0 引言
中国秸秆年产生量约9×108 t,综合利用率超过88%,其中秸秆还田量约4×108 t[1]。秸秆还田可以提升土壤有机质、增加土壤碳汇、提升作物产量。但是,部分区域秸秆单位面积产量高,还田负荷重,存在秸秆腐解速率慢、还田效果差等问题[2]。秸秆施入土壤后主要经历2个阶段:第1阶段有机质在微生物酶的作用下分解为简单的结构或分子单元,并释放CO2,即矿质化过程;第2阶段将简单的分子单元及微生物活动产物合成为腐殖质,即腐殖化过程[3]。腐殖质是土壤有机质中最稳定的成分,因此,控制秸秆腐解进程可以主导土壤改良及减排固碳效果[3]。现有研究主要集中在秸秆还田对温室气体排放和作物产量[4-5]、土壤微生物群落[6-7]、有机碳组分的影响[8-11],以及秸秆在土壤中的腐解程度等[12-14],秸秆腐解规律及影响因素尚未明晰。秸秆自然腐解过程监测主要采用抽样法,将秸秆装入网袋埋入土壤,取样测量秸秆干质量,分析秸秆腐解速率[9,11,15],费时费力,难以实现动态监测。因此,有必要提出科学、易行的监测秸秆腐解动态的方法。
在有氧条件下,有机质分解会以CO2的形式损失,CO2排放与微生物的活动相关[16]。高CO2排放速率表示微生物活跃,分解有机质速度快。因此,通过监测CO2排放可表征秸秆中有机质的分解规律。在有机物料发酵管理中,CO2排放量一般作为状态变量用以调控发酵进程,以及预测发酵产物等[17-21]。但是,秸秆腐解处于开放环境,外部空气会影响对秸秆CO2排放的监测与分析。现有CO2分析方法主要包括使用便携式气体分析仪、气相色谱仪等设备进行分析的离散采样法,以及使用CO2传感器测量的原位分析法。但是离散采样法存在采样频率低、缺乏代表性等问题。常见的CO2原位测量传感器包括芬兰Vaisala公司的GMD20、GMM221和GMM222,美国Li-Cor公司的LI-820和LI-830,德国Eosense公司的eosGP等,存在仪器成本高、体积大、存储空间和采样频率有限、传感器和数据采集器不兼容等问题[22-24]。
目前的主流CO2分析方法在秸秆腐解规律研究中难以普及。近年来,Arduino、Raspberry Pi等低成本硬件系统的应用日益增加[21,25-29]。低成本NDIR CO2传感器与微控制器组合已经被应用于多情况下的温室气体监测。文献[22]采用Arduino与NDIR CO2传感器开发了CO2记录仪,并应用于泥炭地的CO2排放速率监测。文献[24]应用Raspberry Pi测试了NDIR CO2传感器的检测精度,在不经过任何校正的情况下,与参考值比较检测均方根误差(Root mean square error, RMSE)为5～21 μL/L,通过回归系数校正后,RMSE可以改善到1.7～4.3 μL/L。文献[23]测试了Arduino与NDIR CO2传感器在潮湿空气、土壤和水域等恶劣环境中的检测能力,与市售CO2传感器检测结果进行比较,决定系数R2分别为0.97、0.84和0.99。文献[30]设计了一种低成本温室气体排放自动监测系统,与传统红外气体分析仪比较,该系统仅高估6%的CO2排放量。以上研究表明低成本NDIR CO2传感器具有较好的检测精度和应用潜力。
监测秸秆腐解CO2排放的研究还鲜有报道。本文研究秸秆腐解动态监测方法,假设秸秆腐解过程微生物分解有机质释放CO2,在秸秆堆体内部孔隙形成一定累积,通过监测堆体内CO2浓度变化,分析由微生物活动引起的秸秆腐解动态;设计一种基于低成本非色散红外(Non-dispersive infrared,NDIR)CO2传感器与Arduino结合的数据采集平台,以高时空分辨率监测秸秆周边CO2浓度变化,分析秸秆腐解行为,讨论CO2排放量作为表征秸秆腐解动态指标的可行性,以期为开发秸秆腐解动态监测方法提供理论及技术支持。
1 监测系统设计与数据分析方法
1.1 监测系统设计
假设秸秆腐解过程堆体内部产生CO2累积,通过监测该CO2浓度变化可以反映秸秆腐解的动态特征。本研究的目的一是构建基于低成本硬件的秸秆腐解动态监测系统,保证稳定、准确的CO2浓度监测;二是根据CO2的变化,分析秸秆的腐解规律。为此,需要精细把握秸秆腐解过程周边小环境的CO2分布,分析秸秆腐解对周边小环境CO2浓度产生的影响,提取与秸秆腐解相关的CO2动态特征。本研究提出使用多个CO2传感器和环境传感器,进行秸秆腐解过程堆体内部及周边多点、多目标的高分辨率测量方法。相比于传统采样分析方法,高分辨率测量方法提供时间、空间上分辨率更高的数据集,以更小的时间和空间间隔捕捉秸秆周边小环境CO2浓度变化差异,并结合环境因子、微生物群落结构数据,分析秸秆腐解的行为特征,提升检测精度及分析的可靠性。
为实现上述目标,针对秸秆堆体内部、周边小环境CO2浓度变化、空气温湿度以及秸秆堆体表面和堆体内部温度的测量设计监测系统。为减小电路设计的复杂性,选择模块化传感器套件构建监测系统,使用Arduino单片机完成数据的读取控制,实现集成多传感器套件的数据采集平台。系统框架如图1所示,包括Arduino开发板、传感器模块、时钟模块和数据存储模块。
图1 监测系统框架
Fig.1 Block diagram of measuring system
1.1.1 系统硬件设计
数据采集设备选择Arduino开发板:它是一种低成本开源平台,编程简单,容易普及;与传统数据记录仪相比,它的扩展功能更丰富,可用于智能系统开发。为满足集成多个传感器组件的研究需求,选用具有更多引脚的Arduino Mega 2560 R3开发板,采用ATmega2560微控制器芯片,具有256 KB闪存,能够编译更大的代码。同时,采用Grove-Mega I/O接口扩展板(图2),将端口标准化为4引脚(信号1、信号2、VCC和GND)接口,并保留3引脚(PWM、VCC和GND)的舵机接口,可简化布线,使数据采集过程稳定。
图2 Arduino Mega 2560微控制器与Grove-Mega I/O接口扩展板
Fig.2 Photograph of Arduino Mega 2560 microcontroller and Grove-Mega I/O shield
CO2浓度监测采用基于NDIR原理的MH-Z14B传感器模块(炜盛科技有限公司制造,图3),因为该模块为小型模块(尺寸(长×宽)为 57 mm×34 mm),具有固定光源及检测器,减小外界气体流入带来的测量偏差,实现高分辨率监测。气室采用镀金处理,可省去第2次封装。工作由单片机控制,集成信号放大、滤波、A/D转换等处理单元,直接输出数字信号,省去后期转换,且内置温度补偿。可选多种量程,考虑秸秆堆体内部CO2浓度(体积比)较高,选择量程400～10 000 μL/L,堆体外部传感器选择量程400～2 000 μL/L,分辨率为1 μL/L。
图3 MH-Z14B型NDIR CO2传感器模块
Fig.3 Photograph of Winson MH-Z14B NDIR CO2
sensor module
为分析秸秆腐解规律,需要监测环境因子变化。选用BME280型芯片模块(德国Bosch Sensortec公司制造),该模块集成了温度、相对湿度和压力传感元件,可同时测量空气温度、相对湿度及气压,并集成滤波器和A/D转换器,输出数字信号,通过I2C或SPI接口传输给主控设备,广泛应用于环境监测领域。温度、相对湿度和气压的测量范围分别为-40～85℃、0～100%和300～1 100 hPa,检测精度分别为±1℃、±3%和±1 hPa。
考虑秸秆堆体温度相比于空气温度变化会有时滞,为更精细分析秸秆腐解规律,选择DS18B20型芯片模块(美国Maxim Integrated公司制造)测量秸秆堆体温度。该模块集成温度传感元件,测量结果以数字形式储存在内置EEPROM中,以单总线协议进行读取,温度-10～85℃内检测精度为±0.5℃。具有多种封装,应用于不同场景,选用防水型号,同时监测秸秆堆体内部及表层温度变化。
另外,采用DS3231型芯片模块(Maxim Integrated公司制造)进行时间计数,集成32 kHz晶体振荡器和温度补偿,工作温度-40～85℃,支持I2C通信协议。为进行长期数据分析,采用SD卡模块储存数据,支持SPI通信协议。以上除MH-Z14B型传感器工作电压为5 V以外,所有模块均支持 3.3 V和5 V的电源输入。
1.1.2 系统程序设计
采用Arduino IDE 2.3.2版本编写程序,根据该开发环境特点,首先初始化程序,然后进入主循环,流程如图4所示。初始化阶段包括引入库、定义变量、初始化串口通信、初始化RTC和SD卡等。然后执行主循环,包括从RTC获取当前时间,计算时间是否经过指定的间隔,然后依次读取2个DS18B20、BME280型,以及6个MH-Z14B型传感器数值,将所有传感器数据写入SD卡中。该研究需要采集多个传感器数据,为避免程序阻塞,获取稳定的传感器读数,设置数据采集间隔为5 min。
图4 监测系统数据流程图
Fig.4 Programming algorithm flowchart for monitoring system
1.2 传感器测试与校准
采用多点测量方法测试秸秆腐解周边小环境CO2浓度差异,传感器模块之间的相对误差比绝对误差对试验结果分析影响更大。为此,在试验前,对6个CO2传感器进行零点校准。零点校准按照炜盛科技有限公司提供技术资料中的方法执行,首先将MH-Z14B型传感器置于室外通风好的环境下运行20 min以上, 然后通过Arduino给MH-Z14B型传感器发送校准指令,重置传感器输出数值为 400 μL/L[31]。
零点校准后,对6个CO2传感器(对应编号CO2_1～CO2_6)进行老化测试。设置Arduino数据采集间隔为5 min,将所有传感器置于试验环境内,连续采集14 d,共采集3 633个数据点。对每个数据点的6个传感器测量结果取平均值,计算传感器检测结果偏移平均值最大值和最小值,结果如表1所示。测试期间6个传感器最大正偏差为101.83 μL/L,最小负偏差为-94.16 μL/L。技术指标指出该传感器模块检测精度为±(50 μL/L±5%读数值),校准后基本在精度范围内,且测试期间未发生明显漂移。
表1 CO2传感器的测量误差测试结果
Tab.1 Maximum relative error of CO2 sensors μL/L
传感器最大正偏差最小负偏差CO2_120.00-57.50CO2_293.17-47.00CO2_35.17-94.16CO2_4101.83-11.50CO2_552.17-45.33CO2_635.50-60.17
为进一步减小各传感器基线差异导致的相对误差,在实验室环境下以市面上常用CO2记录仪TR-76Ui(日本T&D公司制造)为基准,对6个MH-Z14B型传感器模块的检测精度进行了测试和校准,连续采集数据7 d,采样间隔5 min,共采集1 829个对应的数据点,使用线性回归分析创建6个MH-Z14B型传感器的校准模型,结果如图5所示。模型决定系数R2为0.97～0.99,均方根误差(RMSE)为14.56～56.36 μL/L。试验室环境日常CO2浓度在400～1 200 μL/L范围内波动,气体波动会导致测量点出现偏差。使用定标模型对每个传感器进行校准,校准后各传感器最大测量正偏差为 70.5 μL/L,最小负偏差为-52.52 μL/L。
图5 基于TR-76Ui型CO2记录仪检测浓度的MH-Z14B型传感器模块定标模型
Fig.5 Calibration models for MH-Z14B sensors used based on measured concentration by TR-76Ui
另外,针对秸秆堆体内部的CO2传感器,使用静态箱法单独对其进行了校准与测试,如图6所示。首先,将Arduino与MH-Z14B传感器模块UART接口连接,置于装有试验秸秆的封闭箱内(试验秸秆描述见1.3节)运行20 min以上,然后开始采集数据,并记录开始时间。
图6 NDIR CO2传感器模块测试
Fig.6 Test of NDIR CO2 sensor module by static chamber method
同时,使用注射器采集静态箱内的气体样本,每次采气时记录当前时间,与Arduino采集数据对照以确保采样时间与Arduino记录数据时间对应。共采集12个气体样本,使用Agilent7890A型气相色谱仪(GC)对气体CO2浓度进行分析。图7为Arduino采集数据与GC分析数据对比,由于箱内放置试验秸秆,CO2浓度迅速上升,测试期间CO2浓度覆盖900～3 000 μL/L范围,线性回归模型决定系数R2接近1,说明该传感器在该试验条件下具有较好的线性输出能力。
图7 NDIR CO2传感器检测结果与GC分析结果比较
Fig.7 Comparison of CO2 results measured by NDIR sensor and gas chromatography
1.3 监测环境设计
为相对稳定地获取秸秆腐解过程CO2的排放动态,选择在温室内建立小型半封闭观测室(尺寸(长×宽×高)2 m×1.5 m×2 m,图8)。观测室外部温室的通风扇日常开放,确保温室与外界空气的流通,观测室与外部温室保持轻微的空气流动。环境内没有温度控制设备,观测室内的温度波动可以模拟室外环境,并降低外界气流影响。
图8 秸秆腐解动态观测室
Fig.8 Experimental chamber for monitoring straw decomposition
试验样品为小麦秸秆,品种为郑麦136,粉碎长度小于5 cm。使用元素分析仪(Elementar公司,德国)测试C、N、H、S元素含量,分别为41.63%、0.41%、5.21%、0.02%。秸秆碳氮比为102。为表征不同处理状态下秸秆腐解过程,观测期间采用两种处理:将秸秆样本含水率调制40%以上;添加微生物菌剂,选择市售有机物料腐熟剂(南华千牧生物科技有限公司),以质量比1∶25与水混合,均匀喷洒于秸秆样本,之后充分混匀,调节后秸秆含水率在40%以上。
将处理后的秸秆均匀放入定制的矩形聚乙烯容器(尺寸(长×宽×高)40 cm×30 cm×20 cm),该容器4个侧面为网架结构,确保空气流通,容器设有底座(尺寸(长×宽×高)54 cm×44 cm×5 cm),底座四周设有水槽,此设计可以通过密封箱法采集气体样本。秸秆装满容器后轻轻压实,压实后秸秆密度为0.07 g/cm3。
为分析秸秆腐解过程CO2排放规律,以厘米级分辨率监测CO2浓度变化,传感器布置如图9所示。将NDIR CO2传感器模块垂直布置于秸秆堆体内部(表面下方5 cm)、秸秆堆体表面以及表面上方10、25、50、100 cm处,监测与秸秆表面垂直方向CO2浓度变化。BME280型传感器模块放置于秸秆堆体表面上方30 cm高度,监测秸秆放置环境的空气温度、相对湿度和气压变化。设计垂直、水平传感器支柱来固定传感器模块。DS18B20型传感器模块埋于秸秆堆体表面和表面下方10 cm处,用于监测秸秆堆体表面及内部温度变化。作为对照,采用MH-Z14B型传感器模块与温湿度传感器模块同时监测观测室外的CO2浓度及空气温湿度变化。
图9 传感器模块布置
Fig.9 Sensor module placement with subject straw sample
1.4 监测数据分析方法
试验结束后,根据CO2通量计算秸秆腐解度,并与传统方法进行了比较,计算公式为
(1)
DCO2=
Fdt
(2)
(3)
Dcc=m0C0-m1C1
(4)
(5)
式中 F——CO2排放通量,mg/min
C——CO2浓度,μL/L
变化速率,μL/(L·min)
MCO2——CO2分子量
Vs——1 mol气体在标准大气压下所占体积,L
T——环境温度,℃ P——大气压强,kPa
Po——标准大气压,kPa
V——CO2排放空间体积,m3
DCO2——累积CO2通量,mg
Dcp——基于NDIR CO2传感器测量估算秸秆碳损失质量,mg
MC——碳分子量
Dcc——基于称重法算得秸秆碳损失质量,g
m0——试验开始时秸秆干质量,g
m1——试验结束时秸秆干质量,g
C0——试验初始秸秆含碳率,%
C1——试验结束时秸秆含碳率,%
Wx——秸秆腐解度,%
Do——秸秆初始含碳量,g
Dc——计算时间点含碳量,g
监测试验周期为71 d(2023年9月20日—11月30日)。为分析CO2变化与微生物活性关系,添加微生物菌后第3天,于11:00和18:00采集秸秆样品用于微生物多样性分析。采集样本后立即放入超低温冰箱(-80℃)内保存,然后进行真菌、细菌微生物多样性测序。每组样本做3次重复。试验期间,采集秸秆样品测量含水率及含碳率,计算添加腐解剂后试验整个周期内的碳损失及腐解度。含水率采用干燥箱法(100℃,48 h)测量,含碳率采用元素分析仪(Elementar公司,德国)进行测量。
试验期间设计3组同样处理的秸秆样品容器,第1组用于设置传感器进行动态测量,第2组用于称量质量变化,第3组试验期间采集秸秆样品,测量含水率及含碳率变化。
2 数据采集与分析
2.1 秸秆含水率与CO2排放动态规律
图10为观测室内与观测室外空气温湿度比较。观测室外与观测室内的空气温湿度变化趋势一致,整体上观测室内温度比观测室外高,湿度略低。空气温度随日出开始上升,到中午达到峰值,观测室内每日峰值达40℃以上,比室外高约10℃。空气相对湿度变化与空气温度趋势相反,观测室内空气相对湿度峰值比室外低10个百分点左右。结果说明观测室内可以模拟室外温湿度变化,并保持较高温度。
图10 观测室内与观测室外空气温湿度变化
Fig.10 Air temperature and humidity variations inside and outside observation chamber
为观测秸秆堆体内部CO2浓度变化是否具有秸秆腐解的行为特征,首先在调节秸秆含水率条件下进行了监测。图11为监测周期13 d的CO2排放规律。图11a为秸秆堆体内部和堆体表面的温度变化。秸秆堆体表面、内部温度呈周期性变化,随空气温度变化趋势一致。秸秆堆体内部温度变化比表面温度变化存在时间滞后。
图11 调节秸秆含水率后CO2浓度及秸秆温度变化
Fig.11 Variation of CO2 concentration and straw temperature after moisture adjustment
图11b为秸秆堆体表面以及远离秸秆垂直方向不同高度的NDIR CO2传感器响应,秸秆表面对应传感器编号为CO2_2,位置由下至上依次类推对应图中传感器编号(CO2_2～CO2_6),总体来看,秸秆堆体表面CO2浓度最高,且随着远离秸秆方向而降低,秸秆表面垂直方向25 cm以上CO2浓度梯度无明显变化。可推知秸秆堆体表面CO2浓度变化受到秸秆腐解的影响,呈周期性变化趋势,并且距离秸秆越近,CO2浓度越高,变化越明显。
图11c为秸秆堆体内部CO2浓度变化。该处CO2浓度变化展现了秸秆腐解的行为特征。曲线呈明显周期性变化,且变化趋势与温度一致。随着时间推移,CO2曲线的波动幅度逐渐减小。可推知,随着时间推移,秸秆水分逐渐流失,腐解速度变慢,波动幅度逐渐减小。
2.2 微生物菌剂添加与CO2排放动态规律
为进一步观测秸秆腐解特性和秸秆堆体内部CO2浓度的动态变化规律,添加微生物菌剂加速秸秆腐解。图12a为添加微生物菌剂后秸秆堆体内部CO2浓度与空气温度、秸秆堆体内部与表面温度随时间的变化曲线。与只调节含水率情况相同,秸秆堆体内部CO2呈明显周期性变化趋势,且变化趋势与秸秆堆体内部温度一致。与图11c相比,添加微生物菌剂后CO2变化幅度持续几个周期后才开始衰减,比只调节秸秆含水率情况持续时间更长。
图12 添加微生物菌剂后秸秆堆体内部CO2浓度变化与观测室外CO2浓度变化
Fig.12 CO2 concentration at interior of straw after adding microbal agent and CO2 concentration at the same period
另一方面,在试验第7天和第8天00:00附近分别出现异常峰值。将该数据与同期间观测室外部参考CO2浓度进行对照,结果如图12b所示,观测室外的CO2浓度未出现明显周期性变化。在第7天和第8天00:00附近出现CO2浓度上升情况,与图12a中秸秆堆体内部CO2浓度异常值对应,可推知为来自外部环境干扰。
为验证秸秆堆体内部CO2浓度变化与微生物活性的关系,取同一天中CO2排放速率高点(11:00)与低点(18:00)进行微生物多样性测序。图13为11:00(A1_1～A1_3)与18:00(A2_1～A2_3)属水平真菌(图13a)与细菌(图13b)群落结构。在属水平真菌上,秸秆样品中的优势菌门以曲霉属为主。在属水平细菌上,秸秆样品中的优势菌门以芽孢杆菌属、橄榄型菌属、微杆菌属、拟诺卡氏菌属为主。
图13 属水平真菌、细菌相对丰度的日变化
Fig.13 Diurnal variation in relative abundance of fungi and bacteria at genus level
曲霉属是发酵工业和食品加工业的重要真菌菌种,一般具有较高的降解能力,能够有效分解秸秆中的纤维素和半纤维素,并产生多种降解酶。芽孢杆菌属是一类常见的秸秆降解细菌,具有环境适应能力强、能够在较宽的温度和pH值范围下存活等特点,在农业、畜牧业及环境保护等领域有着广泛的应用[32]。
如图13所示,相比于11:00(A1),18:00(A2)属水平真菌曲霉属相对丰度显著降低,属水平细菌芽孢杆菌属相对丰度显著降低。这两种菌属在秸秆分解中发挥主要作用,并促进CO2释放。相对丰度降低表明该菌属的相对活性下降,因此可以推知图11c 与图12a中秸秆堆体内部CO2周期性波动与微生物活性相关。
由于秸秆腐解过程中CO2在秸秆堆体内部孔隙中形成积累,导致孔隙中的CO2浓度升高,随着秸秆腐解速度变慢,孔隙中的CO2沿着孔隙通道逐渐释放到外部空气中,导致秸秆堆体内部的CO2浓度降低。CO2周期性变化特征体现了微生物活动的生物节律。同时,微生物活性与水分相关,当多孔介质中的含水率降低,较大孔隙逐渐失去水分,导致部分微生物呼吸速率降低,活性下降,秸秆的腐解速率变慢,CO2排放速率也会降低,CO2排放量逐渐减小,日间的波动幅度也逐渐减小[33-34]。以上结果说明秸秆堆体内部CO2变化反映秸秆腐解的行为特征。并且说明通过高分辨率测量,有助于解析微生物活动规律,揭示秸秆腐解的行为特征,进而筛选高效的秸秆腐解菌剂。
2.3 秸秆腐解速率与环境参数关系
为了解秸秆腐解速率与空气温度关系,取添加微生物菌剂后腐解速率较快的前3 d数据,对秸秆堆体内部CO2变化曲线进行微分处理,获取CO2浓度变化速率的日变化曲线,结果如图14所示。秸秆堆体内部CO2浓度变化速率曲线反映了秸秆腐解的动态特征,该曲线在温度上升时开始升高,在中午出现峰值,随后立即下降,在18 h附近出现低谷,意味着此时秸秆腐解缓慢,CO2浓度逐渐恢复到与周边环境平衡状态。
图14 秸秆堆体内部CO2浓度变化速率与空气温度的日变化曲线
Fig.14 Daily variation of CO2 change rate inside straw pile and air temperature
空气温度曲线波峰附近出现了小幅度波动,在前两个波峰处表现明显,且该波动与CO2浓度变化速率的升降相对应,该现象可能是秸秆腐解与周围环境相互作用的结果:一方面,温度的升降影响秸秆腐解速率;另一方面,秸秆腐解过程微生物分解有机质会释放热量,对环境温度造成影响,导致温度出现小幅度波动。
为进一步分析秸秆腐解速率与温度关系,选择图14所示期间的数据(共865个数据点),建立秸秆堆体内部累积CO2浓度变化量与秸秆堆体内部温度关系的散点图,结果如图15所示。秸秆堆体内部累积CO2浓度变化量通过对CO2浓度变化速率进行积分获取,表达了秸秆堆体内部测量点的CO2流入和流出总量的变化动态,反映了秸秆腐解动态。结果表明,秸秆堆体内部累积CO2浓度变化量与秸秆堆体内部温度呈显著正相关(P<0.01),决定系数R2为0.813 7,可以推知秸秆腐解速率受空气温度影响。
图15 秸秆堆体内部累积CO2浓度变化量与秸秆堆体内部温度的关系
Fig.15 Scatter plots of cumulative CO2 change and internal temperature of straw pile
由于秸秆堆体内部传感器监测数据为累积通量,因此CO2浓度变化速率存在负值,假设秸秆腐解时排放CO2,秸秆堆体内部CO2浓度变化速率为正,采用式(1)、(2)、(3)、(5)计算秸秆腐解度,并对腐解度进行微分处理,计算腐解速率。图16为调节含水率与添加微生物菌剂两种处理后18 d的秸秆腐解度及腐解速率变化。调节含水率大于40%后秸秆腐解速率迅速下降,腐解度上升,第4天后趋于平稳。与之相比,添加腐解菌剂后秸秆腐解度和腐解速率均高于只调节含水率的情况,腐解速率在第7天开始明显下降,到第12天后趋于平稳。原因是秸秆失去水分导致微生物逐渐失去活性,腐解速率变慢。
图16 两种处理后秸秆腐解度及腐解速率随时间变化
Fig.16 Changes in straw decomposition degree over time after two treatments
为比较秸秆腐解度的估算精度,计算了添加微生物菌剂后45 d周期的秸秆碳损失量。试验初始含碳41.6%,试验结束时测得含碳42.8%,计算该试验周期内秸秆炭损失质量为10.38 g,炭损失率为1.86%。同时,通过式(1)、(2)估算该周期CO2累积排放量为36.59 g,根据式(3)估算碳损失质量为9.98 g,估算腐解度为1.79%。估算误差为0.07%。与传统抽样测量方法相比,以秸秆腐解CO2排放量为指标来表征秸秆腐解,有助于节省劳力,获取更小时间间隔的秸秆腐解度及秸秆腐解速率变化动态,更细致地分析腐解规律,并采取有效的调控措施。
为描述秸秆腐解度与秸秆含水率的关系,取添加微生物菌剂后秸秆含水率为自变量,构建秸秆腐解速率的一元线性回归模型,结果如图17所示。由于试验前期秸秆含水率减少速率快,然后趋于稳定,该试验测量了前14 d及第18天秸秆的含水率。结果表明,试验前10 d秸秆含水率减少幅度较大(42%～10%),第11天至第18天秸秆含水率减少幅度较小(10%～6.7%),这点与图16中所示添加微生物菌剂情况的秸秆腐解度变化趋势一致。由于秸秆容器内存在空间差异,取样测量含水率存在误差,导致数据点偏离。尽管如此,测量结果表明秸秆腐解度与秸秆含水率具有较强的线性关系,一元线性回归方程决定系数R2为0.892。这说明在该试验条件下,秸秆腐解程度主要取决于秸秆含水率,秸秆含水率越高,腐解度越好。
图17 秸秆腐解速率与秸秆含水率的关系模型
Fig.17 Relationship between straw decomposition rate and straw water content
3 结论
(1)基于小型、低成本传感器套件与Arduino板,设计了秸秆腐解动态监测系统,系统由NDIR CO2传感器模块、环境传感器模块、秸秆温度传感器模块、时钟模块以及数据存储模块构成。该系统可以实现秸秆腐解过程环境参数、秸秆温度以及CO2浓度多位点的监测,提升分析可靠性和稳定性。以市面TR-76Ui型CO2记录仪为基准对传感器模块进行测试和校准,线性回归模型决定系数R2为0.97～0.99,RMSE为14.56～56.36 μL/L,表明低成本NDIR CO2传感器模块具有良好的检测精度和稳定性。
(2)系统监测到秸秆堆体内部CO2浓度具有周期性变化规律,该规律与温度的日变化呈正相关,表现了微生物活动的生物节律。这样的周期性规律说明秸秆堆体内部CO2浓度变化可以反映秸秆的腐解动态行为,揭示了作为指标反映秸秆腐解动态的可行性。秸秆腐解速率与温度和含水率呈正相关,决定系数R2分别为0.813 7与0.892。调节秸秆含水率大于40%后,秸秆腐解速率迅速下降,至第4天趋于平稳。添加微生物菌剂后秸秆腐解速率在第7天开始明显下降,至第12天开始趋于平稳。
(3)外界空气流入会影响CO2排放的定量分析,秸秆堆密度、孔隙分布、秸秆含水率等物理因素均对秸秆堆体内部CO2变化动态产生影响。
[1] 《全国农作物秸秆综合利用情况报告》发布2021年我国农作物秸秆综合利用率达88.1%[EB/OL]. https:∥www.moa.gov.cn/xw/zwdt/202210/t20221010_6412962.htm.
[2] 赵立欣, 姚宗路, 霍丽丽. 秸秆综合利用减排固碳技术[M]. 北京: 中国农业科学技术出版社, 2023.
[3] SCHNITZER M, MONREAL C M. Quo vadis soil organic matter research, a biological link to the chemistry of humification[J]. Advances in Agronomy, 2011,113:145-146.
[4] 齐智娟,徐敬文,张忠学,等.秸秆还田配施氮肥对黑土玉米田土壤CO2排放与碳平衡的影响[J]. 农业机械学报,2024,55(6):284-293. QI Zhijuan, XU Jingwen, ZHANG Zhongxue, et al. Effects of straw returning combined with nitrogen fertilizer on soil CO2 emission and carbon balance in black soil maize field[J]. Transactions of the Chinese Society for Agricultural Machinery,2024,55(6):284-293. (in Chinese)
[5] ZHANG J, HANG X, LAMINE S M, et al. Interactive effects of straw incorporation and tillage on crop yield and greenhouse gas emissions in double rice cropping system[J]. Agriculture, Ecosystems and Environment, 2017,250(1):37-43.
[6] ZHAO S, QIU S, XU X, et al. Change in straw decomposition rate and soil microbial community composition after straw addition in different long-term fertilization soils[J]. Applied Soil Ecology, 2019,138:123-133.
[7] LIU X, LIU H, ZHANG Y, et al. Straw return drives soil microbial community assemblage to change metabolic processes for soil quality amendment in a rice-wheat rotation system[J]. Soil Biology and Biochemistry, 2023,185:109131.
[8] 赵宇航, 殷浩凯, 胡雪纯, 等. 长期秸秆还田褐土有机碳矿化特征及其驱动力[J]. 环境科学, 2023,45(4):1-16.ZHAO Yuhang, YIN Haokai, HU Xuechun, et al. Characteristics and driving forces of organic carbon mineralization in brown soil with long-term straw returning[J]. Environmental Science, 2023,45(4):1-16. (in Chinese)
[9] 张志毅, 何剑, 范先鹏, 等. 稻麦轮作制还田秸秆腐解和养分释放特征[J]. 中国土壤与肥料, 2022(8):221-230.ZHANG Zhiyi, HE Jian, FAN Xianpeng, et al. Characteristics of straw decomposition and nutrient release in rice and wheat rotation system[J]. Soils and Fertilizers Sciences in China, 2022(8):221-230.(in Chinese)
[10] 田慎重, 张玉凤, 边文范, 等. 深松和秸秆还田对旋耕农田土壤有机碳活性组分的影响[J]. 农业工程学报, 2020,36(2):185-192.TIAN Shenzhong, ZHANG Yufeng, BIAN Wenfan, et al. Effects of subsoiling and straw return on soil labile organic carbon fractions in continuous rotary tillage cropland[J]. Transactions of the CSAE, 2020,36(2):185-192. (in Chinese)
[11] LI T, ZHANG J, ZHANG H, et al. Fractionation of soil organic carbon in a calcareous soil after long term tillage and straw residue management[J]. Journal of Integrative Agriculture, 2022,21(12):3611-3625.
[12] LIU J, ZHONG Y, JIA X, et al. Wheat straw decomposition patterns and control factors under nitrogen fertilization[J]. Journal of Soil Science and Plant Nutrition, 2021,21(4):3110-3121.
[13] DEVEVRE O C, HORWATH W R. Decomposition of rice straw and microbial carbon use efficiency under different soil temperatures and moistures[J]. Soil Biology &Biochemistry, 2000,32(11-12):1773-1785.
[14] LATIFMANESH H, DENG A, LI L, et al. How incorporation depth of corn straw affects straw decomposition rate and C&N release in the wheat-corn cropping system[J]. Agriculture, Ecosystems &Environment, 2020,300:107000.
[15] NYT 2722—2015 秸秆腐熟菌剂腐解效果评价技术规程[S]. 2015.
[16] RAZA T, QADIR M F, KHAN K S, et al. Unrevealing the potential of microbes in decomposition of organic matter and release of carbon in the ecosystem[J]. Journal of Environmental Management, 2023,334(15):118529.
[17] GORD N, SHARIFI A, SEYEDABADI M, et al. Development of two devices for high-throughput screening of ethanol-producing microorganisms by real-time CO2 production monitoring[J]. Bioprocess and Biosystems Engineering, 2023,46(8):1209-1220.
[18] ANDREA T, HAAKON E H, CAROLINE S M N, et al. Bioprocess monitoring: a moving horizon estimation experimental application[J]. IFAC-PapersOnLine, 2022,55(7):222-227.
[19] TUVERI A, PÉREZ-GARC
A F, LIRA-PARADA P A, et al. Sensor fusion based on extended and unscented Kalman filter for bioprocess monitoring[J]. Journal of Process Control, 2021,106:195-207.
[20] MAROSE S, LINDEMANN C, ULBER R, et al. Sensor systems for bioprocess monitoring[J]. Trends in Biotechnology, 2015,17(1):30-34.
[21] WANG X, RASHID I, ZHAO Z, et al. Machine learning algorithm integrated with real-time in situ sensors and physiochemical principle-driven soft sensors toward an anaerobic digestion-data fusion framework[J]. ACS ES&T Water,2023,4(3):1061-1072.
[22] BROWN S L, GOULSBRA C S, EVANS M G, et al. Low cost CO2 sensing: a simple microcontroller approach with calibration and field use[J]. HardwareX, 2020,8:e00136.
[23] BLACKSTOCK J M, COVINGTON M D, PERNE M, et al. Monitoring atmospheric, soil, and dissolved CO2 using a low-cost, Arduino monitoring platform (CO2-LAMP): theory, fabrication, and operation[J]. Frontiers in Earth Science, 2019,7:313.
[24] MARTIN C R, ZENG N, KARION A, et al. Evaluation and environmental correction of ambient CO2 measurements from a low-cost NDIR sensor[J]. Atmospheric Measurement Techniques, 2017,10(7):2383-2395.
[25] TATSUMI K, YAMAZAKI T, ISHIKAWA H. An open-source, low-cost measurement system for collecting hydrometeorological data in the open field[J]. Technologies, 2021,9(4):78.
[26] FURST L, FELICIANO M, FRARE L, et al. A portable device for methane measurement using a low-cost semiconductor sensor: development, calibration and environmental applications[J]. Sensors, 2021,21(22):7456.
[27] OH P, KANG S. Integrating artificial intelligence to chemistry experiment: carbon dioxide fountain[J]. Journal of Chemical Education, 2021,98(7):2376-2380.
[28] SUPARTA W, WARSITA A, IRCHAM I. A low-cost development of automatic weather station based on Arduino for monitoring precipitable water vapor[J]. Indonesian Journal of Electrical Engineering and Computer Science, 2021,24(2):744-753.
[29] DURSO P R, ARCIDIACONO C, CASCONE G. Assessment of a low-cost portable device for gas concentration monitoring in livestock housing[J]. Agronomy, 2023,13(1):5.
[30] GAGNON S, L’HÉRAULT E, LEMAY M, et al. New low-cost automated system of closed chambers to measure greenhouse gas emissions from the tundra[J]. Agricultural and Forest Meteorology, 2016,228-229:29-41.
[31] Infrared carbon dioxide module (model: MH-Z14B) user’s manual V1.1[EB/OL]. https:∥www.winsen-sensor.com/d/files/infrared-gas-sensor/mh-z14b-co2-manual(ver1_1).pdf.
[32] 才金玲, 胡秦博, 郑薇琳, 等. 低温秸秆降解菌研究进展[J]. 微生物学通报, 2024, 51(7): 2312-2325.CAI Jinling, HU Qinbo, ZHENG Weilin, et al. Research progress in straw-degrading psychrotrophic microorganisms[J]. Microbiology China, 2024, 51(7): 2312-2325. (in Chinese)
[33] NZWEIG J M G, HEMMING D, MASEYK K, et al. Water limitation to soil CO2 efflux in a pine forest at the semiarid “timberline”[J]. Journal of Geophysical Research, 2008,114(G3):1-14.
[34] SHI W, DU S, MORINA J C, et al. Physical and biogeochemical controls on soil respiration along a topographical gradient in a semiarid forest[J]. Agricultural and Forest Meteorology, 2017,247:1-11.
