《Soil Science Society of America Journal》:Soil phosphorus fractions across contrasting cropping systems and sampling stages: Chemometric screening with excitation-emission matrix fluorescence
编辑推荐:
土壤磷(P)在不同活性、中等保留和残留库之间的季节性再分配难以在评估肥料利用效率、土壤肥力以及与长期土壤磷累积相关的磷流失风险所需的尺度上进行监测。本研究评估了将激发-发射矩阵(EEM)荧光光谱与化学计量学相结合的方法,用于筛查不同种植制度下从播种前到收获后的
土壤磷(P)在不同活性、中等保留和残留库之间的季节性再分配难以在评估肥料利用效率、土壤肥力以及与长期土壤磷累积相关的磷流失风险所需的尺度上进行监测。本研究评估了将激发-发射矩阵(EEM)荧光光谱与化学计量学相结合的方法,用于筛查不同种植制度下从播种前到收获后的Hedley无机磷(Pi)分级变化:包括一年生玉米(常规实践)、玉米加覆盖作物(替代实践1)以及多年生混合牧草(替代实践2)。连续分级结果显示,所有系统中树脂提取态Pi(Resin-Pi)和碳酸氢钠提取态Pi(NaHCO3-Pi)均有所下降,而残留态P(residual P)在替代实践2中增加最多。对EEMs进行平行因子分析(PARAFAC)解析出了类蛋白和类腐殖质荧光组分,并表明收获后向更多与钙(Ca)、锰(Mn)相关的类腐殖质荧光转变,同时氢氧化钠提取态Pi(NaOH-Pi)、盐酸提取态Pi(HCl-extractable Pi)和残留态P库的代表性增强。预测性能评估采用了偏最小二乘回归(PLSR)、N维偏最小二乘回归(NPLS)以及结合PARAFAC得分和瑞利区描述符的PLSR(PLS-PARAFAC-R)。各分级的特定表现表明,每个磷分级需要单独校准,而非采用通用模型。对于Resin-Pi(预测R2 = 0.775;性能偏差比[RPD] = 2.169)、浓盐酸提取态Pi(Conc-HCl-Pi)(预测R2 = 0.755;RPD = 2.078)和残留态P(预测R2 = 0.829;RPD = 2.489),PLS-PARAFAC-R表现最佳。对于NaOH-Pi(预测R2 = 0.862;RPD = 2.766)和稀盐酸提取态Pi(Dil-HCl-Pi)(预测R2 = 0.662;RPD = 1.769),展开EEMs的PLSR表现最佳,而NPLS对NaHCO3-Pi(预测R2 = 0.781;RPD = 2.199)表现略优。总体而言,EEM荧光结合化学计量学建模可通过支持对土壤磷分级中季节性和管理相关变化的筛选级评估,来补充湿化学分级方法。
研究背景与科学问题
土壤磷(P)是作物生产的关键元素,但历史上因施肥和粪肥投入累积的遗留磷可滞留在农业土壤中,并以溶解态或颗粒态形式流失,损害地表水水质。这些遗留磷分布在活性和稳定性各异的有机与无机库中,其相对重要性会随作物吸收、残体输入、水分条件和管理措施在一个生长季内发生变化。然而,常规土壤测试通常只报告单一的土壤测试磷指数,无法提供关于影响农学有效性和环境脆弱性的各库间再分配的深入信息。因此,在以季节性监测和管理比较所需的高采样强度下获取分级水平的磷信息仍然困难。尽管Hedley等开发的连续分级法能将土壤磷操作性地划分为树脂提取态、碳酸氢盐提取态、氢氧化物提取态和酸提取态等不同活性和保留强度的组分,但其劳动密集、试剂消耗大,难以在大规模样品集或重复的季节性采样中推广。光学光谱技术虽已被广泛探索作为土壤属性的快速代理指标,但多数研究将磷视为单一响应变量,而非考察其在操作定义的分级间的再分配,且很少在设计验证时考虑播种前与收获后等季节性对比。此外,即使预测性能看似良好,预测可能主要依赖于与碳、质地和矿物学等土壤整体属性的间接协方差,而非与特定磷库化学性质更密切相关的预测因子。溶解性有机质(DOM)化学为解释磷的再分配提供了有用框架,因为有机配体可影响阳离子活性、矿物表面反应性以及磷酸根与有机分子对活性吸附位点的竞争。激发-发射矩阵(EEM)荧光光谱结合平行因子分析(PARAFAC)能够解析提取态DOM中的重复性光学组分,反映其来源、处理程度和金属相互作用潜力。然而,鲜有研究评估荧光衍生的DOM描述符能否支持对多个连续提取的无机磷(Pi)分级而非单一土壤测试磷指标进行筛选。为此,研究人员开展了本项概念验证研究,旨在测试EEM荧光结合化学计量学能否补充湿化学分级法,用于筛查不同种植制度和采样阶段下操作性定义的土壤磷分级的季节性和管理相关变异。
研究方法与技术路线
研究人员从美国农业部-农业研究服务局北部大平原研究实验室的长期农业生态系统研究(LTAR)农田共同试验站采集土壤样品,该站点位于北达科他州曼丹附近。试验采用随机完全区组设计,包含三种管理处理和四次重复:常规实践(PP)为春小麦-玉米-大豆轮作免耕无覆盖作物;替代实践1(AP1)为相同轮作但在春小麦后加种覆盖作物并在玉米行间套种;替代实践2(AP2)为紫花苜蓿与中间偃麦草混播多年生割草系统。土壤于2023年5月24日(播种前)和11月29日(收获后)两个时间点从0-10 cm深度采集。主要关键技术方法包括:(1)Hedley连续分级法测定六种操作定义的Pi分级:树脂提取态Pi(Resin-Pi)、碳酸氢钠提取态Pi(NaHCO3-Pi)、氢氧化钠提取态Pi(NaOH-Pi)、稀盐酸提取态Pi(Dil-HCl-Pi)、浓盐酸提取态Pi(Conc-HCl-Pi)和残留态P(Residual P);(2)甲醇-磷酸缓冲液土壤提取物的EEM荧光光谱采集与分析;(3)对各采样阶段分别建立两组分PARAFAC模型解析DOM荧光组分;(4)采用三种回归模型——展开式偏最小二乘回归(PLSR)、N维偏最小二乘回归(NPLS)以及结合PARAFAC得分和瑞利区描述符的PLSR(PLS-PARAFAC-R)——进行磷分级预测,并使用分组留一图-阶段交叉验证和预留样本评估模型性能。
研究结果
3.1 无机磷分级的季节性变化
连续分级数据显示,各操作定义磷分级在播种前和收获后两个采样阶段的分布存在差异,管理系统的影响则取决于具体分级。Resin-Pi受采样阶段、管理系统及其交互作用的显著影响。播种前,AP1和PP的Resin-Pi浓度高于AP2;收获后,AP1和AP2的Resin-Pi降低,而PP变化不大。NaHCO3-Pi受采样阶段和管理系统的显著影响,但交互作用不显著,三个系统收获后浓度均降低。NaOH-Pi仅受采样阶段的显著影响,收获后各系统浓度均下降。Dil-HCl-Pi同样仅受采样阶段显著影响,收获后比例下降。Conc-HCl-Pi受采样阶段显著影响,收获后浓度略有升高,但比例变化很小。变化最显著的是残留态P,它受采样阶段、管理系统及其交互作用的极显著影响,三个系统收获后浓度均大幅增加,其中AP2的增幅最大,其收获后残留态P占总磷比例高达45%。总体而言,播种前至收获后,Resin-Pi、NaHCO3-Pi、NaOH-Pi和Dil-HCl-Pi普遍降低,残留态P升高,而Conc-HCl-Pi比例基本不变。PP和AP1通常比AP2拥有更高比例的易提取态Pi,而AP2在收获后残留态P的比例最高。
3.2 EEM荧光与土壤属性的采样阶段对比
甲醇-磷酸土壤提取物的EEMs在两个采样阶段和管理系统间表现出不同的荧光模式。AP1和PP的播种前EEMs显示类富里酸和类腐殖质荧光峰,而AP2播种前EEMs则以强烈的短激发波长类蛋白荧光峰为主,强度远超其他系统。收获后,所有系统的EEMs均转变为以长激发波长类腐殖质荧光为主导,且最大荧光强度普遍低于播种前。伴随这些光学变化,土壤含水量在所有系统中均大幅下降,而pH、总钙、总磷、总锰、总氮和总碳的变化则呈现系统特异性模式。
3.3 土壤提取物荧光的PARAFAC分析
对播种前和收获后EEM数据集分别建立了独立的两组分PARAFAC模型。播种前模型中,组分1(F1)被归类为类腐殖质,组分2(F2)被归类为类蛋白。AP2的平均总荧光强度(ΣFmax)远高于AP1和PP,且F1贡献约80%。AP1和PP的ΣFmax较低,且F1和F2贡献相近。收获后模型中,F1和F2均被归类为类腐殖质。各管理系统的平均ΣFmax范围较窄,相对组分贡献也较为相似。结果表明,管理系统间的荧光差异在播种前比收获后更为明显。
3.4 磷分级与DOM荧光的相关性及主成分分析
主成分分析(PCA)的前两个主成分解释了55.7%的总方差,样品并未按单一的季节或管理效应分离,而是沿磷分级分布和土壤化学的综合梯度分布。播种前,钙与Resin-Pi、NaHCO3-Pi和Dil-HCl-Pi呈正相关;荧光组分F1与Resin-Pi和NaHCO3-Pi呈强负相关,与总碳和总氮呈正相关。收获后,F1和F2高度相关,并与NaOH-Pi呈正相关;残留态P与Resin-Pi呈强负相关,与锰和pH呈正相关。这些结果表明,磷分级与荧光组分的关系具有采样阶段特异性。
3.5 土壤磷分级的校准与预测
三种回归模型对不同磷分级的预测能力各异。整体上,EEM基模型显示出分级特异性的筛选级至中等预测能力。外部预测R2范围为0.588至0.862,性能偏差比(RPD)范围为1.562至2.766。具体而言,PLS-PARAFAC-R对Resin-Pi(预测R2 = 0.775;RPD = 2.169)、Conc-HCl-Pi(预测R2 = 0.755;RPD = 2.078)和残留态P(预测R2 = 0.829;RPD = 2.489)表现最佳。展开式PLSR对NaOH-Pi(预测R2 = 0.862;RPD = 2.766)和Dil-HCl-Pi(预测R2 = 0.662;RPD = 1.769)表现最优,而NPLS对NaHCO3-Pi(预测R2 = 0.781;RPD = 2.199)略占优势。这表明每种磷分级需要单独的校准模型,而非通用模型。
总结与结论
本研究首次系统评估了EEM荧光光谱结合三种化学计量学方法(PLSR、NPLS、PLS-PARAFAC-R)对多种操作定义的Hedley无机磷分级进行筛选级预测的可行性。结果表明,EEM荧光确实含有可用于估计某些土壤磷分级的有用预测信息,但模型性能高度依赖具体分级,应被视为探索性筛选工具而非湿化学分级的替代品。研究强调了在评估预测性能时考虑采样阶段特异性和进行分组验证以避免过拟合的重要性。综合来看,EEM荧光结合化学计量学建模可以通过支持对土壤磷分级中季节性和管理相关变异的筛选级评估,来补充湿化学分级方法,为在更大时空尺度上监测土壤磷动态提供了一种潜在的高通量辅助手段。