实战：用Pyrolite分析你的土壤数据，5分钟生成带分类的质地三角散点图
实战：用Pyrolite分析你的土壤数据，5分钟生成带分类的质地三角散点图
当你拿到一份土壤成分检测报告，面对密密麻麻的沙粒、粉粒和黏土百分比数据时，是否想过这些数字背后隐藏着怎样的土壤特性？传统的人工比对土壤质地分类表不仅耗时费力，还容易出错。现在，借助Python生态中的pyrolite工具库，我们能够实现从原始数据到可视化分析的全流程自动化——更重要的是，它能直接告诉你每个样本点属于哪种USDA标准土壤类型。
1. 环境准备与数据清洗
在开始绘制三角图之前，需要确保你的Python环境已安装必要的库。推荐使用conda创建独立环境以避免依赖冲突：
conda create -n soil_analysis python=3.9 conda activate soil_analysis pip install pyrolite pandas matplotlib numpy典型的实验室土壤检测数据可能包含多余列或非标准化命名。假设我们有一个soil_samples.csv文件，其内容结构如下：
| SampleID | Clay_PCT | Sand_PCT | Silt_PCT | pH | Organic_Matter |
|---|---|---|---|---|---|
| S1 | 32.1 | 41.5 | 26.4 | 6.2 | 2.8 |
| S2 | 18.7 | 65.2 | 16.1 | 5.8 | 1.5 |
使用pandas进行数据预处理时，需要特别注意三点：
- 确保三组分百分比之和为100±0.5%（允许微小浮点误差）
- 将列名统一为
Clay,Sand,Silt的规范格式 - 过滤掉含有缺失值的记录
import pandas as pd df = pd.read_csv('soil_samples.csv') # 列名标准化 df = df.rename(columns={'Clay_PCT':'Clay', 'Sand_PCT':'Sand', 'Silt_PCT':'Silt'}) # 验证数据完整性 assert all(df[['Clay','Sand','Silt']].sum(axis=1).between(99.5,100.5))2. 构建基础三角坐标系
pyrolite的USDASoilTexture类封装了美国农业部标准的土壤分类系统。初始化分类器时会自动加载12种标准质地类型的多边形边界：
from pyrolite.util.classification import USDASoilTexture import matplotlib.pyplot as plt clf = USDASoilTexture() fig, ax = plt.subplots(figsize=(10, 8)) ax = clf.add_to_axes(ax=ax, add_labels=True)关键参数说明：
figsize: 控制图形长宽比，建议保持1:1比例add_labels: 显示各区域的类型标签edgecolor: 修改分类区域边界线颜色zorder: 控制图层叠加顺序
此时运行代码会显示一个空白的三角坐标系，三个顶点分别代表：
- 底部右侧：100% Sand（砂粒）
- 顶部顶点：100% Clay（黏土）
- 底部左侧：100% Silt（粉粒）
3. 数据投影与自动分类
将清洗后的数据投影到三角图上时，pyrolite提供了两种可视化方式：
3.1 散点图展示样本分布
使用DataFrame特有的pyroplot接口可以直接绘制三元散点图：
df.pyroplot.scatter( ax=ax, c='#FF6B6B', # 点颜色 s=50, # 点大小 edgecolor='white', label='Field Samples' )3.2 实时分类标注
更强大的功能在于自动判断每个点的土壤类型。分类器的predict()方法会返回每个样本对应的USDA类型：
classes = clf.predict(df[['Clay', 'Sand', 'Silt']].values) df['SoilType'] = classes # 在图上添加类型标注 for i, row in df.iterrows(): ax.text(row['Sand'], row['Clay'], row['SoilType'], ha='center', va='center', fontsize=8)常见输出类型包括：
- Sandy Loam（砂质壤土）
- Clay Loam（黏壤土）
- Silty Clay（粉质黏土）
- Loam（壤土）
4. 高级定制与输出优化
基础图形往往需要进一步美化才能用于专业报告。以下是三个提升可视化效果的技巧：
4.1 区域颜色自定义
from pyrolite.util.plot.style import color_ternary_polygons_by_centroid color_ternary_polygons_by_centroid( ax, colors=("#F8F3D4", "#F7DBF0", "#CDF0EA"), # 自定义色系 alpha=0.6 # 透明度 )4.2 添加辅助网格线
ax.grid(which='both', linestyle=':', alpha=0.5) ax.tick_params(axis='both', which='major', labelsize=9)4.3 导出出版级图片
fig.savefig('soil_texture_analysis.png', dpi=300, bbox_inches='tight', transparent=True)5. 实际应用案例解析
某农场在20个不同位置采集土壤样本，检测数据如下表所示：
| 样本点 | Clay (%) | Sand (%) | Silt (%) | 实际用途 |
|---|---|---|---|---|
| A1 | 22.3 | 62.1 | 15.6 | 玉米田 |
| B3 | 35.8 | 32.4 | 31.8 | 蔬菜大棚 |
| C2 | 18.2 | 70.5 | 11.3 | 果树种植区 |
分析发现：
- 玉米田土壤属于Sandy Clay Loam（砂质黏壤土），保水性较差
- 大棚土壤是典型的Clay Loam（黏壤土），适合根系发达的蔬菜
- 果树区为Loamy Sand（壤砂土），需要增加有机质改良
基于此分析，农艺师制定了差异化的施肥方案：
- 玉米田：增加保水剂和缓释肥
- 蔬菜大棚：补充钙镁等中量元素
- 果树区：施用腐熟有机肥改善结构