一、土壤肥力测定的意义及其作用

土壤是化学、生物和物理过程相互作用的复杂系统，为了获得高产的栽培作物，必须很好的平衡这些相互作用。农业的生产力和作物的产量在很大程度上取决于土壤的营养成分和营养状况。因此，通过合适方法了解土壤营养状况是确保作物高产的基础。
通过土壤肥力的测定，一方面，可以了解土壤矿质营养的丰缺程度，以指导农业生产中肥料种类和施用量的确定；另一方面，可以根据测定的土壤物理、化学和生物参数评价土壤状况，选择适宜的种植作物并指导其进行土壤改良。
随着社会的发展进步，土壤测试已经逐渐成为确保作物产量的重要实践。一方面，逐渐发展的机械化导致农业种植的规模逐渐增加，对肥料科学施用的要求愈发强烈；另一方面，合成氨技术的发展，使得作物具有了更高的产量，这导致了大量的作物养分，特别是土壤磷和钾资源的枯竭。因此，土壤肥力的测定对作物生产起到了愈发重要的作用。

二、土壤养分测试的原理和流程

土壤养分的目标是测定土壤中与植物生长息息相关的土壤矿质营养成分或者其他物理化学指标，因此其要求测定指标与作物的生长需求具有一定的相关性。土壤测试的流程包括了：1）确定分析项目 2）田间采样 3）样品处理 4）选择分析方法 5）室内分析。为了确保测定参数的准确性、以及和作物生长的相关性，一方面要求田间采样具有代表性（本文不进行深入讨论）；另一方面要求选定的样品处理方法和测定方法所测定参数能很好反映了作物的生长需求，其中最为重要的则是土壤样品的浸提步骤。
在土壤养分分析的发展历史中，诞生了许许多多测定方法，这些方法大多是采用了不同的浸提剂进行浸提。而在这些方法中，一些与作物生长状况具有良好相关性的方法被广为流传成为了经典方法。下文将从各个项目的测定方法开始，到一些经典方法的介绍，最后对现代的一些土壤分析仪器进行扩展。

三、土壤基本肥力测定

1．有机质的测定

土壤有机质是土壤中各种形态有机化合物的总称，是植物营养元素的重要来源，对土壤的物理化学性质都具有巨大影响。土壤有机质的测定有干烧法、湿烧法、铬酸氧还滴定法和比色法。其中较为广泛使用的为铬酸氧还滴定法，其原理在于通过重铬酸钾氧化有机质,通过亚铁离子在指示剂（邻菲罗啉）下滴定确定重铬酸钾使用量，间接确定有机质含量，根据加热方法不同，又分为外热源法和稀释热法。

2．全氮含量的测定

土壤氮素是植物需要的大量营养元素之一，而植物50%以上的氮来自于土壤。土壤全氮包括了土壤中的无机和有机氮成分。全氮的测定采用干烧法和湿烧法，其中广泛使用的为湿烧法（开式法）。其原理为在催化剂作用下，浓硫酸氧化氮素为铵根离子，通过碱转化为氨被H3BO3吸收后在溴甲酚绿-甲基红指示剂下通过标准酸滴定间接得到全氮含量。

3．全磷含量的测定

土壤全磷测定包含了土壤的有机磷及占大多数的无机磷（磷酸盐为主）。全磷的测定包括样品分解和磷的定量。常用的样品分解方法有碱熔法和酸熔法，一般采取H2SO4-HClO4酸熔法进行样品分解。而磷的定量可采用重量法、滴定法以及比色法，综合各种方法的优缺点，一般采用钼锑抗比色法作为磷定量方法。其原理为通过钼酸与磷产生杂多环，这个杂多环会在还原剂的作用下还原形成兰色-钼兰，在分光光度计下测定。

4．全钾含量测定

土壤全钾的测定包括了土壤矿物结构钾、非交换态钾、交换性态钾和水溶性钾。全钾的测定也包括样品的分解和钾的定量，其中样品的分解多采用HF-HClO4酸溶法进行；而钾的定量普遍采用火焰光度法，在灼烧的状态下通过原子发出的波长光来测量钾的含量。

四、指导施肥的土壤养分测定

1．土壤有效氮的测定

土壤有效氮的测定可以分为可矿化氮的测定、易水解氮的测定和无机氮（硝态氮、亚硝态氮、铵态氮）的测定

（1）土壤可矿化氮测定

可矿化氮的测定采用为微生物对土壤氮进行充分分解矿化，使得易水解有机氮转化为无机氮，通过测定其无机氮含量来计算可矿化氮含量。根据微生物分解矿化的条件，可分为好气培养法和嫌气培养法。

可矿化氮的测定方法	测定条件	优缺点
好气培养法	1）温度：25-35°C 2）水分：50-60%最大持水量 3）时间：2-4周	与N吸收相关性高；条件严格；可靠性较差
嫌气培养法	1）嫌气态 2）温度：30-40°C 3）时间：1-2周	条件易控；快速准确；有反硝化干扰

（2）易水解氮的测定

（3）无机N的测定

硝态氮的测定

硝态氮的定量可采用酚二磺酸与紫外分光光度计的方法，前者通过酚二磺酸在无水条件下与下三反应生成碱性条件下的稳定黄色产物而测定；后者是通过在紫红外波段硝酸根离子的不同吸收特性进行测定。

硝态氮定量方法	条件	干扰	适用范围	优缺点
酚二磺酸法	无水条件；微碱性或保持中性	Cl-、NO2-、重金属、有机质	0.1-2 mg L-1	准确性高；操作繁琐
紫外分光光度法	OH-、CO32-、HCO3-、NO2-、及Fe3+、Cu2+、有机质	快速便捷；准确性较高

亚硝态氮测定

亚硝态氮的测定最常用的为Griess比色法（重氮-偶联法），其原理为亚硝酸根与重氮试剂发生重氮化反应，然后与偶合试剂发生偶合形成红色偶氮化产物而测定

铵态氮测定

铵态氮的测定普遍采用靛酚蓝比色法进行，其通过铵态氮与次磷酸盐和苯酚的作用生成靛酚蓝得以显色，通过测定兰色测定铵态氮量。

2．土壤有效磷测定

3．有效钾的测定

4．Cu、Mn、Zn、Fe的测定

Cu、Mn、Zn、Fe为属于土壤微量元素，其测定与土壤大量元素存在一定差异。由于其在土壤中含量较低且组成复杂，因此往往要求测定过程中不得引入外界离子干扰，且对定量方法的灵敏度具有较高的要求

5．土壤S的测定

6．土壤B的测定

土壤有效B常常使用沸水浸提（水土比2:1，沸腾5min） ，定量方法常常通过甲亚胺分光光度计进行测定，其原理为甲亚胺与H3BO3形成黄色络合物，在分光光度计下进行测量。

7．土壤Mo的测定

土壤Mo的浸提可以使用沸水直接浸提，但其与植物的相关性较差，一般使用草酸-草酸铵（pH3.3）进行浸提。而其定量可以采用极谱法或者硫氰酸盐分光光度法进行定量。后者是在酸性介质中，硫氰酸盐与Mo6+络合，经过还原得到橙黄色络合物，可以进行比色定量。

8．土壤Cl的测定

土壤Cl测定方法	测定条件	评价
莫尔法	滴定溶液的pH6.5-10.5
Hg(NO3)2滴定法	pH 3.0-3.5	终点明显；试剂有毒
氯电极法	-	终点不明显；简便快速
硫氰酸汞比色法	-	-

9．土壤Ca、Mg测定

土壤Ca、Mg的测定一般采用EDTA配合滴定法， 在pH12下以钙红作为指示剂EDTA滴定测定Ca含量，再在pH10条件下以铬黑T作为指示剂测定Ca、Mg合量，通过差值计算得到Mg含量。

10．土壤其他重金属的测定

对于重金属离子的浸提，一条思路是使用螯合剂或者酸对土壤的重金属离子进行螯合和浸提；另一条思路则是通过吸附金属吸附重金属离子后进行测定。对于重金属元素的测定，往往是使用联合浸提剂浸提多种重金属元素后通过AAS或者ICP等仪器手段进行测定。

五、土壤物理参数的测定

1．土壤pH的测定

土壤pH表征了土壤酸度大小，是衡量土壤质量的一个重要指标。常用的pH测定方法有比色法与电位法，其中比色法由于精度较低，常常用于野外的土壤速测，而电位法则是根据指示电极和参比电极之间的电池反应产生的电位差计算pH值的大小，具有准确快速的特点。在测定pH时需遵守以下标准：（1）水土比2.5:1或5:1 （2）浸提剂1mol/L KCl（酸性土）或0.01mol/L CaCl2溶液（中性碱性土） （3）浸提用水为去离子水 （4）浸提时间30min （5）粒径1-2mm

2．阳离子交换量的测定

阳离子交换量的测定的基本原理是通过浸提剂交换胶体上的可交换离子，再将游离离子洗去后交换下胶体上的离子进行测定，这便对浸提剂的选择提出了较高的要求。一方面要求浸提剂能够完全交换胶体上的阳离子；另一方面浸提剂的交换离子需要便于测定。而根据测定土壤的酸碱性不同，浸提剂的选择往往也有所不同

（1）酸性中性土壤

往往选择pH 1mol/L的NH4OAc作为浸提剂，由于其具有干扰少，NH4+定量方法多等优点，使得其被广泛使用

（2）石灰性土壤

石灰性土壤含有较多的碳酸钙、碳酸镁，在浸提过程中会参与阳离子交换，因此一般选择pH8.2的缓冲体系以减少其溶解。

浸提剂选择	适用条件
1 mol/L NaOAc（pH 8.2）	含MgCO3多的土壤
BaCl2-三乙醇胺（TEA）（pH 8.2）	含CaCO3多的土壤
NaOAc-NaCl法	含石膏多的土壤
(NH4)2C2O4-NH4Cl快速法	-

六、现代土壤测定仪器

七、土壤测定项目的选择——以顺义农田为例

1．顺义土壤背景状况

根据中国土壤数据库数据可知，顺义土壤为灰黄土，质地多为砂质粘壤土，干旱缺水，pH8.0-8.5，微碱性反应。耕层有机质0.95-1.3%；全氮0.065-0.088%；全磷0.1-0.22%，速效磷7-16ppm；全钾2.0%，速效钾120ppm；Zn 0.95ppm；Cu 2.58ppm；B 0.125ppm；Fe 19ppm ；Mn 13ppm。且顺义区为北京的工业强区，可能存在重金属超标的问题。

2．测定指标与方法

八、土壤养分评价指标体系

土壤测试由于其自身的特点，不同方法对土壤养分的测定不同，且不同作物对土壤养分的需求不同，这就导致了土壤测试很难形成（或者说不可能）一个普适的评价标准。最为精确的评价标准一定是对应于特定的测量方法（下表以俄勒冈州立大学的土壤测试标准为例）；在综合考虑多种测量标准的前提下，可以给出较为粗略的评价标准（下表以第二次土壤普查的土壤分级为例）。


因为土壤标准的难以统一，科学家们便转而开始寻找衡量土壤养分状况的综合指标。根据土壤各项养分的含量我们已经可以给出该项指标的评价，而却无法综合多项指标给出足够信服的综合指标。在这里给出作者猜想的土壤综合评价的思路：首先，通过选定的各项指标标准，为各项指标进行评价打分，在对各项指标进行归一化处理后，先待定土壤各项指标间的权重，计算拟合综合指标与作物产量等性状的相关度，求得相关度最高情况下各指标的相对权重，以此作为土壤综合评价指标的标准。
而在一般情况选，往往采取土壤养分的几个重要值指标（如有机质、全氮、有效氮、有效磷、钾）等作为综合指标的参考。一个例子便是北京市对于土壤养分的等级划分规则，其中选取了有机质、全氮、碱解氮、有效磷和速效钾作为综合指标的衡量参数（这里不做介绍）。基于这种思路，有研究也提出了综合多项养分指标评价土壤养分情况的综合指标QUEFTS。

参考文献

1、Janssen B.H., Guiking F.C.T., van der Eijk D., et al. A system for quantitative evaluation of the fertility of tropical soils (QUEFTS). 1990, 46(4):299-318.

2、D.A. Horneck, D.M. Sullivan, J.S. Owen, and J.M. Hart.Soil Test Interpretation Guide.2011，Affiliation: Oregon Cooperative Extension，EC1478.

3、E.S. Marx, J. Hart, and R.G. Stevens.Soil TestInterpretation Guide.1999，Affiliation: Oregon Cooperative Extension，EC1478.

4、R.L. Westerman.Soil Testing and Plant Analysis, Volume 3, Third Edition.1990，the Soil Science Society of America.

5、Dhotare, V. A., Guldekar, V. D., Bhoyar, S. M., & Ingle, S. N. (2019). Evaluation of Soil Nutrient Index and their Relation with Soil Chemical Properties of Washim Road Farm of Dr.PDKV Akola, Maharashtra, India. International Journal of Current Microbiology and Applied Sciences, 8(09), 1773-1779. doi:10.20546/ijcmas.2019.809.205

6、中国土壤数据库-顺义：http://vdb3.soil.csdb.cn/front/detail-%E6%95%B4%E5%90%88%E6%95%B0%E6%8D%AE%E5%BA%93$integ_cou_soiltype?id=40175

7、R. A. Viscarra Rossel and A. B. McBratney.Soil chemical analytical accuracy and costs: implications from precision agriculture.1998，Australian Journal of Experimental Agriculture 38(7) 765 - 775

写在最后

写完了，呼~可喜可贺。
我写完了，假期也过完了呢（黑化）。
你说学习它还爱我吗？

植物根系切片性状的测定

上接植物根系测定平台，这一次讲一讲我在测玉米根系性质的时候，如何观察根系切片性状

简介

Root Scan是一个java构建的对于根系横切面进行半自动图像分析的软件。其可以根系根系横切面图像的20多个性状，并自动划分气孔、皮层等结构。Root scan结果作为期刊发布于Plant and Soil. Volume 357, Numbers 1-2, 189-203 (2012)。具体下载方式请谷歌搜索宾夕法尼亚州立大学（penn state）Root Scan。

操作过程

以下图为例进行，
在file目录下选择load image导入图片。点击start，程序自动识别图片轮廓

点击approve outline提取轮廓图片，点击process描绘全图轮廓

点击start phase two和approve outline显示标注中柱结构

在cortex下点击start three 和approve aerenchyma对皮层部分进行细胞识别和标注

最后点击finish，返回自动测定的横切面数据

测定项目

RXSA = Cross section area
TCA = Cortex area
TSA = Stele area
RatioCtoS = Cortex:Stele ratio
RatioCtoXS = Cortex:Cross Section ratio
RatioStoXS = Stele:Cross Section ratio
AA = Aerenchyma area
percCisA = Percentage of cortex that is aerenchyma
nonAA = Total cortex area - AA
MXVA = Metaxylem vessel area
percSisMX = Percentage of stele that is metaxylem
percXSisMX = Percentage of cross section that is metaxylem
MX_mean = Mean metaxylem size
MX_median = Median metaxylem size
MX_min = Minimum metaxylem size
MX_max = Maximum metaxylem size
MX_num = Number of metaxylem vessels
CF_num = Number of cell files
CCA = Cortex cell area
percCisCC = Percentage of cortex that is cortical cells
percXSisCC = Percentage of cross section that is cortical cells
CC_mean = Mean cortical cell size
CC_median = Median cortical cell size
CC_num = Number of cortical cells
Z0andEpi_mean = Mean of all cells in zone zero and the epidermis
Z0_mean = Mean of all cells in zone zero (edge)
Z1_mean = Mean of all cells in zone one (middle)
Z2_mean = Mean of all cells in zone two (center)
Z0andEpi_median = Median of all cells in zone zero and the epidermis
Z0_median = Median of all cells in zone zero (edge)
Z1_median = Median of all cells in zone one (middle)
Z2_median = Median of all cells in zone two (center)
Z0andEpi_num = Number of all cells in zone zero and the epidermis
Z0_num = Number of all cells in zone zero (edge)
Z1_num = Number of all cells in zone one (middle)
Z2_num = Number of all cells in zone two (center)
LA_mean = Mean lacunae size
LA_median = Median lacunae size
LA_min = Minimum lacunae size
LA_max = Maximum lacunae size
LA_num = Number of lacunae
Files start counting from 0 at the epidermis
Ratings indicate image quality, 0 the worst, 10 the best

实验室使用

在实验室中对植物根系横切面进行观察，可以配置一解剖镜，一显微镜，显微镜上附转化头将图片直接传输到计算机的rootscan上来实现快速、大批量的植物根系横切面观察。通过与之前的DIRT平台，可以快速对大批量的植物根系性状进行测定。

不同玉米品种根际水解酶的原位研究

写在最前面

这个科研项目是我大二时的urp项目，得到了导师和郝师兄的许多帮助（感谢师兄该我的学术垃圾），基于作者只是一个快乐科研的本科生，如有错误，请您友好地指正。

一、研究目的

根际（rhizosphere）指受根系活动影响的土壤区域，是重要的土壤微生物活性热区，由根系释放释放根系分泌物和其他根际沉积物形成 (Kuzyakov & Blagodatskaya, 2015)。这些根际沉积物可以激活微生物，增加胞外酶合成分泌，导致根际区域的生物化学进程十分剧烈。根际范围可以影响的范围从根表延申到土体土壤，取决于不同土壤养分状况、根系形态结构和根系分泌物的质量和数量酶活性根际热区可以延申到1-3mm (Kuzyakov & Razavi, 2019; Ma et al., 2018; Tian, Razavi, Zhang, Wang, & Blagodatskaya, 2020)。根际区域是植物与土壤交换能量和养分的关键区域，且可以通过调节生物化学反应的强度和范围，以应对外界环境变化。土壤酶是土壤生物化学进程的关键，因此关于植物根际区域酶活性和热区范围的研究具有十分重要意义。
传统的荧光微孔板酶活性检测方法只能通过检测单点的酶活性，而无法真实反应原位土壤酶活性，难以精确区分根际酶活性和非根际酶活性。且该方法在检测过程中，需将土壤制成土壤匀浆，所检测的酶活性包含前期微生物（作物根系）分泌的残留酶，这部分酶被土壤掩蔽，在自然条件下不会显示活性，因而无法区分所测的酶活性是由微生物（植物）对底物添加的响应还是固定在土壤中微生物前期分泌的残留酶活性(Nannipieri et al., 2012)
新兴的酶谱技术可以实现酶活性原位二维显示(Razavi, Zarebanadkouki, Blagodatskaya, & Kuzyakov, 2016)，该方法可以测定酶活性在根际的原位分布，已有研究表明不同的根系构型、不同品种、有机肥添加、养分差异和重金属污染以及不同酶之间的根际酶活性热区范围存在显著差异(Ge et al., 2017; Liu et al., 2017; Ma et al., 2019; Wei et al., 2018)
玉米是我国的重要作物，在粮食、能源等方面具有重要的作用，氮肥的投入是玉米持续高产的主要原因(Guo et al., 2010)。随着工业氮肥合成技术推广以来，化学氮肥投入已达到一百年前氮输入的10倍(Canfield, Glazer, & Falkowski, 2010)。过量的N肥投入不仅会导致N肥利用率降低，还会造成环境问题。因此通过育种培育氮高效玉米品种，提高氮肥利用效率对玉米高产稳产，环境保护至关重要。我国在玉米育种方面具有长达数十年的经验，培育出了许多高产高效的玉米品种，而关于高效玉米品种根系如何挖掘土壤养分的是我们所不知的，此研究选取两种玉米品种（郑单958、先玉335），通过酶谱法测定比较两种品种玉米的根际水解酶分布状况。此研究是根际氮高效玉米养分高效吸收的根际-土壤-微生物互作体系研究的一部分，以揭示氮高效玉米根际酶分布如何支持玉米养分利用的高效性，并进一步为根际-土壤-微生物体系的研究提供支持。

二、材料和方法

1.试验设计

选取郑单958与先玉335两个品种，其都为常见的氮高效玉米品种。土壤使用来自农民传统施肥方式的土壤，将土壤过2mm筛后混匀，分为两组，一组不做处理，一组加入氮肥，可以认为本实验存在高氮土壤和不施氮的低氮土壤两个水平。实验共设置两因子、两水平共4个处理，其中每个处理设置3个重复。（图1）

2.播种管理

选取24cm*30cm的根盒，有机玻璃板上附聚酰胺膜，加入事先处理的土壤至根盒重1.2kg，玉米种子经过双氧水消毒后，放置于饱和硫酸钙中浸泡6h后置于湿润滤纸上一个晚上。种植前浇水湿润土壤，将种子放入土壤1cm深，再放入人工气候室中倾斜45°（使得根系与聚酰胺膜玻璃面接触）进行培养。土壤换水率为田间持水量的60%，培养期间通过称重法补水。（图1）

3.酶谱测定

酶谱测定选取与碳代谢有关的酶为纤维素酶（BG）；与氮代谢有关酶为α-N-乙酰氨基葡糖苷酶（NAG）；与磷代谢有关酶为磷酸酶（AP），其对应底物见表1。培养至20天后进行酶谱分析，拍摄根际酶谱图后根据酶谱图取出根际土与非根际土进行酶活性测定。

类别	酶	底物
与碳代谢有关	纤维素酶（BG）	4-MUF-β-D-xylopyranoside
与氮代谢有关	α-N-乙酰氨基葡糖苷酶（NAG）	4-MUF-β-D-glucopyranoside
与磷代谢有关	磷酸酶（AP）	4-MUF-β-D-Phosphate
与氨基酸代谢有关	亮氨酸氨基肽酶（LAP）	L-Leucine-7-amino-4-methylcoumarin

表1：酶谱分析各种酶对应底物(German et al., 2011)

三、实验结果

1.根盒玻璃板肉眼观察

二十天后观察根盒玻璃板面，观察可见两组施肥处理根系密度远大于未施肥处理，且先玉335（XY335）品种根系密度大于郑单958（ZD958）品种（图2 ）

2.根际酶谱图像

对聚酰胺膜进行拍摄得到的图片（图3），可见施氮处理增加了根际水解酶的活性和范围。且先玉品种较郑丹品种具有更好的根际酶活性与范围，先玉品种更加适应低氮胁迫。
图3是师兄的图，就不放了hhhh

3.酶谱图像灰度值、热区半径分组分析

通过图像处理软件image J (V6.2.4)将像素转化为256位的灰度模式（其中红色灰度为255，对应最高酶活性；蓝色灰度为0，对应最低酶活性），在此基础上减去聚酰胺膜的背景灰度值得到酶谱图数据。观察根际的灰度值在112以上分布，这里人为选取112、128、160作为阈值，通过将各组酶谱图的灰度值将酶活性范围分为酶活性热区（160-255）、中等热区（128-160）、低热区（112-128）三组，得出对应的各组平均灰度与范围半径。
关于NAG酶，所选的三个阈值范围内，处理表现为类似的趋势，均表现为先玉低氮灰度值最高，郑单高氮灰度值最低，且呈现出显著差异。在低氮和高氮条件下，尽管未表现出显著性，可以观察到先玉品种的平均灰度值均高于郑单品种（图4B）。根际热区范围方面，在不同的灰度值阈值区域，高氮条件下的根际热区范围均高于低氮条件，说明低氮条件下的根系活动拓宽了酶活性的范围。另一方面，在低氮条件下，可以观察到郑单品种在给定阈值范围内的热区范围显著大于先玉品种，说明在低氮条件下，郑单品种具有更大的热区范围（图4A）。通过分析可得，郑单与先玉品种在低氮条件下都会通过根系活动增加NAG酶的活性和范围，但同时两个品种的侧重点有所不同，具体表现在先玉品种在酶活性方面更有优势；而郑丹品种更侧重于酶活范围。

LAP酶在所选择的三个阈值范围内，并未呈现出明显显著性差异。在热区半径方面，112-128、128-160的灰度阈值区域呈现出相似趋势，即低氮条件下郑丹品种LAP热区半径较小；而高氮条件下先玉品种LAP酶热区半径较大（图5A）。在灰度值128以上的区域内，高氮与低氮条件下，先玉品种都呈现出更大的热区范围，说明先玉品种可能具备比郑单品种更大的根际区域（图5B）。

在所选择的三个灰度阈值范围内，各处理并未表现出显著性差异，但不同处理呈现出相似趋势，即高氮条件下郑丹根际BG酶活性高于先玉，而在低氮条件下则低于先玉（图6B）。在热区范围方面，高氮条件下，郑单表现出更大的根际热区范围，而在低氮条件下并未表现出显著性（图6A）。

三、讨论

酶是参与土壤有机质降解和土壤养分循环的关键(R. L. Sinsabaugh et al., 2008)，随着农业绿色可持续发展观念的兴起，土壤酶指标逐渐被纳入土壤健康的评价指标之一(Cao, Sun, Yang, Sun, & Zhao, 2003)。
此研究中我们发现了玉米品种在根际热区范围与酶活性方面的差异，面对低氮胁迫，先玉335通过增加酶活性，而郑丹通过增加酶热区范围。这种差异体现了玉米品种面对养分胁迫的不同选择策略。增加酶活性可以提高对土壤有机质的矿化程度，增加活性养分供应，而酶活性热区范围的增加，可以在保证确定根系大小的情况下增加养分吸收区域。以往的研究重点主要是酶活性高低，对酶活性热区范围的研究不够。
植物如何通过调节根际酶活性与范围间的平衡是我们所不知的。在一项水稻的根际酶谱研究中便引入了生态学的r对策与k对策的概念加以解释(Wei et al., 2018)，快速发展的r对策微生物偏爱于利用简单底物，而k对策微生物更适宜于难降解的底物（如纤维素、木质素）。植物根系具有分泌碳源的能力，刺激根系周围r对策微生物的生长，加速对酶的合成(Spohn & Kuzyakov, 2013)，土壤根源碳的含量会随着与根表的距离增加而迅速降低，导致k对策微生物的数量增加，有研究报道在土壤与根系距离增加的情况下，发现了k对策微生物（放线菌）的数量增加(Kawasaki A, 2016)，这说明植物可能是通过根系碳源的释放，对根际微生物群落进行调整，进而改变了酶活性与酶活性范围。
酶谱法是近几年新兴的原位酶活性表征技术，分析的结果会受到许多因素的影响，其中底物向土壤的扩散以及成像步骤常常会影响实验结果的准确性。
在背景校正方面，因为聚酰胺膜上其他物质对于光的发射可能会影响酶谱图的拍摄，因此我们使用空白的聚酰胺膜进行背景校正，而事实上许多土壤中的许多有机化合物可以扩散入聚酰胺膜，在紫外光下呈现出荧光（如腐殖质和其他一些重金属元素(Nobuo Watanabe, 2004)），这是本实验所欠缺考虑的。
酶在根系的活性范围扩张受到两个关键过程的影响，分别是酶生产者（主要是微生物）的定殖和活性(Kuzyakov & Blagodatskaya, 2015)，以及酶和底物的扩散，其中后者受到碳和养分利用效率的调节(Robert L. Sinsabaugh et al., 2014; Zhu et al., 2018)，因此根系酶活性区域的大小在一定程度可能与植物养分利用效率密切相关。在此基础上，我们通过灰度值人为划定的热区范围能否在一定程度上表示根际酶活性区域是一个值得研究的命题。

五、小结

通过土壤酶谱技术使我们能够可视化地研究玉米根际酶活性及其分布，两种玉米品种均可以通过增加酶活性与酶热区范围来适应低氮条件，而两者在面对养分胁迫的不同选择策略存在差异，先玉品种侧重于增加酶活性，促进有机物矿化，而郑丹品种偏向于增加酶活区域来扩大植物养分吸收的范围。基于此实验结论，我们猜测先玉与郑丹品种根际酶活性与范围的差异通过植物根系碳源的分泌加以调控。因此，对植物根际酶活性及其范围的进一步研究是必要的，以挖掘氮高效玉米品种的根际作用机理及其调控机制。

六、参考文献

Canfield, D. E., Glazer, A. N., & Falkowski, P. G. (2010). The evolution and future of Earth’s nitrogen cycle. science, 330(6001), 192-196.

Cao, H., Sun, H., Yang, H., Sun, B., & Zhao, Q. (2003). A review: soil enzyme activity and its indication for soil quality. Chinese journal of applied and environmental biology, 9(1), 105-109.

Ge, T., Wei, X., Razavi, B. S., Zhu, Z., Hu, Y., Kuzyakov, Y., . . . Wu, J. (2017). Stability and dynamics of enzyme activity patterns in the rice rhizosphere: Effects of plant growth and temperature. Soil Biology and Biochemistry, 113, 108-115. doi:10.1016/j.soilbio.2017.06.005

German, D. P., Weintraub, M. N., Grandy, A. S., Lauber, C. L., Rinkes, Z. L., & Allison, S. D. (2011). Optimization of hydrolytic and oxidative enzyme methods for ecosystem studies. Soil Biology and Biochemistry, 43(7), 1387-1397. doi:10.1016/j.soilbio.2011.03.017

Guo, J. H., Liu, X. J., Zhang, Y., Shen, J. L., Han, W. X., Zhang, W. F., . . . Zhang, F. S. (2010). Significant Acidification in Major Chinese Croplands. science, 327(5968), 1008-1010. Retrieved from https://science.sciencemag.org/content/sci/327/5968/1008.full.pdf. doi:10.1126/science.1182570

Kawasaki A, D. S., Ryan PR, Mathesius U, Devilla R, Jones A, Watt M (2016). Microbiome and exudates of the root and rhizosphere of Brachypodium distachyon, a model for wheat. PLoS One, 11:e0164533.

Kuzyakov, Y., & Blagodatskaya, E. (2015). Microbial hotspots and hot moments in soil: Concept & review. Soil Biology and Biochemistry, 83, 184-199. doi:10.1016/j.soilbio.2015.01.025

Kuzyakov, Y., & Razavi, B. S. (2019). Rhizosphere size and shape: Temporal dynamics and spatial stationarity. Soil Biology and Biochemistry, 135, 343-360. doi:10.1016/j.soilbio.2019.05.011

Liu, S., Razavi, B. S., Su, X., Maharjan, M., Zarebanadkouki, M., Blagodatskaya, E., & Kuzyakov, Y. (2017). Spatio-temporal patterns of enzyme activities after manure application reflect mechanisms of niche differentiation between plants and microorganisms. Soil Biology and Biochemistry, 112, 100-109. doi:10.1016/j.soilbio.2017.05.006

Ma, X., Liu, Y., Zarebanadkouki, M., Razavi, B. S., Blagodatskaya, E., & Kuzyakov, Y. (2018). Spatiotemporal patterns of enzyme activities in the rhizosphere: effects of plant growth and root morphology. Biology and Fertility of Soils, 54(7), 819-828. doi:10.1007/s00374-018-1305-6

Ma, X., Mason-Jones, K., Liu, Y., Blagodatskaya, E., Kuzyakov, Y., Guber, A., . . . Razavi, B. S. (2019). Coupling zymography with pH mapping reveals a shift in lupine phosphorus acquisition strategy driven by cluster roots. Soil Biology and Biochemistry, 135, 420-428. doi:10.1016/j.soilbio.2019.06.001

Nannipieri, P., Giagnoni, L., Renella, G., Puglisi, E., Ceccanti, B., Masciandaro, G., . . . Marinari, S. (2012). Soil enzymology: classical and molecular approaches. Biology and Fertility of Soils, 48(7), 743-762. doi:10.1007/s00374-012-0723-0

Nobuo Watanabe, D. A. D., Rui-Ming Liu, Henry Jay Forman. (2004). Quinones and Glutathione Metabolism.

Razavi, B. S., Zarebanadkouki, M., Blagodatskaya, E., & Kuzyakov, Y. (2016). Rhizosphere shape of lentil and maize: Spatial distribution of enzyme activities. Soil Biology and Biochemistry, 96, 229-237. doi:10.1016/j.soilbio.2016.02.020

Razavi, B. S., Zhang, X., Bilyera, N., Guber, A., & Zarebanadkouki, M. (2019). Soil zymography: Simple and reliable? Review of current knowledge and optimization of the method. Rhizosphere, 11. doi:10.1016/j.rhisph.2019.100161

Sinsabaugh, R. L., Belnap, J., Findlay, S. G., Shah, J. J. F., Hill, B. H., Kuehn, K. A., . . . Warnock, D. D. (2014). Extracellular enzyme kinetics scale with resource availability. Biogeochemistry, 121(2), 287-304. doi:10.1007/s10533-014-0030-y

Sinsabaugh, R. L., Lauber, C. L., Weintraub, M. N., Ahmed, B., Allison, S. D., Crenshaw, C., . . . Zeglin, L. H. (2008). Stoichiometry of soil enzyme activity at global scale. Ecol Lett, 11(11), 1252-1264. Retrieved from https://www.ncbi.nlm.nih.gov/pubmed/18823393. doi:10.1111/j.1461-0248.2008.01245.x

Spohn, M., & Kuzyakov, Y. (2013). Distribution of microbial- and root-derived phosphatase activities in the rhizosphere depending on P availability and C allocation – Coupling soil zymography with 14C imaging. Soil Biology and Biochemistry, 67, 106-113. doi:10.1016/j.soilbio.2013.08.015

Tian, P., Razavi, B. S., Zhang, X., Wang, Q., & Blagodatskaya, E. (2020). Microbial growth and enzyme kinetics in rhizosphere hotspots are modulated by soil organics and nutrient availability. Soil Biology and Biochemistry, 141. doi:10.1016/j.soilbio.2019.107662

Wei, X., Ge, T., Zhu, Z., Hu, Y., Liu, S., Li, Y., . . . Razavi, B. S. (2018). Expansion of rice enzymatic rhizosphere: temporal dynamics in response to phosphorus and cellulose application. Plant and Soil, 445(1-2), 169-181. doi:10.1007/s11104-018-03902-0

Zhu, Z., Ge, T., Liu, S., Hu, Y., Ye, R., Xiao, M., . . . Wu, J. (2018). Rice rhizodeposits affect organic matter priming in paddy soil: The role of N fertilization and plant growth for enzyme activities, CO 2 and CH 4 emissions. Soil Biology and Biochemistry, 116, 369-377. doi:10.1016/j.soilbio.2017.11.001

写在最后

本实验就存在许多问题和不严谨的地方，其中最最致命的是在灰度阈值范围的选取上，其实关于这方面的文献内容很少，这个阈值范围就是随意确认的。不过这是我大二时的科研训练项目，之后就对分子生物和基因组学感兴趣了，结题之后就没有继续修改了。