土壤铬含量对水稻生长发育和产量形成的影响

在盆栽土培条件下,以武香粳14号为材料,设置不同土壤铬含量(300、400、600、1 000 mg·kg-1),研究长期铬协迫对水稻生长发育和产量形成的影响。结果表明:①随着土壤铬含量的增加,水稻主茎总叶数变少、植株变矮、抽穗期延迟。在土壤铬处理中,对水稻主茎总叶数、株高和抽穗期有显著影响的土壤起始浓度分别为1 000、600和 300 mg·kg-1;②土壤铬处理的水稻产量低于对照,且随着土壤铬含量的提高,产量降幅显著增大(r=-0．998 ); ③土壤铬处理后水稻减产的主要原因是每穗颖花数减少,其次是千粒重下降,而穗数和结实率无明显变化;④土壤铬处理后每穗颖花数减少主要是由于抽穗期单茎干物重下降所致,而单位干物重形成颖花的能力增加;⑤随着土壤铬含量的增加,水稻生物产量显著下降,经济系数无明显变化。生物产量下降主要与水稻生育前期物质生产能力明显降低有关。

基于多元统计分析的土壤铬含量高光谱估测模型

快速测定土壤重金属的含量,对防治土壤环境污染具有重要意义。本文以山东省烟台市的70个棕壤样本为研究对象,对室外光谱数据进行多种数学变换,根据极大相关性原则从光谱的一阶微分、对数倒数的一阶微分和倒数的一阶微分三种变换中选取5个波段作为反演因子,即:R_(1910.5)(一阶微分)、R_(674.1)(对数倒数的一阶微分)、R_(1609.4)、R_(1231.3)、R_(1127.3)(倒数的一阶微分),然后利用多元统计分析方法和BP神经网络方法分别建立土壤金属铬含量高光谱估测模型。实验结果表明,当利用多元统计分析方法建立估测模型时,14个检验样本的平均相对误差为4.906%,模型的决定系数R^2=0.971,其效果优于BP神经网络模型。研究表明,利用多元统计分析法建立土壤金属铬含量高光谱估测模型是有效的。

东北黑土区土壤铬含量高光谱反演研究

以东北黑土区某农场为研究区,在光谱积分定义的基础上,提出一种新的光谱特征参数——反向光谱吸收积分,建立偏最小二乘回归模型对土壤中铬元素含量进行反演研究。与传统的光谱特征参量,包括微分变换、倒数变换、对数变换等11种光谱变换以及吸收面积建立的土壤铬含量高光谱反演模型进行对比分析,结果表明:在光谱变换特征中,平方根一阶微分模型能够较好地定量预测铬含量;吸收面积模型稳定性略差,只能对样本进行初略估计;针对反向光谱吸收积分模型,其建模样本的调整决定系数为0.73,均方根误差为2.63 mg/kg;验证样本的调整决定系数为0.77,均方根误差为2.36 mg/kg,相对偏差为3.21,表明此模型具有极好的预测能力。因此,反向光谱吸收积分能够明显改善铬含量反演模型的精度和稳定性,为土壤铬污染监测提供了新的思路。

土壤重金属铬含量高光谱灰色关联度估测

快速、准确地测定土壤重金属含量,对防治土壤重金属污染、改善土壤环境和保障食品安全有着重要意义。以山东省烟台市采集的70个土壤样本为基础,首先分析土壤重金属铬含量的分组光谱特性;然后利用6种变换方法对土壤光谱反射率进行变换,根据极大相关性原则选取反演因子;最后利用灰色关联度模型初步估测铬含量,并对估测结果进行修正,采用决定系数和平均相对误差评价模型的有效性。结果表明,土壤光谱反射率随铬含量的升高而降低,二者呈负相关性;利用灰色关联度模式识别方法对重金属铬含量进行估测后的决定系数为R^2=0.656,平均相对误差为16.590%,而利用灰色关联度修正模型对估测值进行修正后,决定系数为R^2=0.912,平均相对误差为6.632%。研究表明,利用灰色关联度修正模型定量估侧土壤重金属铬含量有效。

区域土壤空间抽样方法研究

对不同空间抽样方法进行对比研究是寻找具有空间相关性的不同资源和调查对象的最适宜抽样设计方案的重要手段。该文以广东省增城市土壤铬含量为空间要素,分别采用空间简单随机抽样、空间分层抽样和三明治抽样3种方法进行抽样;为便于比较3种方法的抽样精度,设定相同样本容量,采用Kriging插值对抽样结果进行精度评价。结果表明:在较为丰富的先验知识的情况下,三明治空间抽样方法所抽样点在预测土壤重金属含量分布情况时得到的克里格估值误差最小,是一种抽样精度更高、适用范围更广的抽样方案。