五十年来的人工土壤质地估算方法：准确性、挑战与改进

《Soil Science Society of America Journal》：Five decades of hand-feel soil texture estimation: Accuracy, challenges, and improvements

　　摘要

土壤质地指的是直径小于2毫米的细小土壤颗粒的比例，这些颗粒被分类为不同的粒径类别，从而定义了土壤质地等级。在野外，土壤科学家和技术人员经常通过手感估计来表征土壤层。本研究评估了这种现场估计方法在意大利的准确性，考虑了调查员经验、土壤分类等级、土壤湿度和有机碳含量等因素。数据与国际研究进行了比较，以便将研究结果置于更广泛的背景下。为了提高估计的准确性，开发了一种校准方法，该方法整合了参考参数，如带状物的长度和强度、已知粒径的筛分样本以及沙粒计数网格。该方法采用回归模型将这些现场参数与实验室测量的粒径分数联系起来。首先在大学生中测试了这种方法，然后应用于105个异质样本，以建立校准数据集，用于估计新样本的粒径分数。历史数据显示，基于传统手感估计的土壤质地往往不准确，无论调查员的经验如何。相比之下，所提出的方法将学生的估计准确性提高了20%。使用校准数据集，该方法的平均得分为90/100，而传统方法的平均得分为85，显示出更高的准确性和精度，结果更接近真实值，并且对外部因素的敏感性更低。此外，该方法能够定量估计粘土和沙粒的比例，而不仅仅是依赖于分类的质地等级。

**通俗语言总结**

土壤质地——即沙子、粉砂和粘土的混合——对于理解土壤如何保持水分、支持作物生长以及如何应对侵蚀至关重要。世界各地的科学家和技术人员通常使用“手感”方法来估计质地，但这种方法过于主观，即使是有经验的调查员也可能得到不一致的结果。我们的校准方法将准确性提高了20%，并减少了土壤湿度、有机碳和调查员经验的影响。该方法结合了实用工具（如带状物的长度和强度、筛分样本以及沙粒计数网格）与实验室测量结果，通过回归模型进行整合。该方法首先在大学生中进行了测试，然后应用于105个异质样本，以建立校准数据集，用于估计新样本的粒径分数。历史数据表明，基于传统手感估计的土壤质地往往不准确，无论调查员的经验如何。相比之下，所提出的方法将学生的估计准确性提高了20%。使用校准数据集，该方法的平均得分为90/100，而传统方法的平均得分为85，显示出更高的准确性和精度，结果更接近真实值，并且对外部因素的敏感性更低。此外，该方法能够定量估计粘土和沙粒的比例，而不仅仅是依赖于分类的质地等级。

**关键词**

土壤质地；手感估计；校准方法；回归模型；精度；实验室测量好的

中等

粗糙

样本数量

土壤质地分类准确率（%）

Minasny等人（2007）

17,979

74

17

14

21

25

22

27

44

50

41

75

Rawls和Pachepsky（2002）

1002

48

48

41

28

58

39

48

15

32

34

80

Foss等人（1975）

598

73

19

18

44

36

63

68

35

74

Akamigbo等人（1994）

455

46

46

71

2

25

47

31

21

58

73

95

Salley等人（2018）

233,808

74

59

28

70

57

49

58

81

16

61

42

73

本研究

17,344

37

53

8

45

43

36

49

48

15

58

48

80

得分

82.4

89.8

82.4

89.3

88.5

86.7

88.8

86.2

61.2

88.2

89.6

93.3

注：“本研究”行显示了来自意大利历史数据库的准确率（%），而“得分”行显示了Franzmeier和Owens对应的准确率。缩写：BG Txt，宽质地组；Cl，粘土；ClLo，粘壤土；Lo，壤土；LoSa，壤砂；Sa，砂；SaCl，砂粘土；SaClLo，砂粘壤土；SaLo，砂壤土；Si，粉砂；SiCl，粉砂粘土；SiClLo，粉砂粘壤土；SiLo，粉砂壤土。

2.2 教授土壤质地估计

aHFST方法作为一种替代和比较方法，用于评估传统流程图（cHFST）得出的结果，首次在2022年和2023年作为实践练习，在意大利维泰博市托斯卡纳大学农业与森林科学系的“土壤学”课程中进行了测试。测试共有27名森林和自然科学专业的学士学位学生参与。使用了具有已知质地的特征明确的土壤样本，并在教室中使用图2中显示的完整工具包进行测试，同时使用平坦的表面以便于样本处理。初始工具包包括四种不同类型的土壤样本（主要是砂质、主要是粉砂质、主要是粘土质以及火山起源的壤土样本）、一把尺子、一个喷水瓶、一张纸巾和一个用于滚动样本的缎面玻璃底座。它还包括一个塑料盆用于收集多余的材料和一个透明网格，小网格线间距为2.75毫米，大网格线间距为11毫米。自我校准方法的原始指南可以在Turk和Young（2021）的补充材料中找到。在cHFST方法中，起始样本由完整或轻微破碎的颗粒组成，而校准过程可以使用筛分和干燥的土壤样本。通过对五个特定质地参考参数与测量的颗粒大小分数进行回归分析，可以识别出最能预测土壤质地的参数，从而实现方法的动态调整。这些参数表征了土壤颗粒组成和行为的关键方面，为提高质地估计的准确性奠定了基础。

2.3 预测土壤质地

上述方法已经进行了修改和扩展，以便任何经验水平的土壤科学家能够在各种环境条件下估计土壤质地。我们的改进包括对原始协议的两个主要修改：一个小型、易于处理的织物筛子，以及一个Excel电子表格中的训练数据集的支持，这允许在样本处理后直接得出三种土壤质地分数。下面展示了使用四个不同质地参数进行建模的详细步骤（见图2）。该程序遵循《土壤描述手册》和《世界土壤资源参考基础》第四版（IUSS工作组WRB，2022）的指导，首先形成一个直径为3.5厘米的土壤球体，然后进行滚动步骤，以评估粘性和塑性。校准数据集参数来自单次重复实验。然而，通过遵循标准化协议，质地参数的计算被证明是稳定的，并且受重复实验的影响很小。此外，校准是在一个相对较大的数据集上进行的，这增强了参数估计的统计可靠性。该程序由资深土壤科学家执行，确保了方法的一致性并减少了操作者的变异性。因此，尽管额外的重复实验可以进一步提高统计稳健性，但采用的程序提供了可靠且可重复的参数估计。

3 结果与讨论

3.1 过去50年的回顾

基于对用于初步分析的意大利数据库的查询，我们计算了按手感分类的总体准确率（%）。这项分析允许将总体分类准确率与其他文献中报告的结果进行比较（表1）。准确率和得分值最低的类别，即砂粘土（SaCl）和粉砂（Si），在本研究中也较为罕见。对于意大利土壤数据库，可以计算TE得分，该得分基于土壤质地三角形中两点之间的距离，与分配的质地类别无关。根据表1中提到的一些其他研究，我们发现“粘土”（Cl）质地类别的分类准确性相对较低。这可能是因为美国农业部（USDA）分类中的粘土含有高达45%的沙子，而这往往被低估了，尤其是在含有大量膨胀性粘土的情况下，因为这些粘土会掩盖粗糙的质地。第二次初步分析使用了美国农业部土壤分类系统（表2）来评估土壤质地的分类准确性，并应用了表1中使用的相同准确性指标。根据Salley的研究，Histosols、Mollisols和Andisols的准确性明显较低，这可能是由于它们含有较高的有机碳含量，使得质地评估变得复杂。在其他类别之间没有观察到显著差异。Andisols带来了额外的挑战，因为即使使用标准实验室技术，它们也无法完全分散和抵抗分解（Nettleton等人，1999年）。同一作者还指出Andisols有一种“油腻”的手感，这与通常描述的andic土壤的“粘性”质地形成对比。

表2. 根据土壤分类系统，通过手感分类的矿物层与实验室测得的粒径分析的准确性对比（意大利土壤数据库）。

| 土壤分类系统 | 样本数量 | 准确率（%） | 得分 |
|------------|---------|---------|-------|
| Alfisols | 4210 | 46 | 88.1 |
| Andisols | 74 | 37 | 82.7 |
| Entisols | 2060 | 51 | 88.5 |
| Histosols | 34 | 57 | 77.7 |
| Inceptisols | 7449 | 44 | 87.8 |
| Mollisols | 1868 | 37 | 84.4 |
| Ultisols | 158 | 61 | 88.1 |
| Vertisols | 803 | 54 | 87 |

注：百分比表示每个土壤分类系统内的分类准确性，使用与表1中相同的指标。样本数量较少的土壤分类系统（Spodosols和Aridosols）被省略了。

第三次更详细的检查关注了调查人员的经验水平、土壤样本的湿度状态以及它们的有机碳含量。结果按照质地类别进行了分组：粗质地（沙子、壤沙和沙质壤土）、中质地（壤土、粉壤土、粉砂和沙质粘壤土）和细质地（粘壤土、粉砂粘壤土、沙质粘土、粉砂粘土和粘土）。结果显示在图5中。同样，含有高有机物的土壤样本会给人一种油腻、粉砂般的手感，这会降低粘土的凝聚力，从而导致粘土含量的低估（Hodgson等人，1976年）。本研究没有直接考虑其他化学性质，如碳酸钙、石膏或可溶性盐，这些性质会复杂化土壤的手感并掩盖粘土的粘性。

3.2 关于土壤质地估计的教学结果

基于两次学生试验，最可靠的指标是对于细质地材料，RS × RL的组合；对于中质地和粗质地材料，则是GR。尽管从理论上讲，GC是最客观的方法，但对学生和专家来说都过于不精确，因为在清洗过程中经常会丢失过多的沙子。通过引入尼龙网解决了这个问题。平均而言，与传统直接估计方法相比，这两种方法在TE分数上的提高分别约为：沙质样本35%，粉砂样本24%，火山样本18%，粘土样本10%。

3.3 土壤质地预测的改进

aHFST的结果直接与那些结果进行了比较，以突出这项技术带来的改进，这些结果涉及有机碳的影响以及调查人员经验和质地组的影响。使用AHFST-MD的多重回归分析提供了可靠的粒径估计。沙子的预测准确性最高（图4）。对于粉砂，模型表现中等（R2 = 0.39），归一化均方根误差（NRMSE）为0.171，Lin的一致性相关系数（CCC）为0.56（95%置信区间：0.44–0.67），表明观察值和预测值之间有中等程度的一致性。粘土的表现有所提高（R2 = 0.70），预测误差较低（NRMSE = 0.148），一致性更高（CCC = 0.83；95%置信区间：0.76–0.88），反映了良好的一致性。沙子的表现最好（R2 = 0.79），NRMSE = 0.121，CCC = 0.87（95%置信区间：0.81–0.91）。CCC同时考虑了精度和准确性相对于1:1线的程度，提供了比R2更全面的一致性度量。95%置信区间表示了一致性估计的不确定性（Koo & Li，2016年）。ALR1代表粉砂与沙子的比例，表现出更大的变异性，这可能是由于粗粉砂和细沙的触感相似。对ALR1影响最大的校准变量按重要性递减顺序为GR、GC和RS × RL，而WR则没有统计学意义。相比之下，ALR2代表粘土与沙子的比例，主要受GC、GR和WR的影响，RS × RL没有显著贡献。

图4显示了基于辅助手感土壤质地建模数据集（aHFST-MD）回归分析的测量值和模型预测值（a）沙子、（b）粉砂和（c）粘土的比较。在最终的aHFST模型中，“GR”和“GC”参数在线性回归分析中并不冗余：GR与粉砂的识别更为相关，而GC与实际沙子含量的相关性更强。显然，资深土壤学家的表现略高于初级土壤学家。资深土壤科学家能够以46%的准确率和87的平均TE分数将现场样本归入适当的PSD类别。与初级调查人员（不包括学生）相比，准确率为34%，平均总误差分数为84（图5b）。总体而言，中质地和粗质地的准确率较高，而细质地的可靠性较低，且更依赖于经验技能。从图5c可以看出，当有机碳值>2%时，会出现条带状行为。现场调查中观察到的土壤湿度状态似乎是评估细质地和中质地类别时的另一个误差来源。

图5显示了表1中定义的三个类别的TE分数箱线图及其置信区间。（a）土壤湿度类别对TE分数的影响，（b）经验水平对TE分数的影响，（c）有机碳含量对TE分数的影响。ns, p ≥ 0.05；*, p < 0.05；**, p < 0.01；***, p < 0.001。通过结合aHFST协议和aHFST-MD，无论有机碳含量或调查人员的经验水平如何，都能获得一致且稳定的土壤质地估计。aHFST的平均TE分数超过了cHFST，总体平均分为90/100。传统方法在更大、更异质的数据集上报告的准确率为85/100，这使得直接数值比较变得困难；尽管如此，aHFST在较小、受控的样本集上取得的成绩证明了其高准确性和稳健性。具体来说，粗质地土壤的TE分数为94，中质地土壤为90，细质地土壤为86（见图5c）。在正确识别土壤质地类别的准确性方面，aHFST达到了52%，虽然高于使用cHFST的资深调查人员所取得的46%，但仍然相对较低。这可以在图1中观察到，因为许多样本处于两个不同类别的边界附近。在较细的土壤类别中，粘土矿物学是最具挑战性的因素之一，因为它显著影响土壤的机械行为。蒙脱石和蒙脱石的存在通过促进条带形成和“蠕虫”现象增加了不确定性。相比之下，以伊利石和赤铁矿为主且通常富含粘土的红土土壤，由于其较低的膨胀潜力，并不总是能达到最大的WR。这些差异突显了1:1和2:1粘土矿物之间的强烈行为对比，并表明aHFST-MD应该针对特定土壤类型进行调整，例如Ultisols和Oxisols，或者更广泛地适应特定地区的条件。此外，粉砂含量仍然是间接推断的，使其估计具有内在的不确定性。尽管如此，使用ALR进行建模可以减轻这种偏差。需要注意的是aHFST方法的以下局限性：对于含有≥90%沙子的样本，该方法提供的指导有限，某些质地类别的当前采样不足可能会影响模型预测的准确性。此外，该方法的最大挑战是需要大量水来清洗和过滤沙子部分，这在典型的现场条件下可能不可行，并使程序更加耗时。为了提高协议的适用性和便于样本处理，建议在受控环境中进行测试。

4 结论

尽管本研究提出的触觉土壤质地估计方法不能完全替代野外工作，但它有效地支持了Burk和Young的方法，并通过aHFST方法得到了增强，并通过结合多线性回归建模（aHFST-MD）的数据集进一步改进了预测的可靠性。TE分数是一个适合评估土壤质地估计的指标，特别是在质地接近类别边界时。由于其简单性、可重复性和逐步协议，该方法可以吸引从大学生到专业人士、公民科学家甚至小学生等广泛的用户群体，使其成为促进土壤知识普及的有效工具。其主要优势在于减少了通常与触觉质地估计相关的主观性，这是土壤科学家描述土壤时使用的关键现场参数。正如本研究所示，并得到先前研究的支持，现场估计的质地类别与基于实验室的粒径分析得出的类别之间存在显著差异。在cHFST方法中，可靠性主要受到有机碳含量、土壤类型、初始土壤湿度和调查人员经验等混淆因素的影响，这限制了现场估计的预测价值。aHFST方法的主要剩余限制与粘土矿物学有关，尽管这可以通过改进来缓解。经验丰富的土壤科学家使用cHFST方法分类土壤质地时通常可以达到40%–50%的准确率，而aHFST方法将其提高到52%。为了在条带形成和沙子部分估计方面获得最佳性能，应在简单、无试剂的实验室环境中进行评估。值得注意的是，aHFST方法的平均TE分数超过了资深土壤学家的平均分数（85），达到了90分，误差范围为±5%，从而满足了最佳准确性的阈值。通过受控案例研究鼓励开发aHFST-MD，以增强方法的稳健性，包括对模型系数的必要重新校准。总之，TE分数提供了一个可靠且实用的工具，用于提高土壤质地估计的一致性和技能。

作者贡献

Roberto Barbetti：概念化；调查；方法论；软件；撰写——原始草稿。
Maria Fantappiè：资金获取；项目管理；监督；撰写——审阅和编辑。
Claudia Becagli：形式分析。
Andrea Lachi：可视化。
Simone Priori：调查；项目管理；资源；监督；验证；撰写——审阅和编辑。

致谢

我们感谢EJP SOIL的支持，该支持由欧盟的Horizon 2020研究和创新计划根据授权协议号862695提供。这篇研究文章是CSI100K项目和MEDSOIL项目活动的一部分。我们感谢托斯卡纳大学农业与森林科学系（DAFNE）在2022–2023年和2023–2024学年参加土壤学课程的所有学生。特别感谢Monica Zanini和Leonardo Pace作为资深土壤学家所做的宝贵贡献。我们对2025年6月4日发生的毁灭性火灾表示同情，这场火灾对DAFNE的财产和材料造成了广泛破坏。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

数据可在https://doi.org/10.5281/zenodo.15984638获取。