CN112630408A - 一种建立农田土壤有效锌含量预测模型的方法 - Google Patents
一种建立农田土壤有效锌含量预测模型的方法 Download PDFInfo
- Publication number
- CN112630408A CN112630408A CN202011482452.XA CN202011482452A CN112630408A CN 112630408 A CN112630408 A CN 112630408A CN 202011482452 A CN202011482452 A CN 202011482452A CN 112630408 A CN112630408 A CN 112630408A
- Authority
- CN
- China
- Prior art keywords
- soil
- prediction model
- content
- zinc
- effective zinc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 title claims abstract description 76
- 239000011701 zinc Substances 0.000 title claims abstract description 76
- 229910052725 zinc Inorganic materials 0.000 title claims abstract description 76
- 239000002689 soil Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 36
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 44
- 235000015097 nutrients Nutrition 0.000 claims abstract description 31
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 22
- 239000005416 organic matter Substances 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims abstract description 5
- QPCDCPDFJACHGM-UHFFFAOYSA-N N,N-bis{2-[bis(carboxymethyl)amino]ethyl}glycine Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(=O)O)CCN(CC(O)=O)CC(O)=O QPCDCPDFJACHGM-UHFFFAOYSA-N 0.000 claims description 7
- 229960003330 pentetic acid Drugs 0.000 claims description 6
- 238000002386 leaching Methods 0.000 claims description 5
- 238000010561 standard procedure Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000005527 soil sampling Methods 0.000 claims description 3
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000020774 essential nutrients Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Geology (AREA)
- Immunology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Food Science & Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种建立农田土壤有效锌含量预测模型的方法,步骤如下:(1)采集农田种植土壤样品,测定有机质、全氮、有效锌、pH值等养分;(2)利用SPSS软件对所有养分数据进行相关性分析;(3)建立了土壤有效锌的预测模型。本发明建立了土壤有效锌含量的预测模型,通过全氮及有机质含量即可计算有效锌含量,直观快速地反映土壤有效锌含量水平,大大简化了测定的工作流程,避免了测定过程中由于不稳定因素造成的结果误差,减少了化学试剂的应用,经济环保高效。
Description
技术领域
本发明属于土壤养分预测技术领域,涉及建立农田土壤有效锌含量预测模型的方法,特别是针对天津地区农田土壤有效锌的预测方法,尤其是一种建立农田土壤有效锌预测模型的方法。
背景技术
锌是农作物生长发育必需的营养元素之一。作物缺锌时,生长发育会受到影响,出现如叶片变小、开花少、结果不正常等一系列问题。掌握农田土壤有效锌的含量,可反映土壤的供锌能力,结合土壤其他的养分指标,有利于评估种植农产品长势及产量。同时根据种植农产品种类的需求不同,更加合理的施用或补充微量元素肥料,为合理化管控投入品的施用提供理论支持。
目前土壤有效锌含量的测定,主要是根据相关行业标准的检测方法,即采用二乙三胺五醋酸即DTPA溶液浸提的方法来检测。由于该浸提体系属于非平衡体系的提取过程,因此对实验条件标准化要求非常严格,检测环节中稍有变动,就可能影响结果准确性,检测过程复杂,效率低下,不利于相关科研工作的快速推进。建立其他养分指标与有效锌之间的预测模型,揭示了土壤营养微量元素与关键养分指标之间的相关性,直观反映出土壤为作物供给营养的状态,为加速开展农田种植相关的科研工作提供了高效快捷的手段和工具。国内目前有较多关于土壤有效锌含量及评估的报道,部分文献针对有效锌与其他养分指标的相关性进行了研究,表明有效锌与土壤养分指标之间确实存在相关性,但建立的数学模型多为一元线性模型,而建立多元回归模型的研究,并不多见。且相关研究均以其他地区土壤为样品,针对天津本地种植土壤的预测模型未见报道。通过检索,尚未发现与本发明专利申请相关的专利公开文献。
发明内容
本发明的目的在于克服现有技术中的不足之处,提供一种建立农田土壤有效锌含量预测模型的方法。
本发明解决其技术问题所采用的技术方案是:
一种建立农田土壤有效锌含量预测模型的方法,步骤如下:
其中,y为土壤有效锌含量,单位为mg/kg;x 1 为全氮含量,单位为%;x 2 为有机质含量,单位为g/kg; a、b、c为常数;
根据所述预测模型,测定区域内待测土样的全氮及有机质含量,代入预测模型即可计算有效锌含量;计算得出有机质含量与检测土样实际测得的有效锌进行比较,可对该模型准确性和可靠性进行验证。
本发明进一步公开了建立农田有效锌指标预测模型方法在用于直观快速地反映土壤锌含量的状况方面的应用。实验结果显示,利用SPSS软件对实验数据进行多元回归分析,得到所述预测模型,预测选取土样的有效锌含量与实际测定结果比较,预测偏差均小于5%。
本发明公开的建立农田土壤有效锌含量预测模型的方法与县域技术相比所具有的积极效果在于:
(1)本发明方法利用实验数据与数学模型统计相结合的方式,分析了土壤营养元素与主要养分之间的相关性,并建立了预测模型,揭示了各养分指标间的关系及相互影响的模式。预测模型的建立简化了有效锌测定的工作流程,提高了科研及检测效率,减少了化学试剂的应用。表1给出了实验测定有效锌需要消耗的化学试剂用量,与此对比,预测模型减少了诸多化学试剂的投入,也减少了废液的产生,更加高效便捷,经济环保。
表1 实验测定有效锌与预测模型消耗化学试剂用量对比
(2)本发明方法可避免由于非平衡体系提取实验中,非标准化因素对于结果准确性的影响,通过更为稳定的全氮及有机质含量进行有效锌的预测,直观快速地反映土壤锌含量的状况。
(3)本发明方法为今后研究其他省市种植土壤营养元素及养分预测模型提供了理论基础,可根据本发明进而推广到各个地区的土壤营养元素预测,以此建立数据管理系统,为农作物种植管控提供有力的数据支撑。
本发明主要解决了农田土壤关键营养元素快速预测,以及处于非平衡体系提取实验测营养元素有效态造成结果误差的问题,重点考察了土壤关键营养元素有效态与养分指标之间的相关性,以及建立预测模型的准确性,主要的难点在于从多个养分指标中筛选出与有效锌具有显著相关性的指标,同时利用数学统计方法,从众多数学模型中筛选出预测效果最理想的模型。
具体实施方式
下面结合实施例,对本发明进一步说明,下属实施例是叙述性的,不是限定性的,不能以下述实施例来限定本发明的保护范围。本发明中所使用的原料,如无特殊说明,均为常规市售产品,本发明中所使用的方法,如无特殊说明,均为本领域常规方法,本发明所用各物质质量均为常规使用质量。
实施例1
一种建立农田土壤有效锌含量预测模型的方法,步骤如下:
其中,y为土壤有效锌含量,单位为mg/kg;x 1 为全氮含量,单位为%;x 2 为有机质含量,单位为g/kg; a、b、c为常数;
根据所述预测模型,测定区域内待测土样的全氮及有机质含量,代入预测模型即可计算有效锌含量;计算得出有效锌含量与检测土样实际测得的有效锌进行比较,可对该模型准确性和可靠性进行验证。
较优地,所述步骤中3个指标为全氮(%)、有机质(g/kg)和有效锌(mg/kg), 其中有效锌是指用二乙三胺五醋酸即DTPA浸提法测定的含量。较优地,利用SPSS软件对实验数据进行多元回归分析,得到所述预测模型,预测选取土样的有效锌含量与实际测定结果比较,预测偏差均小于5%。
实施例2
一种建立农田土壤有效锌含量预测模型的方法, 具体地相关制备及检测如下:
(1)预测模型的建立
分别在不同地区采集农田土壤样品90个,根据国家标准方法测定关键养分指标,包括有效锌、全氮及有机质等参数,参见表2;
表2 3个区域土样各养分指标含量(n=90)
(2)利用SPSS软件对所有养分数据进行相关性分析,结果显示3个指标具有显著相关性,如表3所示;
表3 3个指标之间的相关性
注:**.在0.01水平上显著相关;*.在0.05水平上显著相关。
(3)通过SPSS软件的多元线性回归分析方法,建立了土壤有效锌含量的预测模型,所述的关系模型为:
其中,y为土壤有效锌含量,单位为mg/kg;x 1 为全氮含量,单位为%;x 2 为有机质含量,单位为g/kg; a~c为常数;
根据以上方法及3个地区土样养分数据的回归分析,分别建立了3个地区土壤有效锌预测模型方程,如表4所示。建立模型后,可通过待测土样的相关养分参数,预测有效锌含量。
表4 3个区域有效锌预测模型方程
(4)预测模型的检验
分别取3个地区的土壤样品,按照国家标准方法测定全氮、有机质及有效锌含量,再将全氮及有机质分别代入预测模型中,得到每个土样有效锌含量的预测值,将检测值与预测值之间进行对比以检验预测模型的可靠性。
表5 有效锌检测值与预测值之间对比
由表5可知,检测值与预测值之间误差均小于5%,表明本发明所建立的预测模型可靠性较好,能够应用于土壤有效锌含量的预测。
尽管为说明目的公开了本发明的实施例,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例所公开的内容。
Claims (6)
1.一种建立农田土壤有效锌含量预测模型的方法,其特征在于按如下的步骤进行:
(1)采集同一区域内若干农田种植土壤样品,分别根据国家标准方法测定关键养分指标;
(2)利用SPSS软件对所有数据进行相关性分析,结果显示3个指标具有显著相关性;
其中,y为土壤有效锌含量,单位为mg/kg;x 1 为全氮含量,单位为%;x 2 为有机质,单位为g/kg; a、b、c为常数;
根据所述预测模型,测定区域内待测土样的全氮及有机质含量,代入预测模型即可计算有效锌含量;计算得出有效锌含量与检测土样实际测得的有效锌进行比较,可对该模型准确性和可靠性进行验证。
2.权利要求1所述的建立农田有效锌指标预测模型的方法,其中步骤(1)中土壤样品均为天津本地农田种植土壤,取土样深度均为0-15cm。
3.权利要求1所述的建立农田有效锌指标预测模型的方法,其中步骤(1)中关键养分指标包括有效锌、全氮和有机质。
4.权利要求1所述的建立农田有效锌指标预测模型的方法,其中步骤(2)中3个指标为:全氮(%)、有机质(g/kg)和有效锌(mg/kg),所述的有效锌是指用二乙三胺五醋酸即DTPA浸提法测定的含量。
5.权利要求1至4任一项所述的建立农田有效锌指标预测模型的方法,其特征在于:利用SPSS软件对实验数据进行多元回归分析,得到所述预测模型,预测选取土样的有效锌含量与实际测定结果比较,预测偏差均小于5%。
6.权利要求1所述建立农田有效锌指标预测模型方法在用于直观快速地反映土壤锌含量的状况方面的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482452.XA CN112630408A (zh) | 2020-12-16 | 2020-12-16 | 一种建立农田土壤有效锌含量预测模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482452.XA CN112630408A (zh) | 2020-12-16 | 2020-12-16 | 一种建立农田土壤有效锌含量预测模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112630408A true CN112630408A (zh) | 2021-04-09 |
Family
ID=75313401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011482452.XA Pending CN112630408A (zh) | 2020-12-16 | 2020-12-16 | 一种建立农田土壤有效锌含量预测模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112630408A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107860889A (zh) * | 2017-09-22 | 2018-03-30 | 华南农业大学 | 土壤有机质的预测方法和设备 |
-
2020
- 2020-12-16 CN CN202011482452.XA patent/CN112630408A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107860889A (zh) * | 2017-09-22 | 2018-03-30 | 华南农业大学 | 土壤有机质的预测方法和设备 |
Non-Patent Citations (4)
Title |
---|
乔依娜等: "农田土壤有效态微量元素空间预测方法及影响因子定量分析", 《土壤》 * |
刘合满等: "黄土高原主要土壤锌有效性及其影响因素", 《农业环境科学学报》 * |
崔斗斗等: "鸟王茶产地土壤微量元素有效态特征及影响因素研究", 《贵州科学》 * |
赵国平等: "运城市土壤有效锌影响因素的探讨", 《农业技术与装备》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9354235B2 (en) | System and process for quantifying potentially mineralizable nitrogen for agricultural crop production | |
CN102879340A (zh) | 基于近红外光谱快速检测块根/茎类作物营养品质的方法 | |
CN112417655A (zh) | 一种建立农田土壤有机质预测模型的方法 | |
CN101762569A (zh) | 一种畜禽粪便工厂化堆肥发酵过程的无损监测方法 | |
CN110567892A (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
CN109725133B (zh) | 土壤水分实时监测系统及其监测方法 | |
CN103822886A (zh) | 生物腐植酸的分析检测及其碳系数的测定方法 | |
CN106198447A (zh) | 基于近红外光谱技术的复混肥主要成分无损定量检测方法 | |
Zhu et al. | Continuous in situ soil nitrate sensors: the importance of high‐resolution measurements across time and a comparison with salt extraction‐based methods | |
Crookston et al. | Relationships of on‐farm soil health scores with corn and soybean yield in the midwestern United States | |
CN101620195A (zh) | 一种气味传感器检测次郎甜柿内部品质的方法 | |
CN101769867A (zh) | 一种堆肥产品品质的无损检测方法 | |
CN111401610B (zh) | 一种整合偏最小二乘法与数据包络模型pls-dea的林地土壤质量评价方法 | |
CN112630408A (zh) | 一种建立农田土壤有效锌含量预测模型的方法 | |
CN105548522A (zh) | 一种土壤检测智能系统 | |
US9631219B2 (en) | Metabolic rate indicator for cellular populations | |
CN106841101A (zh) | 近红外快速检测小麦秸秆腐熟度的方法 | |
CN102721602A (zh) | 一种测定烟叶营养元素的方法 | |
CN110570914B (zh) | 测量沼液营养成分含量的方法 | |
Todorova et al. | Estimation of total N, total P, pH and electrical conductivity in soil by near-infrared reflectance spectroscopy. | |
CN102680529B (zh) | 一种有机肥养分含量快速分析方法 | |
CN112326593A (zh) | 利用近红外技术快速监测蘑菇培养基质的腐熟程度的方法 | |
CN113793645A (zh) | 一种基于机器学习模型的堆肥腐熟度预测方法 | |
CN112198299A (zh) | 一种基于贝叶斯理论的土壤有机碳矿化能力的测定方法 | |
CN111504944A (zh) | 基于近红外光谱的柠檬酸发酵液化清液的统计监控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210409 |