3. 数据采集技术：土壤采样方法与养分快速检测

变量施肥决策的精度高度依赖于输入数据的质量。本章聚焦于土壤数据的获取技术，涵盖从田间采样策略到实验室/现场快速检测的完整链路。正确的采样方法与可靠的检测技术是构建高精度施肥模型的基础。

3.1 土壤采样方法

采样策略决定了土壤养分空间变异性的表征精度。目前主流方法包括网格采样与分区采样，两者在成本、精度和适用场景上存在显著差异。

3.1.1 网格采样实施步骤

1. 确定网格尺寸：根据田块面积、变异程度和预算决定。一般建议 50~100 m 网格，变异大的田块加密至 30 m。
2. 布点与导航：使用 GPS 或 RTK 设备标记网格中心点，田间按预设路径导航至采样点。
3. 样品采集：在每个网格中心点周围 5~10 m 范围内采集 5~8 个子样，混合后取 500 g 作为该网格的代表样品。
4. 记录信息：记录采样点坐标、采样深度（通常 0~20 cm）、采样时间、作物茬口等信息。

3.1.2 分区采样实施步骤

1. 生成分区图：利用土壤类型图、数字高程模型（DEM）、多年产量图或遥感影像，通过聚类或专家经验划分管理分区。
2. 确定采样点：每个分区内选择 1~2 个代表性位置，避开田埂、水沟、施肥带等异常区域。
3. 样品采集：与网格采样类似，在采样点周围采集混合样。
4. 边界验证：在分区边界附近增设少量验证点，检查分区边界的合理性。

3.2 土壤养分快速检测技术

传统实验室化学分析法精度高但耗时长、成本高，难以满足变量施肥对实时/近实时数据的需求。快速检测技术可在田间或现场快速获取土壤养分含量，大幅提升数据采集效率。

3.2.1 近红外光谱（NIR）检测技术

近红外光谱技术利用土壤中有机质、水分、氮、磷、钾等成分对近红外光（780~2500 nm）的吸收特性，通过建立光谱与养分含量之间的定量模型（如偏最小二乘回归 PLSR、支持向量机 SVM），实现快速预测。

• 优势：无损、快速（单样测量 < 2 分钟）、可同时预测多种养分（有机质、全氮、速效钾等）。
• 局限：模型需要大量本地样本进行校准；对土壤水分敏感；对微量元素的预测精度有限。
• 典型设备：便携式近红外光谱仪（如 ASD FieldSpec、MicroNIR）。

3.2.2 电化学传感器检测技术

电化学传感器通过离子选择性电极（ISE）或离子敏感场效应晶体管（ISFET）直接测量土壤溶液中的离子活度，主要针对硝态氮（NO₃⁻）、钾离子（K⁺）、pH 等参数。

• 优势：实时性强、设备成本低、操作简单、适合原位在线监测。
• 局限：电极寿命有限、需要定期校准、对土壤质地和温度敏感、只能测量离子态养分。
• 典型设备：手持式离子计、土壤多参数传感器（如 Decagon GS3）。

3.3 数据采集流程整合

在实际变量施肥项目中，采样方法与检测技术需要有机整合。以下是一个典型的数据采集工作流：

1. 田块分区/网格划分：根据田块大小和变异程度，选择网格采样或分区采样策略。
2. 田间样品采集：按照选定策略采集土壤样品，记录坐标和田间信息。
3. 快速检测初筛：使用近红外或电化学传感器对全部样品进行快速检测，获取初步养分数据。
4. 实验室校准：选取 10%~20% 的样品（覆盖不同养分水平）送实验室分析，用于校准快速检测模型。
5. 数据融合与插值：将校准后的快速检测数据与实验室数据融合，生成高精度土壤养分空间分布图。