处理
土壤成分处方图调查
何为土壤成分处方图
“土壤成分处方图”（Soil Composition Prescription Map）是近年来智慧农业、精准施肥领域非常重要的一个概念。
土壤成分处方图是根据不同地块的土壤养分含量与作物需求，生成的 “精准管理地图”，指导农民在不同区域定量施肥、灌溉或改良土壤。
| 功能 | 说明 |
|---|---|
| 精准施肥 | 不同地块施不同的量，避免浪费或缺肥 |
| 提高产量和品质 | 让作物在“适宜”的营养环境下生长 |
| 减少环境污染 | 减少氮磷流失、面源污染 |
| 辅助农机作业 | 无人机、变量施肥机可以按图执行处方作业 |
相关企业
SoilOptix
技术原理：https://soiloptix.com/case_studies/from-start-to-finish-how-soiloptix-technology-works/
这是一家位于加拿大的公司，创始人为Paul Raymer。SoilOptix的传感器以伽马射线为核心原理，以827个点/公顷的分辨率对土壤内腐殖物产生的铯-137，铀-238，钍-232，钾-40物质进行测量。由于这些物质稳定且可重复，因此监测到的数据能够在多年内有效使用。
此外，还需要从田间提取土壤样本。每个田地的样品数量基于田地大小，源于每 8 英亩（3 公顷）1 个样品的比率;对于小于 25ac （10ha）的田地，至少需要 3 个样品。
结合传感器收集数据和土地采样信息，SoilOptix团队会在48小时内为用户们提供一份全方位展现耕地物理特性、宏微观影响因素、PH值、以及有机物在内的25层土壤分析图，直观全面地展现土壤的状况，帮助种植者们准确判断“种什么、种哪里、什么时候种”的问题，达到产量目标、作物死亡率和土壤肥力的最佳平衡，以获得经济和环境的双赢。
对80 英亩（32 公顷）的田地进行了采样，其中获得了 10 个土壤样本
Greasley在德比郡经营一家占地80公顷的畜牧场，SoilOptix的Terramap 产品提供的PH值地图图层让他节约了大量成本。“如果对所有田地都进行无差别的酸碱度调整措施，那么每公顷土地需要消耗5000公斤石灰；但SoilOptix使我们明确需要调整的点位，按需施用仅消耗石灰3050公斤，节省下来的石灰和人力成本可到达每公顷 66 英镑。”
原文：https://www.hutchinsons.co.uk/how-terramap-is-saving-a-derbyshire-farmer-over-66-ha-in-liming-costs/
可用的地表土壤属性
| 分类 | 英文属性名 | 中文名称 | 说明 |
|---|---|---|---|
| 🟤 Physical Properties（物理性质） | |||
| Clay | 黏土含量 (%) | 土壤中粒径 <0.002 mm 部分的比例 | |
| Sand | 砂含量 (%) | 土壤中粒径 0.05–2 mm 部分的比例 | |
| Loam | 壤土比例 | 表征土壤质地平衡程度的综合指标 | |
| Silt | 粉粒含量 (%) | 土壤中粒径 0.002–0.05 mm 部分的比例 | |
| Cation Exchange Capacity (CEC) | 阳离子交换量 | 土壤吸附与交换养分的能力（单位：cmol(+)/kg） | |
| Organic Matter | 有机质含量 (%) | 土壤中来源于动植物残体的有机成分 | |
| 🧪 Macro Nutrients（常量营养元素） | |||
| Calcium (Ca) | 钙含量 | 促进根系发育、改善土壤结构 | |
| Calcium-Base Saturation | 钙基饱和度 (%) | 交换性阳离子中钙所占比例 | |
| Calcium-Magnesium Ratio | 钙镁比 | 土壤中钙、镁离子的平衡关系 | |
| Magnesium Base Saturation | 镁基饱和度 (%) | 交换性阳离子中镁所占比例 | |
| Potassium-Magnesium Ratio | 钾镁比 | 土壤中钾、镁比例关系 | |
| pH | 酸碱度 | 土壤溶液的酸碱水平 | |
| Phosphorus-Bicarb | 重碳酸盐磷（Olsen-P） | 碳酸盐或中性土壤中可有效利用的磷 | |
| Phosphorus-Bray | Bray 磷 | 酸性土壤中可利用磷含量 | |
| Potassium (K) | 钾含量 | 作物生长必需的大量元素之一 | |
| Potassium Base Saturation | 钾基饱和度 (%) | 交换性阳离子中钾所占比例 | |
| Nitrate as N | 硝态氮 (以N计) | 土壤中可直接被植物吸收的氮形态 | |
| 🧩 Micro Nutrients（微量营养元素） | |||
| Aluminum (Al) | 铝 | 高浓度时对根系有毒性 | |
| Boron (B) | 硼 | 与花粉活性、细胞分裂相关 | |
| Copper (Cu) | 铜 | 参与酶活性与光合作用 | |
| Iron (Fe) | 铁 | 参与叶绿素合成与电子传递 | |
| Manganese (Mn) | 锰 | 参与光合作用与氧化还原反应 | |
| Sodium (Na) | 钠 | 过高会导致盐害 | |
| Sulfur (S) | 硫 | 构成氨基酸和蛋白质的成分 | |
| Zinc (Zn) | 锌 | 参与酶合成、促进生长素生成 | |
| ⚙️ Complex Models（复杂模型/衍生属性） | |||
| Plant Available Water | 植物可利用水分 | 指植物能从土壤中吸收的有效水分含量 | |
| Elevation | 高程 | 地表相对高度（m） | |
| Leakability | 渗透性/漏失性 | 土壤水分渗漏或流失的易发生程度 |
Nutrien VRA 石灰施用处方图（Lime Prescription Zone Map）。基于可变速率施用（Variable Rate Application, VRA）技术生成的石灰施用区划图。 该图用于根据土壤酸碱度（pH）、缓冲能力、有机质及养分状况等差异，将农田划分为多个管理区，从而确定每个区域应施用的石灰量。通过这种方式，可在保证土壤酸碱平衡的同时，实现精准施肥、节约成本、提高作物产量和土壤健康。
Medusa Explorations
公司位于荷兰，其部门Medusa Radiometrics制作伽马射线传感器等来检土壤成分。通过伽马射线可以测量土壤中的有机质、湿度等指标。
应用案例：土壤测绘以提高作物产量
在西班牙北部半干旱地区的许多依靠雨水灌溉、位于高海拔的农田中，土壤容易受到侵蚀、压实，并且有机质含量较低。因此，这些土壤的养分供应能力和持水能力都较差。再加上降水量低，导致作物产量低，农业生产难以持续。
欧盟 LIFE+ 项目“Crops for better soil”（更优土壤作物项目）旨在通过一系列农艺措施，证明这些农田的（土地和经济）产出都可以得到改善。该项目通过在100多个农田上实施这些措施，在相当大的规模上验证了这一方法。这些农田总面积为300至400公顷，分布在卡斯蒂利亚-拉曼查（瓜达拉哈拉）、阿拉贡、纳瓦拉以及卡斯蒂利亚-莱昂（萨莫拉/贝纳文特）等地区，由14至20位不同的农民所有。
所采取的农艺措施包括：转向有机农业、增加作物轮作、引入豆科植物，以及推广更适应寒冷半干旱气候的传统作物品种。
为评估哪些作物和哪种轮作适合哪种田地，并评估土壤的改良情况，设计了土壤数据采集和监测计划。要评估的土壤和田地特性包括土壤质地、土壤有机质、耕作层深度、压实度、海拔、坡度和养分浓度。
所使用的多种数据类型示例如下：IGME 提供的激光雷达数字高程模型（LIDAR DEM，左上）、IGME 的 MAGNA 50 地质图（左上）、由伽马射线能谱仪获取的⁴⁰K（钾-40）浓度分布图（右上）、由地质雷达（GPR）获取的 0–20 厘米深度时间切片（左下）以及 20–80 厘米深度时间切片（右下）。这些农田位于马德里以东、卡斯蒂利亚-拉曼查大区的伊亚纳（Illana）附近。
处方图相关方法
一般流程
- 土壤样品采集
- 实验室数据分析
- 结果解读
- 肥料施用建议
插值方法
克里金插值
反距离权重插值
土壤数据点采样测土方法
Grid测土
Grid 测土通常要求较高的采样密度，可能会在1-5米的网格范围内进行采样，适合对土壤特性进行高精度分析。通过规则网格化采样，保证了数据点的均匀分布。每个网格中需要采样点，因此会产生大量数据，有时需要大量的计算和分析。
Zone测土
土壤的地力成分并不是线性分布的，因此采用格点方式进行分割，取得的测土数据很有可能不能反映出地块的全貌。
Zone 测土技术，首先利用土壤、遥感、地形等数据将地块划分为若干区域（Zones），每个区域土壤情况相对一致，这样可以适当减少每个区域的测土数量，降低成本；同时，按照区域的方式进行测土规划，能够更加精准地还原土壤数据的全貌，提升测土的精度。
当拿到基于Zone的测土数据后，我们还可以进一步优化Zone Map，让地块的区域划分更加合理，为后续的测土规划、变量处方图的制作提供更加精准而有力的支撑。
| 项目 | Grid 测土 | Zone 测土 |
|---|---|---|
| 采样密度 | 高（密集的采样点） | 低（每个区域一个采样点） |
| 数据量 | 数据量大，分析复杂 | 数据量少，分析简单 |
| 精度 | 高（适合详细分析） | 低（适合大致评估） |
| 成本 | 高（需要更多资源） | 低（节省资源和时间） |
| 适用范围 | 精准农业、土地细分分析 | 土地管理、大规模区域性调查 |
| 应用场景 | 土壤成分精确分析，作物精准施肥 | 区域性土壤质量监测和评估 |
Grid采样、 EC–Zone Sampling、SoilOptix采样区别：pdf
Medusa伽马射线光谱仪数据采集示例
原文：https://the.medusa.institute/wiki/Working-version/on-accuracy-and-spatial-resolution#Onaccuracyandspatialresolution-RepeatedAverage
我们使用了一个来自农田的示例数据集，该农田面积为 300×400 米，测绘时的测线间距为 12 米。采样频率为 1 Hz，车辆以 3.6 km/h 的速度行驶，因此相邻采样点之间的距离约为 1 米。
该数据集使用三种不同的方法进行了分析。在本次分析中，采用了一个较大的样本窗口，即对 15 个数据点进行平均处理，这会放大平滑效果。通常情况下，并不会采用 15 个样本的滑动平均，而是会使用较少数量的样本进行平滑计算。
- Fit each 方法
对每一个采样点分别进行拟合或插值计算，而不对数据进行平滑或平均。
该方法的结果显示了所有数据点，但整体表现出一定的“噪声”特征。使用简单的 反距离加权（IDW） 生成的地图中，可以看到许多极端的高值和低值，因此需要应用 空间平滑滤波器（spatial smoothing filter） 来去除噪声、改善空间连续性。
- 滑动平均法（Running Average）
采用滑动平均方法后，数据在测线方向上表现出明显的高值区和低值区。在对数据进行插值时，这种各向异性（anisotropy）特征十分明显，呈现出沿测线分布的条带状结构。
- 重复平均法（Repeated Average）
经过重复平均分析后，数据集中包含的采样点数量减少，但这些点不再沿测线分布，而是呈现出更加均匀（随机）分布的空间格局。
每个采样点都具有较高的精度，这在插值结果中得到了体现：高值和低值在网格中表现为“斑点状（bullet-like）”分布。这种分布是各向同性（omnidirectional）的，不会出现沿测线方向的过度采样现象。
| 方法名称 | 原理概述 | 数据特征 | 优点 | 缺点 | 典型应用场景 |
|---|---|---|---|---|---|
| Fit each | 对每个采样点单独拟合，不进行平滑或平均处理；所有原始数据直接用于插值 | 数据完整，细节丰富，但噪声大 | 保留全部原始信息；便于发现异常点 | 噪声多，空间连续性差；需后续平滑处理 | 初步数据探索；噪声分析；原始信号验证 |
| Running Average | 沿采样路径对连续数据进行滑动平均（如每次平均 3–5 个点） | 沿测线方向平滑，形成条带结构（各向异性明显） | 降低噪声；平滑局部波动 | 容易产生条纹效应；丢失横向空间特征 | 实时监测；沿轨迹数据平滑；线性传感分析 |
| Repeated Average | 多次平均并重新采样，使点分布更加均匀随机 | 数据点更少但分布均匀；无明显方向性 | 平滑且各向同性；噪声低，插值效果更自然 | 细节略有损失；需较多计算 | 制图与建模；空间插值；最终成果展示 |
土壤成分探测方法
| 方法 | 技术描述 | 应用/用途 | 优点 | 缺点 |
|---|---|---|---|---|
| 传统土壤采样与实验室分析 | 采集土壤样本并通过实验室化学分析测试主要养分（氮、磷、钾等）、pH、有机质、CEC等。 | 提供准确的土壤化学成分、物理性质和有机质含量的详细信息。 | 高精度，标准化方法。 | 成本高，时间长，空间覆盖局限。 |
| 卫星遥感 | 通过卫星影像分析土壤反射率，推算土壤湿度、养分含量等，利用光谱反射特性分析土壤组成。 | 适用于大范围土壤监测，提供土壤湿度、养分分布等的空间分布数据。 | 大范围覆盖，实时监测。 | 精度较低，受环境影响较大，无法提供详细的土壤成分数据。 |
| 无人机遥感 | 利用高分辨率相机和光谱传感器搭载于无人机，获取农田土壤的详细影像和光谱数据。 | 提供农田的详细土壤信息，评估土壤湿度、肥力等。 | 高分辨率，快速获取数据。 | 高成本，需要技术支持，数据处理量大。 |
| 电磁探测 | 使用电磁感应仪（EMI）通过测量土壤电导率来推算土壤盐分、湿度等。 | 适用于评估土壤的盐分、含水量等。 | 非侵入性，快速获取大范围数据。 | 精度较低，无法直接测量详细的化学成分。 |
| 伽马射线探测 | 通过探测土壤中的自然放射性元素（如钾-40、铀、钍等）辐射推算土壤的矿物成分。 | 用于评估土壤中钾、铀、钍等元素的分布情况，间接推算土壤的矿物成分。 | 非侵入性，快速覆盖大面积区域。 | 只能推算某些矿物成分（如钾），不能测量氮、磷、pH等成分。 |
| 近红外光谱（NIR）分析 | 测量土壤样本的光谱反射特性，通过光谱数据推算土壤的有机质含量、水分和矿物成分。 | 用于快速分析土壤的有机质、湿度、矿物含量等。 | 高效、非破坏性，快速获取数据。 | 需与化学分析结合，且精度受限于光谱数据模型的准确性。 |
| 土壤传感器网络 | 在农田中布设土壤传感器，实时监测土壤的pH、湿度、温度、盐分等。 | 提供实时的土壤数据，帮助农民实时调整施肥、灌溉等管理措施。 | 实时监测，高精度，连续数据。 | 高成本，设备需要维护，数据处理复杂。 |
| 智能农业管理系统 | 集成多种技术，如土壤传感器、遥感数据、电磁探测等，进行土壤监测和作物管理，结合数据分析提供精准管理建议。 | 用于精确管理农业生产，提供土壤处方图和作物管理方案。 | 集成多种技术，提供全面、精准的农业管理方案。 | 需要高成本的设备和技术支持，系统复杂，数据分析需要强大的计算能力。 |
使用传感器探测土壤成分时，需要结合土壤采样来分析。
分辨率
原文：https://soiloptix.com/case_studies/a-clear-advantage-over-zone-sampling/#ftn7
SoilOptix提供高分辨率的数据采集方法：335个数据点/英亩。下面分别是SoilOptix方法和其他方法的钾元素分布图。高分辨率数据可以分析更加细微的小区域，同时避免将存在差异性的区域连接成一片。
