环境科学研究  2017, Vol. 30 Issue (7): 1059-1068  DOI: 10.13198/j.issn.1001-6929.2017.02.09

引用本文  

江叶枫, 孙凯, 郭熙, 等. 基于环境因子和邻近信息的土壤属性空间分布预测[J]. 环境科学研究, 2017, 30(7): 1059-1068.
JIANG Yefeng, SUN Kai, GUO Xi, et al. Prediction of Spatial Distribution of Soil Properties Based on Environmental Factors and Neighbor Information[J]. Research of Environmental Sciences, 2017, 30(7): 1059-1068.

基金项目

国家自然科学基金项目(41361049);江西省自然科学基金项目(20122BAB204012);江西省赣鄱英才“555”领军人才项目(201295)

责任作者

郭熙(1974-), 男, 江西永丰人, 副教授, 博士, 主要从事土壤遥感与信息技术及土地资源利用研究, xig435@163.com

作者简介

江叶枫(1994-), 男, 江西余干人, jiangyf0308@163.com

文章历史

收稿日期:2016-12-27
修订日期:2017-02-21
基于环境因子和邻近信息的土壤属性空间分布预测
江叶枫1,2 , 孙凯1,2 , 郭熙1,2 , 叶英聪2 , 饶磊1,2 , 李伟峰1,2     
1. 江西农业大学国土资源与环境学院, 江西 南昌 330045;
2. 江西省鄱阳湖流域农业资源与生态重点实验室, 江西 南昌 330045
摘要:为探索乡镇尺度上土壤属性空间分布预测的最佳方法,以江西省万年县齐埠镇为例,借助四方位搜索法、地统计学和遥感影像分析技术提取环境因子(地形因子和植被覆盖指数)和邻近信息[w(有机质)与w(速效钾)],构建OK法(普通克里金法)、RK1法(仅基于环境因子的回归克里金法)以及RK2法(基于环境因子和邻近信息的回归克里金法)对齐埠镇耕地表层(0~20 cm)土壤w(有机质)、w(速效钾)空间分布进行预测.结果表明:齐埠镇土壤w(有机质)平均值为35.03 g/kg,w(速效钾)平均值为96.73 mg/kg,均为中等空间变异性.对62个样点进行建模,16个测试样点进行独立验证的误差分析表明,RK2法对土壤w(有机质)、w(速效钾)预测结果的均方根误差、平均绝对误差和平均相对误差较OK法分别降低了18.05%、18.01%、21.77%和7.25%、9.49%、9.84%;较RK1法分别降低了22.48%、20.91%、22.02%和9.27%、12.61%、13.52%.研究显示,RK2法明显提高了土壤w(有机质)、w(速效钾)空间分布模拟精度,并且存在改进和提高的空间.
关键词土壤属性    四方位搜索法    回归克里金法    空间预测    
Prediction of Spatial Distribution of Soil Properties Based on Environmental Factors and Neighbor Information
JIANG Yefeng1,2 , SUN Kai1,2 , GUO Xi1,2 , YE Yingcong2 , RAO Lei1,2 , LI Weifeng1,2     
1. Academy of Land Resource and Environment, Jiangxi Agricultural University, Nanchang 330045, China;
2. Key Laboratory of Poyang Lake Watershed Agricultural Resources and Ecology of Jiangxi Province, Nanchang 330045, China
Abstract: As the most important determinants of soil quality, soil properties significantly influence farmland use and soil environmental protection. In order to find the best interpolation method of soil properties, including soil organic matter (SOM) and Soil Available Potassium (AK) in Qibu Town in Wannian County, Jiangxi Province, Ordinary Kriging (OK), Regression Kriging 1 (RK1, based on environmental factors), Regression Kriging 2 (RK2, based on environmental factors and neighbor information) were adopted to predict the distribution of soil properties. Environmental factors were extracted by digital terrain and remote sensing image analysis technique. The four-direction search method was applied to get the neighbor information. To establish and validate the three methods, 78 points of surface soil samples (0-20 cm) were collected and randomly divided into two groups, as modeling points (62) and validation points (16). The results showed that SOM content ranged from 17.30-53.58 g/kg, with an average value of 35.03 g/kg, a moderate variability. The nugget/sill ratio was 0.59, indicating a moderate spatial dependence for SOM. AK content ranged from 50.98 to 152.13 mg/kg, with an average value of 96.73 mg/kg, a moderate variability. The nugget/sill ratio was 0.66, indicating a moderate spatial dependence for AK. The prediction map obtained by RK2 model was more consistent with the true geographical information than OK and RK1. Moreover, RK2 model reduced the prediction errors. Compared to RK1 model, the root mean square errors, the mean absolute errors and the mean relative errors of RK2 were 18.05%, 18.01%, and 21.77% (for SOM), and 7.25%, 9.49%, and 9.84% (for AK), smaller than those of OK. The same numbers for the OK model with the validation points were 22.48%, 20.91%, and 22.02% (for SOM), and 9.27%, 12.61%, and 13.52% (for AK), smaller than those of RK1. The results suggested that it is helpful for improving the prediction accuracy to employ neighbor information and environmental factors in spatial prediction of soil properties. Therefore, RK2 could be recognized as the best interpolation method, but could be improved in the future.
Keywords: soil properties    four-direction search method    Regression Kriging method    spatial prediction    

土壤属性是影响土壤质量的最重要因素,对农田利用和土壤环境保护具有重要影响.受生物[1]、气候[2]、母质[3]和地形[4]等因素影响导致其在空间分布上呈现非均匀性.快速准确的获取土壤属性空间分布是有效管理土壤、科学规划土地利用、精准农业施肥的基础[5].目前基于实地采样获取的土壤属性信息远远不能满足精准农业和环境保护的实际需求.由于成本限制大规模采样并不现实,且仍然无法得到研究区域空间上土壤属性含量.因此,预测土壤属性空间分布一直是土壤学研究的热点问题之一[6-8].

目前,针对土壤属性预测方法有很多,其中OK法(Ordinary Kriging,OK)基于邻近相关采样点权重来对未知点进行预测[9],而且能够对预测误差进行理论估计,是应用最普遍也最广泛的方法[10].但土壤属性的涵养和运移分布受到地形、植被等环境因子的影响,具有高度的空间变异性[11]. Eldeiry等[12]研究表明,仅基于邻近相关采样点权重而不考虑地形、植被覆盖指数等环境因子模拟土壤属性空间分布的OK法预测精度已经受到了较大限制.为此,学者们引入RK法(Regression Kriging, RK)将环境因子作为辅助变量纳入到土壤属性空间分布预测中.如张素梅等[13-14]利用RK法将地形和植被覆盖指数等环境因子纳入模型中预测土壤属性空间分布并取得了较好的结果.但是,由于以往研究成果都集中在县域尺度上[15-18],而乡镇尺度上环境因子相对单一,与县域尺度相比较模糊;且土壤属性具有高度的空间变异性,仅基于环境因子的RK法这一类全局模型无法捕捉到土壤属性变异的局部特征,拟合系数较低,预测精度再次受到限制.近年来,越来越多的学者将邻近信息纳入土壤属性的空间预测中来.徐剑波等[19]利用欧式距离来寻找离建模点最近的5个土壤属性值,在不同样本下的误差较OK法都有明显的降低.李启权等[20]根据空间距离衰减规律,选取离插值点最近的3个土壤样点的属性值,在不同土壤属性间较OK法误差降低达到显著水平.仅基于环境因子进行逐步多元回归只能在全局范围内进行预测[21];而通过把邻近信息纳入土壤属性的空间分布预测,能够更好地揭示土壤属性空间分布的局部变化特征,能在提高精度的同时更加真实的反映土壤属性空间变异情况.

为此,该研究以江西省万年县齐埠镇耕地土壤w(有机质)、w(速效钾)为研究对象.根据反距离加权算法思想[22]和空间自相关理论[23],运用四方位搜索法寻找离插值点最近的w(有机质)、w(速效钾)作为邻近信息(P1P2P3P4);同时利用DEM(数字高程模型)数据与遥感影像分析技术提取地形、植被覆盖指数等环境因子;构建RK2法预测齐埠镇土壤w(有机质)、w(速效钾)空间分布,并与RK1(仅基于环境因子的回归克里金法)法和OK法进行比较.以期为乡镇尺度上土壤属性空间分布预测提供方法参考.

1 材料与方法 1.1 研究区域概况

该研究以江西省万年县齐埠镇为研究区.该区位于万年河下游,地处余干、万年和鄱阳三县交汇之处,是万年县的西大门,属于亚热带季风性气候,总面积为72.8 km2.境内水资源比较丰富,年均降水量为1 766 mm,无霜期为263 d.地貌类型以平原为主.土地利用类型主要为耕地和林地,其中耕地面积23.4 km2,占总面积的32.17%;林地面积40.8 km2,占总面积的56.04%.成土母质有第四纪红色黏土、碳酸盐类风化物、泥页岩类风化物.土壤类型主要是红壤.

1.2 土壤采样

土壤样品采集于2014年8月.按照均匀性、代表性和连续性的原则,同时考虑地形部位的基础上,采用“S”形采样、多点混合的方法采集0~20 cm的耕地表层土壤样品,经过充分混合最后留取1 kg土样,得到78个耕地表层土壤样品(其中水田69个,旱地9个).土壤样品经过自然风干后,带回实验室磨碎过筛,采用重铬酸钾(K2Cr2O7)油浴加热法测定土壤w(有机质);采用乙酸铵浸提-火焰光度法测定土壤w(速效钾)[24].为验证笔者所用方法对研究区土壤属性的空间分布预测精度,随机均匀选取62个采样点作为建模点,用于插值;剩下16个作为测试点,不参与预测过程只在后续精度分析中用于验证预测精度.

1.3 环境因子提取

土壤属性的空间分布是物理、化学和生物的综合作用结果[13].在中小尺度上,主要受定性和定量变量的影响[15, 25],其中定量变量主要有地形因子和植被覆盖指数.参考国内外的研究成果[26-28],该研究选取高程(H)、坡度(S)、坡向(AS)、曲率(C)、坡度变率(SOS)、坡向变率(SOA)、地形起伏度(QFD)、河流动能指数(Ω)、地形湿度指数(TI)和植被覆盖指数(NDVI)10个因素作为影响土壤属性空间分布的环境因子(见图 1).其中植被覆盖指数由GF-1(拍摄日期为2015年11月15日,空间分辨率8 m)的第三波段和第四波段在ArcGIS 10.2中进行栅格计算获取;其他地形因子可通过GIS空间分析从DEM数据(由1:10 000地形图生成)获得.各环境因子的计算公式见文献[13].

图 1 研究区内影响土壤属性空间分布的主要环境因子及采样点分布 Figure 1 The main environmental factors affecting the spatial distribution of soil properties and the distribution of sampling sites in the study area
1.4 邻近信息提取

利用四方位搜索法(the four-direction search method)获取插值点附近土壤属性值〔w(有机质)、w(速效钾)〕.四方位搜索法是基于反距离加权算法思想和空间自相关理论,根据采样点之间的距离越近影响越大,距离越远影响越小的思想,以采样点为坐标原点,变程a为半径,在每个象限内选择一个邻近点土壤属性值P1P2P3P4.四方位搜索法步骤:

a) 在MATLAB中新建一个mat文件,导入所有采样点地理坐标(xy)和土壤属性值(z);

b) 从文件中随机抽取一个点,赋值给Mi

c) 在mat文件剩余点中随机抽取一个点,赋值给Ni

d) 计算MN两点之间的欧氏距离,设为d,令Temp1=Temp2=Temp3=Temp4=a,若da,则回到步骤3);

e) 若Ni(x)>Mi(x), Ni(y)Mi(y)d≤Temp1,则Temp1=d, P1=Ni(z)

f) 若Ni(x)Mi(x), Ni(y)>Mi(y)d≤Temp2,则Temp2=d, P2=Ni(z)

g) 若Ni(x) < Mi(x), Ni(y)Mi(y)d≤Temp3,则Temp3=d, P3=Ni(z)

h) 若Ni(x)Mi(x), Ni(y) < Mi(y)d≤Temp4,则Temp4=d, P4=Ni(z)

i) 重复步骤b)~h),直至遍历mat文件中所有点,将P1P2P3P4存放在文本中.

四方位搜索法在MATLABR2014a中通过编程实现,出现的空值由其他象限的平均值进行计算.其中P1P2P3P4分别代表以采样点为坐标原点,4个象限内离采样点最近点的土壤w(有机质)或w(速效钾);MiNi表示两个采样点的地理坐标,Mi(x)Ni(x)表示两个采样点的经度,Mi(y)Ni(y)表示两个采样点的纬度.

1.5 研究方法 1.5.1 RK2法

在乡镇尺度上,RK1法往往精度不理想.研究[19-20]表明,加入土壤属性的邻近信息后可以提高空间分布模拟精度.因此,要较为精确地模拟土壤属性的空间分布情况,必须综合考虑土壤属性的空间自相关性和影响土壤属性空间变异的环境因子. RK2法是通过多元逐步回归建立起土壤属性和环境因子、邻近信息之间的回归预测方程,根据回归方程拟合出一个代表确定性部分的趋势项表面,同时对回归预测残差进行OK法插值得到代表随机性部分的残差项,最后将二者进行叠加.其过程可表示为

$f_1(x) = g_1(x)+m_1(x)$

式中,f1(x)为RK2法在x处的模拟值,g1(x)为RK2法在x处根据多元逐步回归方程拟合的趋势项,m1(x)为OK法在x处插值的残差项.

RK2法预测过程:首先在SAS软件中应用多元逐步回归得到土壤w(有机质)、w(速效钾)与环境因子以及邻近信息的回归方程,利用该方程得到土壤w(有机质)、w(速效钾)的趋势项表面;运用GS+(version 7) 对回残差进行半方差分析,得到残差的半方差模型,然后运用OK法插值得到代表随机性部分的残差项.最后将趋势项和残差项在ArcGIS 10.2中进行栅格叠加,得到基于环境因子和邻近信息的土壤属性空间分布预测结果.

1.5.2 参照方法

将OK法和RK1法作为参照方法. OK法作为传统的地统计学方法被广泛的应用于土壤属性的空间插值中,是单个变量的局部线性最优无偏估计方法;也是应用最广泛、最稳健也最常用的一种方法. RK1法与RK2法步骤一样,仅仅是在进行逐步回归时只将环境因子与土壤属性进行回归分析,而不把邻近信息纳入逐步回归方程.

1.6 预测精度分析

通过ArcGIS 10.2得到建模集和测试集,以RMSE(均方根误差)、MAE(平均绝对误差)、MRE(平均相对误差)对建模和测试的土壤w(有机质)、w(速效钾)预测值与实际采样值进行对比分析,得出精度评价结果,其公式分别为

$\text{RMSE} = \sqrt{\frac{\sum\limits_{i=1}^{n}(\tilde{Z}_i -Z_i)^2}{n}}$ (1)
$\text{MRE} = \frac{1}{n} \sum\limits_{i=1}^{n} \frac{|\tilde{Z}_i - Z_i|}{Z_i} \times 100\%$ (2)
$\text{MAE} = \frac{1}{n} \sum\limits_{i=1}^{n}|\tilde{Z}_i - Z_i|$ (3)

式中:$\tilde Z_i$为第i个采样点土壤w(有机质)、w(速效钾)的预测值,单位分別为g/kg、mg/kg; Zi为第i个采样点土壤w(有机质)、w(速效钾)的实际观测值,单位分别为g/kg、mg/kg; n为采样点个数. RMSE、MAE和MRE值越小说明误差越小,模拟精度越高.

2 结果与讨论 2.1 土壤属性的描述性统计特征

研究区土壤属性的描述性统计特征分析见表 1.研究区土壤w(有机质)的平均值为35.03 g/kg,值域范围17.30~53.58 g/kg;w(速效钾)的平均值为96.73 mg/kg,值域范围50.98~152.13 mg/kg.从K-S检验可以判断两种土壤属性统计值均符合正态分布.从变异系数〔w(有机质),23.61%;w(速效钾),21.72%〕可以看出,均为中等变异性.

表 1 研究区土壤属性的描述性统计特征 Table 1 Descriptive statistics characteristics of soil properties in the study area

数据的正态性是OK法的前提,只有当数据服从正态分布时,OK法才有效[10].由图 2可见,RK1法和RK2法预测土壤w(有机质)、w(速效钾)的残差值基本沿着正态线分布,符合正态分布,可以进行半方差分析和OK法插值.

图 2 土壤w(有机质)、w(速效钾)RK1法和RK2法预测残差的Q-Q图 Figure 2 Q-Q plot of prediction residual by RK1 and RK2 for soil organic matter and Available Potassium
2.2 土壤属性与环境因子及邻近信息的相关性

研究区土壤属性与环境因子及邻近信息的相关性如表 2所示.由表 2可见,土壤w(有机质)与地形湿度指数呈显著的负相关,相关系数为-0.229(P<0.05),表明地形低洼处土壤w(有机质)越低;与其他环境因子没有显著相关性.这与以往研究结果[13, 16]不一致,究其原因:① 现有研究成果都集中在县域尺度且地形多为丘陵和山地,地貌类型多样,沟壑纵横,环境差异大;而在乡镇尺度和平原上可能因为范围小、地势平坦导致由环境等宏观因素引起的土壤w(有机质)的涵养与运移过程被削弱[29];② 该研究采样点较少,无法比较在更多样点分布下的分析结果,这也在一定程度上减弱了环境因子与土壤w(有机质)的相关性[30]. w(速效钾)与坡度、坡度变率呈显著负相关,相关系数分别为-0.256(P<0.05) 和-0.266(P<0.05),表明坡度越陡,坡度变化越大,w(速效钾)越低,这与以往研究结果[5]一致.地形湿度指数和曲率与w(速效钾)的相关性均达到显著(R=0.301,P<0.05;R=0.263,P<0.05).其他地形因子与w(速效钾)的相关性未达到显著水平.此外,邻近信息P1P2P3P4与土壤属性均有极显著的相关性(P<0.01),相关系数均达到0.4以上,表明在乡镇尺度上土壤属性存在较强的自相关性,邻近信息对土壤属性有着非常重要的影响.

表 2 土壤属性与环境因子、邻近信息的相关系数 Table 2 Correlations between soil properties and environmental factors, neighbor in formation
2.3 半方差函数分析

在GS+(version 7) 中对土壤属性、RK1法残差和RK2法残差进行半方差函数的拟合,用半方差函数描述其空间变异性.由表 3可见,除w(有机质)和w(速效钾)RK1法预测残差的理论模型为指数外,其他数据项最优模型均为球状模型,各模型的拟合系数均达到0.8以上.从模型的参数来看,土壤w(有机质)、w(速效钾)的块金效应值均小于0.75,变程分别为3 503和1 791 m,表明二者均具有较强的自相关性,空间自相关的范围较大. 4种回归预测残差的半方差模型参数与原变量变化较小,基本保留了原变量的空间结构特征.

表 3 土壤属性、RK1法残差和RK2法残差的半方差函数参数 Table 3 Semi-variogram parameters of soil properties, RK1 residuals and RK2 residuals
2.4 土壤属性的多元逐步回归模拟过程

多元逐步回归能保证每个邻近信息和环境因子进入回归模型且能去除自变量间的共线性[21, 28].考虑到土壤属性空间分布的位置关系,在逐步回归拟合时把地理坐标(xy)也作为自变量进入回归方程. 表 4是土壤属性的多元逐步回归模拟过程.在土壤w(有机质)的RK1法预测中,地形湿度指数、坡向变率两个环境因子和地理坐标x参与了土壤w(有机质)的空间分布模拟;在RK2法预测中坡向变率和邻近信息P1参与了土壤w(有机质)的空间分布模拟.在土壤w(速效钾)RK1空间分布中,植被覆盖指数、地形湿度指数、河流动能指数3个环境因子参与了速效钾的空间分布模拟;在RK2中仅邻近信息P1参与了速效钾的空间分布模拟.

表 4 研究区土壤属性含量的多元逐步回归拟合过程 Table 4 Step wise process of multiple regression equations for soil properties content in the study area

从各模型的拟合系数来看,土壤w(有机质)、w(速效钾)RK1法的拟合系数偏低,这与已有研究结果[5, 8]相似.将OK法、RK1法和RK2法对土壤w(有机质)、w(速效钾)的预测结果与实测值进行相关性分析,结果表明RK2法对土壤w(有机质)、w(速效钾)的预测值与真实值的相关系数要大于OK法和RK1法(见表 5).其中,RK2法对土壤w(有机质)的建模点和测试点的预测结果与采样点实测值的相关系数较RK1法分别提高了0.164和0.244,较OK法分别提高了0.013和0.259. RK2法对w(速效钾)的建模点和测试点的预测结果与采样点实测值的相关系数较RK1法分别提高了0.089和0.169,较OK法分别提高了0.052和0.201.这表明在乡镇尺度下,加入邻近信息的RK2法较仅基于环境因子的RK1法和OK法能够更加真实的反映土壤属性的空间分布,能够有效的揭示土壤属性的复杂空间变异关系(见图 3).而RK1法对w(有机质)建模点的预测结果与采样点实测值的相关系数较OK法降低了0.151;RK1法对w(速效钾)建模点的预测结果与采样点实测值的相关系数较OK法降低了0.037.这是因为回归克里金的预测精度取决于回归预测方程的决定系数,而在乡镇等小尺度上,环境因素不如县域那么明显[25],导致仅由环境因子进行回归建模的RK1法预测结果与实测值得相关系数偏低(见表 4),甚至低于基于土壤属性空间自相关程度(块金效应)[31-32]的OK法.因此,在乡镇尺度上有必要将邻近信息纳入土壤属性空间分布预测中.

表 5 不同预测方法预测结果与实测值的相关性 Table 5 Correlations between actual values and prediction values by different methods
2.5 预测精度评价

土壤属性预测精度分析结果(见表 6)表明,引入邻近信息进行土壤属性空间分布预测的RK2法明显优于仅基于环境因子进行空间分布预测的RK1法和仅基于采样点进行空间内插的OK法.从建模集预测效果看,与OK法进行比较,RK2法对土壤w(有机质)预测结果的RMSE、MAE、MRE分别降低了7.28%、9.88%、13.39%;与RK1法进行比较,分别降低了21.15%、23.06%、32.07%.与OK法进行比较,RK2法对w(速效钾)预测结果的RMSE、MAE、MRE分别降低了5.90%、6.80%、7.11%;与RK1法进行比较,分别降低了8.17%、8.21%、9.99%.从测试集预测效果看,与OK法进行比较,RK2法对土壤w(有机质)预测结果的RMSE、MAE、MRE分别降低了18.05%、18.01%、21.77%;与RK1法进行比较,分别降低了22.48%、20.91%、22.02%.与OK法进行比较,RK2法对w(速效钾)预测结果的RMSE、MAE、MRE分别降低了7.25%、9.49%、9.84%;与RK1法进行比较,分别降低了9.27%、12.61%、13.52%.基于环境因子和邻近信息的方法预测精度得到了较为明显的提高.

表 6 土壤属性预测方法精度对比 Table 6 Precision compared indexes of different methods for predicting soil properties

将OK法、RK1法和RK2法的预测空间分布结果以相同分辨率在ArcGIS 10.2中显示(见图 3),3种方法在土壤属性空间分布预测中差异显著. OK法预测土壤属性的空间分布呈现“南北低、中部高”的总体趋势,这与DEM数据变化情况较吻合.从空间分布模拟图来看,土壤属性高低值分布界限较RK1法相对分明,而RK1法得到的空间分布模拟结果较平滑,高低值界限不清晰,难以体现土壤属性的空间变异性. RK2法得到空间模拟图的高低值呈块状分布,体现了土壤属性的空间变异信息;同时研究区内出现了较多高值区域包含的低值部分,结合图 1图 3可知该低值区域DEM要高于周围区域,这可能是因为齐埠镇汛期多降雨导致高程较高处受暴雨冲刷相对严重,从而使得土壤w(有机质)、w(速效钾)流失,这比较符合土壤属性地学运动规律与实际情况,揭示了土壤属性随地形变化的细节信息.从预测结果的值域范围来看,RK2法预测值域范围最为接近统计分析值〔w(有机质)为21.83~48.53 g/kg,w(速效钾)为63.75~123.65 mg/kg,见图 3〕,RK1法预测值域范围最小〔w(有机质)为26.50~42.62 g/kg,w(速效钾)为64.23~116.30 mg/kg,见图 3〕.该研究表明仅基于环境因子的预测结果更趋向于平均值,难以克服平滑效应;而同时加入邻近信息和环境因子的RK2法能够更为精确的预测土壤属性的空间分布.土壤属性空间变异为突变而非渐变[33],在乡镇尺度上,土壤属性的空间自相关性范围大(见表 3),同时环境因子也不如县域那么明显[25],RK1法和OK法难以表达土壤属性含量突变的区域.而RK2法根据土壤属性的空间自相关性和影响土壤属性的宏观因素把邻近信息和环境因子同时加入回归方程,能够有效的提高土壤属性空间分布的预测精度,使土壤属性空间分布模拟更加符合实际情况.

图 3 不同回归方法预测的土壤w(有机质)和w(速效钾)的空间分布模拟结果 Figure 3 Maps of soil organic matter and available potassium by different regression methods
2.6 讨论

土壤属性的空间分布受众多因素的综合作用.该研究结果显示,在乡镇尺度上受环境因子和邻近信息的综合作用,但邻近信息影响更大.相关性分析结果表示邻近信息与土壤属性含量的相关系数均大于环境因子.这是因为在乡镇等小尺度下土壤属性空间自相关性较强,空间连续性范围大;这与以往研究结果一致.而大部分环境因子在乡镇尺度上与土壤属性含量相关性并不显著,这与张素梅等[13, 15]研究结果不一致,究其原因:① 齐埠镇高程均<200 m,属于典型的平原地带,地势起伏相对平缓;同时由于齐埠镇森林覆盖率达到56%以上,地表团聚性强,土壤w(有机质)、w(速效钾)等属性的涵养和运移过程及分布受环境因子变化影响较小. ② 齐埠镇耕地图斑分布相对分散,目前采样的方式和数量难以反映土壤属性的真实分布情况,其他随机性因素如耕作、施肥、秸秆还田等在目前的采样密度内对土壤属性含量影响较大,后续应加大采样密度和改进采样方式才能更加真实的反映乡镇尺度上土壤属性含量与环境因子的相关性.

在现有土壤属性空间分布预测中,OK法是应用最普遍也最具代表性的,虽然能够通过邻近相关采样点土壤属性值权重来预测未知点、对预测结果给出误差等优点,但该方法没有考虑环境因子的影响,导致其制图效果和预测精度上还不是很理想. RK1法和RK2法不仅能够构建土壤属性与自变量之间的回归预测方程,通过回归预测方程拟合出代表确定性部分的趋势项,而且在残差存在空间自相关的情况下充分利用RK1和RK2残差进行OK法插值,考虑了采样点的结构性和随机性的空间模拟. RK1法仅基于影响土壤属性的环境因子,虽然能通过环境因子拟合回归方程对土壤属性含量进行预测,但在乡镇尺度上环境因子的作用没有县域明显,导致其逐步回归方程的决定系数不高〔w(有机质),R2=0.15;w(速效钾),R2=0.16〕(见表 4),空间制图效果容易出现平滑现象,难以体现土壤属性的空间变异性,因而不适合环境变化较单一的乡镇尺度(尤其平原地区).而RK2法综合了OK法和RK1法的优点,通过把邻近信息和环境因子同时纳入逐步回归方程,不管在预测精度(见表 6)还是制图效果上(见图 3)都优于其他两种方法,克服了OK法没有考虑环境因子等宏观因素和RK1法没有考虑邻近信息等局部因素的缺陷;RK2法较其他两种方法在预测精度和揭示局部土壤属性空间变异方面体现了一定的优越性,空间分布模拟图更加符合土壤属性的空间变异性.

在乡镇尺度上,影响土壤属性空间分布除定量因素(环境因子和邻近信息)外,其他定性因素(如人为活动、土地利用类型、景观类型、成土母质、土属、剖面构型等)的影响也较为突出,引入更多的因素还可以进一步提高预测精度.同时,多元回归模型过于简单,难以描述土壤属性与自变量之间的复杂非线性映射关系,后续研究可应用具有较强的非线性逼近的神经网络来建立模型进行预测;也可以用其他插值方法(如集成神经网络、光滑薄板样条等)来代替半方差函数进行残差项OK法插值,使其即使在样本不符合正态分布甚至极少样本时也可以进行预测.

3 结论

a) 齐埠镇耕地表层土壤w(有机质)、w(速效钾)的平均值分别为35.03 g/kg和96.73 mg/kg,二者的自相关性较强,均为中等空间变异性.相关性分析结果显示,地形湿度指数和邻近信息与两种土壤属性均有显著相关,并且邻近信息(P1)的相关系数达到0.6以上.

b) 通过引入环境因子和邻近信息构建RK2法、RK1法和OK法对齐埠镇耕地表层土壤w(有机质)、w(速效钾)空间分布进行模拟.对62个采样点进行建模,16个测试点进行独立验证的误差分析表明,RK2法对土壤w(有机质)、w(速效钾)预测结果的RMSE、MAE、MRE较OK法分别降低了18.06%、18.01%、21.77%和7.25%、9.49%、9.84%;较RK1法分别降低了22.48%、20.91%、22.02%和9.27%、12.61%、13.52%.可以得出,仅基于环境因子的RK1法预测精度最低,基于环境因子和邻近信息的RK2法预测效果最佳.

c) 由于该研究尺度为较小的乡镇尺度,环境因子较为单一,在一定程度上限制了仅基于环境因子的RK1法预测效果.而引入邻近信息后能够明显的提高土壤属性的预测精度和空间分布模拟效果,能够更加真实的反映和揭示土壤属性空间变异规律.但由于该研究选择只考虑的环境因子和邻近信息的影响,存在着一定的局限性,在后续研究中应充分考虑定量因素和定性因素还能进一步提高预测精度,进而为乡镇尺度上耕地利用和土壤环境保护提供更加准确的理论依据.

参考文献
[1]
MCBRATNEY A B, PRINGLE M J. Estimating average and proportional variograms of soil properties and their potential use in precision agriculture[J]. Precision Agriculture, 1999, 1(2): 125-152. DOI:10.1023/A:1009995404447 (0)
[2]
DAI Wanhong, HUANG Yao. Relation of soil organic matter concentration to climate and altitude in zonal soils of China[J]. Catena, 2006, 65(1): 87-94. DOI:10.1016/j.catena.2005.10.006 (0)
[3]
SARKAR S, ROY A K, MARTHA T R. Soil depth estimation through soil-landscape modelling using regression Kriging in a Himalayan terrain[J]. International Journal of Geographical Information Science, 2013, 27(12): 2436-2454. DOI:10.1080/13658816.2013.814780 (0)
[4]
MEHNATKESH A, AYOUBI S, JALALIAN A, et al. Relationships between soil depth and terrain attributes in a semi arid hilly region in western Iran[J]. Journal of Mountain Science, 2013, 10(1): 163-172. DOI:10.1007/s11629-013-2427-9 (0)
[5]
刘二永, 刘健, 余坤勇, 等. 基于环境因子和R-STPS的林地土壤有机质预测模型[J]. 农业机械学报, 2015, 46(1): 133-137.
LIU Eryong, LIU Jian, YU Kunyong, et al. Spatial prediction of forest soil organic matter based on environmental factors and R-ATPS interpolation methods[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 133-137. DOI:10.6041/j.issn.1000-1298.2015.01.020 (0)
[6]
KUMAR S, LAL R, LIU Desheng, et al. Estimating the spatial distribution of organic carbon density for the soils of Ohio, USA[J]. Journal of Geographical Sciences, 2013, 23(2): 280-296. DOI:10.1007/s11442-013-1010-1 (0)
[7]
马泉来, 高凤杰, 张志民, 等. 我国东北黑土丘陵区小流域土壤有机质空间分布模拟[J]. 环境科学研究, 2016, 29(3): 382-390.
MA Quanlai, GAO Fengjie, ZHANG Zhimin, et al. Simulation of spatial distribution of soil organic matter in a mollisol watershed in northeastern China[J]. Research of Environmental Sciences, 2016, 29(3): 382-390. (0)
[8]
BHUNIA G S, SHIT P K, MAITI R. Spatial variability of soil organic carbon under different land use using radial basis function(RBF)[J]. Modeling Earth Systems and Environment, 2016. (0)
[9]
苏晓燕, 赵永存, 杨浩, 等. 不同采样点数量下土壤有机质含量空间预测方法对比[J]. 地学前缘, 2011, 18(6): 34-40.
SU Xiaoyan, ZHAO Yongcun, YANG Hao, et al. A comparison of predictive methods for mapping the spatial distribution of soil organic matter content with different sampling densities[J]. Earth Science Frontiers, 2011, 18(6): 34-40. (0)
[10]
史舟, 李艳. 地统计学在土壤学中的应用[M]. 北京: 中国农业出版社, 2006. (0)
[11]
WANG Ku, ZHANG Chuanrong, LI Weidong. Comparison of geographically weighted regression and Regression Kriging for estimating the spatial distribution of soil organic matter[J]. Giscience & Remote Sensing, 2012, 49(6): 915-932. (0)
[12]
ELDEIRY A A, GARCIA L A. Comparison of Ordinary Kriging, Regression Kriging, and Cokriging techniques to estimate soil salinity using LANDSAT images[J]. Journal of Irrigation & Drainage Engineering, 2010, 136(6): 355-364. (0)
[13]
张素梅, 王宗明, 张柏, 等. 利用地形和遥感数据预测土壤养分空间分布[J]. 农业工程学报, 2010, 26(5): 189-194.
ZHANG Sumei, WANG Zongming, ZHANG Bai, et al. Prediction of spatial distribution of soil nutrients using terrain attributes and remote sensing data[J]. Transactions of the CSAE, 2010, 26(5): 189-194. (0)
[14]
WANG Binwu, ZHOU Weijun, MA Su, et al. Regression-kriging of soil organic matter using the environmental variables derived from MODIS and DEM[J]. Agricultural Science & Technology, 2012, 13(4): 838-842. (0)
[15]
李启权, 王昌全, 岳天祥, 等. 基于定性和定量辅助变量的土壤有机质空间分布预测:以四川三台县为例[J]. 地理科学进展, 2014, 33(2): 259-269.
LI Qiquan, WANG Changquan, YUE Tianxiang, et al. Prediction of distribution of soil organic matter based on qualitative and quantitative auxiliary variables:a case study in Santai County in Sichuan Province[J]. Progress in Geography, 2014, 33(2): 259-269. DOI:10.11820/dlkxjz.2014.02.012 (0)
[16]
LV Jianshu, LIU Yang, ZHANG Zulu, et al. Factorial Kriging and stepwise regression approach to identify environmental factors influencing spatial multi-scale variability of heavy metals in soils[J]. Journal of Hazardous Materials, 2013, 261(13): 387-397. (0)
[17]
ZHAO Yongcun, XU Xianghua, DARILEK J L, et al. Spatial variability assessment of soil nutrients in an intense agricultural area, a case study of Rugao County in Yangtze River Delta Region, China[J]. Environmental Geology, 2009, 57(5): 1089-1102. DOI:10.1007/s00254-008-1399-5 (0)
[18]
WERE K, SINGH B R, DICKØ B. Spatially distributed modelling and mapping of soil organic carbon and total nitrogen stocks in the Eastern Mau Forest Reserve, Kenya[J]. Journal of Geographical Sciences, 2016, 26(1): 102-124. DOI:10.1007/s11442-016-1257-4 (0)
[19]
徐剑波, 宋立生, 夏振, 等. 基于GARBF神经网络的耕地土壤有效磷空间变异分析[J]. 农业工程学报, 2012, 28(16): 158-165.
XU Jianbo, SONG Lisheng, XIA Zhen, et al. Spatial variability of available phosphorus for cultivated soil based on GARBF neural network[J]. Transactions of the CSAE, 2012, 28(16): 158-165. DOI:10.3969/j.issn.1002-6819.2012.16.025 (0)
[20]
李启权, 王昌全, 岳天祥, 等. 不同输入方式下RBF神经网络对土壤性质空间插值的误差分析[J]. 土壤学报, 2008, 45(2): 360-365.
LI Qiquan, WANG Changquan, YUE Tianxiang, et al. Error analysis of soil property spatial interpolation with RBF artificial neural network with different input methods[J]. Acta Pedologica Sinca, 2008, 45(2): 360-365. (0)
[21]
杨顺华, 张海涛, 郭龙, 等. 基于回归和地理加权回归Kriging的土壤有机质空间插值[J]. 应用生态学报, 2015, 26(6): 1649-1656.
YANG Shunhua, ZHANG Haitao, GUO Long, et al. Spatial interpolation of soil organic matter using regression Kriging and geographically weighted regression Kriging[J]. Chinese Journal of Applied Ecology, 2015, 26(6): 1649-1656. (0)
[22]
CHEN Chuanfa, ZHAO Na, YUE Tianxiang, et al. A generalization of inverse distance weighting method via kernel regression and its application to surface modeling[J]. Arabian Journal of Geosciences, 2014, 8(9): 1-11. (0)
[23]
LIU Zhonggang, LI Manchun, SUN Yan, et al. Study on spatial autocorrelation of urban land price distribution in Changzhou City of Jiangsu Province[J]. Chinese Geographical Science, 2006, 16(2): 160-164. DOI:10.1007/s11769-006-0011-8 (0)
[24]
张甘霖, 龚子同. 土壤调查实验室分析方法[M]. 北京: 科学出版社, 2012. (0)
[25]
夏春兰. 多尺度条件下川中丘陵区土壤氮素分布的模拟研究[D]. 雅安: 四川农业大学, 2013. http://cdmd.cnki.com.cn/Article/CDMD-10626-1014102948.htm (0)
[26]
HENGL T, GERARD B M, STEIN A, et al. A generic framework for spatial prediction of soil variables based on regression Kriging[J]. Geoderma, 2004, 120(1/2): 75-93. (0)
[27]
CARLSON T N, RIPLEY D A. On the relation between NDVI, fractional vegetation cover, and leaf area index[J]. Remote Sensing of Environment, 1997, 62(3): 241-252. DOI:10.1016/S0034-4257(97)00104-1 (0)
[28]
黄安, 杨联安, 杜挺, 等. 基于多元成土因素的土壤有机质空间分布分析[J]. 干旱区地理, 2015, 38(5): 994-1003.
HUANG An, YANG Lianan, DU Ting, et al. Spatial distribution of the soil organic matter based on multiple soil factors[J]. Arid Zone Research, 2015, 38(5): 994-1003. (0)
[29]
张志霞, 许明祥, 师晨迪, 等. 黄土丘陵区不同地貌单元土壤有机碳空间变异的尺度效应[J]. 自然资源学报, 2014, 29(7): 1173-1184.
ZHANG Zhixia, XU Mingxiang, SHI Chendi, et al. Scaling effect on spatial variability of soil organic carbon in different geomorphic units on the Loess Hilly Region[J]. Journal of Natural Resources, 2014, 29(7): 1173-1184. DOI:10.11849/zrzyxb.2014.07.008 (0)
[30]
赵倩倩, 赵庚星, 姜怀龙, 等. 县域土壤养分空间变异特征及合理采样数研究[J]. 自然资源学报, 2012, 30(1): 31-35.
ZHAO Qianqian, ZHAO Gengxing, JIANG Huailong, et al. Study on spatial variability of soil nutrients and reasonable sampling number at county scale[J]. Journal of Natural Resources, 2012, 30(1): 31-35. (0)
[31]
HERNANDEZSTEFANONI J L, PONCEHERNANDEZ R. Mapping the spatial variability of plant diversity in a tropical forest:comparison of spatial interpolation methods[J]. Environmental Monitoring & Assessment, 2006, 117(1/2/3): 307-334. (0)
[32]
ZHU Qu, LIN Haisheng. Comparing Ordinary Kriging and Regression Kriging for soil properties in contrasting landscapes[J]. Pedosphere, 2010, 20(5): 594-606. DOI:10.1016/S1002-0160(10)60049-5 (0)
[33]
王彬武, 周卫军, 马苏, 等. 耕地土壤速效钾含量的空间预测方法研究[J]. 地理与地理信息科学, 2011, 27(5): 91-94.
WANG Binwu, ZHOU Weijun, MA Su, et al. Spatial prediction method of available potassium contents in arable soil[J]. Geography and Geo-Information Science, 2011, 27(5): 91-94. (0)