决定系数(R2)较高,交叉检验均方根误差(RMSECV)相对很小,相对分析误差(RPD)比较高。采用多种预处理方法将会对模型的拟合度和精准度有进一步的提高,建议采用多元散射校正和矢量归一法同时来做预处理。