以可見-近紅外光譜技術結合機器學習演算法及農業副產物再利用於土壤支持地球永續發展目標

posted in: Uncategorized | 0

吳卓穎、吳柏輝、李芳慈、莊竣守、許正一*
國立臺灣大學農業化學系
*E-mail:zyhseu@ntu.edu.tw

  全球土壤的碳儲量約為大氣與植物中碳的5–7倍,在減緩全球暖化具有極高潛力。適當施用農業剩餘資材並配合合理的肥培管理,可藉由直接的碳源輸入或促進作物生長,提高自然碳匯量。然而,以土壤固碳作為達到地球永續發展的自然為本解方之關鍵在於,外部輸入的碳是否能長期穩定存在於土壤中與如何快速評估土壤碳儲量。土壤有機質 (soil organic matter, SOM) 可根據粒徑大於或小於53 μm區分,前者為周轉速率數天至數月之顆粒型有機質 (particulate organic matter, POM),而後者為周轉速率數十年至數千年之礦物結合型有機質 (mineral-associated organic matter, MAOM)。然而,目前廣泛應用於測定土壤有機碳 (soil organic carbon, SOC) 含量與進行SOM型態劃分之濕化學法,分析過程耗時且會衍生有毒廢液。相較之下,可見-近紅外光譜法 (visible and near infrared spectroscopy, vis-NIR) 藉由測量官能基的分子振動,在機器學習演算法的輔助之下,達到快速推估SOC含量。考量發展在地化土壤速測方法學與土壤增匯策略之必要性,本團隊收集臺灣692個代表性土樣之vis-NIR光譜資料與其以總有機碳儀分析法測定之SOC含量,並利用Cubist迴歸樹演算法根據隨機取樣之校正組 (75%總樣品量;n=519) 建立模型,再以測試組 (25%總樣品量;n=173) 檢視模型表現能力。所得之模型R2=0.90、RMSE=1.06、RPD=2.91及LCCC=0.93,顯示其推估能力良好。此外,構成模型的主要波長分別來自SOM及影響SOM穩定性之氧化鐵及黏土礦物,意味此推估模型於統計學及土壤科學上皆具有高度預測準確性。另一方面,土壤增匯實場試驗結果顯示,單獨施用有機肥料或與生物炭同時施用,可促進大與小土壤團粒的生成;前者與SOM結合形成POM,而後者為形成MAOM之媒介。換言之,施用農業剩餘資材於土壤,可在改善土壤構造之餘,增加土壤碳儲量及提高5–15%的土壤碳匯穩定性。此外,基於vis-NIR光譜之Cubist預測模型針對POM-C與MAOM-C分別可達到75%與65%的預測準確性。綜上所述,本團隊利用臺灣代表性土樣,發展出SOC含量及穩定碳庫之非破壞性量測方法學及農業副產物再利用於土壤之策略。未來若搭配「減少破壞」、「促進增加」及「補足復育」等土壤碳匯維護及增加方式,可望建構能支持地球永續發展目標的在地化方案。

關鍵詞:土壤碳匯;近端感測;土壤有機碳型態劃分;循環經濟

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *