巴西沿海台地土壤抗拉强度变异性研究：从粘聚性与非粘聚性层段的土壤学家视角解析

本综述系统探讨了巴西沿海台地两种Alfisols（PVAd与PAex）Bt层段干土结持性的主观评估与定量测定（抗拉强度，TS）的变异性。研究通过三位土壤学家的定性评分与测力计的定量数据（TS，kPa）对比，揭示了评估中的主观差异（变异系数8%-37%），并确立了基于TS的结持性分级阈值（如极硬类≥70 kPa）。结果表明，整合TS范围与专家评估可显著减少主观性，为粘聚性层段（cohesive character）的诊断提供客观量化指标（如50 kPa阈值），对土壤结构评估、农业规划及抗侵蚀管理具有重要实践意义。

　　

1 引言

抗拉强度（Tensile Strength, TS）是使土壤团聚体或土块破裂所需单位面积上的力，常与干土结持性（描述抗压和抗剪应力）混淆。田间评估通常依赖土壤学家主观感知团聚体破裂所需力，按阻力分为松散、松软、稍硬、硬、很硬和极硬。这种主观性可能导致高变异性，影响准确性，因此需要定量参数减少偏差。

粘聚性层段通常出现在 subsurface horizons（如BA、Bw或Bt部分），质地中壤至重壤，深度0.3–0.7 m或更深，常与巴西沿海台地Barreiras组的第三纪/第四纪沉积物相关。国际上，类似粘聚特征见于澳大利亚的硬结层（hardsetting horizons），干燥时坚硬、湿润时疏松。尽管已有研究表征了巴西Argissolos的粘聚层段，但标准化问题（如测试协议、团聚体大小和环境条件差异）限制了跨研究比较，且鲜有研究整合定量TS与主观田间评估。

2 材料与方法

2.1 实验描述

研究选取巴西塞阿拉州Aquiraz的两种Alfisols：Argissolo Vermelho-Amarelo Distrófico típico（PVAd）和Argissolo Amarelo Eutrocoeso abrúptico（PAex），均具有粘聚和非粘聚特征的Bt层段。采集15×20×10 cm³的块状样品，从层段顶部、中部和基部分别取30个团聚体（直径19–25 mm），经风干和60°C烘箱干燥后，由三位土壤学家进行干土结持性定性评估（按1-6分评分），同时使用测力计（dynamometer）进行定量TS测量（线性电动执行器，速度0.03 mm s^?1）。TS计算公式为TS = 0.576 × P / (π × D²/4)，其中P为施加力（N），D为有效直径（m）。团聚体大小按有效直径（基于质量与平均质量比）标准化。

2.2 数据分析

数据采用探索性和实验性统计方法，完全随机设计，进行方差分析（F检验）和Tukey均值比较检验（显著性水平0.05和0.01），评估数据正态性。通过 pedologists 评分与TS数据的相关性分析，定义TS范围对应结持性类别（如极硬类基于 pedologists 分类的最高 cohesion 类平均百分比）。

3 结果与讨论

pedologists 评分显示中等变异性（变异系数8%-37%），均值接近中位数和众数，符合正态分布。TS数据变异系数一般低于60%，也属中等变异性。方差分析表明， pedologists 、 cohesion 程度和采样位置间存在显著差异（p<0.01），交互作用也显著。

在粘聚层段， pedologists 感知的结持性更高，TS值也更高（PVAd粘聚层段TS均值51–71 kPa，非粘聚层段23–46 kPa；PAex粘聚层段TS均值25–40 kPa，非粘聚层段12–26 kPa）。粘聚层段顶部TS最高（如PVAd顶部71 kPa），与形态描述（极硬）部分一致。相关性分析显示 pedologists 评分与TS值强相关（r值高），回归线非零角系数表明评分变化与TS变化相关。

基于 pedologists 评分和TS数据，提出了干土结持性的TS范围：松散（0 kPa）、松软（>0 to <20 kPa）、稍硬（≥20 to <40 kPa）、硬（≥40 to <50 kPa）、很硬（≥50 to <70 kPa）、极硬（≥70 kPa）。阈值50 kPa可作为粘聚土壤特征的指示值。这些范围有助于减少主观性，提供客观诊断工具。

研究局限性包括：未控制预压载、使用理想化几何常数（0.576）、有效直径简化3D几何、团聚体尺寸较小可能高估田间强度、湿度轻微变化。未来工作应纳入控制预载测试、形状特异性校正、3D形态描述符和更大尺寸范围，以加强机械测量与专家分类的联系。

4 结论

pedologists 对同一层段的结持性评估存在差异，尤其在层段细分位置（顶、中、基）时。整合 pedologists 感知与TS范围可减少主观性，改善粘聚性表达阈值的确定。TS阈值（如50 kPa用于粘聚特征）为土壤结构评估提供了量化基础，有助于农业规划和土壤健康管理。未来结合机器学习模型，可进一步优化评估的客观性和一致性。