2. 哈尔滨学院信息工程学院, 哈尔滨 150086
2. School of Information Engineering, Harbin University, Harbin 150086, China
土壤颜色不仅是土壤分类的关键指标,也是判断土壤肥力和养分变化的重要依据[1-2]。无论是土壤学领域应用最广泛的门赛尔比色系统,还是国际光学委员会建立的定量描述物体颜色的CIE L*a*b*系统,都包括一个重要的颜色参数,就是亮度值(Lightness,L)[3],其范围为0(黑)~ 100(白),与之相反的描述即黑度值(黑度值=100 – L)。土壤有机质(SOM)含量是影响土壤黑度的重要因素[4]。一般而言,黑度较大的土壤较浅色土壤含有更高的有机质,而对于矿物组成相同的土壤,SOM含量越高,其黑度值也越大[5]。诸多研究采用统计学方法,建立了土壤黑度与SOM间的关系,并应用到SOM的快速预测中,与其他颜色参数(色调、色值、色度、红度、黄度等)相比,土壤黑度与SOM含量的关系更加密切,二者呈现显著的正相关关系[6-7]。
黑土作为一种以黑色为主色调的土壤,其矿物组成中富含2︰1型硅酸盐黏土矿物,该类型矿物在颜色上呈现亮度较高的白色,但另一方面,黑土所富含的有机质,会对黏土矿物的白色产生掩蔽作用[4],加之黑土不受碳酸盐、铁氧化物等其他显色物质的干扰,因此,相比于其他颜色的土壤,黑土颜色与SOM间的关系更加紧密。长期高强度利用导致黑土退化严重,最直观表现是SOM含量显著下降,颜色变浅。野外开展土壤调查时,研究人员往往通过土壤颜色的深浅来判断黑土的SOM含量或肥沃程度,但这些判断目前仍缺乏微观数据的支撑,黑土颜色的深浅与其SOM含量存在何种定量关系仍不得而知。此外,土壤含水量的差异会导致土壤光谱反射率的变化,从而导致土壤黑度的变化[8],量化土壤含水量和黑度间的关系,可为土壤可见光谱技术研究提供重要依据。
SOM组成复杂,不同组分对土壤颜色的影响也各异,例如,胡敏酸对土壤的着色能力强于富里酸[7]。由于腐殖质在SOM中的比例较高,而且具有颜色深的特质,因此腐殖质含量较高的土壤,普遍具有较深的颜色。但腐殖质作为一种化学提取物质,并不适于开展土壤颜色研究,因为化学方法提取的SOM,具有选择性,还会对SOM的组成和结构产生破坏,不能真实反应SOM的颜色特征[9]。而土壤物理分组,更能反应SOM的自然特征,是目前SOM分组研究中普遍采用的技术手段。但纵观国内外研究现状,有关不同土壤物理组分对其颜色影响的研究非常匮乏。Simon等[7]对美国915个砂质土壤的研究发现,不同粒径的颗粒对土壤颜色的影响存在较大差异,土壤的亮度值与砂粒含量呈正相关,但与粉粒和粘粒的含量呈负相关。郭成士等[10]采用物理分组方法,研究了砂姜黑土不同物理组分的颜色特征及其对土壤黑度的影响。有关黑土不同物理组分与其颜色间关系的研究还未见报道。
综上,本研究假设:(1)有机质和矿质含量不同的物理组分,在颜色上可能存在着一定的差异;(2)含量和成分上的差异,会导致不同组分对土壤颜色的贡献不同。为验证以上假设,以典型黑土为研究对象,采用基于CIE L*a*b*颜色分析系统的分光测色仪,结合传统土壤物理分组方法,来研究黑土SOM含量与其颜色间的定量关系,明确不同物理组分对土壤黑度的贡献,揭示黑土黑色的形成机理,以期为黑土地保护利用和土壤外业调查提供理论依据和数据支撑。
1 材料与方法 1.1 区域概况及土壤样品采集土壤样品采自于黑龙江省海伦市,该市位于中国典型黑土分布带的中部,成土的气候条件为温带大陆性季风气候,年均降水量500 ~ 600 mm,年均气温约1.5 ℃,年均≥ 10 ℃有效积温2 400 ~ 2 500 ℃;成土母质为第四纪黄土状物质;大地形为平原,海拔高度为200 ~ 240 m,10 000 m水平距离内起伏高差10 ~ 30 m不等,存在大量排水不畅的低洼地;自然土壤的植被为草原化草甸植被,土壤垦殖期大约120年,种植作物包括玉米(Zea mays L.)、大豆(Glycine max L.)、小麦(Triticum aestivum L.)和水稻(Oryza sativa),一年一季,生长季为120 ~ 130 d。于2022年5月分别在海伦市的前进镇、祥福镇、乐业乡和福民乡4个乡镇,选取30个采样点,土壤利用方式均为农田,种植作物为玉米或大豆。在每个采样点,按蛇形法用土钻采集10个表层(0 ~ 20 cm)样品,混合为一个样品,采用四分法取土样约1 kg,挑除植物残体和根系后进行风干、研磨,过2 mm和0.25 mm筛备用。
1.2 土壤有机质物理分组采用物理分组方法[11-12],将SOM分为轻组有机质(light fraction organic matter,LFOM)、粗颗粒有机质(coarse particulate organic carbon,cPOM)、细颗粒有机质(fine particulate organic carbon,fPOM)和矿质结合态有机质(mineral‐associated organic matter,MAOM)。具体步骤为:称取过2 mm筛的风干土样20 g于离心管中,加入密度为1.8 g·cm–3的NaI溶液100 mL,上下颠倒10次,使土壤与NaI溶液充分接触,然后以转速3 500 r·min–1离心15 min后,收集离心管内的悬液,重复用NaI溶液处理土壤3次,悬液倒入真空过滤器,过0.45 μm滤膜,留在滤膜上的物质用0.01 mol·L–1 CaCl2溶液和蒸馏水洗涤,转移至烧杯中,于50 ℃烘干、称重,即为LFOM。继续向离心管中加入100 ml的0.5mol·L–1六偏磷酸钠溶液,振荡18 h后依次通过0.25 mm和0.053 mm筛,留在筛子上的组分为cPOM(> 0.25 mm)和fPOM(0.25 ~ 0.053 mm),通过筛子的部分为MAOM,将这3个组分在50 ℃下烘干、称重。所有组分研磨后过0.25 mm筛。
1.3 土壤理化性质测定黑度值采用便携式分光测色仪(NS-800,深圳市三恩驰科技有限公司)进行测量。该仪器以国际通用的CIE L*a*b*系统为测色标准,可定量描述土壤的颜色空间[10],测量结果中,L值代表被测物体的亮度,其值域介于0(黑)~ 100(白)之间。对5个不同含水量条件下的原土(未分组土壤)进行亮度值的测定,以体积含水量计算,分别为0%、12%、24%、36%和48%。测定前,先将过2 mm筛的土壤在50 ℃下烘干12 h,置于透明的培养皿中并压平,依据土壤重量和含水量,用移液管向培养皿中的土壤准确加入相应体积的蒸馏水,调节土壤含水量至目标值,盖上培养皿盖,静置10 min,使土壤充分被水浸润。然后随机取3个不同区域,用测色仪测量土壤的亮度值L,取3次测量的平均值,最后获得土壤的黑度值(B),B = 100 – L。不同有机质组分,仅测定其烘干样品的亮度值。
采用以下公式计算不同有机质组分对土壤黑度的贡献率:
$ {C_i} = \frac{{{P_i} \times {B_i}}}{{{P_{{\text{LFOM}}}} \times {B_{{\text{LFOM}}}} + {P_{{\text{cPOM}}}} \times {B_{{\text{cPOM}}}} + {P_{{\text{fPOM}}}} \times {B_{{\text{fPOM}}}} + {P_{{\text{MAOM}}}} \times {B_{{\text{MAOM}}}}}} $ |
式中,Ci为某一组分对土壤黑度的贡献率,Pi为某一组分的含量,Bi为某一组分的黑度值,PLF、PcPOM、PfPOM和PMAOM分别为轻组、粗颗粒、细颗粒和矿质结合态有机质组分的含量,BLF、BcPOM、BfPOM和BMAOM分别为轻组、粗颗粒、细颗粒和矿质结合态有机质组分的黑度。
土壤及其物理组分的碳含量采用元素分析仪测定(EA3000,Euro Vector,Italy)进行测定,研究土壤不含碳酸盐,全碳含量即总有机碳含量。本文重点讨论土壤有机质与黑度的关系,因此将土壤总有机碳含量换算为了土壤有机质,但土壤有机碳与有机质的转换系数不适用于各物理组分,因此,物理组分以有机碳浓度表示。
1.4 数据处理运用SPSS V19.0和GraphPad Prism 8软件进行数据分析和绘图。采用Pearson相关系数来评估不同变量之间的线性关系,包括原土黑度值与SOM含量、土壤物理组分黑度值与组分有机碳浓度间的关系,以及组分黑度与原土黑度间的关系。采用Spearman相关分析来评估土壤黑度值与土壤含水量间的定量关系。
2 结果 2.1 土壤黑度及其与有机质的相关性分析样品的土壤有机质(SOM)含量范围为30.81~76.29 g·kg–1,平均值为48.96 g·kg–1(表 1),所有样品的SOM含量呈正态分布规律(图 1)。土壤样品(烘干样)的黑度值介于60.51 ~ 68.29之间,平均值为64.05(表 1)。
在5个不同土壤含水量条件下,土壤的黑度值与SOM含量均呈现极显著正相关关系(P < 0.001,R2 ≥ 0.72,图 2),而且随着土壤含水量的升高,土壤的黑度值逐渐增大,二者呈一元二次函数关系(P < 0.001,R2 = 0.99,图 3)。
土壤4个物理组分中,LFOM、cPOM、fPOM和MAOM组分含量的平均值分别为3.50、14.23、114.6和837.7 g·kg–1(图 4),分别占原土的0.35%、1.42%、11.5%和83.8%。
从每个独立组分的黑度来看,LFOM、cPOM、fPOM和MAOM组分的黑度值分别为65.77、66.01、48.89和43.04(图 5),LFOM和cPOM组分的黑度值大于原土,而fPOM和MAOM组分的黑度值则小于原土。
LFOM、cPOM、fPOM和MAOM四个土壤物理组分的黑度均与各自相应的有机碳浓度呈显著正相关(P < 0.05),而且相关系数表现为MAOM > fPOM > cPOM > LFOM(图 6)。
图 7为原土黑度与四个不同物理组分黑度的相关性,其中LFOM和cPOM组分的黑度与原土黑度无显著相关性(P > 0.05),但fPOM和MAOM组分的黑度值则与原土黑度呈显著正相关(P < 0.01),且MAOM组分的相关系数(R2 = 0.665)大于fPOM组分(R2 = 0.272)。
MAOM组分对土壤黑度的贡献率最高,达到81.46%(图 8),其次为fPOM组分(15.90%),二者合计贡献率97.36%。LFOM和cPOM组分对土壤黑度的贡献率则分别为0.55%和2.09%。
土壤颜色是土壤物质组成的集中体现,SOM、锰可使土壤变黑,石英、碳酸盐可使土壤变白[4],赤铁矿(Fe2O3)可使土壤变红,而针铁矿(α-FeOOH)可使土壤变黄[7]。但在矿物组成大致相同时,土壤的色度变化就由SOM控制。由于SOM在土壤肥力中的重要作用,诸多研究人员试图建立SOM含量与土壤颜色间的定量关系,从而建立一种低成本、快速、有效的方法,来预测SOM含量。本研究中,黑土的黑度值为64左右,该值明显高于Vodyanitskii和Savichev[4]在俄罗斯开展的研究结果,可能是由于本研究中SOM含量(48.96 g·kg–1)明显高于后者(29.60 g·kg–1)。但与Baumann等[5]的研究结果相比,尽管本研究的SOM含量较低,黑度值却高于后者,主要是由于后者土壤所含的碳酸盐,降低了SOM对土壤的着色程度。因此,在对不同成土母质或矿物成分差异较大的土壤进行颜色与SOM间的定量关系分析时,必须考虑其他着色物质的影响。本研究中的30个土壤,成土母质与矿物组成基本一致,且均不含碳酸盐,所以可以排除其他着色物质的影响,这对于分析SOM与土壤颜色间的定量关系非常有利。
黑土的黑度值与其有机质含量呈显著正相关关系(图 2),这与绝大部分研究结果一致[13-15]。但对比不同研究结果发现,土壤黑度值与SOM的线性相关系数存在较大差异,分析其原因,主要有以下几点:一是受土壤粒径或均匀程度的影响,在德国[5]和日本[13]针对不同土壤类型开展的研究均表明,与过2 mm筛的土壤相比,粒径 < 0.5 mm土壤的黑度值与SOM的相关系数可提高45%以上,因为土壤粒径越小,均匀度越高,测得的颜色变异和误差也更低,土壤颜色与SOM间的相关性就会更强。二是与所调查土壤的有机质范围有关,有研究发现,当SOM含量大于20 g·kg–1时,SOM会掩盖其他显色因素,从而在土壤显色及可见光波的吸收中发挥主导作用,这也是高有机质含量土壤呈现黑色的重要原因[16]。但当SOM含量小于20 g·kg–1时,SOM掩盖其他因素(如黏土矿物等)的作用会大大减弱,而其他显色因素则会在土壤显色及可见光波吸收中发挥更大作用。本文中样品的SOM含量均达到了30 g·kg–1以上,根据以上研究结果推断,SOM在土壤显色中发挥主要作用。此外,土壤黑度值与SOM的相关性还与样本范围有关,当调查土壤范围较大(区域尺度),或者SOM梯度较大时,往往会获得较高的相关系数,而当土壤调查范围较小(田块尺度),或样品的SOM梯度较小时,相关系数往往较低[13]。因此,通过土壤颜色来快速预测SOM的方法更适合于在区域尺度上使用[6,17]。当然,并非所有土壤的黑度均与SOM含量呈现正相关关系,例如,我国黄淮海地区的砂姜黑土,虽然SOM含量不高(一般低于15 g·kg–1),但其颜色却较黑,主要是由于其所富含的黏土矿物蒙皂石在吸附有机质后会产生很强的黑色效应,但其受SOM含量的直接影响相对较小[13]。
水分含量也是影响土壤颜色一个重要因素,随着含水量的升高,土壤的黑度值逐渐增大(图 3)。有研究证明,水分差异会导致土壤光谱反射率的变化[8]。湿润后,土壤中的空气(折射率n = 1)被水所取代,水的折射率(n = 1.33)更接近土壤颗粒(n = 1.40 ~ 1.70),随着土壤颗粒与其周围介质的折射率差的减小,光散射相应减小[18]。因此,土壤含水量越大,其对光的吸收越强,颜色越显深色[19]。本文研究结果验证了一个实际现象,即在黑土区,往往在雨后或者土壤比较潮湿时,在视觉上会感觉土壤的颜色更深、更黑。当然,黑土的黑度值与土壤含水量之间并非呈线性关系,而是呈一元二次函数关系,当土壤含水量达到36%以上时,其黑度值便趋于稳定(图 2)。此外,值得注意的是,在0% ~ 48%这一范围内,土壤含水量的高低并未影响SOM与土壤颜色之间的相关性。总之,当采用土壤颜色或可见光谱技术研究土壤颜色属性时,必须充分考虑土壤含水量的影响。
3.2 黑土不同物理组分的黑度特征土壤分组结果表明,黑土的MAOM组分含量最大,可达80%以上(图 4),其次为fPOM组分(11.5%),LFOM和cPOM含量则不足2%。由于在形成机制上的差异,4个组分本身的有机碳浓度也存在较大差异。LFOM的主要成分是未分解或半分解的动植物残体,具有很高的微生物活性[20],其有机碳浓度最高,平均为237.7 g·kg–1,接近植物残体的碳含量(300 ~ 400 g·kg–1);颗粒态有机质组分则是经过物理破碎、轻度腐殖化的组分[9],其有机碳浓度明显低于LFOM,且cPOM组分的有机碳浓度(46.5 g·kg–1)高于fPOM(26.9 g·kg–1);而MAOM组分为有机无机复合体,其内的有机质高度腐殖化,并与土壤黏土矿物紧密结合,稳定程度高,周转时间长[21],其有机碳浓度在4个组分中最低(23.4%)。
土壤颜色分析结果证实了本文的第一个假设,即有机质和矿质含量不同的物理组分,在颜色上存在差异,表现为LFOM/cPOM > fPOM > MAOM。一般认为,腐殖化程度越强,SOM中颜色较深的胡敏酸和胡敏素含量越高,其颜色也会越深,但本文对土壤组分的独立分析得到了看似相反的结论,这是由于不同组分间所含黏土矿物的差异造成的。有研究证实,黏土矿物中富含的SiO2可使土壤呈现白色,并具有较高的亮度值[4]。尽管fPOM和MAOM组分中的腐殖质颜色很深,但二者当中所富含的白色黏土矿物会对腐殖质的黑色起到中和作用[7],而轻组和粗颗粒中,基本不含或仅含少量黏土矿物,对二者的颜色发挥主导作用的是有机质,因此,其黑度较fPOM和MAOM组分深。
值得注意的是,4个土壤组分的黑度值均与组分有机碳浓度呈现显著正相关关系,且随着组分稳定程度的增加,相关性逐渐增强(图 6)。这反映了有机质在各个组分的显色中发挥着重要作用,而且腐殖化程度越高,有机质对组分的显色作用越强。
3.3 不同物理组分对黑土黑度的贡献本研究认为,原土的黑度是各个物理组分混合后的结果,即各个组分的含量和组分本身的黑度共同决定了土壤的整体黑度,因此,采用加权法来计算不同组分的贡献率。组分的含量即为权数,不同组分的黑度值乘以相应的权数,然后加和得到总体数,再用某一组分黑度值与含量的乘积除以总体数,即为该组分对土壤黑度的贡献值。这一计算方法可能存在着一定的局限性,因为不同组分对土壤黑度的贡献可能不是简单的加和效应,但以现有的数据来看,我们认为该计算方法可有效评价不同组分对土壤黑度贡献。尽管LFOM和cPOM组分的黑度较高,但由于其占土壤的比例非常低,二者的黑度与原土的黑度无显著相关性(图 7),且这两个组分对土壤黑度的合计贡献率仅为2.6%。与之形成鲜明对比是,fPOM和MAOM组分对土壤黑度的贡献率达到了97%以上,且MAOM可达81%以上,因此,土壤的黑度主要由MAOM的黑度决定。一方面,MAOM组分中所富含的腐殖质本身会呈现较强的黑色;另一方面,腐殖质会对黏土矿物的白色产生掩蔽作用[4]。从物理组成的角度来看,本研究中的MAOM组分,其矿质颗粒的主体为粉粒(0.05 ~ 0.002 mm)和黏粒(< 0.002 mm),在美国开展的研究证实,土壤的黑度与粉粒和黏粒含量呈显著正相关[7]。从化学组成的角度,MAOM组分中有机质的化学结构以芳香碳为主[22],有学者采用核磁共振技术,分析了SOM化学结构与土壤颜色的关系,发现芳香碳含量是所有化学结构中唯一与土壤黑度呈显著正相关的官能团[23]。总之,MAOM组分在数量上的优势,及其物理和化学组成共同决定了其在土壤黑度中发挥着关键作用。
本文重点讨论土壤不同物理组分对其黑度的贡献,从传统知识来看,土壤腐殖物质对黑度贡献巨大,这也是本研究中MAOM组分对土壤黑度贡献率最高的原因,因为MAOM组分中的有机质几乎全部以腐殖质形式存在。此外,腐殖质组分的黑度值往往表现为:胡敏素 > 胡敏酸 > 富里酸,即腐殖化程度越高,腐殖质的黑度值越大,因此,SOM的腐殖化程度也是影响土壤黑度的重要因素。今后的研究可以进一步从化学组分的角度,研究SOM的腐殖化程度与土壤黑度间的关系。
4 结论在5种不同含水量条件下,黑土的黑度均与SOM含量呈极显著正相关关系。土壤含水量越大,其对光的吸收越强,黑度值越高,但当土壤含水量达到36%以上时,其黑度值趋于稳定。土壤不同物理组分的黑度存在差异,LFOM和cPOM组分的黑度值大于fPOM和MAOM组分。虽然MAOM组分的黑度值最低,但其数量优势及其所富含的腐殖质,使MAOM组分在土壤的黑化过程中发挥着决定性作用。
[1] |
Turk J K, Young R A. Field conditions and the accuracy of visually determined Munsell soil color[J]. Soil Science Society of America Journal, 2020, 84(1): 163-169. DOI:10.1002/saj2.20023
(0) |
[2] |
Yan Z M, Yuan D G, Yu X X, et al. Quantitative relationship of colorimetric parameters with forms of iron and manganese and organic matter in purplish soil (In Chinese)[J]. Acta Pedologica Sinica, 2021, 58(2): 372-380. [晏昭敏, 袁大刚, 余星兴, 等. 紫色土色度参数与铁锰形态及有机质的定量关系研究[J]. 土壤学报, 2021, 58(2): 372-380.]
(0) |
[3] |
Yue Z H, Huang Q, Xiao L, et al. Quantitative conversion of soil color from CIELAB to Munsell system (In Chinese)[J]. Spectroscopy and Spectral Analysis, 2019, 39(9): 2842-2846. [岳智慧, 黄强, 肖理, 等. 土壤颜色由CIE向Munsell系统的定量转换[J]. 光谱学与光谱分析, 2019, 39(9): 2842-2846.]
(0) |
[4] |
Vodyanitskii Y N, Savichev A T. The influence of organic matter on soil color using the regression equations of optical parameters in the system CIE-L*a*b*[J]. Annals of Agrarian Science, 2017, 15(3): 380-385. DOI:10.1016/j.aasci.2017.05.023
(0) |
[5] |
Baumann K, Schöning I, Schrumpf M, et al. Rapid assessment of soil organic matter: Soil color analysis and Fourier transform infrared spectroscopy[J]. Geoderma, 2016, 278: 49-57. DOI:10.1016/j.geoderma.2016.05.012
(0) |
[6] |
Ramos P V, Inda A V, Barrón V, et al. Color in subtropical Brazilian soils as determined with a Munsell chart and by diffuse reflectance spectroscopy[J]. Catena, 2020, 193: 104609. DOI:10.1016/j.catena.2020.104609
(0) |
[7] |
Simon T, Zhang Y K, Hartemink A E, et al. Predicting the color of sandy soils from Wisconsin, USA[J]. Geoderma, 2020, 361: 114039. DOI:10.1016/j.geoderma.2019.114039
(0) |
[8] |
Viscarra Rossel R A, Minasny B, Roudier P, et al. Colour space models for soil science[J]. Geoderma, 2006, 133(3/4): 320-337.
(0) |
[9] |
Lavallee J M, Soong J L, Cotrufo M F. Conceptualizing soil organic matter into particulate and mineral- associated forms to address global change in the 21st century[J]. Global Change Biology, 2020, 26(1): 261-273. DOI:10.1111/gcb.14859
(0) |
[10] |
Guo C S, Ma D H, Zhang C Z, et al. Extraction method and composition of black matter in typical Shajiang Calci-Aquic Vertisols in China (In Chinese)[J]. Acta Pedologica Sinica, 2021, 58(2): 421-432. [郭成士, 马东豪, 张丛志, 等. 典型砂姜黑土黑色物质提取方法及成分研究[J]. 土壤学报, 2021, 58(2): 421-432.]
(0) |
[11] |
Janzen H H, Campbell C A, Brandt S A, et al. Light-fraction organic matter in soils from long-term crop rotations[J]. Soil Science Society of America Journal, 1992, 56(6): 1799-1806. DOI:10.2136/sssaj1992.03615995005600060025x
(0) |
[12] |
Cambardella C A, Elliott E T. Particulate soil organic-matter changes across a grassland cultivation sequence[J]. Soil Science Society of America Journal, 1992, 56(3): 777-783. DOI:10.2136/sssaj1992.03615995005600030017x
(0) |
[13] |
Moritsuka N, Matsuoka K, Katsura K, et al. Soil color analysis for statistically estimating total carbon, total nitrogen and active iron contents in Japanese agricultural soils[J]. Soil Science and Plant Nutrition, 2014, 60(4): 475-485. DOI:10.1080/00380768.2014.906295
(0) |
[14] |
Ibáñez-Asensio S, Marqués-Mateu A, Moreno-Ramón H, et al. Statistical relationships between soil colour and soil attributes in semiarid areas[J]. Biosystems Engineering, 2013, 116(2): 120-129. DOI:10.1016/j.biosystemseng.2013.07.013
(0) |
[15] |
Liles G C, Beaudette D E, O'Geen A T, et al. Developing predictive soil C models for soils using quantitative color measurements[J]. Soil Science Society of America Journal, 2013, 77(6): 2173-2181. DOI:10.2136/sssaj2013.02.0057
(0) |
[16] |
Galvão L S, Pizarro M A, Epiphanio J C N. Variations in reflectance of tropical soils: Spectral-chemical composition relationships from AVIRIS data[J]. Remote Sensing of Environment, 2001, 75(2): 245-255.
(0) |
[17] |
Swetha R K, Chakraborty S. Combination of soil texture with Nix color sensor can improve soil organic carbon prediction[J]. Geoderma, 2021, 382: 114775. DOI:10.1016/j.geoderma.2020.114775
(0) |
[18] |
Sánchez-Marañón M, Ortega R, Miralles I, et al. Estimating the mass wetness of Spanish arid soils from lightness measurements[J]. Geoderma, 2007, 141(3/4): 397-406.
(0) |
[19] |
Hill I, Park D, Bridges W, et al. Soil water content and photosynthetically active radiation influences soil color assessment[J]. Geoderma Regional, 2022, 31: e00581. DOI:10.1016/j.geodrs.2022.e00581
(0) |
[20] |
Llorente M, Glaser B, Turrión M B. Storage of organic carbon and black carbon in density fractions of calcareous soils under different land uses[J]. Geoderma, 2010, 159(1/2): 31-38.
(0) |
[21] |
von Lützow M, Kögel-Knabner I, Ekschmitt K, et al. SOM fractionation methods: Relevance to functional pools and to stabilization mechanisms[J]. Soil Biology & Biochemistry, 2007, 39(9): 2183-2207.
(0) |
[22] |
Yao S H, Zhang Y L, Han Y, et al. Labile and recalcitrant components of organic matter of a Mollisol changed with land use and plant litter management: An advanced 13C NMR study[J]. Science of the Total Environment, 2019, 660: 1-10.
(0) |
[23] |
Spielvogel S, Knicker H, Kögel-Knabner I. Soil organic matter composition and soil lightness[J]. Journal of Plant Nutrition and Soil Science, 2004, 167(5): 545-555.
(0) |