基于近红外反射光谱对针叶林土壤中包括微生物生物量在内的有机质含量测定外文翻译资料

英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

基于近红外反射光谱对针叶林土壤中包括微生物生物量在内的有机质含量测定

Marie-Madeleine Coucirc;teauxa,*, Bjouml;rn Bergb, Pere Rovirac

摘要：这项研究的目的是探究近红外反射光谱（NIRS）对土壤中C和N含量进行测定的作用：不稳定复合物、土壤微生物数量、采自额外标记13C和15N的稻草复合物。土壤样本是在以前实验中获得的，在实验中被额外标记13C和15N的土壤来自瑞典北部（64-600N）和法国南部（430N）小麦麦秆和逐渐成形的松果林。用7-9个样本按照固定的时间步骤进行繁殖，持续三年，并对每一个样本按照该步骤重复4次（204个样本）。样本采用近红外反射分光光度计对样本进行了扫描（近红外反射光谱系统6500）。使用修正的偏最小二乘回归法对全C和N、13C15N、控制提取-C、-N、-13C和-15N、消毒提取的-C、-N、-13C和-15N以及生物量中的-C、-N、-13C和-15N含量的参考数据进行校准，在吸收率数据中使用精确的数学方法处理，间隔4到10nm的一阶或二阶导数。在标准化过程中，标准误差背离参考量度比率对于10个模型来说是le;0.2，，因此认为是最好的，即全C和N、13C15N、控制提取的-C、-N、-13C和-15N、消毒提取的-C、-N、-13C和-15N以及生物量中的-C、-N和-15N模型。基于R2=0.955，消毒提取的-15N模型也可以，独立组的数据和美国证券交易委员会的性能计算的标准误差在20%以内，除了生物质-15N模型方程外，对所有最好的方程都是适用的。近红外反射光谱对于检测13C和15N在全C和N中提炼物的作用显著，不是因为它的可预测的功能，它在这个案例中并没有多大意义，而是由于即使在两三年的分解腐烂之后，它的光谱指标仍然保留了稻秆中有机物的特性，生物量中13C的合并预测效果比15N稍差一些，这表明来自稻杆中的生物量的特征是由一种特殊的蛋白质，或者一种与总生物量相比较而包括很大比率的休眠微生物的氨基酸组合物。因为传统分析很耗费时间，所以近红外反射光谱对微生物的C和N含量的预测能力是特别引人关注的。此外，近红外反射光谱可以检测分析误差。

关键词：近红外反射光谱；13C；15N；土壤有机质；微生物生物量；森林土壤

1 引言

近红外反射光谱一直很广泛地应用于很多种类的产品有机复合物的测定，尤其是估算牧草质量（Winch and Major, 1981; Duncan et al.,1987; Shenk and Westerhaus, 1991; Mathison et al., 1999;Deaville and Flinn, 2000; Garnsworthy et al., 2000)，它也可以应用于估算树木的营养元素和灌木树叶(Meuret et al., 1993)。通过这些研究可以看出，这种方法用于很少腐烂的化学变化(McLellan et al., 1991; Joffre et al.,1992; Gillon et al., 1993; Coucirc;teaux et al., 1998; McTiernan,1998; Kurz-Besson, 2000; McTiernan et al., 2003)，这些应用关系到含有较高有机质的物质。在另一方面土壤也许包含90%或者更多的无机物，尽管矿物质在红外辐射中是显而易见的，特别是二氧化硅组成的无机物部分比较大，但是最近在测定土壤中有机质含量较低的复合物的尝试中展示了很好的效果，特别是对于全C和N (Reeves et al., 1999, 2000)发展运用近红外反射光谱对土壤组分的测定的工作正在进行中(Chang et al., 2001; Shepherd andWalsh,2002)。然而，只有一小部分研究将近红外反射光谱与土壤生物活动联系在一起。提出的基于近红外反射光谱的预测模型用于土壤呼吸、生物量或潜在可矿化N (Palmborg and Nordgren, 1993; Fritze and Jauml;rvinen, 1994; Reeves et al., 1999; Reeves and McCarty, 2001)，并且Reeves et al. (2000)调整模型以适应一些酶活动，对于这种方法可以扩展到更大范围的应用，是由于它节省时间、节约成本，并且不具有破坏性，因此，它对基于大数据的使用有很好的适用性，尤其是在相对于花费时间长且价格昂贵的传统分析的时候。

这项研究的目标是获得近红外光谱在测定生物组分中土壤C和N含量的用处，例如不稳定复合物、微生物生物量和从麦秆中提取额外标记13C和15N。目标不仅是获得近红外反射光谱预测模型，而且可以帮助理解一些生物化过程，例如麦秆分解过程。

2 材料与方法

2.1 研究区域与土壤特性

土壤样品是从以前的实验中获取的，在实验中被额外标记13C和15N的土壤来自瑞典北部（64-600N）和法国南部（430N）的小麦麦秆和逐渐成形的松果林，用7-9个样本按照规律的时间步骤进行繁殖，持续三年，并对每一个样本按照步骤重复4次（204个样本）。研究区域和土壤特征如表1，两种类型的界限分析如下：（1）来自两个北方灰壤区域的OH层含有的原始C和N含量从35.7%变化到44.8%，而两个地中海区域则从0.83变化到1.64%。（2）来自两个地中海区域的A1层含有的原始C和N含量分别从2.6变化到5.8%和从0.13变化到0.39%。在整个区域的PH值（H2O）从3.1变化到7.3。这些土壤的更多特征由Bottner et al. (2000) 和Coucirc;teaux et al. (2001)给出。

2.2 传统分析

在测量土壤中总的C和N、13C和15N的同位素比值、生物量中的13C和15N的同位素比值以及在矿物N中的15N的同位素比值时，使用一种与大质量分光仪结合的CN元素分析法(Finnigan delta S or MAT 252)。表示C和15N的价值是从富含同位素的土壤引出计算来区别同位素和自然同位素比率，同位素比率从1.081变化到1.083，自然同位素13C和15N比率从0.3637变化到0.3681。

矿物N从不定样本中提取出来（大约有机物土壤4g和矿物土壤35-50g），0.5M的K2SO4方法150ml离心10min产出6000g，渗透并直到分析前储存在-18℃环境下。当解冻时首先用MGO蒸馏萃取出NH4 ，然后用DEWARDA的合金来催化使NO3-降低到NH4 。NH3的发展被限制在0.05MH2SO425ML里，一部分（3ml）被用来测量（自动流量分析仪的演进Ⅱ，联盟的NHthorn;仪器）NH4 的-N浓度，剩下的解法是使脱水干燥并且使（NH4）2SO4结晶用来测定同位素比率。微生物量用熏蒸提取法来测定（Vance et al., 1987)。使用相同的方法提取的提取物作为矿物N而不是分开样本。对于生物N来说，样本被矿化并且用对矿物N一样的措施进行。对于生物C来说，正如一些土壤包含碳酸盐，无机碳从额外的浓缩物H3PO4N（1:3）中消除。在离心之后，有机C含量在控制中用化学品对酸化土壤提取物消毒，并使用Shimadzu TOC analyser岛津TOC分析仪进行分析。

2.3 光谱指纹和光谱采集

近红外反射光谱来自含波段的任务和在中红外波段涉及到类似氢的拉伸方式产生的基础振动的结合，如CH、NHOH暗含波段(Osborne et al., 1993)。近红外反射可以作为有机质结构的一个指纹。

在空气干燥以后，OH样本被研磨(Cyclotec，Tecator)至可以穿过1mm的网孔，A1样本被手工研磨并筛选至可以通过1mm网孔并且打包到带有石英窗的样本细胞中（直径：3cm）。用近红外反射光谱对样本进行扫描（近红外系统6500，Tecator, Foss，法国），两个对单色光的重复测量是用振荡凹陷全像栅格覆盖400-2500nm反射光谱在2nm间隔（即可见光近红外波段），这给1050个数据点一个光谱。样本细胞在扫描期间高速旋转，将测量和记录的能量反射回来，每个扫描都代表着64个结合生产一个单个测量光谱的方式。反射率通过如下方程被修改为吸收率（A）：A=log(1/R)，这里的R是指样本反射率与参考标准之比。

2.4 光谱预处理

数据分析使用winisi2版1.02a软件进行(Foss NIRSystems/Tecator, Infrasoft国际有限公司)。对所有样本数据进行主成分分析，首要的因素说明方差达到81.85%和99.66%的8个因子可以被用来测量马氏距离（H）（Mark and Tunnell, 1985），马氏距离矩阵在全部光谱对中形成，所有光谱距离均高于一个阈值H，通常超过3即被舍弃（Shenk and Westerhaus, 1991）。数据基础被分成两个文件：前三个复制被用来实现校准（最大153个样本），第四个复制被用来作为一个独立的验证文件（最大51个样本）。

散射校正光的光谱数据被用来减少颗粒大小的影响，或者除去一般的线性或曲线趋势，增加log(1/R)反射率范围变化1100-2500nm（Sinnaeve et al., 1994），导数数学处理方法对噪声敏感度取决于所选择的频谱段的大小（间隙），间隙越小，灵敏度越高，噪声越大。相反，一个大的间隙就可以导致峰值的丢失，为了减少噪声，需要对光谱进行平滑处理。数学处理由三个数值表示：（1）衍生水平，（2）纳米尺寸的差距，（3）平滑点的数量。最常用的数学处理计价的“1,4,4”是指第一衍生物用间隔4nm和4点被平滑处理。平滑的数据点数量应该等于或小于间隔。然而，并没有“最好”的方法。通常，尝试和发现错误是通过搜索最低预测误差来优化光谱处理的唯一的方法。

2.5 校正

近红外光谱是一种间接分析方法，因为它是基于经验模型发展中的从复杂的光谱数据对一个成分的浓度进行预测。回归方程被用来建立近红外和参考方法之间的数学关系。我们采用改进的偏最小二乘法回归法，它是主成分分析和多元回归的结合。

交叉检验是用来确定最优数量的校正表达方式，选择四分之三的校正集来建立模型，四分之一用来预测，这次验证程序需要进行四次，为模型发展和预测使用所有模型。这四次的剩余误差合并一起，提供一个标准的交叉验证误差（SECV）。从SECV的最小值决定要使用的数量来看，这应该是最低的防止过拟合的方法。所有的样本被用来计算最后的模型，残差给出标准误差的标准（美国证券交易委员会），一个好的模型有SEC/SDle;0.2，其中SD是参考值的标准偏差。如果0.2lt;SEC/SDlt;0.5，定量预测应谨慎行事。选择方程的第二步是衡量标准误差（SEP）的性能，这对每个方程来说都是使用不包括校准的样本集。SEC和SEP的值应该在彼此的20%范围内。

样本光谱中的异常值超出人口样本的部分用来校正（Y-异常值），或者用来区别参考值与预测值之间过大的差异，这与剩余标准差有关（X-异常值）。Y异常值检测使用H距离和用软件自动与中心算法去除，X异常值出现在校准中，并在交叉验证程序中移除。

3 结果

3.1 参考数据

平均值、中间值和测量数据的变化范围见表2。变量的变化范围非常大，均在20层以上。除了NH4 -N和-15N,每个组成的平均值和中间值距离相差通常小。

因为我们从有机质（OH界限）和矿物质土壤（AL界限）中计算出C数据，数据被视作两个组，分别有分离高和低C含量（图2-4）。因为总N的三组可以通过最高、中间和最低N含量来区分，所有未分层的元素、矿物土壤价值是最低的，并且通常与有机质土壤价值有明显不同。数据更多地为13C和15N所分散作为指向原始C和N的标签过程。控制La Clape的OH层的提取-C高出大概3倍（plt;0.001），控制La Clape的OH层提取13C大概比其他样本的最高测量值高出6倍。对于其他的要素来说，价值在不断分散。

3.2 光谱

对每一个地点平均四个复制品的光谱在表格1a–f。每一个光谱代表一个样本，在温德恩有一个光谱接近重叠的地方（图1a).在Jauml;draa°s，近红外区域的吸收率趋向于增加繁殖长度。在Theacute;zan和La Clape层处，对OH和AL层来说，吸收率在繁殖初期低于全光谱；它们在平均时期增长并在繁殖结束的时候降低至原始水平（图1c–f)。

地区的平均光谱如图1g所示。最相似的光谱为温德恩土壤和Theacute;zan和La Clape层。然而，尽管在可见光光谱区域温德恩的价值比在Theacute;zan Oh层处的要低，翻转过来比La Clape Oh层的要低，但在近红外区域的相反的位置有一个转换。在可见光光谱区域，Jauml;draa°s价值与那些大部分地区有些相似，尽管在近红外光谱区域，Jauml;draa°s价值是最高的。两个矿物土壤（Al）表现出与OH层不同的样式，并且彼此之间有明显的不同。

3.3 基于全部样本的校准和确认

光谱数据经过消除长期趋势，对除了控制与用化学品消毒提取-13C和控制提取-N外的标准正常变量大多数因素修正进行预处理。所有的波长从400

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[32011]，资料为PDF文档或Word文档，PDF文档可免费转换为Word