英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
近红外光谱分析林火对土壤质量指标的评估
摘要：本文研究了近红外光谱在林火时代序列土壤质量定量估算的作用。采用主成分分析法，光谱估算了林火干扰和蚯蚓对于土壤有机质的影响。采用贝拉斯克斯等人提出的方法进一步计算了三个土壤质量指标[Velasquez, E.,Lavelle, P., Andrade, M. GISQ,研究土壤质量的一个多功能的指标，土壤生物化学2007; 39: 3066–3080.]。每一个指标解决一种土壤提供的生态系统服务：有机物质贮藏，营养供应和生物活性。本文使用偏最小二乘回归模型评估土壤质量指数近红外光谱分析的预测能力。所有模型的决定系数均达到0.90以上，并且性能的比例超过2.8。这一发现为使用近红外线扫描土壤样品来监测土壤质量提供了新的机遇。
关键词：近红外光谱技术 土壤质量 土壤健康 土壤监测 GISQ 土壤的生物结构
- 导论
自从Haberern(1992)对土壤健康指数提出以来，已出现了几种土壤质量指标(e.g.Breure,2004)。要实际操作这些指标，将相关信息如物理、化学和生物土壤的条件融入到这些指标中去（e.g. Doran and Safley,1997; Zornoza et al., 2007）。设计这些指标最好可以用来评估一种特定的土壤功能(Andrews et al.,2004），土壤生态系统服务（Velasquez et al., 2007）或土壤的威胁（Morvan et al., 2008），以避免土壤质量范例的主观性与土壤研究相违背（e.g. Sojka and Upchurch, 1999.）。GISQ，是基于土壤生态系统服务（Velasquez et al., 2007）的一种综合的的土壤质量指标，以满足大多数的鉴定需求。但由于涉及多种土壤分析，在土壤领域实施仍然过于昂贵和耗时。
近红外光谱（NIRS）是一种涉及近红外区（NIR）（1000–2500 nm）漫反射测量的快速分析技术。近红外光谱取决于分析材料中化学键的数量和种类（Foley et al.，1998）。目前近红外光谱分析广泛用于预测土壤碳、氮含量（e.g. Brunet et al., 2007; Ceacute;cillon and Brun, 2007; Stevens et al.,2008）。从周围的土壤（Heddeet al.,2005）预测土壤生物学性质（Ceacute;cillon et al.,2008）和土壤生物结构（如蚓粪）的有效性也已得到了证明。通过对不同土地利用类型和土壤退化类型的区分（Velasquez et al., 2005; Cohen et al.,2006; Awiti et al., 2008）对土壤质量的整体评价（Varing;Gen et al.,2006；Shepherd and Walsh,2007），在这一方面，近红外光谱技术近来的发展在土壤研究领域显示出巨大的潜力。然而，近红外光谱分析技术对特定的土壤质量指标的预测能力有待评估。此外，一些生态因素如林火（Rundel, 1981）对土壤质量的影响尚未用近红外光谱的测试。
本研究的目的是评估（一）近红外光谱对于检测林火和蚯蚓活动对土壤有机质（SOM）的影响的有效性；（二）近红外光谱对于源于GISQ土壤质量指标的检测。
- 材料与方法
土壤样品是在2007年春季采集于莫尔山（VAR,France）的25个地区，并绘制出了一个不同林火产生频率得地中海森林生的系统。所有的土壤都被定为为始成土（IUSS Working Group WRB, 2006）。研究区域根据不同的时间（t）分为三个时间段，从去年火灾开始（3年，16年，50年），每一个时间段的研究区域都定位到莫尔山的不同位置。在每一个区域，我们收集两种复合样品。一种是在土壤表面的收集的蚓粪制成的样本，而另一种是由二十表土层（0-5cm）制成的样本。根据Velasquez et al.（2007）所述，他们对于每个样本都进行了三种土壤生态系统服务的分析。储存的有机质与有机碳、总无机氮的含量综合评估；营养供应与pH值和可交换的阳离子（Ca,Mg,K,Na,CEC）综合评估，生物活性则是通过微生物参数评估（微生物碳、两胞外酶–FDA水解酶、纤维素酶–潜在的反硝化作用和微生物碳与有机碳比）。土壤分析的结果和基本统计数据详见表1。
表1土壤分析实验方法和参考数据总结统计
|
土壤生物系统服务 |
性质 |
平均值 |
标准偏差 |
参考方法 |
|
有机质 |
Organic carbon(g kgminus;1) |
52.2 |
28.0 |
NF ISO 10694(1995) |
|
Total nitrogen(g kgminus;1) |
2.94 |
1.43 |
NF ISO 13878(1998) |
|
|
N–NO3(mg kgminus;1) |
17.5 |
26.1 |
Krom(1980) |
|
|
N–NH4(mg kgminus;1) |
21.7 |
25.6 |
Krom(1980) |
|
|
营养供应 |
pH in H2O |
6.42 |
0.34 |
NF ISO 10390(2005) |
|
CEC (cmol kgminus;1) |
15.5 |
5.1 |
NF X 31-130(1999) |
|
|
Ca exch. (cmol kgminus;1) |
11.2 |
4.1 |
NF X 31-108(2002) |
|
|
Mg exch. (cmol kgminus;1) |
2.42 |
1.07 |
NF X 31-108(2002) |
|
|
K exch. (cmol kgminus;1) |
0.72 |
0.27 |
NF X 31-108(2002) |
|
|
Na exch. (cmol kgminus;1) |
0.14 |
0.06 |
NF X 31-108(2002) |
|
|
生物活性 |
Microbial carbon (mg gminus;1) |
1.50 |
0.65 |
Anderson and Domsch(1978);Beare et al. (1990) |
|
Microbial carbon to organic carbon ratio |
0.030 |
0.007 |
||
|
Cellulase (U1 gminus;1 dw) |
0.015 |
0.008 |
Deng and Tabatabai (1994) |
|
|
FDA hydrolase (U2 gminus;1 dw) |
0.0013 |
0.0004 |
Adam and Duncan (2001) |
|
|
Potential denitrification (mu;g N gminus;1 dw hminus;1) |
0.26 |
0.23 |
Yoshinari et al. (1977); Smith and Tiedje (1979); Tiedje et al. (1989) |
|
|
缩写词: n=number of samples used to calculate summary statistics, to perform PCA and DA; SD=standard deviation; FDA=fluorescein di-acetate; dw=dry weight equivalent; U1=mu;mol of glucose released minminus;1; U2=mu;mol of fluorescein released minminus;1; exch.=exchangeable. aIn one of the 25 plots, no earthworm casts could be collected above-ground, hence a total of 49 samples. |
||||
土壤质量三个子指标（SI）反映了使用通过修改后的版本的GISQ计算出各土壤生态系统服务评估方法（Velasquez et al., 2007）。简单地说，我们为每个组的变量（有机质，营养供应，生物活性）进行了主成分分析（PCA）和判别分析（DA），以检验每组变量对六个样本分级的最大化区分力（三场林火对于两种类别土壤的干扰）。三个子样本的每一个样本q是减少变量n的总和（V1–Vn，n= 4 for organic matter, n= 6 for nutrient supply and n = 5 for biological activity）,并且在主成分分析SIq =w1v1 w2v2 。。。 wnvn轴1和2（W1–Wn）的测定中，各自的重量成倍增加。
用最初的公式测量的每个子样本值限制利用位似变位的变化范围（0.1–1.0）。高子样本值表明更多的生态系统服务的产生，从而提高了土壤的质量（Velasquez et al., 2007）。由于本文的重点是利用近红外光谱对特定的土壤质量指标（SI）的预测和，并没有试图计算每个样本最终的GISQ值。我们进一步用方差分析（ANOVA）和Tukey的显著差异试验（HSD）对林火干扰和土壤类型对每个子样本的影响进行了评估。
我们对每个样品用傅里叶变换近红外分光光度计进行在分辨率为Delta;lambda;= 0.5 nm（Delta;lambda;是可区分波长的最小差额）进行漫反射测量（1000–2500 nm）以每光谱6224个吸光度值的失败告终。利用近红外光谱的主成分分析法对六个样品的区分度进行近红外光谱分析，作为光谱预处理的一阶导数。利用主成分分析样品的随意排序证明了近红外样本数据的没有任何先验假设的盲目区分。通过偏最小二乘回归法（PLSR,tenenhaus,1998）对三种土壤质量指标进行了近红外光谱分析的预测能力的评估。为子样本建光谱预处理建立近红外光谱–偏最小二乘回归模型，因为包含对选取最重要的波长对变量重要性投影选择光谱二阶导数的可变信息处理（VIP）方法（Wold et al.,1993），如在之前的研究中就使用相同的数据集（Ceacute;cillon et al.,2008）。通过衡量在近红外–偏最小二乘回归模型的重要性，VIP方法计算出了每个波长的总谱。只有VIP计算出的总谱大于1波长才能保留在模型中。于是根据选定的波长，产生了一种新的偏最小二乘回归法方法。统计处理采用B.H.Mevik开发的R软件2.6.1版本（R Development Core Team, 2007）与为PCA和DA 提供的ade4软件包（Chessel et al., 2004），PLSR软件包（Mevik and Wehrens, 2007），Chong and Jun（2005）的可变信息处理算法。
<o
剩余内容已隐藏，支付完成后下载完整资料</o
资料编号：[32040]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
