引用本文
韩雪, 刘海, 刘佳微, 吴明开. 基于X射线荧光光谱法快速鉴定贵州不同地区林下土壤的无机元素[J]. 光谱学与光谱分析, 2024,44(1): 225-229.
HAN Xue, LIU Hai, LIU Jia-wei, WU Ming-kai. Rapid Identification of Inorganic Elements in Understory Soils in Different Regions of Guizhou Province by X-Ray Fluorescence Spectrometry[J]. Spectroscopy and Spectral Analysis, 2024,44(1): 225-229.
Doi:10.3964/j.issn.1000-0593(2024)01-0225-05  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于X射线荧光光谱法快速鉴定贵州不同地区林下土壤的无机元素
韩雪1,2, 刘海1,2, 刘佳微3, 吴明开1,2,*
1.贵州省农业科学院现代中药材研究所/贵州省农作物品种资源研究所, 贵州 贵阳 550006
2.贵州省农业生物技术重点实验室, 贵州 贵阳 550006
3.贵州大学, 贵州 贵阳 550025
*通讯作者 e-mail: bywmk1999@163.com

作者简介: 韩 雪, 1994年生, 贵州省农业科学院现代中药材研究所硕士研究生 e-mail: wingdezkl@163.com

收稿日期: 2022-06-23 修回日期: 2022-10-27 接受日期: 2022-10-27
基金: 国家重点研发计划项目(2021YFD1601002), 中药材系统调查项目(黔农计财[2021]39号), 贵州省中药材现代产业技术体系建设项目(GZCYTX2022-0202)资助
摘要

无机元素通过改变农作物生长过程中的次生代谢途径而对农作物的产量和质量造成至关重要的影响。 贵州环境特点复杂, 不同地区林下土壤的无机元素差异大, 因此, 寻找一种快速有效的方法来鉴定贵州不同地区林下土壤无机元素差异, 为林下种植农作物的品种选择以及种植要求提供理论依据十分必要。 研究针对贵州7个地区的12份林下土壤, 采用X射线荧光光谱法(XRF)对其中无机元素进行检测, 并选择了SiO2、 Al2O3、 Fe2O3、 CaO、 MgO、 Ti、 K2O、 Co、 P、 Zn、 Cl这11个与植物生长发育息息相关的无机元素对土壤种植农作物的适应性进行评价, 结果表明: 贵州不同地区林下土壤中共含有23种元素成分, 其中Si、 Al、 Fe等常量元素占据了土壤中的70%左右, 甚至有些地区超过了90%以上; 聚类分析发现土壤中无机元素与地区有一定的相关性, 当欧氏距离为6时, 可聚为4类; 主成分分析的结果显示, 毕节市大方县与黔东南州黎平县的土壤的得分更高, 有利于林下作物的种植, 可能为林下种植类产业重点发展的区域。 X射线荧光光谱法能够快速、 简便、 有效地鉴定土壤中多种无机元素的成分, 探究贵州林下土壤的元素特征差异, 为林下农作物种植提供参考依据。

关键词: X射线荧光光谱法; 林下土壤; 无机元素
中图分类号:S714.2 文献标志码:A
Rapid Identification of Inorganic Elements in Understory Soils in Different Regions of Guizhou Province by X-Ray Fluorescence Spectrometry
HAN Xue1,2, LIU Hai1,2, LIU Jia-wei3, WU Ming-kai1,2,*
1. Institute of Crop Germplasm Resources/Institute of Modern Chinese Herbal Medicines, Guizhou Academy of Agricultural Sciences, Guiyang 550006, China
2. Guizhou Key Laboratory of Agricultural Biotechnology, Guiyang 550006, China
3. Guizhou University, Guiyang 550025, China
*Corresponding author
Abstract

Inorganic elements have a crucial impact on the yield and quality of crops by changing the secondary metabolic pathways during crop growth. The environmental characteristics of Guizhou Province are complex, and the inorganic elements of the understory soil in different regions are very different. Therefore, a fast and effective method is highly required to identify the differences in the inorganic elements of understory soil in those regions to provide theories for the selection of understory crops and planting requirements. This study used X-ray fluorescence spectroscopy (XRF) to detect inorganic elements in 12 samples of understory soils from 7 different regions in Guizhou Province. Totally 11 inorganic elements, including SiO2, Al2O3, Fe2O3, CaO, MgO, Ti, K2O, Co, P, Zn, and Cl, which are closely related to plant growth and development, were used to evaluate the adaptability of soil for planting crops. The results showed 23 elements in the understory soil in different areas of Guizhou, among which the major elements such as Si, Al and Fe comprised approximately 70% of the soil, and even more than 90% in some areas. Cluster analysis showed a certain correlation between the amount of soil inorganic elements and the region, and those regions can be clustered into 4 categories when the Euclidean distance was 6. Principal component analysis suggested that the higher soil scores in Dafang County of Bijie City and Liping County of Qiandongnan Prefecture are beneficial for understory crop growth and thus could be the key areas for the development of understory planting industries. This study suggested that X-ray fluorescence spectrometry can easily and effectively identify the composition of various inorganic elements in soil, explore the differences in element characteristics of understory soil, and provide references for under-forest crop planting in Guizhou Province.

Keyword: XRD; Understory soil; Inorganic element
引言

贵州省作为全国唯一没有平原的省份, 森林覆盖率高达62.12%。 近年来, 贵州省因地制宜地推广林药、 林花、 林苗等种植模式, 使林下经济成为乡村振兴的优势产业[1]。 研究表明, 植物根部在与土壤进行物质交换的过程中, 土壤中的无机元素会影响植物体内初生代谢产物和次生代谢产物的富集, 进而影响产量与质量[2]。 Mg的含量不仅可以影响植物地上部分的生物量, 而且与P、 K、 Ca等元素共同作用下影响植物果实的品质。 而不同农作物品种对土壤无机元素的需求差异较大, 不同的耕作方式下, Si对植物吸收土壤中的N、 P、 K等元素有着显著性影响[3, 4]。 因此快速便捷准确地测定土壤中无机元素组成及含量对于农作物品种的选择是非常有必要的。

土壤成分复杂, 常规手段一般是以标准样品进行一对一的成分进行测定, 或以特异性的化学方法对土壤特定成分进行定性定量测定。 X射线荧光光谱法的基本原理是基态原子吸收特定频率的辐射而被激发至高能态, 而后激发过程中以光辐射的形态发射出特征波长的荧光, 待测元素的原子蒸汽在一定波长的辐射能激发下发射的荧光强度进行定量分析的方法。 因其自身的特殊性, 不会因受到化学方面的影响而被左右, 与原子发射光谱法比, 除氢元素外, X射线荧光光谱法比较容易的进行定量分析的矫正, 可以克服基体吸收和增加效应[5, 6, 7]。 在分析土壤样品时, 具有制备样品简单、 样品污染可能性低、 对样品无损耗、 分析结果准确度高、 分析元素范围广、 检测限度宽、 可同时分析多种元素等优点[8, 9], 为贵州林下土壤无机元素分析提供一种快速、 简便、 准确的方法。

1 实验部分
1.1 仪器与参数

采用XRF ARL PERFORM X4200W型X射线荧光光谱仪(美国Thermo公司), 以氧化物的形式表示结果。 主要技术指标为: 光管功率4 kW, θ -2θ 独立驱动系统, θ < 0.001° 保证测角仪位置重复性, 将土壤样品在105 ℃下烘干60 min, 研钵研细过200目筛。

1.2 样品

样品采自于贵州省7个地区的12个林下种植基地, 采集基地地点分布见图1, 每个基地进行多点采样, 经“ 四分法” 进行风干处理, 捡去明显的树枝石块等杂质后粉碎, 过200目筛, 备用, 土壤信息见表1。

图1 样品采集地点分布图Fig.1 Distribution map of sample collection locations

表1 贵州不同地区林下土壤样品信息 Table 1 The information of the soil in different areas of Guizhou
1.3 数据处理

运用SPSS 22.0和Origin 2021软件对数据进行整理与分析。

2 结果与讨论
2.1 元素测定结果

通过对采集的土壤进行XRF测试, 共测得23个无机元素, 见表2和表3, 其中常量元素7种, 微量元素16种, 并选择了SiO2、 Al2O3、 Fe2O3、 CaO、 MgO、 Ti、 K2O、 Co、 P、 Zn、 Cl等11个元素对土壤种植农作物的适应性进行评价。

表2 不同地区土壤无机常量元素含量(%) Table 2 Soil inorganic constent elements content in different regions (%)
表3 不同地区土壤无机元素含量(mg· kg-1) Table 3 Soil inorganic trace elements content in different regions (mg· kg-1)
2.2 聚类分析

对12个土壤样品的11种无机元素进行聚类分析, 采用组建连接法作为组群合并准则, 采用SPSS进行系统聚类分析的结果如图2, 当欧式距离为6时, 1、 2、 3、 4地区聚为一类, 6、 7、 8、 9、 11、 12聚为一类, 5单独为一类, 10单独为一类。 当欧式距离为15时, 5和10聚为一类, 其余地区聚为一类。 而1、 2、 3、 4均为德江县地区样品, 6和7为黎平县地区样品, 9为大方县地区样品, 8和12为遵义市不同的两个地区的样品, 11为雷山县地区的样品, 10为纳雍县地区样品, 5为大方县地区的样品, 聚类的结果基本上与地区相符, 1、 2、 3、 4同属铜仁市的德江县地区, 6、 7、 11为黔东南州的两个县; 但是意外的是同样为毕节市的5、 9号大方县地区样品和10号纳雍县地区样品却分在不同的组类中, 可能是由于10号样品是唯一的茶园下土壤样品, 比较特殊所以聚为一类, 5号样品是与当地土壤的使用情况以及其他因素有关。 这表明土壤无机元素不仅与地区有关, 与乔木类型以及其他因素也有相关性。 但也有样本被单独聚类的情况, 提示该样品土壤较其他土壤特殊, 可能其无机元素含量及分布较极端, 应慎重选择适宜的农作物及配套适宜的种植技术。

图2 聚类分析树状图Fig.2 Cluster analysis of inorganic elements in soil

2.3 主成分分析

运用SPSS软件对12个土壤样品的11种无机元素结果标准化处理后进行主成分分析, 结果见表4— 表6。 主成分特征值大于1的因子有3个, 总贡献率81.729%, 可以代表11种无机元素来评价12个土壤。 Fe、 Ti、 P、 Al、 Cl在第一主成分中有较大贡献率, 方差贡献率为36.328%; Si、 Mg、 Zn、 Ca在第二主成分中有较大贡献率, 方差贡献率为32.13%; K、 Co在第三主成分中有较大贡献率, 方差贡献率为13.27%。 主成分分析结果表明不同地区之间上述元素存在差异性, 是导致不同地区土壤内在差异的特异性的元素。

表4 主成分分析特征值和贡献率 Table 4 The characteristics of the principal component value and contribution
表5 初始因子载荷矩图 Table 5 The initial factor loading matrix
表6 不同地区土壤主成分得分 Table 6 Principal component score of soil

根据主成分计算综合得分, 得分越高的样品说明该样品种植农作物的适应性更好, 从表5可知, 5、 6、 7土壤样品得分最高, 意味着5号的毕节市大方县与黔东南州黎平县的样品土壤种植农作物更好, 而5号在聚类分析时就被单独聚为一类, 主成分分析结果印证了聚类分析的这一结果。 6与7在所有土壤样品中为仅有的杉树林下的土壤, 可以推测杉树林更适合作为林下种植类产业发展的区域。 而其他得分较低的土壤样品, 应更为谨慎地为其选择适合的农作物品种及种植模式。

3 结论

农作物的生长发育和成分积累等生化反应与其生存的环境密不可分, 其土壤则是最重要的因素之一。 快速鉴定土壤中的无机元素, 可直接指导农作物品种及种植技术的选择。 本研究通过X射线荧光光谱法, 快速鉴定了贵州7个地区12个土壤中23种无机元素及其相对含量, 结果表明Si、 Al、 Fe等常量元素占据了土壤中的70%左右, 甚至有些地区超过了90%以上。 聚类分析可以快速估计土壤的地区分布和相似程度的分布, 本研究中的12个土壤样品主要被聚成4类, 基本符合地区的分布, 并且乔木类型也能对土壤中无机元素造成影响。 主成分分析可以以综合得分来量化判断土壤的适宜种植农作物的程度, 从而指导实际生产, 本研究发现贵州省毕节市大方县与黔东南州黎平县的土壤更适合种植林下作物, 并且杉树林可作为林下种植类产业重点发展的区域。 然而本研究就不同地区土壤中无机元素的含量进行测定, 后期可以结合土壤有机质及环境相关情况, 为农作物的实际生产工作提供数据参考。

参考文献
[1] GAO Gang(高刚). Guizhou Today(当代贵州), 2022, (12): 14. [本文引用:1]
[2] GUO Chen-rui, YANG Jing-po, LI Shao-wei, et al(郭晨睿, 杨敬坡, 李少伟, 等). Pratacultural Science(草业科学), 2022, 39(4): 645. [本文引用:1]
[3] YANG Xia, ZHU Jia-min, ZHAO Yu-xue, et al(杨霞, 朱佳敏, 赵玉雪, 等). Chinese Agricultural Science Bulletin(中国农学通报), 2022, 38(11): 7. [本文引用:1]
[4] CHEN Wen-rui, JIANG Chao, ZHOU Qi-xin, et al(陈文瑞, 蒋朝, 周齐新, 等). Acta Prataculturae Sinica(草业学报), 2022, 31(5): 51. [本文引用:1]
[5] DUAN He-yang, PAN Jun-fan(段鹤阳, 潘俊帆). Chemical Management(化工管理), 2021, (14): 55. [本文引用:1]
[6] LI Xiao-li, GAO Xin-hua, WANG Yi-min, et al(李小莉, 高新华, 王毅民, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2022, 42(4): 997. [本文引用:1]
[7] ZHANG Qian, HAN Gui-lin(张倩, 韩贵琳). Chinese Journal of Ecology(生态学杂志), 2023, 42(1): 115. [本文引用:1]
[8] CAO Rui, YANG Wan-qin, YUAN Ji, et al(曹瑞, 杨万勤, 袁吉, 等). Acta Ecologica Sinica(生态学报), 2022, (19): 8031. [本文引用:1]
[9] LIU Qin-rong, DU Zi-wei, LI Jia-zhen, et al(刘沁荣, 杜紫微, 李佳珍, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(11): 3618. [本文引用:1]