CN113299350B - 一种利用土壤pH预测苏打盐碱化学指标的方法 - Google Patents

一种利用土壤pH预测苏打盐碱化学指标的方法 Download PDF

Info

Publication number
CN113299350B
CN113299350B CN202110549653.5A CN202110549653A CN113299350B CN 113299350 B CN113299350 B CN 113299350B CN 202110549653 A CN202110549653 A CN 202110549653A CN 113299350 B CN113299350 B CN 113299350B
Authority
CN
China
Prior art keywords
soil
soluble
content
follows
prediction equation
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.)
Active
Application number
CN202110549653.5A
Other languages
English (en)
Other versions
CN113299350A (zh
Inventor
刘淼
梁正伟
王明明
杨昊谕
靳洋洋
冯钟慧
魏天娇
陆冠茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Institute of Geography and Agroecology of CAS
Original Assignee
Northeast Institute of Geography and Agroecology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Institute of Geography and Agroecology of CAS filed Critical Northeast Institute of Geography and Agroecology of CAS
Priority to CN202110549653.5A priority Critical patent/CN113299350B/zh
Publication of CN113299350A publication Critical patent/CN113299350A/zh
Application granted granted Critical
Publication of CN113299350B publication Critical patent/CN113299350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/73—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited using plasma burners or torches
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Plasma & Fusion (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Processing Of Solid Wastes (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

一种利用土壤pH预测苏打盐碱化学指标的方法，本发明涉及一种预测苏打盐碱化学指标的方法。本发明解决了现有获取苏打盐碱土壤的化学指标测定周期长、需要大量人力物力予以支持的问题。方法：一、测定土壤pH；二、按照回归预测方程进行预测。本发明预测数据科学准确，节省了大量的苏打盐碱土壤化学指标测定时间和人力物力资源，为苏打盐碱土壤化学指标的一种高通量预测方法。

Description

一种利用土壤pH预测苏打盐碱化学指标的方法
技术领域
本发明涉及一种预测苏打盐碱化学指标的方法。
背景技术
盐碱土壤遍布100多个国家，总面积超过9亿公顷，约占全球总面积的四分之一土地面积，对农业的可持续发展构成了严峻挑战。松嫩平原是世界最大的碱性土壤区域之一，有373多万公顷处于碱化状态。更令人震惊的是，该地区每年约有20.0×103公顷的土地被新盐化和/或碱化，对作物生产构成了严重威胁。与中性氯化钠滨海盐碱地相比，苏打盐碱土壤理化性质极其恶劣，具有高碱度(pH>8.5、ESP＞50％)，极差的土壤结构和压实土壤的特征，从生态和经济角度看，苏打盐碱土壤开发利用尤为重要。而有效获取苏打盐碱土壤的化学指标是土壤改良的基础，目前苏打盐碱土壤化学指标主要是通过pH计、电感耦合等离子体发射光谱仪、双指示剂滴定法、紫外分光光度计、硝酸银滴定法等方法进行测定，测定周期长、需要大量人力物力予以支持，苏打盐碱土壤指标的科学快速获取存在一定困难。
发明内容
本发明为了解决现有获取苏打盐碱土壤的化学指标测定周期长、需要大量人力物力予以支持的问题，而一种利用土壤pH预测苏打盐碱化学指标的方法。
本发明利用土壤pH预测苏打盐碱化学指标的方法按照以下步骤进行：
一、取苏打盐碱土壤，测定土壤pH；
二、按照以下回归预测方程，完成了对苏打盐碱化学指标的预测，即：
1、土壤pH与可溶性K+含量回归预测方程为：Y＝4.376E-11x9.998(R2＝0.468**)
2、土壤pH与可溶性Na+含量回归预测方程为：Y＝8.876E-13x13.764(R2＝0.770**)
3、土壤pH与可溶性Ca2+含量回归预测方程为：Y＝8.665E-19x19.183(R2＝0.635**)；
4、土壤pH与可溶性Mg2+含量回归预测方程为：Y＝1.099E-7e1.722x(R2＝0.665**)
5、土壤pH与可溶性CO3 2-含量回归预测方程为：Y＝1.861x2-32.126x+138.41(R2＝0.675**)
6、土壤pH与可溶性HCO3 -含量回归预测方程为：Y＝1.332E-16x17.772(R2＝0.786**)
7、：土壤pH与可溶性Cl-含量回归预测预测方程为：Y＝1.251E-6e1.810x(R2＝0.791**)
8、土壤pH与可溶性总阴离子回归预测方程为：Y＝1.251E-6e1.810x(R2＝0.791**)
9、土壤pH与可溶性总阳离子含量回归预测方程为：Y＝2.665E-13x14.425(R2＝0.786**)
10、土壤pH与可溶性总离子含量回归预测方程为：Y＝7.413E-6e1.692x(R2＝0.782**)
11、土壤pH与SAR回归预测方程为：Y＝4E-4x4.652(R2＝0.425**)
12、土壤pH与ESP回归预测方程为：Y＝0.718x1.728(R2＝0.399**)
13、土壤pH与总碱度回归预测方程为：Y＝9.210E-17x17.946(R2＝0.791**)
14、土壤pH与RSC回归预测方程为：Y＝37.069x2-628.892x+2666.550(R2＝0.608**)
15、土壤pH与CROSS回归预测方程为：Y＝0.001x4.473(R2＝0.403**)。
本发明的方法通过回归方程，可以基于土壤pH预测苏打盐碱土壤可溶性K+、Na+、Ca2+、Mg2+、CO3 2-、HCO3 -、Cl-、SAR、ESP、总阴离子含量、总阳离子含量、总离子含量、总碱度、RSC、CROSS共15种土壤化学指标，本发明的测定方法不需要多种仪器设备、解决了测定周期长、需要大量人力物力予以支持的问题，本发明可以简单快速、经济有效的获取多个土壤化学指标。
本发明的方法预测数据科学准确，节省了大量的苏打盐碱土壤化学指标测定时间和人力物力资源，为苏打盐碱土壤化学指标的一种高通量预测方法。
附图说明
图1是实施例2苏打盐碱土壤可溶性Na+含量预测值与实测值相关性
图2是实施例3苏打盐碱土壤可溶性HCO3-含量预测值与实测值相关性
图3是实施例4苏打盐碱土壤可溶性总阴离子含量预测值与实测值相关性
图4是实施例5苏打盐碱土壤可溶性总阳离子含量预测值与实测值相关性
图5是实施例6苏打盐碱土壤可溶性总离子含量预测值与实测值相关性
具体实施方式
具体实施方式一：本实施方式利用土壤pH预测苏打盐碱化学指标的方法按照以下步骤进行：
一、取苏打盐碱土壤，测定土壤pH；
二、按照以下回归预测方程，完成了对苏打盐碱化学指标的预测，即：
1、土壤pH与可溶性K+含量回归预测方程为：Y＝4.376E-11x9.998(R2＝0.468**)
2、土壤pH与可溶性Na+含量回归预测方程为：Y＝8.876E-13x13.764(R2＝0.770**)
3、土壤pH与可溶性Ca2+含量回归预测方程为：Y＝8.665E-19x19.183(R2＝0.635**)；
4、土壤pH与可溶性Mg2+含量回归预测方程为：Y＝1.099E-7e1.722x(R2＝0.665**)
5、土壤pH与可溶性CO3 2-含量回归预测方程为：Y＝1.861x2-32.126x+138.41(R2＝0.675**)
6、土壤pH与可溶性HCO3 -含量回归预测方程为：Y＝1.332E-16x17.772(R2＝0.786**)
7、：土壤pH与可溶性Cl-含量回归预测预测方程为：Y＝1.251E-6e1.810x(R2＝0.791**)
8、土壤pH与可溶性总阴离子回归预测方程为：Y＝1.251E-6e1.810x(R2＝0.791**)
9、土壤pH与可溶性总阳离子含量回归预测方程为：Y＝2.665E-13x14.425(R2＝0.786**)
10、土壤pH与可溶性总离子含量回归预测方程为：Y＝7.413E-6e1.692x(R2＝0.782**)
11、土壤pH与SAR回归预测方程为：Y＝4E-4x4.652(R2＝0.425**)
12、土壤pH与ESP回归预测方程为：Y＝0.718x1.728(R2＝0.399**)
13、土壤pH与总碱度回归预测方程为：Y＝9.210E-17x17.946(R2＝0.791**)
14、土壤pH与RSC回归预测方程为：Y＝37.069x2-628.892x+2666.550(R2＝0.608**)
15、土壤pH与的CROSS回归预测方程为：Y＝0.001x4.473(R2＝0.403**)；
本实施方式步骤一中测定土壤pH的方法：苏打盐碱土壤取样，土壤样品风干后，按照重量份数比为1：5的比例与水混合搅拌30分钟，沉降至少3小时，离心机高速离心后获取浸提液，然后采用PHS-3C数字式pH计测定浸提液，即得到的苏打盐碱土壤pH。
本实施方式步骤二中建立回归预测方程的方法：
一、采用电感耦合等离子体发射光谱仪(ICPS-7500，Shimadzu公司，日本)测定可溶性K+、Na+、Ca2+、Mg2+离子含量；采用双指示剂滴定法测定可溶性CO3 2-和HCO3 -含量，采用紫外分光光度计(UV-2550，岛津公司，日本)测定可溶性SO4 2-含量，采用硝酸银滴定法测定可溶性Cl-含量；
二、计算钠吸附比(SAR)、碱化度(ESP)、总阴离子含量、总阳离子含量、总离子含量、总碱度、残余碳酸钠(RSC)、土壤结构稳定性阳离子比(CROSS)；
三、采用SPSS软件对土壤pH和可溶性K+、Na+、Ca2+、Mg2+、CO3 2-、HCO3 -、Cl-、SAR、ESP、总阴离子含量、总阳离子含量、总离子含量、总碱度、RSC、CROSS共15个指标进行相关性分析；
四、采用SPSS软件分别对土壤pH与可溶性K+、Na+、Ca2+、Mg2+、CO3 2-、HCO3 -、Cl-、SAR、ESP、总阴离子含量、总阳离子含量、总离子含量、总碱度、RSC、CROSS化学指标构建回归方程。
本实施方式将需要测定土壤化学指标的样本通过本实施方式相应的预测模型公式计算得到预测化学指标值。
本实施方式的测定方法不需要多种仪器设备、解决了测定周期长、需要大量人力物力予以支持的问题；本实施方式可以简单快速、经济有效的获取多个土壤化学指标。
实施例1 2019年，在中国科学院大安碱地生态试验站苏打盐碱地，采用本发明的方法预测苏打盐碱土壤的化学指标
利用土壤pH预测苏打盐碱化学指标的方法按照以下步骤进行：
一、取苏打盐碱土壤，测定土壤pH；
二、按照以下回归预测方程，完成了对苏打盐碱化学指标的预测，即：
1、土壤pH与可溶性K+含量回归预测方程为：Y＝4.376E-11x9.998(R2＝0.468**)
2、土壤pH与可溶性Na+含量回归预测方程为：Y＝8.876E-13x13.764(R2＝0.770**)
3、土壤pH与可溶性Ca2+含量回归预测方程为：Y＝8.665E-19x19.183(R2＝0.635**)；
4、土壤pH与可溶性Mg2+含量回归预测方程为：Y＝1.099E-7e1.722x(R2＝0.665**)
5、土壤pH与可溶性CO3 2-含量回归预测方程为：Y＝1.861x2-32.126x+138.41(R2＝0.675**)
6、土壤pH与可溶性HCO3 -含量回归预测方程为：Y＝1.332E-16x17.772(R2＝0.786**)
7、土壤pH与可溶性Cl-含量回归预测预测方程为：Y＝1.251E-6e1.810x(R2＝0.791**)
8、土壤pH与可溶性总阴离子回归预测方程为：Y＝1.251E-6e1.810x(R2＝0.791**)
9、土壤pH与可溶性总阳离子含量回归预测方程为：Y＝2.665E-13x14.425(R2＝0.786**)
10、土壤pH与可溶性总离子含量回归预测方程为：Y＝7.413E-6e1.692x(R2＝0.782**)
11、土壤pH与SAR回归预测方程为：Y＝4E-4x4.652(R2＝0.425**)
12、土壤pH与ESP回归预测方程为：Y＝0.718x1.728(R2＝0.399**)
13、土壤pH与总碱度回归预测方程为：Y＝9.210E-17x17.946(R2＝0.791**)
14、土壤pH与RSC回归预测方程为：Y＝37.069x2-628.892x+2666.550(R2＝0.608**)
15、土壤pH与的CROSS回归预测方程为：Y＝0.001x4.473(R2＝0.403**)；
上述步骤一中测定土壤pH的方法：苏打盐碱土壤取样，土壤样品风干后，按照重量份数比为1：5的比例与水混合搅拌30分钟，沉降至少3小时，离心机高速离心后获取浸提液，然后采用PHS-3C数字式pH计测定浸提液，即得到的苏打盐碱土壤pH。
上述步骤二中建立回归预测方程的方法：
一、采用电感耦合等离子体发射光谱仪(ICPS-7500,Shimadzu公司，日本)测定可溶性K+、Na+、Ca2+、Mg2+离子含量；采用双指示剂滴定法测定可溶性CO3 2-和HCO3 -含量，采用紫外分光光度计(UV-2550，岛津公司，日本)测定可溶性SO4 2-含量，采用硝酸银滴定法测定可溶性Cl-含量；
二、计算钠吸附比(SAR)、碱化度(ESP)、总阴离子含量、总阳离子含量、总离子含量、总碱度、残余碳酸钠(RSC)、土壤结构稳定性阳离子比(CROSS)；
三、采用SPSS软件对土壤pH和K+、Na+、Ca2+、Mg2+、CO3 2-、HCO3 -、Cl-、SAR、ESP、总阴离子含量、总阳离子含量、总离子含量、总碱度、RSC、CROSS共15个指标进行相关性分析；
四、采用SPSS软件分别对土壤pH与K+、Na+、Ca2+、Mg2+、CO3 2-、HCO3 -、Cl-、SAR、ESP、总阴离子含量、总阳离子含量、总离子含量、总碱度、RSC、CROSS化学指标构建回归方程。
上述将需要测定土壤化学指标的样本通过本实施方式相应的预测模型公式计算得到预测化学指标值。
本实施例以244个土壤样本的16种实测苏打盐碱土壤化学指标为基础，通过相关分析，确定土壤pH与以上15个化学指标具有极显著相关性(P＜0.001)，本发明通过回归方程可以基于土壤pH预测15种土壤的化学指标。
实施例2 2019年预测中国科学院大安碱地生态试验站苏打盐碱土壤可溶性Na+离子含量
在对中国科学大安碱地试验站苏打盐碱土壤进行取样，待土壤样品风干后，使用1：5的土水比混合，将其搅拌30分钟，并沉降至少3小时，离心机高速离心后获取浸提液。采用PHS-3C数字式pH计测定浸提液pH，采用电感耦合等离子体发射光谱仪(ICPS-7500，Shimadzu公司，日本)测定可溶性Na+离子含量。
使用基于土壤pH与可溶性Na+含量的回归预测方程Y＝8.876E-13x13.764，对可溶性Na+含量进行预测。例如：土壤pH分别为9.95、9.89、9.52、9.48和9.57，则根据回归预测方程，可溶性Na+含量分别为48.11、44.27、26.19、24.72和28.15mmolc/L。进一步应用回归方程对可溶性Na+含量实测值与可溶性Na+含量预测值进行拟合(图1)，拟合优度R2＝0.854**，P＜0.0001，说明该方程具有统计学意义，本发明的方法实现了对苏打盐碱土壤可溶性Na+离子含量预测。
实施例3 2019年预测中国科学院大安碱地生态试验站苏打盐碱土壤可溶性HCO3-离子含量
在对中国科学大安碱地试验站苏打盐碱土壤进行取样，待土壤样品风干后，使用1：5的土水比混合，将其搅拌30分钟，并沉降至少3小时，离心机高速离心后获取浸提液。采用PHS-3C数字式pH计测定浸提液pH，用双指示剂滴定法测定可溶性HCO3 -离子含量。
使用基于土壤pH与可溶性HCO3 -含量的回归预测方程Y＝1.332E-16x17.772，对可溶性HCO3-含量进行预测。例如：土壤pH分别为9.95、9.89、9.52、9.48和9.57，则根据回归预测方程，可溶性HCO3 -含量分别为72.08、64.73、32.87、30.50和36.08mmolc/L。进一步应用回归方程对可溶性Na+含量实测值与可溶性HCO3-含量预测值进行拟合(图2)，拟合优度R2＝0.789**，P＜0.0001，说明该方程具有统计学意义，本发明的方法实现了对苏打盐碱土壤可溶性HCO3-离子含量预测。
实施例4 2019年预测中国科学院大安碱地生态试验站苏打盐碱土壤可溶性总阴离子含量
苏打盐碱土壤取样待土壤样品风干后，使用1：5的土水比混合，将其搅拌30分钟，并沉降至少3小时，离心机高速离心后获取浸提液。采用PHS-3C数字式pH计测定浸提液pH，采用双指示剂滴定法测定可溶性CO3 2-和HCO3 -含量，采用紫外分光光度计(UV-2550，岛津公司，日本)测定可溶性SO4 2-含量，采用硝酸银滴定法测定可溶性Cl-含量；加和后为总阴离子含量。
使用基于土壤pH与可溶性总阴离子含量的回归预测方程Y＝1.251E-6e1.810x，对可溶性总阴离子含量进行预测。例如：土壤pH分别为9.95、9.89、9.52、9.48和9.57，则根据回归预测方程，可溶性总阴离子含量分别为82.92、74.39、38.08、35.42和41.68mmolc/L。进一步应用回归方程对可溶性总阴离子含量实测值与可溶性总阴离子含量预测值进行拟合(图3)，拟合优度R2＝0.800**，P＜0.0001，说明该方程具有统计学意义，本发明方法实现了苏打盐碱土壤可溶性总阴离子含量预测。
实施例5 2019年预测中国科学院大安碱地生态试验站苏打盐碱土壤可溶性总阳离子含量
苏打盐碱土壤取样待土壤样品风干后，使用1：5的土水比混合，将其搅拌30分钟，并沉降至少3小时，离心机高速离心后获取浸提液。采用PHS-3C数字式pH计测定浸提液pH，采用电感耦合等离子体发射光谱仪(ICPS-7500，Shimadzu公司，日本)测定可溶性K+、Na+、Ca2+、Mg2+离子含量，加和后为总阳离子含量。
使用基于土壤pH与可溶性总阳离子含量的回归预测方程Y＝8.876E-13x13.764，对可溶性总阳离子含量进行预测。例如：土壤pH分别为9.95、9.89、9.52、9.48和9.57，则根据回归预测方程，可溶性总阳离子含量分别为65.96、60.45、34.88、32.82和37.61mmolc/L。进一步应用回归方程对可溶性总阳离子含量实测值与可溶性总阳离子含量预测值进行拟合(图4)，拟合优度R2＝0.853**，P＜0.0001，说明该方程具有统计学意义，本发明方法实现了苏打盐碱土壤可溶性总阳离子含量预测。
实施例6 2019年预测中国科学院大安碱地生态试验站苏打盐碱土壤可溶性总离子含量的方法
苏打盐碱土壤取样待土壤样品风干后，使用1：5的土水比混合，将其搅拌30分钟，并沉降至少3小时，离心机高速离心后获取浸提液。采用PHS-3C数字式pH计测定浸提液pH，采用电感耦合等离子体发射光谱仪(ICPS-7500，Shimadzu公司，日本)测定可溶性K+、Na+、Ca2+、Mg2+离子含量，采用双指示剂滴定法测定可溶性CO3 2-和HCO3 -含量，采用紫外分光光度计(UV-2550，岛津公司，日本)测定可溶性SO4 2-含量，采用硝酸银滴定法测定可溶性Cl-含量，加和后为可溶性总离子含量。
使用基于土壤pH与可溶性总离子含量的回归预测方程Y＝8.876E-13x13.764，对可溶性总离子含量进行预测。例如：土壤pH分别为9.95、9.89、9.52、9.48和9.57，则根据回归预测方程，可溶性总离子含量分别为151.89、137.22、73.37、68.57和79.85mmolc/L。进一步应用回归方程对可溶性总离子含量实测值与可溶性总离子含量预测值进行拟合(图5)，拟合优度R2＝0.853**，P＜0.0001，说明该方程具有统计学意义，本发明方法实现了苏打盐碱土壤可溶性总离子含量预测。
根据实施例1～6可知，本发明的方法可以简单快速、经济有效的获取多个土壤化学指标。

Claims (1)

1.一种利用土壤pH预测苏打盐碱化学指标的方法，其特征在于利用土壤pH预测苏打盐碱化学指标的方法按照以下步骤进行：
一、取苏打盐碱土壤，测定土壤pH；
二、按照以下回归预测方程，完成了对苏打盐碱化学指标的预测，即：
1、土壤pH与可溶性K+含量回归预测方程为：Y=4.376E-11x9.998 （R2=0.468**）
2、土壤pH与可溶性Na+含量回归预测方程为：Y=8.876E-13x13.764 （R2=0.770**）
3、土壤pH与可溶性Ca2+含量回归预测方程为：Y=8.665E-19x19.183 （R2=0.635**）；
4、土壤pH与可溶性Mg2+含量回归预测方程为：Y=1.099 E-7e1.722x （R2=0.665**）
5、土壤pH与可溶性CO3 2−含量回归预测方程为：Y = 1.861x2 - 32.126x + 138.41（R2=0.675**）
6、土壤pH与可溶性HCO3 −含量回归预测方程为：Y=1.332E-16x17.772（R2=0.786**）
7、：土壤pH与可溶性Cl−含量回归预测预测方程为：Y=1.251E-6e1.810x（R2=0.791**）
8、土壤pH与可溶性总阴离子回归预测方程为：Y=1.251E-6e 1.810x（R2=0.791**）
9、土壤pH与可溶性总阳离子含量回归预测方程为：Y=2.665E-13x14.425（R2=0.786**）
10、土壤pH与可溶性总离子含量回归预测方程为：Y=7.413E-6e1.692x（R2=0.782**）
11、土壤pH与SAR回归预测方程为：Y=4E-4x4.652（R2=0.425**）
12、土壤pH与ESP回归预测方程为：Y=0.718x1.728（R2=0.399**）
13、土壤pH与总碱度回归预测方程为：Y=9.210E-17x17.946（R2=0.791**）
14、土壤pH与RSC回归预测方程为：Y= 37.069x2 - 628.892x + 2666.550（R2=0.608**）
15、土壤pH与CROSS回归预测方程为：Y=0.001x4.473（R2=0.403**）；其中R2表示拟合优度，**表示极显著相关性。
CN202110549653.5A 2021-05-20 2021-05-20 一种利用土壤pH预测苏打盐碱化学指标的方法 Active CN113299350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110549653.5A CN113299350B (zh) 2021-05-20 2021-05-20 一种利用土壤pH预测苏打盐碱化学指标的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110549653.5A CN113299350B (zh) 2021-05-20 2021-05-20 一种利用土壤pH预测苏打盐碱化学指标的方法

Publications (2)

Publication Number Publication Date
CN113299350A CN113299350A (zh) 2021-08-24
CN113299350B true CN113299350B (zh) 2022-06-07

Family

ID=77322975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110549653.5A Active CN113299350B (zh) 2021-05-20 2021-05-20 一种利用土壤pH预测苏打盐碱化学指标的方法

Country Status (1)

Country Link
CN (1) CN113299350B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435640B (zh) * 2021-06-24 2022-07-26 中国科学院东北地理与农业生态研究所 预测苏打盐碱地水稻主要生育期不同耕层土壤原位ec的方法
CN114894994A (zh) * 2022-03-23 2022-08-12 清华大学 一种快速诊断土壤碱化程度及测算石膏类改良剂施用量的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN87105995A (zh) * 1986-12-29 1988-12-21 斯托弗化学公司 细质土壤的改良方法
CN106093326A (zh) * 2016-05-31 2016-11-09 中国海洋大学 一种近岸海水pH值的检测方法
CN110702741A (zh) * 2019-10-10 2020-01-17 潍坊友容实业有限公司 一种通过确定盐渍土类型结合tds参数精确计算土壤含盐量的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107370784A (zh) * 2017-02-24 2017-11-21 淮阴师范学院 一种基于无线传感网络的大区域农田土壤远程监测系统
CN110836923A (zh) * 2019-11-26 2020-02-25 暨南大学 一种土壤重金属浓度估算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN87105995A (zh) * 1986-12-29 1988-12-21 斯托弗化学公司 细质土壤的改良方法
CN106093326A (zh) * 2016-05-31 2016-11-09 中国海洋大学 一种近岸海水pH值的检测方法
CN110702741A (zh) * 2019-10-10 2020-01-17 潍坊友容实业有限公司 一种通过确定盐渍土类型结合tds参数精确计算土壤含盐量的方法

Also Published As

Publication number Publication date
CN113299350A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113299350B (zh) 一种利用土壤pH预测苏打盐碱化学指标的方法
Bertsch et al. Aluminum
Dohrmann Cation exchange capacity methodology II: A modified silver–thiourea method
CN102590105B (zh) 消除阴离子干扰的测定铝量的铬天青分光光度法
CN109085268A (zh) 一种盐产品中无机阴离子的测定方法
Bergaya et al. Cation and anion exchange
CN110702741A (zh) 一种通过确定盐渍土类型结合tds参数精确计算土壤含盐量的方法
Satyanarayanan et al. High precision multielement analysis on geological samples by HR-ICP-MS
CN106770886A (zh) 绝缘子污秽水溶性阳离子成分检测分析‑离子色谱法
CN104330522A (zh) 一种土壤中阳离子交换量的测定方法
CN102590471B (zh) 一种矿质土壤中Cd（II）溶解态和吸附态的确定方法
Matsue et al. A new equilibration method for cation‐exchange capacity measurement
CN105890956B (zh) 一种离子吸附型稀土矿离子相标准物质及其制备方法
CN103698352B (zh) 皮革重金属色谱分析的标准溶液母液和标准曲线制备方法
CN111595710A (zh) 在不同温度条件下碳酸盐岩溶蚀的水岩反应模拟实验方法
CN106290049A (zh) 一种测试被硫酸盐侵蚀的混凝土内部硫酸根离子浓度的方法
El-Shahawi et al. Ion pairing based polyurethane foam sorbent packed column combined with inductively coupled plasma–optical emission spectrometry for sensitive determination and chemical speciation of bismuth (III & V) in water
CN108982646A (zh) 一种通过碳酸盐岩硼同位素组成重建中新元古代海水硼同位素组成的方法
CN105067614A (zh) 硅钙钡镁合金中钙、镁、钡含量的连续测定方法
CN106645378B (zh) 一种鉴别离子吸附型稀土矿风化程度的方法
CN106855504A (zh) 一种快速测定硫酸根含量的方法
Brach-Papa et al. Fit for purpose validated method for the determination of the strontium isotopic signature in mineral water samples by multi-collector inductively coupled plasma mass spectrometry
CN105203656A (zh) 一种山东地区绝缘子污秽水溶性阴离子成分测定方法
CN102590470B (zh) 一种矿质土壤中Pb（II）溶解态和吸附态的确定方法
CN110261418B (zh) 精确测定羟基磷灰石中β-磷酸三钙的含量的方法

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
GR01 Patent grant
GR01 Patent grant