金成偉, 趙玉國, 李徐生, 支俊俊, 張甘霖

1 南京大學地理與海洋科學學院,南京 210023 2 中國科學院南京土壤研究所土壤與農業(yè)可持續(xù)發(fā)展國家重點實驗室,南京 210008

祁連山中段高寒草甸草氈表層發(fā)育程度的空間分異及環(huán)境影響因子

金成偉1,2, 趙玉國2,*, 李徐生1, 支俊俊2, 張甘霖2

1 南京大學地理與海洋科學學院,南京 210023 2 中國科學院南京土壤研究所土壤與農業(yè)可持續(xù)發(fā)展國家重點實驗室,南京 210008

高寒草甸植被下的草氈表層能夠發(fā)揮水土保持、水源涵養(yǎng)等生態(tài)環(huán)境效益,是高寒草甸植被生態(tài)功能發(fā)揮的核心,認識草氈表層發(fā)育程度的空間分異及環(huán)境影響因子有利于深入理解高寒草甸在高原生態(tài)系統(tǒng)中的作用。本研究以祁連山中段高寒草甸分布區(qū)為研究區(qū),依據根系體積并結合草氈層厚度以及土壤容重,將草氈表層劃分為弱發(fā)育、中等發(fā)育以及強發(fā)育草氈。分析了不同發(fā)育程度草氈的地形、植被、氣候等環(huán)境特征,并采用支持向量機模型對其分布進行了空間制圖。結果表明：祁連山中段發(fā)育程度較高的草氈表層趨向于分布在水分條件較好的低海拔、緩坡,低坡位以及北向坡的位置,以嵩草屬植物為主,中等以上發(fā)育程度的草氈地表植被及水分條件都較好；發(fā)育程度較高的草氈表層年均溫較高,各發(fā)育程度草氈表層降水量差異不顯著?？臻g分布結果整體與現有的高寒草甸植被類型分布具有高度的一致性,但空間分辨率更為詳細,并且實現了不同發(fā)育程度草氈表層的空間細分。

高寒草甸；草氈表層；祁連山中段；空間制圖

草氈表層是高寒草甸植被下具有高量有機碳有機土壤物質、活根與死根根系交織纏結的草氈狀表層[1-3],草氈表層能夠有效截留降水,發(fā)揮水土保持以及水源涵養(yǎng)等生態(tài)環(huán)境效益[4- 6],是高寒草甸植被生態(tài)功能的核心,在我國主要分布在青藏高原的東部和北部,在高原生態(tài)系統(tǒng)中具有極其重要的地位。

鑒于草氈表層在高原生態(tài)系統(tǒng)中的重要作用,很多學者針對高寒草甸草氈表層的發(fā)育機理[7]、退化過程及其對生態(tài)環(huán)境的影響展開了研究[8- 10],然而多數研究將草氈表層的概念等同于高寒草甸植被類型[11-13],現有植被分類體系多是針對高寒草甸地表覆蓋度進行區(qū)分,未見有關地下草氈表層特征差異的劃分。地形、植被以及局部水熱環(huán)境條件的差異,會導致高寒草甸草氈表層的發(fā)育程度不同,使根系體積和厚度等理化屬性存在顯著差異。然而,目前的研究缺乏針對草氈表層不同發(fā)育程度的劃分規(guī)則,其空間分布規(guī)律也不清晰。對草氈表層不同發(fā)育程度差異的辨識將有助于我們對草氈表層發(fā)育機理的進一步認知,也有益于提高對區(qū)域生態(tài)環(huán)境質量及其演變模擬的精度。

對于草氈表層這一特定生境下土壤與地表植物綜合作用下的發(fā)生對象,中國土壤系統(tǒng)分類將其定義為草氈表層診斷層[1],用以草氈寒凍雛形土的定量識別,草氈表層的空間分布預測可以借鑒數字土壤制圖的思路[14-16],即建立草氈表層與環(huán)境要素之間的知識模型,預測模擬不同發(fā)育程度草氈表層的分布。由于土壤與環(huán)境關系復雜、多呈非線性,隨機森林[17-18]以及人工神經網絡[19-20]等模型常用于模型的構建,其中支持向量機模型(Support vector machine,SVM)由于在分類以及函數擬合方面優(yōu)異的表現[21-22],在土壤有機碳和土壤光譜[23- 24]等方面得到了很好的應用。

本研究以祁連山中段高寒草甸草氈表層為研究對象,基于物理特征對草氈表層發(fā)育程度進行劃分,嘗試闡明不同發(fā)育程度草氈表層的地形、植被以及氣候等環(huán)境因子的差異及其相對影響,并運用支持向量機模型對不同發(fā)育程度草氈表層的空間分布狀況進行預測。本研究可為進一步研究青藏高原草氈表層的分布及其在高原生態(tài)環(huán)境中的作用提供數據支撐與理論依據。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于青藏高原東北部邊緣的祁連山中段(圖1),地理位置在98°34′22″—101°9′24″E, 37°43′13″—39°5′19″N,總面積約1×104km2。海拔高度在1700m至5100m之間。本區(qū)屬大陸性高寒山區(qū)氣候,冬季漫長、寒冷而干旱,夏季短暫、溫和而濕潤,年均降水量從西北向東南呈現增加趨勢,平均年降水327mm,主要集中在5月至9月。區(qū)域植被以高寒草甸為主,集中分布在區(qū)域中東部[25]。

圖1 研究區(qū)位置以及主要環(huán)境因素分布圖Fig.1 Location of study area and spatial distribution of main enviroment factors

1.2 樣品采集與分析

為使采樣點能夠表征區(qū)域不同的海拔、植被以及氣候特征,需要將樣點布設于典型區(qū)域,運用模糊c均值聚類對地形、氣候、母質、生物等環(huán)境因子進行聚類,得到以環(huán)境隸屬度表示的環(huán)境因子組合分布圖,隸屬度的高低體現了區(qū)域生態(tài)環(huán)境的典型性,將隸屬度高于0.8的區(qū)域視為生態(tài)環(huán)境因子組合的典型區(qū)域,結合道路可達度以及采樣便利性,最終樣點布設于環(huán)境因子組合的中心位置,這就是基于典型點的目的性采樣方法[26]。分別于2012年及2013年7月至8月在該區(qū)域用該方法采集了54個典型剖面(圖1),其中符合中國系統(tǒng)分類中草氈表層定義的草氈類型剖面31個,非草氈類型剖面23個。在每一典型剖面,取表層土樣和環(huán)刀樣,調查地表植被狀況,測定草氈表層厚度,并根據專家知識經驗判別根系體積。

所有樣品經室內自然風干后,過篩研磨備測。土壤容重主要采用環(huán)刀法測定,其中18個樣點由于無法采樣,致使數據缺失,鑒于土壤有機質與容重普遍存在的高度相關性[27],采用有機碳含量進行指數回歸模型擬合獲得,擬合方程(bd=1.45e-0.01soc,bd為容重(g/cm3),soc為有機碳(g/kg), 其中1.03 g/kg

1.3 發(fā)育程度劃分

草氈表層在中國土壤系統(tǒng)分類中的定義包括草氈層厚度、根系體積以及土壤容重3個主要物理指標,要求草氈層厚度大于5cm,根系體積大于50%,并且容重在0.5—1.1g/cm3[1]。本研究主要依據草氈根系體積,并結合草氈層厚度、容重對各樣點草氈表層發(fā)育程度進行劃分(表1),共劃分為弱發(fā)育、中等發(fā)育以及強發(fā)育3種發(fā)育程度(圖2)。

表1 不同發(fā)育程度草氈的主要劃分依據

圖2 不同發(fā)育程度草氈表層典型剖面及景觀(a1&a2弱發(fā)育,b1&b2中等發(fā)育,c1&c2強發(fā)育)Fig.2 Typical profile and landscape of mattic epipedon at different developmental levels (a1&a2 weakly developed, b1&b2 moderately developed,c1&c2 strongly developed)

1.4 環(huán)境因子分析

地形、植被以及氣候等生態(tài)環(huán)境要素的差異造成了祁連山中段草氈表層發(fā)育程度的差異。針對地形、植被、氣候3個方面,所選擇的環(huán)境因子包括：海拔、坡度、坡位、坡向、NDVI指數、年均氣溫以及年均降水量。

地形數據基于ASTER GDEM 第二版的30m空間分辨率的數字高程模型；NDVI數據采用MODIS植被指數產品中的MOD13Q1,空間分辨率為250m,時間范圍為2012年至2013年7月；氣候數據采用1km分辨率的近30年平均氣溫和平均降水量分布圖,氣候數據由全國673個氣象站點插值獲得。所有環(huán)境因子重采樣到250m空間分辨率。

本研究對三種發(fā)育程度草氈表層的上述環(huán)境因子數據運用箱線圖、圓盤圖等圖表進行統(tǒng)計分析,同時對環(huán)境因子進行因子分析。

以上地形數據的處理采用Arcgis10.1,植被遙感數據處理采用ENVI5.1,統(tǒng)計分析采用SPSS 19.0軟件,圖表繪圖軟件采用Origin 9.1。

1.5 空間分布預測

由于地形、氣候等生態(tài)環(huán)境要素與草氈的發(fā)育聯(lián)系緊密,運用支持向量機(SVM)可以對具有不同環(huán)境要素的樣點類型進行判別,建立生態(tài)環(huán)境要素與草氈發(fā)育類型的生態(tài)學模型,從而預測不同發(fā)育程度草氈的空間分布。

1.5.1 模型基本原理

圖3 最優(yōu)超平面示意圖(x1、x2、x3支持向量,L最優(yōu)超平面,a幾何間隔)Fig.3 Diagram of optimal hyperplane (x1、x2、x3 Support vector,L Optimal hyperplane,a Geometric interval)

SVM的基本原理是確定一個分類超平面,將線性可分的兩類樣點進行分離,樣點與超平面的距離(幾何間隔)表示分類預測的準確程度,當所有樣本點到超平面的幾何間隔達到最大,這個超平面即最優(yōu)超平面[21-22]。當兩類樣點線性不可分時,則選擇合適的內積核函數,將兩類線性不可分的點集映射到高維空間(Hibert空間),從而使樣本空間的非線性分類問題能在特征空間中應用線性方法解決,同樣確定最優(yōu)超平面將樣點分離,使得最小幾何間隔達到最大,落在間隔邊界上的樣點即支持向量(圖3)。

1.5.2 模型構建與預測

本研究具體采用SVM的流程如下：首先基于區(qū)域54個樣點,建立環(huán)境要素與樣點是否為草氈的分類生態(tài)模型,對區(qū)域草氈分布狀況進行判別,得到草氈表層分布概率圖,然后選擇草氈分布概率高于0.5的區(qū)域作為草氈分布區(qū),基于31個草氈表層樣點,選用相同環(huán)境變量,建立環(huán)境要素與各發(fā)育程度類型草氈的分類模型,對草氈分布區(qū)內草氈表層發(fā)育程度進行判別,得到草氈表層發(fā)育程度空間分布圖。

模型最終采用的生態(tài)環(huán)境變量包括地形(海拔、坡度)、植被(NDVI)以及氣候(年均降水、年均溫)。模型基本參數中,核函數采用徑向基函數,gamma值為0.1,約束違反成本cost為1。模型的運行基于R3.2.5軟件,軟件包為e1071。

1.5.3 模型評價驗證

模型評價方面,由于缺乏可以獨立驗證的樣點,而交叉驗證是模型泛化能力評價的常用驗證方法[28-29],本研究模型評價采用留一驗證以及十折交叉驗證,其中留一交叉驗證是取n個樣本中n-1份用于建模,剩下1份用于驗證,重復n次；十折交叉驗證是將n個樣本分成10份,其中9份用于建模, 1份用于驗證,重復10次。

1.5.4 評價環(huán)境因子重要性

由于SVM模型不能直接進行環(huán)境因子重要性評價,而模型的精度與環(huán)境因子的選擇關系密切,通過改變模型預測的環(huán)境因子,比較全部環(huán)境因子與部分環(huán)境因子參與的模型精度結果差異,可以評價環(huán)境因子的相對重要性[30]。本研究主要對草氈發(fā)育程度分類模型的環(huán)境因子重要性進行評價,通過比較全部環(huán)境因子、單獨某一環(huán)境因子以及移除某一環(huán)境因子3種情形下,草氈發(fā)育程度分類模型的10次十折交叉驗證精度的平均值大小,從而評價不同環(huán)境因子的重要性。

2 結果

2.1 環(huán)境因子分析

本研究對不同發(fā)育程度草氈表層的地形、植被以及氣候等環(huán)境因子的差異進行了分析。

2.1.1 地形

不同發(fā)育程度草氈表層分布的海拔、坡度、坡位及坡向分析如圖所示(圖4),不同發(fā)育程度草氈表層的地形特征具有明顯差異。草氈表層分布在海拔3000—4000m之間,隨著發(fā)育程度增高,海拔高度逐漸降低,強發(fā)育、中等發(fā)育以及弱發(fā)育草氈分別集中分布在3000—3300m、3200—3600m以及3500m以上的部位,弱發(fā)育草氈與其他類型草氈海拔差異顯著(P<0.05)。隨著草氈發(fā)育程度的增高,坡度逐漸降低,弱發(fā)育以及強發(fā)育草氈分別主要分布在坡度大于25°以及小于16°的區(qū)域,中等發(fā)育草氈分布的坡度較為適中。隨著草氈發(fā)育程度的增高,坡位逐漸降低,弱發(fā)育草氈主要分布在坡上,中等發(fā)育的草氈主要分布在中坡,強發(fā)育草氈主要分布在坡下；草氈表層主要分布在北向坡,且草氈發(fā)育程度越高,坡向越朝北。

圖4 不同發(fā)育程度草氈表層地形特征分布(a:海拔b:坡度c:坡位d:坡向)Fig.4 Topographical features distribution of mattic epipedon at different developmental levels (a: elevation b:slope c:slope position d:aspect)

2.1.2 植被

不同發(fā)育程度草氈表層的NDVI和地表植物類型圖如圖所示(圖5),草氈發(fā)育程度越高,植被覆蓋越高,NDVI值也越高。草氈發(fā)育由弱到強,植被NDVI指數均值分別為0.72、0.85及0.85,弱發(fā)育草氈與其他類型草氈的NDVI差異顯著(P<0.05)。從植物類型來看,各發(fā)育程度草氈表層優(yōu)勢植物都是嵩草屬(KobresiaWilld)植物,弱發(fā)育草氈表層優(yōu)勢種包括耐低溫,耐干旱的委陵菜屬(Potentilla)和芨芨草(Achnatherum)等植物,部分樣點甚至出現狼毒(Stellera)等有毒物種,中等及以上發(fā)育程度草氈表層多伴生例如蓼屬(Polygonum)植物等喜濕植物。

圖5 不同發(fā)育程度草氈NDVI及植物類型Fig.5 NDVI and plant types of mattic epipedon at different developmental levels

2.1.3 氣候

不同發(fā)育程度草氈表層氣候特征分析如圖所示(圖6),草氈表層發(fā)育程度越高,環(huán)境年均氣溫越高,但都低于0℃。弱發(fā)育、中等發(fā)育以及強發(fā)育草氈的年均溫均值分別為-3.0℃、-1.3℃以及-1.1℃,強發(fā)育草氈年均溫差異較小且更為集中。草氈表層發(fā)育由弱到強,年均降水均值分別為354、357mm以及314mm,各發(fā)育程度草氈表層降水量差異不顯著(0.05

圖6 不同發(fā)育程度草氈表層年均溫以及年均降水分布Fig.6 Mean annual temperature and mean annual precipitation of mattic epipedon at different developmental levels

2.1.4 因子分析

通過比較地形、植被以及氣候等環(huán)境因子的相關性(表2),可見海拔與年均溫的相關性最為顯著(r=0.93,P<0.01),而海拔與年均降水也有顯著的正相關性(r=0.48,P<0.01)。NDVI指數與海拔呈顯著負相關,而與年均溫呈顯著正相關(r=0.61,P<0.01),坡度以及坡向與其他環(huán)境因子沒有顯著相關性。

表2 環(huán)境因子相關性

**P<0.01; MAP: Mean annual precipitation; MAT: Mean annual temperature

對地形、植被以及氣候等環(huán)境因子進行KMO(Kaiser-Meyer-Olkin)檢驗,KMO值為0.547,大于0.5適合做因子分析。通過因子分析,根據特征值大于1提取了兩個主成分(表3),第一主成分貢獻率為45%,累計貢獻率為65%。根據因子載荷矩陣,第一主成分主要由海拔、年均溫、NDVI以及年均降水組成,可以歸納為大環(huán)境因子,其中海拔以及年均溫因子載荷較大,年均降水載荷較小,第二主成分主要由坡向和坡度組成,可以歸納為局部地形因子。

表3 旋轉因子載荷矩陣

MAP: Mean annual precipitation; MAT: Mean annual temperature

2.2 空間分布預測結果

2.2.1 草氈表層空間分布概率圖

運用支持向量機模型對研究區(qū)草氈表層的分布進行預測的結果如圖所示(圖7)。草氈分布概率大于0.5的區(qū)域占總面積的63.9%,草氈表層分布概率較大的區(qū)域呈西北東南走向,可分為西北和東南兩個部分,西北部草氈表層主要分布在山坡以及坡麓、河谷兩側地帶,東南部草氈表層集中連片地分布在高原面上。草氈分布概率較高的區(qū)域與該區(qū)域7月至9月的TM影像圖中植被信息豐富的區(qū)域以及高寒草甸植被類型分布區(qū)具有高度一致性。

圖7 草氈表層分布概率圖及Landsat TM影像(RGB:波段543組合)Fig.7 Occurring probability of mattic epipedon and Landsat TM image (RGB:combination of band543)

圖8 不同發(fā)育程度草氈表層空間分布 Fig.8 Spatial distribution of mattic epipedon at different developmental levels

模型預測精度方面,總體精度達到83.3%,留一交叉驗證精度達到81.5%,10次十折交叉驗證的平均值達到78.5%,模型精度可以接受。

2.2.2 草氈表層發(fā)育程度的空間分布

不同發(fā)育程度草氈的空間分布如圖所示(圖8)。從分布面積來看,弱發(fā)育草氈分布面積較大,占草氈面積的57%,中等發(fā)育草氈和強發(fā)育草氈分別占草氈面積的36%和7%。從西北向東南,草氈發(fā)育程度逐漸增高,其中弱發(fā)育草氈主要分布在西北部,中等發(fā)育草氈主要分布在中北部山麓以及東南部地區(qū),強發(fā)育草氈主要沿中部河谷山麓呈西北東南向帶狀分布。

模型預測總體精度達到87.1%,留一交叉驗證精度達到80.6%,10次十折交叉驗證平均精度達到79.0%。從采樣點分布來看,31個草氈樣點以及23個非草氈樣點中分別有21個和16個準確分布在相應預測類型中。模型的精度基本能夠達到要求,預測結果可接受。

3 討論

3.1 草氈表層發(fā)育程度的影響因子

在較為干旱的祁連山地區(qū),水分是影響植物生長的最為重要的環(huán)境因子。隨著海拔高度的降低,地勢趨于平緩,較低的坡度和坡位有利于土壤中水分的匯集與保持,對于高寒草甸的根系生長有積極的意義,因而有利于草氈的發(fā)育。而海拔與年均溫呈顯著負相關,在直觀表現上,隨著海拔的降低,年均溫升高,較高的溫度有利于植物的光合作用和根系的生長,草氈發(fā)育程度更高,但是草氈表層在海拔3000m左右存在分布下限,這與Miehe等人的研究成果一致[31],可能原因是低于3000m的區(qū)域,氣候偏暖干,更高的溫度提高土壤中微生物的活性,增大根系的分解作用,不利于草氈的發(fā)育。而海拔與年均降水呈顯著正相關,所以海拔3000m以上總體為冷濕的氣候環(huán)境,有利于草氈的發(fā)育。

圖9 10次十折交叉驗證平均精度Fig.9 Mean accuracy of 10-fold cross-validation running 10 times黑色,全部變量參與的模型；深灰色,無該變量參與的模型；淺灰色,只有該變量參與的模型

草氈表層的植被特征表明,草氈發(fā)育越好,植被覆蓋也越高,且多伴生喜濕植物,而NDVI與海拔呈顯著負相關,所以在草氈表層分布區(qū),NDVI較高的區(qū)域通常與海拔較低、水分充足的區(qū)域是一致的,而研究表明海拔和植被是影響高寒草甸土壤水分的主要因子[32]。所以海拔以及NDVI所體現的良好水分狀況可能是草氈表層發(fā)育的關鍵。

從因子分析的結果以及模型精度所體現的環(huán)境因子重要性來看(圖9),海拔以及NDVI作為大環(huán)境因子對草氈表層的發(fā)育程度起關鍵作用,而年均溫和年均降水與海拔關系密切,可能存在信息的重疊,其中年均降水因子無論是因子載荷還是因子重要性都相對較低,總體來看海拔較低的位置,植被覆蓋高,水分充足,偏冷濕的氣候和土壤環(huán)境利于草氈表層的發(fā)育,而坡度、坡向等地形因子也體現了水分條件對草氈表層發(fā)育的重要作用。

3.2 草氈表層發(fā)育程度的空間分異

從草氈表層整體分布來看,海拔高于4000m以及低于3000m的位置都少有草氈發(fā)育,而其與NDVI較高的區(qū)域以及高寒草甸植被分布區(qū)高度一致性共同體現了海拔以及植被環(huán)境因子的重要作用。從發(fā)育程度來看,一方面草氈發(fā)育較好的區(qū)域既是高寒草甸植被覆蓋較高的區(qū)域,又是海拔和坡位較低的坡麓、河谷兩側以及坡向朝北的區(qū)域,這表明良好的植被覆蓋以及水分條件有利于草氈表層的發(fā)育,而從西北到東南,草氈表層發(fā)育程度逐漸增高,與年均降水的趨勢一致,而因子分析中并沒有足夠體現年均降水與草氈表層發(fā)育的良好相關性,這可能是由于采樣布設的局限性導致,這也是今后亟待解決的問題。另外強發(fā)育草氈并沒有集中在年均降水和年均溫更高的東南部,而是出現在海拔較高、蒸散發(fā)較弱,水分條件更好的中部河谷山麓沿線,這也體現出優(yōu)越的水分條件是草氈表層發(fā)育的關鍵?？傮w來看由地形及植被所體現的水分條件在空間上的分布不均造成了草氈表層發(fā)育程度的空間分異。

4 結論

(1)海拔較低、坡度較緩、坡位較低以及坡向朝北的地形部位具有優(yōu)越的水分條件以及較高的植被覆蓋,這些因素可能是影響草氈表層發(fā)育程度的關鍵。

(2)本文構建的預測不同發(fā)育程度草氈表層空間分布的支持向量機模型是有效的,弱發(fā)育草氈表層分布面積較大,集中在較干燥的西北部,中等發(fā)育草氈主要分布在相對濕潤的北部山麓以及東南部地區(qū),強發(fā)育草氈集中沿中部河谷山麓呈帶狀分布。

(3)本文采用以根系體積為主,草氈表層厚度以及土壤容重為輔的方法有效地對草氈表層發(fā)育程度進行了劃分,實現了對高寒草甸植被類型內部差異性的區(qū)分,對探究高寒草甸在高原生態(tài)系統(tǒng)中發(fā)揮的作用具有參考意義。

致謝：黑河流域2010年TM影像由黑河計劃數據中心提供,楊琳老師,楊帆、楊飛以及楊仁敏博士對本研究野外工作給予幫助，特此致謝。

[1] 中國科學院南京土壤研究所土壤系統(tǒng)分類課題組, 中國土壤系統(tǒng)分類課題研究協(xié)作組. 中國土壤系統(tǒng)分類檢索(第三版). 合肥: 中國科學技術大學出版社, 2001.

[2] Kaiser K, Miehe G, Barthelmes A, Ehrmann O, Scharf A, Schult M, Schlütz F, Adamczyk S, Frenzel B. Turf-bearing topsoils on the central Tibetan Plateau,China: pedology, botany, geochronology. Catena, 2008, 73(3): 300- 311.

[3] Yang R M, Zhang G L, Yang F,Zhi J J, Yang F, Liu F, Zhao Y G, Li D C. Precise estimation of soil organic carbon stocks in the northeast Tibetan Plateau. Scientific reports, 2016, 6: 21842.

[4] 林麗, 曹廣民, 李以康, 張法偉, 郭小偉, 韓道瑞. 人類活動對青藏高原高寒矮嵩草草甸碳過程的影響. 生態(tài)學報, 2010, 30(15): 4012- 4018.

[5] Yang F, Zhang G L, Yang J L, Li D C, Zhao Y G, Liu F, Yang R M, Yang F. Organic matter controls of soil water retention in an alpine grassland and its significance for hydrological processes. Journal of Hydrology, 2014, 519:3086- 3093.

[6] 李婧, 杜巖功, 張法偉, 郭小偉, 韓道瑞, 劉淑麗, 曹廣民. 草氈表層演化對高寒草甸水源涵養(yǎng)功能的影響. 草地學報, 2012, 20(5): 836- 841.

[7] 岳廣陽, 趙林, 王志偉, 鄒德富, 張樂樂, 喬永平, 趙擁華, 牛麗. 多年凍土區(qū)高寒草甸根系分布與活動層溫度變化特征的關系. 冰川凍土, 2015, 37(5): 1381- 1387.

[8] 杜巖功, 梁東營, 曹廣民, 王啟蘭, 王長庭. 放牧強度對嵩草草甸草氈表層及草地營養(yǎng)和水分利用的影響. 草地學報, 2008, 17(3): 146- 150.

[9] 曹廣民, 杜巖功, 梁東營, 王啟蘭, 王長庭. 高寒嵩草草甸的被動與主動退化分異特征及其發(fā)生機理. 山地學報, 2007, 25(6): 641- 648.

[10] 梁東營, 林麗, 李以康, 王溪, 曹廣民. 三江源退化高寒草甸草氈表層剝蝕過程及發(fā)生機理的初步研究. 草地學報, 2010, 18(1): 31- 36.

[11] Chang X F, Bao X Y, Wang S P, Zhu X X, Luo C Y, Zhang Z h, Wilkes A. Exploring effective sampling design for monitoring soil organic carbon in degraded Tibetan grasslands. Journal of environmental management, 2016, 173: 121- 126.

[12] Wang G X, Wang Y B, Li Y S, Cheng H Y. Influences of alpine ecosystem responses to climatic change on soil properties on the Qinghai-Tibet Plateau, China. Catena, 2007, 70(3): 506- 514.

[13] Zeng C, Zhang F, Wang Q J, Chen Y Y, Joswiak D R. Impact of alpine meadow degradation on soil hydraulic properties over the Qinghai-Tibetan plateau. Journal of Hydrology, 2013, 478(2): 148- 156.

[14] McBratney A B, Mendonca Santos M L, Minasny B. On digital soil mapping. Geoderma, 2003, 117(1/2): 3- 52.

[15] Hengl T, Heuvelink G B M, Stein A. A generic framework for spatial prediction of soil variables based on regression-kriging. Geoderma, 2004, 120(1/2): 75- 93.

[16] 朱阿興, 李寶林, 楊琳, 裴韜, 秦承志, 張甘霖, 蔡強國, 周成虎. 基于GIS、模糊邏輯和專家知識的土壤制圖及其在中國應用前景. 土壤學報, 2005, 42(5): 844- 851.

[17] Grimm R, Behrens T, M?rker M, Elsenbeer H. Soil organic carbon concentrations and stocks on Barro Colorado Island—Digital soil mapping using Random Forests analysis. Geoderma, 2008, 146(1/2): 102- 113.

[18] Wiesmeier M, Barthold F, Blank B, K?gel-Knabner I. Digital mapping of soil organic matter stocks using Random Forest modeling in a semi-arid steppe ecosystem. Plant and Soil, 2011, 340(1/2): 7- 24.

[19] Agyare W A, Park S J, Vlek P L G. Artificial neural network estimation of saturated hydraulic conductivity. Vadose Zone Journal, 2007, 6(2): 423- 431.

[20] Zhao Z Y, Yang Q, Benoy G, Chow T L, Xing Z S, Rees H W, Meng F R. Using artificial neural network models to produce soil organic carbon content distribution maps across landscapes. Canadian Journal of Soil Science, 2010, 90(1): 75- 87.

[21] Meyer D, Leisch F, Hornik K. The support vector machine under test. Neurocomputing, 2003, 55(1/2): 169- 186.

[22] Ballabio C. Spatial prediction of soil properties in temperate mountain regions using support vector regression. Geoderma, 2009, 151(3/4): 338- 350.

[23] Somarathna P D S N, Malone B P, Minasny B. Mapping soil organic carbon content over New South Wales, Australia using local regression kriging. Geoderma Regional, 2016, 7(1): 38- 48.

[24] Aldana-Jague E, Heckrath G, Macdonald A. van Wesemael Bas, Van Oost K. UAS-based soil carbon mapping using VIS-NIR (480—1000 nm) multi-spectral imaging: Potential and limitations. Geoderma, 2016, 275: 55- 66.

[25] 楊帆, 黃來明, 李德成, 楊飛, 楊仁敏, 趙玉國, 楊金玲, 劉峰, 張甘霖. 高寒山區(qū)地形序列土壤有機碳和無機碳垂直分布特征及其影響因素. 土壤學報, 2015, 52(6): 1226- 1236.

[26] Zhu A X, Yang L, Li B L, Qin C Z, English E, Burt J E, Zhou C H. Purposive sampling for digital soil mapping for areas with limited data // Hartemink A E, McBratney A, Mendon?a-Santos M D L, eds. Digital Soil Mapping With Limited Data. Netherlands: Springer, 2008: 233- 245.

[27] Xu L, He N P, Yu G R. Methods of evaluating soil bulk density: Impact on estimating large scale soil organic carbon storage. Catena, 2016, 144: 94- 101.

[28] 孫孝林, 趙玉國, 劉峰, 王德彩, 梁傳平. 數字土壤制圖及其研究進展. 土壤通報, 2013, 44(3): 752- 759.

[29] Brus D J, Kempen B, Heuvelink G B M. Sampling for validation of digital soil maps. European Journal of Soil Science, 2011, 62(3): 394- 407.

[30] Rodrigues M, de la Riva J. An insight into machine-learning algorithms to model human-caused wildfire occurrence. Environmental Modelling and Software, 2014, 57: 192- 201.

[31] Miehe G, Miehe S, Kaiser K, Liu J Q, Zhao X Q. Status and Dynamics of the Kobresia pygmaea Ecosystem on the Tibetan Plateau. Ambio: A Journal of the Human Environment, 2008, 37(4): 272- 279.

[32] 王軍德, 王根緒, 陳玲. 高寒草甸土壤水分的影響因子及其空間變異研究. 冰川凍土, 2006, 28(3): 428- 433.

SpatialdistributionandenvironmentalfactorsaffectingmatticepipedonatdifferentdevelopmentallevelsinalpinemeadowsinthemiddleofQilianMountains

JIN Chengwei1,2, ZHAO Yuguo2,*, LI Xusheng1, ZHI Junjun2, ZHANG Ganlin2

1SchoolofGeographicandOceanographicSciences,NanjingUniversity,Nanjing210023,China2StateKeyLaboratoryofSoilandSustainableAgriculture,InstituteofSoilScience,ChineseAcademyofSciences,Nanjing210008,China

Mattic epipedon, which has important ecological benefits such as water retention and soil conservation, plays a pivotal role in the ecological function of alpine meadows. Therefore, exploring the relationships between the mattic epipedon and environmental factors, as well as spatial distribution of the mattic epipedon at different developmental levels are essential to elucidating the role of alpine meadows in the plateau ecosystem. In this study, samples of mattic epipedon were collected in alpine meadows in the middle of Qilian Mountains and were classified into three developmental levels primarily based on root volume, followed by thickness and bulk density. The relationships between mattic epipedon and environmental factors, such as topography, vegetation, and climate, were analyzed. The support vector machine model was used to map the spatial distribution of the mattic epipedon. The results showed that areas with relatively low elevation, gentle slope, low slope position, and a north-facing aspect, which were highly related to high soil moisture content, had a higher occurrence probability of mattic epipedon at high developmental levels. Vegetation covering the mattic epipedon at higher levels was usually well-developed and composed primarily byKobresiaand other hygrophilous plants. A well-developed mattic epipedon existed where there was significantly higher mean annual temperature, whereas there were no significant differences in mean annual precipitation regarding the existence of mattic epipedon at different developmental levels. The distribution of the mattic epipedon was highly consistent with the distribution area of alpine meadows, although at a higher spatial resolution. Furthermore, this study presented the spatial distribution of mattic epipedon at different developmental levels.

alpine meadow; mattic epipedon; the middle of Qilian Mountains; spatial mapping

國家科學自然基金(41130530, 91325301,41501229);科技部基礎性工作專項(2014FY110200);中國博士后科學基金(2015M581876)

2016- 08- 03; < class="emphasis_bold">網絡出版日期

日期:2017- 06- 01

*通訊作者Corresponding author.E-mail: ygzhao@issas.ac.cn

10.5846/stxb201608031598

金成偉, 趙玉國, 李徐生, 支俊俊, 張甘霖.祁連山中段高寒草甸草氈表層發(fā)育程度的空間分異及環(huán)境影響因子.生態(tài)學報,2017,37(20):6732- 6742.

Jin C W, Zhao Y G, Li X S, Zhi J J, Zhang G L.Spatial distribution and environmental factors affecting mattic epipedon at different developmental levels in alpine meadows in the middle of Qilian Mountains.Acta Ecologica Sinica,2017,37(20):6732- 6742.