不同氮效率水稻生育后期根表和根际土壤硝化特征

通过田间试验研究了不同氮效率粳稻品种4007(氮高效)和Elio(氮低效)生育后期在N0(0kgNhm-2)、N180(180kgNhm-2)和N300(300kgNhm-2)水平下根表、根际和土体土壤pH值、铵态氮(NH4+-N)和硝态氮(NO3--N)含量、硝化强度和氨氧化细菌(AOB)数量。结果表明无论是齐穗期、灌浆期还是成熟期,根表土壤pH值均显著低于根际和土体土壤。土壤pH值范围在5.95至6.84之间变化。土壤NH4+-N含量随水稻生长显著下降,且随施氮量增加而显著增加。根表土壤NH4+-N有明显亏缺区,且随距水稻根表距离增加,NH4+-N含量逐渐升高。土壤NO3--N含量随水稻生长显著增加,施氮处理均显著高于不施氮处理,但N180和N300处理差异不显著。NO3--N含量表现为根际>土体>根表。水稻根表和根际土壤硝化强度随水稻生长显著下降,而土体土壤硝化强度随时间延长小幅增加。施氮显著提高4007水稻根表土壤在齐穗和收获期硝化强度以及Elio在齐穗期根际硝化强度,但在施氮处理N180和N300中无显著差异。在整个采样期间,土壤硝化强度均表现为根际>根表>土体。水稻根表和根际AOB数量随水稻生长而显著降低,而土体土壤AOB数量无显著变化。例如,根表土壤AOB数量在齐穗期、灌浆期和收获期分别为16.7×105、8.77×105个g-1drysoil和8.01×105个g-1drysoil。根表和根际土壤AOB数量无显著差异,但二者显著高于土体土壤AOB数量。就两个氮效率水稻品种而言,土壤pH值基本无差异。4007土壤NH4+-N含量均显著高于Elio。在齐穗期水稻根表、根际和土体土壤NO3--N含量在N180水平下均表现为Elio显著高于4007。而在灌浆期和收获期,水稻根表、根际和土体土壤则表现为4007显著高于Elio。在所有采样期,两个水稻品种土体土壤硝化强度和AOB数量在3个施氮量下均无显著差异。Elio根表和根际土壤硝化强度和AOB数量在水稻灌浆期之前一直显著高于4007,而在灌浆期之后则显著低于4007,且最终产量和氮素利用率(NUE)显著低于4007,这可能是由于4007灌浆期后硝化作用强,根际产生的NO3--N含量高,从而4007根吸收NO3--N的量也高造成的。因此水稻灌浆期和收获期根表和根际硝化作用以及AOB与水稻高产及氮素高效利用密切相关。

基于卷积神经网络的堆肥腐熟度预测

【目的】目前堆肥腐熟度主要采用复杂的化学、生物学方法进行判断,操作繁琐且效率低。卷积神经网络(convolutional neural network,CNN)模拟人类视觉,既可保留堆肥图像的颜色信息,也提取了轮廓、线条、粒度等更加具有代表性的特征,从而避免了因光照条件不同对堆肥腐熟度预测识别效果的影响。本文提出了通过堆肥图像判断堆肥腐熟度的方法,构建基于卷积神经网络的堆肥腐熟度预测模型,并验证了该模型进行堆肥腐熟度判断的准确度。【方法】供试堆肥样本采集自江苏、山东、浙江三省,堆肥原料分别为秸秆、尾菜和畜禽粪便,堆肥周期依次为50 d、45 d和60 d。在厂棚内的堆肥槽中,用海康威视摄像头(型号为C3W,焦段为广角,焦距2.8 mm,清晰度1080 p,夜间自动补光,摄像头距堆肥表面约1 m)拍摄不同腐熟时期的堆肥图像,图像格式为JPEG。分别取三种不同原料的堆肥图像样本构成三组图像数据集,将三种原料的图像按照尾菜∶秸秆∶畜禽粪便原料1∶1∶1构成第四组图像数据集。每组数据集中,80%的图像数据用于训练基于卷积神经网络模型,并建立预测模型参数。剩余20%的图像用于测试,验证模型的腐熟度预测效果。【结果】搭建的堆肥腐熟度预测模型由输入层、3层卷积层、3层池化层、2层全连接层和输出层构成。构建的腐熟度预测模型在秸秆、尾菜、畜禽粪便及三者堆肥混合图像数据集上的腐熟度预测平均准确率分别为98.7%、98.7%、98.8%和98.2%。与几种经典高效的图像特征提取、分类方法相比,较每个数据集上最优经典算法的平均准确率提升了3~14个百分点。通过CNN方法判断堆肥腐熟度,纹理特征比颜色特征更加有效。【结论】采用卷积神经网络的堆肥腐熟度预测模型能够提取堆肥图像外观特征,实现在可见光条件下直接通过堆肥图像准确、快速地识别堆肥腐熟度,可为堆肥企业生产实践提供指导。

氮肥和多环芳烃对农田土壤细菌群落的影响

氮肥是农业生产的重要保障,多环芳烃是广泛存在的环境污染物,它们可能共存于农田土壤中,对微生物群落产生影响。为探究施氮肥和多环芳烃污染叠加情况下的土壤微生物生态效应,采集农田土壤,设置添加尿素和苯并[a]蒽的组合处理,建立微宇宙进行培养。在测定硝态氮积累、土壤pH以及污染物矿化的基础上,结合定量PCR、高通量测序等方法,研究尿素和苯并[a]蒽对土壤细菌群落特征的影响。结果显示,尿素导致土壤中硝态氮的积累,显著增加了细菌氨单加氧酶基因(amo A)拷贝数,但对古菌amoA基因丰度的影响不明显;施用尿素导致土壤p H值降低,显著影响14个主要土壤细菌门中的10个,使得土壤细菌群落多样性显著下降,整体结构发生极大变化;相对于尿素而言,苯并[a]蒽84 d的矿化率为10%左右,长期作用下具有改变土壤微生物群落组成和结构的潜力;尿素对苯并[a]蒽的矿化未产生显著影响,但苯并[a]蒽对土壤中氨氧化古菌有抑制作用,抑制比例最高达63%。这些结果表明,尿素导致土壤中硝化微生物的富集,并通过降低p H而对微生物群落产生深远的影响,而苯并[a]蒽对土壤重要功能群和细菌总体群落有潜在的风险。该研究有助于阐明农田土壤中铵态氮肥和多环芳烃的复合生态效应,为揭示有机污染物和氮转化间的交互作用机制提供了科学依据。