段麗君, 郭 龍, 張海濤, 琚清蘭

?

基于改進(jìn)OK模型的土壤有機(jī)質(zhì)空間分布預(yù)測(cè)*——以宜都市紅花套鎮(zhèn)為例

段麗君, 郭 龍, 張海濤**, 琚清蘭

(華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院 武漢 430070)

選擇合適的土壤有機(jī)質(zhì)(SOM)預(yù)測(cè)模型是提高區(qū)域化空間分布模擬精度的前提, 也是監(jiān)測(cè)土壤碳庫(kù)動(dòng)態(tài)變化和指導(dǎo)農(nóng)田土壤肥力投入的基礎(chǔ)。以湖北宜都紅花套鎮(zhèn)柑橘區(qū)為例, 設(shè)置普通克里格(OK)插值的SOM結(jié)果作對(duì)照, 分別建立SOM及其最顯著相關(guān)輔助變量堿解氮間的建模協(xié)同克里格(COK1)、全局協(xié)同克里格(COK2)和兩個(gè)融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK模型(CCOK1、CCOK2), 探討納入輔助變量、改變輔助信息插值數(shù)量以及結(jié)合輔助變量協(xié)同相關(guān)性對(duì)SOM含量預(yù)測(cè)的影響。結(jié)果表明: 1)OK、CCOK1和CCOK2的塊基比為25%~75%, 表現(xiàn)出中等空間自相關(guān)性, 而COK1和COK2的塊基比小于25%, 具有強(qiáng)烈的空間自相關(guān), SOM的空間異質(zhì)性受結(jié)構(gòu)性因素影響的比重更大。2)SOM的預(yù)測(cè)含量范圍為7.38~29.03 g×kg-1, 使用COK1和COK2模型插值獲得的有機(jī)質(zhì)空間分布較OK更為破碎, CCOK1和CCOK2的插值結(jié)果則呈連續(xù)片狀分布, 更符合研究區(qū)土地利用類(lèi)型分布的實(shí)際情況。3)SOM的空間分布預(yù)測(cè)精度由高到低依次為CCOK1≈CCOK2>COK2>COK1≈OK, OK和COK1兩者精度指標(biāo)相近, COK2的擬合效果有一定改進(jìn), 但CCOK1和CCOK2的相關(guān)系數(shù)()分別從0.10升高到0.70和0.69, 均方根誤差(RMSE)分別降低了15.40%和14.78%, 預(yù)測(cè)精度最高。因此, 本研究提出的融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK模型的估算效果最優(yōu)且在最大程度上提高輔助信息的參與度, 可為SOM預(yù)測(cè)提供參考。

土壤有機(jī)質(zhì); 輔助變量; 堿解氮; 協(xié)同相關(guān)性; 改進(jìn)OK模型; 空間自相關(guān)性

土壤有機(jī)質(zhì)(soil organic matter, SOM)屬土壤重要組成部分[1], 是植物必需營(yíng)養(yǎng)元素的主要來(lái)源[2], 雖然在土壤總重量中所占比重不大, 但其含量是衡量土壤肥力水平的一項(xiàng)重要指標(biāo)[3-5]。柑橘(Blanco.)產(chǎn)業(yè)是湖北省重要經(jīng)濟(jì)支柱之一, 種植面積達(dá)全省果園總面積的45%, 然而近年來(lái)由于柑橘園SOM含量總體偏低[6], 嚴(yán)重抑制橘樹(shù)的生長(zhǎng)發(fā)育, 導(dǎo)致柑橘產(chǎn)量及品質(zhì)均有降低[7]。因此, 為科學(xué)指導(dǎo)柑橘園精準(zhǔn)施肥, 需要建立快速準(zhǔn)確的方法預(yù)測(cè)SOM空間分布與含量。

受多種成土因素和生態(tài)過(guò)程影響, 即便是小區(qū)域尺度內(nèi)的SOM含量也呈現(xiàn)出不同程度的空間異質(zhì)性和非平穩(wěn)性[8-11], 單純通過(guò)野外土壤田間調(diào)查又難以滿(mǎn)足精確獲取SOM空間分布信息的實(shí)際需求。為解決以上問(wèn)題, 近年來(lái)諸多學(xué)者將預(yù)測(cè)SOM含量的關(guān)注點(diǎn)放在能夠?qū)ξ床蓸訁^(qū)域待估點(diǎn)進(jìn)行無(wú)偏最優(yōu)估計(jì)[12]的克里格法(Kriging)上。在普通克里格插值法(Ordinary Kriging, OK)的應(yīng)用方面, Singh等[13]提出在不同果樹(shù)種植園中, 通過(guò)OK對(duì)SOM進(jìn)行空間估計(jì)的不確定性比非空間方法低且能在未采樣位置獲得滿(mǎn)意的預(yù)測(cè)結(jié)果; 李增兵等[14]使用不同插值方法分別對(duì)歷城區(qū)不同地貌類(lèi)型建模, 得到OK法更適用于平原區(qū)的結(jié)果。OK方法雖能考慮SOM的空間自相關(guān)性和異質(zhì)性[15], 但僅依賴(lài)土壤樣本建模集有機(jī)質(zhì)數(shù)據(jù)插值, 并不能發(fā)揮輔助變量對(duì)估算SOM的優(yōu)勢(shì)。協(xié)同克里格插值法(Cokriging, COK)則可基于不同樣點(diǎn)支撐[16-17], 借助同一時(shí)空不同變量的協(xié)同區(qū)域化特征, 用樣品多的輔助變量對(duì)樣品少的目標(biāo)變量SOM進(jìn)行估值[18]。蘇曉燕等[19]和Yang等[20]提出, 輔助變量的個(gè)數(shù)大于目標(biāo)變量且輔助變量與目標(biāo)變量的相關(guān)性越強(qiáng)時(shí), 使用COK越能提高預(yù)測(cè)精度。但COK的建模精度受輔助變量插值樣點(diǎn)數(shù)量影響很大, 且交叉變異函數(shù)能否充分考慮目標(biāo)變量和輔助變量間的相關(guān)信息以及是否可在空間分布模擬中維持單變量的結(jié)構(gòu)性等問(wèn)題尚需進(jìn)一步補(bǔ)充與驗(yàn)證。因此, 本文結(jié)合以上2種傳統(tǒng)克里格插值法的特點(diǎn), 提出建立融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK模型(improved OK models with cooperative correlation of auxiliary variables, CCOK)。該模型在保持目標(biāo)變量與輔助變量樣點(diǎn)支撐一致且數(shù)目有限的情況下融入COK法中的協(xié)同區(qū)域化思想, 假設(shè)目標(biāo)變量及其輔助變量受到同樣的區(qū)域化現(xiàn)象或空間過(guò)程影響, 各變量不但存在自相關(guān)性, 而且與其他變量之間存在交互相關(guān)性, 嘗試將傳統(tǒng)OK法插值數(shù)據(jù)從單一變量發(fā)展到兩個(gè)相關(guān)性極顯著的變量函數(shù), 既兼顧了目標(biāo)變量及其輔助變量的空間結(jié)構(gòu)相似性[21], 又可借助輔助變量提高目標(biāo)變量實(shí)測(cè)值與預(yù)測(cè)值的擬合精度。

本研究以湖南省宜都市紅花套鎮(zhèn)為研究區(qū), 基于協(xié)同區(qū)域化理論, 先后利用建模集輔助變量、全局輔助變量對(duì)該地SOM建立COK模型(COK1、COK2), 探索性構(gòu)造CCOK模型(CCOK1、CCOK2), 并將插值結(jié)果與OK模型作對(duì)比, 分別通過(guò)探討納入輔助變量、改變輔助變量插值數(shù)量以及結(jié)合輔助變量協(xié)同相關(guān)性對(duì)SOM含量預(yù)測(cè)的影響, 獲得可顯著提高SOM擬合精度的空間插值方法, 以期為監(jiān)測(cè)土壤農(nóng)田肥力投入情況及增加農(nóng)業(yè)經(jīng)濟(jì)效益提供參考。

1 材料與方法

1.1 研究區(qū)概況

湖北省宜都市紅花套鎮(zhèn)處于鄂西山區(qū)向江漢平原過(guò)渡的地帶(30°26′45″~30°35′59″N, 111°14′13″~ 111°26′38″E), 總面積為149 km2。境內(nèi)西北地勢(shì)高, 以丘陵山地為主; 東南地勢(shì)低, 以沖積平原為主, 土地肥沃。該鎮(zhèn)屬亞熱帶濕潤(rùn)季風(fēng)氣候, 年均氣溫16.8 ℃, 年均降雨量1 200 mm, 全年無(wú)霜期275 d, 水文、生物、礦產(chǎn)資源豐富, 生態(tài)良好, 適宜水稻(L.)、棉花(.)和柑橘生長(zhǎng)。其中柑橘種植面積28 km2, 年產(chǎn)量達(dá)10萬(wàn)余t, 素有“萬(wàn)畝桔鄉(xiāng)”的美稱(chēng)。本研究區(qū)內(nèi)高程范圍為42~112 m, 園地、林地、耕地和其他土地利用類(lèi)型分別占總面積的72.46%、0.59%、0.13%和26.82%(圖1)。主要土壤類(lèi)型為黃棕壤、水稻土, 也有少量潮土、紫色土和石灰土。

圖1 研究區(qū)地理位置、土地利用概況及土壤樣點(diǎn)分布

1.2 數(shù)據(jù)來(lái)源與預(yù)處理

在已有紅花套鎮(zhèn)1∶10 000比例尺地形圖、第2次土壤普查相關(guān)資料的基礎(chǔ)上, 綜合地形地貌、土地利用類(lèi)型、土壤類(lèi)型以及植被覆蓋等相關(guān)因素預(yù)先設(shè)置研究區(qū)范圍。當(dāng)該地區(qū)柑橘收獲且未施用肥料之時(shí), 進(jìn)行實(shí)地調(diào)查并結(jié)合實(shí)際因素對(duì)樣點(diǎn)位置做適當(dāng)調(diào)整。使用差分式全球定位系統(tǒng)(DGPS)記錄經(jīng)緯度及高程, 采集樣點(diǎn)處0~20 cm表層土。采樣在平原的園地、耕地區(qū)樣點(diǎn)內(nèi)以梅花形法進(jìn)行, 在丘陵的林地區(qū)樣點(diǎn)內(nèi)以蛇形法進(jìn)行, 共獲得329個(gè)土壤樣本。

地形平緩的小區(qū)域內(nèi)SOM含量分布主要受其他土壤屬性影響[20], 因此根據(jù)研究區(qū)主要土壤養(yǎng)分的分布情況、主要耕種作物的土壤環(huán)境營(yíng)養(yǎng)元素需求特性以及當(dāng)?shù)剞r(nóng)業(yè)生產(chǎn)等方面的實(shí)際情況, 獲取表1中土壤屬性數(shù)據(jù)作為影響因子參與研究, 獲取方法均參考文獻(xiàn)[22]。

使用SPSS 19.0中3倍標(biāo)準(zhǔn)差法檢測(cè)樣本數(shù)據(jù)中并無(wú)需要剔除的異常值, 再通過(guò)ArcGIS 10.2中子要素集功能對(duì)樣點(diǎn)數(shù)據(jù)集進(jìn)行均勻隨機(jī)劃分, 最終獲得建模集數(shù)據(jù)263個(gè)(80%), 驗(yàn)證集數(shù)據(jù)66個(gè)(20%)。

表1 研究區(qū)樣點(diǎn)土壤屬性數(shù)據(jù)獲取內(nèi)容及方法

1.3 研究方法

1.3.1 空間自相關(guān)分析

空間自相關(guān)分析是用來(lái)反映空間鄰近區(qū)域某變量屬性值的相似程度和空間分布的聚集特征, 全局Moran’s是其中最常用的檢驗(yàn)統(tǒng)計(jì)量[23-25]。

1.3.2 OK模型

OK是單個(gè)變量的局部線性最優(yōu)無(wú)偏估計(jì)方法, 也是Kriging中最基礎(chǔ)的方法之一。它能夠根據(jù)給定區(qū)域內(nèi)相鄰實(shí)測(cè)點(diǎn)的加權(quán)平均值, 為變量在未測(cè)量位置提供預(yù)測(cè)值。該方法通過(guò)考慮實(shí)測(cè)點(diǎn)表示的固有隨機(jī)函數(shù)來(lái)簡(jiǎn)要描述[26]。

1.3.3 建模COK模型與全局COK模型

在統(tǒng)計(jì)意義及空間位置上均具有某種程度相關(guān)性, 并且定義于同一空間域中的區(qū)域化變量, 即具有協(xié)同區(qū)域化特征[16]。一般情況下, 結(jié)合了輔助變量信息的協(xié)同克里格能夠比普通克里格進(jìn)行更多的預(yù)測(cè)。本文提出的建模COK模型與全局COK模型, 其目標(biāo)變量均為建模集SOM數(shù)據(jù), 區(qū)別在于建模COK模型選取了建模集中輔助變量參與插值, 而全局COK模型則選取了全局?jǐn)?shù)據(jù)的輔助變量參與插值, 以此比較改變輔助變量插值數(shù)量對(duì)SOM預(yù)測(cè)精度的影響。

1.3.4 CCOK模型

CCOK模型是傳統(tǒng)OK插值方法與COK插值原理相結(jié)合的改進(jìn)模型, 它考慮了協(xié)同相關(guān)性引入輔助變量, 是對(duì)代數(shù)量化后的主變量與輔助變量進(jìn)行OK插值的方法。為充分說(shuō)明與主變量存在極顯著相關(guān)的輔助變量對(duì)提高插值精度具有重要意義, 同時(shí)驗(yàn)證對(duì)不同單位的變量不設(shè)置數(shù)據(jù)標(biāo)準(zhǔn)化預(yù)處理也不會(huì)影響最終預(yù)測(cè)效果, 特列以下公式完成CCOK建模。

1.4 預(yù)測(cè)模型精度驗(yàn)證

式中:代表樣本數(shù),(x)代表樣本的實(shí)測(cè)值,(x)代表樣本的預(yù)測(cè)值, RMSE1代表使用OK插值得到的RMSE值, RMSE2代表使用COK或CCOK插值得到的RMSE值。由于離差被絕對(duì)值化, 不會(huì)出現(xiàn)正負(fù)相抵消的情況, 因而平均絕對(duì)誤差MAE能更好地反映預(yù)測(cè)值誤差的實(shí)際情況; 均方根誤差RMSE是插值精度的量度, 其值越小則說(shuō)明插值方法越精確; 相對(duì)精度改進(jìn)值RI為正值代表COK或CCOK方法較OK方法的預(yù)測(cè)精度更高, 值越大說(shuō)明提高越多, RI為負(fù)值則表示COK或CCOK方法預(yù)測(cè)精度低于OK方法。

1.5 軟件平臺(tái)

利用SPSS 19.0完成原始數(shù)據(jù)非空間分析(剔除異常值、基本特征統(tǒng)計(jì)和最相關(guān)輔助變量選取), 通過(guò)GeoDa證明變量間存在的區(qū)域協(xié)同化特征(全局空間相關(guān)性分析), 采用ArcGIS 10.2進(jìn)行空間分析(柵格計(jì)算)、地統(tǒng)計(jì)學(xué)分析(隨機(jī)劃分?jǐn)?shù)據(jù)集、構(gòu)建最優(yōu)半方差模型、完成OK、COK與CCOK插值)。

2 結(jié)果與分析

2.1 研究區(qū)樣點(diǎn)SOM含量數(shù)據(jù)的特征統(tǒng)計(jì)

表2中全部數(shù)據(jù)集的SOM含量均值為16.97 g×kg-1, 范圍在6.07~29.18 g×kg-1, 最大值和最小值間差異顯著且變異系數(shù)為24.87%, 均屬中等變異, 說(shuō)明SOM在該研究區(qū)范圍內(nèi)具有一定變異性, 適合空間局部估計(jì)。建模集中的有機(jī)質(zhì)數(shù)據(jù)(偏度=0.07, 峰度=-0.08)通過(guò)K-S(Kolmogorov-Smirnov Z)檢驗(yàn), 符合正態(tài)分布, 可直接用于插值建模。

2.2 研究區(qū)樣點(diǎn)SOM最相關(guān)輔助變量的選取

表3顯示了該研究區(qū)中與SOM相關(guān)性由高到低依次排序的前7種影響因子及其Pearson相關(guān)系數(shù)。有機(jī)質(zhì)與堿解氮、有效鐵、全氮和全磷表現(xiàn)為正相關(guān), 與交換性鎂、陽(yáng)離子交換量和速效鉀表現(xiàn)為負(fù)相關(guān)。

表2 研究區(qū)土壤有機(jī)質(zhì)含量的基本統(tǒng)計(jì)特征

其中, SOM與堿解氮間的相關(guān)系數(shù)為0.815, 呈極顯著正相關(guān), 相關(guān)系數(shù)高于其他因子。這是因?yàn)镾OM主要由C、H、O、N等元素構(gòu)成, 堿解氮中則包含無(wú)機(jī)的礦物態(tài)氮和部分有機(jī)質(zhì)中易分解的、比較簡(jiǎn)單的有機(jī)態(tài)氮[27], 氮素是二者重要組成成分中的共同元素。在受同一區(qū)域下水熱條件、成土特征及微生物反復(fù)作用下,SOM與堿解氮之間的耦合關(guān)系逐漸趨于動(dòng)態(tài)平衡[28],理論上有機(jī)質(zhì)含量豐富, 熟化程度高, 堿解氮的含量就高, 反之則含量降低。但實(shí)際上, 堿解氮作為一種速效養(yǎng)分, 其含量及空間分布還與人為投入氮素化肥數(shù)量等外界因素有一定關(guān)聯(lián)[29], 可以說(shuō)堿解氮中的氮素主要來(lái)源于有機(jī)質(zhì), 但其含量、組成、形態(tài)和有效性又不完全等同于有機(jī)質(zhì)。此外, 相關(guān)研究表明協(xié)同變量與自變量間的相關(guān)系數(shù)大于0.5時(shí)更能在預(yù)測(cè)結(jié)果中體現(xiàn)協(xié)同區(qū)域化優(yōu)勢(shì)[30], SOM與堿解氮間的相關(guān)性符合該條件并遠(yuǎn)高于其他因子。因此, 研究選擇堿解氮作為預(yù)測(cè)SOM的最相關(guān)輔助變量。

表3 研究區(qū)土壤有機(jī)質(zhì)與影響因子的相關(guān)性

**和*分別表示在0.01和0.05水平(雙側(cè))上顯著。** and * indicate significant correlation at 0.01 and 0.05 levels (bilateral), respectively.

2.3 研究區(qū)樣點(diǎn)SOM、堿解氮的空間自相關(guān)與交互相關(guān)分析

SOM、堿解氮的Moran’s指數(shù)分別為0.11、0.08, 具有一定正空間自相關(guān)性, 當(dāng)對(duì)兩者建立簡(jiǎn)單函數(shù)關(guān)系后指數(shù)值分別提高到0.19和0.15(表4)。同時(shí), 綜合比較代表標(biāo)準(zhǔn)差的得分與代表概率的值發(fā)現(xiàn), 屬性的空間聚類(lèi)置信度也從95%升為99%, 說(shuō)明SOM與堿解氮在空間分布上表現(xiàn)出良好的交互相關(guān)性, 促進(jìn)了其函數(shù)關(guān)系呈現(xiàn)出極顯著的空間自相關(guān)性(<0.01), 這是將堿解氮作為輔助變量建立預(yù)測(cè)SOM的CCOK模型的關(guān)鍵依據(jù)。

表4 研究區(qū)土壤有機(jī)質(zhì)、堿解氮空間自相關(guān)與交互相關(guān)分析

2.4 不同克里格插值模型對(duì)研究區(qū)SOM半方差模型的選擇與分析

表5為使用不同克里格模型對(duì)SOM預(yù)測(cè)時(shí)選擇的最優(yōu)半方差模型及其顯示參數(shù)。半方差函數(shù)預(yù)測(cè)誤差的作用是為Kriging插值判斷擬合的最優(yōu)模型。遵循平均值越趨近于零越無(wú)偏、均方根誤差RMSE越小越精準(zhǔn)的原則, OK、COK1、COK2、CCOK1和CCOK2分別選擇高斯模型、球狀模型、指數(shù)模型、指數(shù)模型和指數(shù)模型作為插值的半方差模型。模型參數(shù)中, OK和COK2的塊金值較大, 說(shuō)明存在由于采樣或分析引起的各種正基底效應(yīng)[31]; CCOK1的變程為3 627.41 m, 是由于為符合OK插值數(shù)據(jù)需正態(tài)分布的條件, 對(duì)有機(jī)質(zhì)/堿解氮數(shù)據(jù)進(jìn)行了對(duì)數(shù)轉(zhuǎn)換, 轉(zhuǎn)換后的數(shù)值為-2.15~-0.71, 極差僅為1.44, 因此在研究區(qū)的大面積連續(xù)范圍內(nèi)均表現(xiàn)出空間分布的相近性。而其他方法的變程較小, 表示SOM含量在短距離內(nèi)具有空間連續(xù)性[32]。就基臺(tái)效應(yīng)而言, COK1、COK2具有強(qiáng)烈的空間相關(guān)性, OK、CCOK1、CCOK2表現(xiàn)出中等空間相關(guān)性, 說(shuō)明SOM的空間異質(zhì)性受結(jié)構(gòu)性因素影響的比重更大。圖2是對(duì)應(yīng)于表5的SOM半方差函數(shù)圖。分析圖像中繪制曲線通過(guò)表示半變異函數(shù)平滑變化的平均化數(shù)據(jù)情況, 可更加直觀地反映各插值模型的擬合效果。其中, CCOK1的半方差函數(shù)擬合效果相較于其他方法表現(xiàn)微弱甚至難以體現(xiàn), 但因其變程范圍遠(yuǎn)大于步長(zhǎng)距離, 變程內(nèi)的區(qū)域化變量仍存在空間相關(guān)狀態(tài)。所以, 需將SOM半方差模型參數(shù)及函數(shù)圖綜合分析, 才能完成使用不同方法對(duì)SOM預(yù)測(cè)的合理預(yù)判。

表5 研究區(qū)不同克里格插值模型的土壤有機(jī)質(zhì)半方差模型參數(shù)

OK為普通克里格; COK1和COK2分別為協(xié)同克里格和全局協(xié)同克里格; CCOK1和CCOK2為兩個(gè)融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK。OK: ordinary Kriging; COK1and COK2are modeling Cokriging and global Cokriging; CCOK1and CCOK2are two improved OK models with cooperative correlation of auxiliary variables.

圖2 研究區(qū)不同克里格插值模型的土壤有機(jī)質(zhì)半方差函數(shù)圖

OK為普通克里格; COK1和COK2分別為協(xié)同克里格和全局協(xié)同克里格; CCOK1和CCOK2為兩個(gè)融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK。OK: ordinary Kriging; COK1and COK2are modeling Cokriging and global Cokriging; CCOK1and CCOK2are two improved OK models with cooperative correlation of auxiliary variables.

2.5 不同克里格插值模型對(duì)研究區(qū)SOM空間分布預(yù)測(cè)的差異比較

對(duì)比圖3研究區(qū)的SOM空間分布預(yù)測(cè)圖可知, 使用5種模型取得的預(yù)測(cè)結(jié)果分布情況整體相似, SOM含量范圍為7.38~29.03 g×kg-1。按照<5 g×kg-1為極低、5~10 g×kg-1為低、10~15 g×kg-1為偏低、15~30 g×kg-1為適宜、>30 g×kg-1為豐富的標(biāo)準(zhǔn)[33]劃分, 研究區(qū)大部有機(jī)質(zhì)含量適宜, 小面積區(qū)域含量低, 無(wú)含量極低或豐富地區(qū), 呈現(xiàn)出“西北和東南高, 中部高低錯(cuò)落”的分布趨勢(shì), 這與該研究區(qū)的土地利用類(lèi)型分布格局有關(guān)。西北部為與小面積林地銜接的柑橘種植帶, 受人為干擾少, 凋落物富集, SOM分解速度慢便于長(zhǎng)期積累。東南部則為柑橘的集中種植區(qū), 為促進(jìn)果樹(shù)生長(zhǎng)和發(fā)育、提高果樹(shù)產(chǎn)量及品質(zhì), 定期的人為施肥和排水增加了SOM含量[34]。而研究區(qū)中部的柑橘園地與零星耕地、其他土地利用類(lèi)型交叉分布, 并以土壤為媒介發(fā)生長(zhǎng)期物質(zhì)交換, 產(chǎn)生相互作用, 導(dǎo)致了有機(jī)質(zhì)含量分布不均且高低差異顯著, 因此是柑橘園中調(diào)控施肥用量的重點(diǎn)位置。

以O(shè)K預(yù)測(cè)結(jié)果為對(duì)照, 添加了堿解氮作輔助變量的COK1、COK2模型插值獲得的有機(jī)質(zhì)分布更加破碎, 空間鑲嵌結(jié)構(gòu)更為復(fù)雜[35], 一部分原因是OK模型本身具有平滑效應(yīng)使得空間預(yù)測(cè)表現(xiàn)連續(xù), 另一部分原因是COK1、COK2模型通過(guò)目標(biāo)信息及其輔助信息間建立的交叉變異函數(shù)促使生成更加詳盡的空間信息表達(dá), 且COK2較COK1的輔助變量樣點(diǎn)分布更密, 因此能夠觀察到有機(jī)質(zhì)含量的明顯變化, 并體現(xiàn)出局部變異細(xì)節(jié)。

與建立前3種模型得到的SOM預(yù)測(cè)圖呈點(diǎn)狀放射相比, CCOK1、CCOK2模型的插值結(jié)果為連續(xù)片狀放射。這是由于OK、COK1和COK2模型以建模集有機(jī)質(zhì)為惟一或主要數(shù)據(jù)源, 在數(shù)字制圖中繼續(xù)維持SOM的空間結(jié)構(gòu)特征。而CCOK1、CCOK2方法的建模數(shù)據(jù)源選擇為有機(jī)質(zhì)與堿解氮之間的代數(shù)量化數(shù)據(jù), 雖然經(jīng)公式轉(zhuǎn)回為對(duì)SOM的預(yù)測(cè), 但同時(shí)使用樣點(diǎn)支撐一致的變量參與插值, 使得預(yù)測(cè)制圖能夠充分體現(xiàn)出輔助變量對(duì)目標(biāo)變量的協(xié)同相關(guān)性, 有機(jī)質(zhì)含量高者更高、低者更低, 既突出了差異信息, 也更符合研究區(qū)土地利用類(lèi)型分布的實(shí)際情況。

圖3 不同克里格插值模型對(duì)研究區(qū)土壤有機(jī)質(zhì)空間分布預(yù)測(cè)的異同

OK為普通克里格; COK1和COK2分別為協(xié)同克里格和全局協(xié)同克里格; CCOK1和CCOK2為兩個(gè)融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK。OK: ordinary Kriging; COK1and COK2are modeling Cokriging and global Cokriging; CCOK1and CCOK2are two improved OK models with cooperative correlation of auxiliary variables.

2.6 不同克里格插值模型對(duì)研究區(qū)SOM含量預(yù)測(cè)的精度驗(yàn)證

其中, OK和COK1兩者間各精度指標(biāo)相近, 充分證明當(dāng)作為目標(biāo)變量的SOM與作為輔助變量的土壤堿解氮樣點(diǎn)支撐完全相同時(shí), COK方差即為OK方差[16], 是否添加輔助變量對(duì)預(yù)測(cè)目標(biāo)變量無(wú)較大意義。COK2則是在已有COK1模型的基礎(chǔ)上, 將建模集輔助變量改為全局?jǐn)?shù)據(jù)集輔助變量參與插值,通過(guò)增大樣點(diǎn)數(shù)量提升了輔助預(yù)測(cè)效果。CCOK1和CCOK2的建模原理相同, 都在兼顧目標(biāo)變量及其輔助變量空間結(jié)構(gòu)相似性的同時(shí), 最大程度地發(fā)揮了輔助變量的協(xié)同相關(guān)作用, 由二者并無(wú)較大差異的插值結(jié)果也能間接證明CCOK模型對(duì)未經(jīng)標(biāo)準(zhǔn)化處理的建模數(shù)據(jù)仍然適用。綜合、MAE、趨勢(shì)線與1∶1參考線擬合程度、RMSE、RI這5項(xiàng)指標(biāo)分析, SOM空間分布預(yù)測(cè)精度由高到低依次為CCOK1≈CCOK2> COK2>COK1≈OK, CCOK模型在很大程度上提升了SOM含量的擬合效果。本文提出的建立融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK模型進(jìn)行SOM空間分布預(yù)測(cè)可縮小實(shí)測(cè)值與預(yù)測(cè)值間差距, 為研究區(qū)柑橘種植提供精準(zhǔn)施肥建議。

圖4 不同克里格插值模型對(duì)研究區(qū)土壤有機(jī)質(zhì)預(yù)測(cè)的精度指標(biāo)對(duì)比

OK為普通克里格; COK1和COK2分別為協(xié)同克里格和全局協(xié)同克里格; CCOK1和CCOK2為兩個(gè)融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK。OK: ordinary Kriging; COK1and COK2are modeling Cokriging and global Cokriging; CCOK1and CCOK2are two improved OK models with cooperative correlation of auxiliary variables.

3 結(jié)論

1)本柑橘種植區(qū)中, 使用幾種克里格插值模型預(yù)測(cè)得到的SOM含量均為7.38~29.03 g×kg-1, 整體呈現(xiàn) “西北和東南高, 中部高低錯(cuò)落”的分布趨勢(shì)。

2)以O(shè)K模型作對(duì)照, 與輔助變量間建立交叉變異函數(shù)的SOM的空間變異性更容易被半方差模型識(shí)別, 使得COK1、COK2因模型參數(shù)存在強(qiáng)烈空間自相關(guān)在SOM空間分布上表現(xiàn)破碎,并能維持單變量空間結(jié)構(gòu)性。然而,通過(guò)改變輔助信息樣點(diǎn)數(shù)量提高SOM預(yù)測(cè)精度, 既會(huì)增加研究成本又未充分考慮每個(gè)樣點(diǎn)上目標(biāo)變量與輔助變量間的交互關(guān)系, 可能引進(jìn)更多變異, 因此使用該模型存在一定局限。

3)CCOK1和CCOK2模型則能在目標(biāo)變量與輔助變量樣點(diǎn)支撐一致且樣點(diǎn)數(shù)目有限的情況下, 最大程度發(fā)揮輔助變量的協(xié)同相關(guān)性, 其優(yōu)勢(shì)不僅體現(xiàn)在SOM的空間分布模擬結(jié)果最符合該研究區(qū)土地利用類(lèi)型的實(shí)際分布情況, 更表現(xiàn)在CCOK1和CCOK2的模型預(yù)測(cè)精度分別提高了15.40%、14.78%, 且相關(guān)系數(shù)從0.10顯著升到0.70、0.69。

4)此研究已證明,使用融合輔助變量協(xié)同相關(guān)性的改進(jìn)OK模型可實(shí)現(xiàn)對(duì)研究區(qū)SOM的精準(zhǔn)預(yù)測(cè),能夠?yàn)閰^(qū)域柑橘種植區(qū)施肥提供合理建議,而其適用范圍及條件將是下一步討論的重點(diǎn)。

[1] WANG K, ZHANG C R, LI W D. 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

[2] WALLACE A. Soil organic matter is essential to solving soil and environmental problems[J]. Communications in Soil Science and Plant Analysis, 2008, 25(1/2): 15–28

[3] 黃昌勇, 徐建明. 土壤學(xué)[M]. 第3版. 北京: 中國(guó)農(nóng)業(yè)出版社, 2010: 29–30 HUANG C Y, XU J M. Soil Science[M]. 3rd ed. Beijing: China Agriculture Press, 2010: 29–30

[4] 馬泉來(lái), 高鳳杰, 張志民, 等. 我國(guó)東北黑土丘陵區(qū)小流域土壤有機(jī)質(zhì)空間分布模擬[J]. 環(huán)境科學(xué)研究, 2016, 29(3): 382–390 MA Q L, GAO F J, ZHANG Z M, 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

[5] WANG K, ZHANG C R, LI W D, et al. Mapping soil organic matter with limited sample data using geographically weighted regression[J]. Journal of Spatial Science, 2014, 59(1): 91–106

[6] 魯劍巍, 陳防, 王富華, 等. 湖北省柑橘園土壤養(yǎng)分分級(jí)研究[J]. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào), 2002, 8(4): 390–394LU J W, CHEN F, WANG F H, et al. Study of classification of the soil nutrient status of citrus orchard in Hubei Province[J]. Plant Nutrition and Fertilizer Science, 2002, 8(4): 390–394

[7] 葉榮生. 有機(jī)肥對(duì)柑橘營(yíng)養(yǎng)及生長(zhǎng)的影響[D]. 重慶: 西南大學(xué), 2013: 16–18YE R S. Effect of organic fertilizer on nutrition and growth of citrus[D]. Chongqing: Southwest University, 2013: 16–18

[8] SCULL P, FRANKLIN J, CHADWICK O A, et al. Predictive soil mapping: A review[J]. Progress in Physical Geography: Earth and Environment, 2003, 27(2): 171–197

[9] LI Y. Can the spatial prediction of soil organic matter contents at various sampling scales be improved by using regression kriging with auxiliary information?[J]. Geoderma, 2010, 159(1/2): 63–75

[10] LI S C, ZHAO Z Q, XIE M M, et alInvestigating spatial non-stationary and scale-dependent relationships between urban surface temperature and environmental factors using geographically weighted regression[J]. Environmental Modelling & Software, 2010, 25(12): 1789–1800

[11] GUO L, ZHAO C, ZHANG H T, et al. Comparisons of spatial and non-spatial models for predicting soil carbon content based on visible and near-infrared spectral technology[J]. Geoderma, 2017, 285: 280–292

[12] XIAO Y, GU X M, YIN S Y, et al. Geostatistical interpolation model selection based on ArcGIS and spatio-temporal variability analysis of groundwater level in piedmont plains, Northwest China[J]. Springerplus, 2016, 5(1): 425

[13] SINGH A, SANTRA P, KUMAR M, et al. Spatial assessment of soil organic carbon and physicochemical properties in a horticultural orchard at arid zone of India using geostatistical approaches[J]. Environmental Monitoring and Assessment, 2016, 188(9): 529

[14] 李增兵, 趙庚星, 趙倩倩, 等. 縣域耕地地力評(píng)價(jià)中土壤養(yǎng)分空間插值方法的比較研究[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2012, 28(20): 230–236LI Z B, ZHAO G X, ZHAO Q Q, et al. Comparison of spatial interpolation methods for soil nutrients in cultivated land fertility evaluation[J]. Chinese Agricultural Science Bulletin, 2012, 28(20): 230–236

[15] LIU Y L, GUO L, JIANG Q H, et al. Comparing geospatial techniques to predict SOC stocks[J]. Soil and Tillage Research, 2015, 148: 46–58

[16] 劉愛(ài)利, 王培法, 丁園圓. 地統(tǒng)計(jì)學(xué)概論[M]. 北京: 科學(xué)出版社, 2012: 154–155 LIU A L, WANG P F, DING Y Y. Introduction to Geostatistics[M]. Beijing: Science Press, 2012: 154–155

[17] 侯景儒, 黃競(jìng)先. 地質(zhì)統(tǒng)計(jì)學(xué)的理論與方法[M]. 北京: 地質(zhì)出版社, 1990: 59–60 HOU J R, HUANG J X. Theory and Methods of Geostatistical[M]. Beijing: Geological Publishing House, 1990: 59–60

[18] 史舟, 李艷. 地統(tǒng)計(jì)學(xué)在土壤學(xué)中的應(yīng)用[M]. 北京: 中國(guó)農(nóng)業(yè)出版社, 2006: 85–86SHI Z, LI Y. Geostatistics and its Application in Soil Science[M]. Beijing: China Agriculture Press, 2006: 85–86

[19] 蘇曉燕, 趙永存, 楊浩, 等. 不同采樣點(diǎn)數(shù)量下土壤有機(jī)質(zhì)含量空間預(yù)測(cè)方法對(duì)比[J]. 地學(xué)前緣, 2011, 18(6): 34–40SU X Y, ZHAO Y C, YANG H, 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

[20] YANG Q Y, LUO W Q, JIANG Z C, et al. Improve the prediction of soil bulk density by cokriging with predicted soil water content as auxiliary variable[J]. Journal of Soils and Sediments, 2016, 16(1): 77–84

[21] 楊順華, 張海濤, 陳家贏, 等. 平原丘陵過(guò)渡帶土壤有機(jī)碳空間分布及環(huán)境影響[J]. 中國(guó)環(huán)境科學(xué), 2015, 35(12): 3728–3736YANG S H, ZHANG H T, CHEN J Y, et al. The spatial variability of soil organic carbon in plain-hills transition belt and its environmental impact[J]. China Environmental Science, 2015, 35(12): 3728–3736

[22] 鮑士旦. 土壤農(nóng)化分析[M]. 北京: 中國(guó)農(nóng)業(yè)出版社, 2000: 30–237BAO S D. Soil and Agricultural Chemistry Analysis[M]. Beijing: China Agriculture Press, 2000: 30–237

[23] 司涵, 張展羽, 呂夢(mèng)醒, 等. 小流域土壤氮磷空間變異特征分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(3): 90–96 SI H, ZHANG Z Y, LU M X, et alSpatial variability of soil nitrogen and phosphorus in small watershed[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(3): 90–96

[24] 張晗, 趙小敏, 歐陽(yáng)真程, 等. 多尺度下的南方山地丘陵區(qū)耕地質(zhì)量空間自相關(guān)分析——以江西省黎川縣為例[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2018, 26(2): 263–273 ZHANG H, ZHAO X M, OUYANG Z C, et al. Multi-scale spatial autocorrelation analysis of cultivated land quality in China’s southern hillside areas: A case study of Lichuan County, Jiangxi Province[J]. Chinese Journal of Eco-Agriculture, 2018, 26(2): 263–273

[25] KUMAR S. Estimating spatial distribution of soil organic carbon for the Midwestern United States using historical database[J]. Chemosphere, 2015, 127: 49–57

[26] 楊其坡, 武偉, 劉洪斌. 基于地形因子和隨機(jī)森林的丘陵區(qū)農(nóng)田土壤有效鐵空間分布預(yù)測(cè)[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2018, 26(3): 422–431 YANG Q P, WU W, LIU H B. Prediction of spatial distribution of soil available iron in a typical hilly farmland using terrain attributes and random forest model[J]. Chinese Journal of Eco-Agriculture, 2018, 26(3): 422–431

[27] 孫冬梅, 陳學(xué)昌. 黑龍江省土壤有機(jī)質(zhì)與全氮和堿解氮的相關(guān)分析[J]. 黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào), 1995, 8(2): 57–60SUN D M, CHEN X C. Correlation analysis of soil organic matter, total nitrogen and available nitrogen in Heilongjiang Province[J]. Journal of HAFLRU, 1995, 8(2): 57–60

[28] 羅由林, 李啟權(quán), 王昌全, 等. 川中丘陵縣域土壤碳氮比空間變異特征及其影響因素[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2015, 26(1): 177–185 LUO Y L, LI Q Q, WANG C Q, et al. Spatial variability of soil C/N ratio and its influence factors at a county scale in hilly area of Mid-Sichuan Basin, Southwest China[J]. Chinese Journal of Applied Ecology, 2015, 26(1): 177–185

[29] 許小偉, 樊劍波, 陳晏, 等. 不同有機(jī)無(wú)機(jī)肥配施比例對(duì)紅壤旱地花生產(chǎn)量、土壤速效養(yǎng)分和生物學(xué)性質(zhì)的影響[J]. 生態(tài)學(xué)報(bào), 2014, 34(18): 5182–5190XU X W, FAN J B, CHEN Y, et alEffects of combined application of organic and chemical fertilizers on the yield of peanut, soil available nutrient and biological properties in the upland red soil in subtropical China[J]. Acta Ecologica Sinica, 2014, 34(18): 5182–5190

[30] YATES S R, WARRICK A W. Estimating soil water content using Cokriging[J]. Soil Science Society of America Journal, 1987, 51(1): 23–30

[31] 秦魚(yú)生, 涂仕華, 馮文強(qiáng), 等. 成都平原水旱輪作種植下土壤養(yǎng)分特性空間變異研究[J]. 土壤學(xué)報(bào), 2008, 45(2): 355–359 QIN Y S, TU S H, FENG W Q, et al. Spatial variability of soil nutrient characteristics under paddy-upland crop rotation in Chengdu Plain[J]. Acta Pedologica Sinica, 2008, 45(2): 355–359

[32] KUMAR S, LAL R, LIU D S. A geographically weighted regression kriging approach for mapping soil organic carbon stock[J]. Geoderma, 2012, 189/190: 627–634

[33] ERNER Y, COHEN A, MAGEN H. Fertilizing for High Yield Citrus[M]. Basel, Switzerland: International Potash Institute, 1999: 31–35

[34] LAI L, HUANG X J, YANG H, et alCarbon emissions from land-use change and management in China between 1990 and 2010[J]. Science Advances, 2016, 2(11): e1601063

[35] 趙業(yè)婷, 常慶瑞, 李志鵬, 等. 基于Cokriging的耕層土壤全氮空間特征及采樣數(shù)量?jī)?yōu)化研究[J]. 土壤學(xué)報(bào), 2014, 51(2): 415–422ZHAO Y T, CHANG Q R, LI Z P, et al. Study on spatial distribution of total nitrogen in arable soil layer and optimization of number of soil samples for the study based on Cokriging[J]. Acta Pedologica Sinica, 2014, 51(2): 415–422

Prediction of spatial distribution of soil organic matter based on improved OK models: A case study of Honghuatao Town in Yidu City*

DUAN Lijun, GUO Long, ZHANG Haitao**, JU Qinglan

(College of Resources and Environment, Huazhong Agricultural University, Wuhan 430070, China)

Choosing a suitable prediction model to estimate soil organic matter (SOM) content is not only a prerequisite to improve the accuracy of spatial distribution simulation, but also the basis for monitoring dynamic changes in soil carbon pool and for guiding soil fertility input in farming. In order to achieve this, a research was set up to investigate the advantages of combined traditional Ordinary Kriging (OK) interpolation and Co-Kriging (COK) interpolation in constructing a new model that integrates Cooperative Correlation of auxiliary variables with OK model (CCOK). The following three aspects were thus discussed: 1) whether the inclusion of auxiliary variables had an impact on SOM prediction result; 2) what were the differences in SOM prediction results caused by changes in the number of auxiliary information interpolations; and 3) how improved SOM prediction accuracy by cooperative correlation of auxiliary variables. To address these research questions, we collected 329 soil samples from a citrus plantation in Honghuatao Town located in the north Yidu City, Hubei Province. Through physical and chemical analysis, 14 soil properties were extracted. The correlation between SOM and other soil properties were discussed based on Pearson correlation coefficient () and available nitrogen was chosen as model auxiliary variable with the most significant correlation with SOM. With reference of OK (the control), we constructed modeling COK (COK1), global COK (COK2) and two improved OK models (CCOK1and CCOK2). Among the models, COK1was a COK model which used modeling set auxiliary variables to participate in modeling. Based on COK1, COK2changed the modeling set auxiliary variables to global auxiliary variables. CCOK1and CCOK2represented the OK interpolation models of two forms of functions constructed by the target variables and its auxiliary variables. Some of the results obtained were as follows: 1) the range of the nugget/sill proportions of OK, CCOK1and CCOK2were 25%-75%, which belonged to medium spatial autocorrelation. However, the nugget/sill proportions of COK1and COK2were less than 25%, belonging to strong spatial autocorrelation. It then showed that the spatial variability of SOM as cross-variance function with auxiliary variables was more easily recognized by semi-variogram models. 2) The predicted SOM in the study area was within 7.38–29.03 g?kg-1. Compared with OK interpolation, the strong spatial autocorrelation of COK1and COK2meant that the spatial distribution of SOM was even more fragmented. Furthermore, plots of CCOK1and CCOK2predictions were flaky, with digital mapping results of SOM with higher or lower values, which was more consistent with the actual distribution of land use in the study area. 3) The accuracies of COK1and OK were similar, but that of COK2was higher than the above two. Nevertheless, the correlation coefficients () of CCOK1and CCOK2increased from 0.10 to 0.70 and 0.69, with root mean square errors (RMSE) decreasing by 15.40% and 14.78%, respectively. Finally, the overall accuracy of SOM digital soil mapping was CCOK1≈ CCOK2> COK2> COK1≈ OK. This indicated that CCOK model minimized error between measured and predicted values in SOM prediction. Thus, the synergy of combined SOM estimation and auxiliary variables was a better correlation than the addition of only auxiliary variables or changing the amount of auxiliary variables. The improved OK model proposed in this study improved the maximum participation of auxiliary information, thereby providing a reliable reference for SOM prediction.

Soil organic matter; Auxiliary variable; Available nitrogen; Cooperative correlation; Improved OK models; Spatial autocorrelation

, E-mail: hzau_zht@163.com

Apr. 5, 2018;

Jul. 13, 2018

S158.9

A

2096-6237(2019)01-0131-11

10.13930/j.cnki.cjea.180348

段麗君, 郭龍, 張海濤, 琚清蘭. 基于改進(jìn)OK模型的土壤有機(jī)質(zhì)空間分布預(yù)測(cè)——以宜都市紅花套鎮(zhèn)為例[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)(中英文), 2019, 27(1): 131-141

DUAN L J, GUO L, ZHANG H T, JU Q L. Prediction of spatial distribution of soil organic matter based on improved OK models: A case study of Honghuatao Town in Yidu City[J]. Chinese Journal of Eco-Agriculture, 2019, 27(1): 131-141

* 國(guó)家自然科學(xué)基金項(xiàng)目(41371227)資助

張海濤, 主要研究方向?yàn)橥寥拉h(huán)境科學(xué)。E-mail: hzau_zht@163.com

段麗君, 主要研究方向?yàn)橥寥拉h(huán)境與生態(tài)動(dòng)態(tài)模擬。E-mail: duanlijun@webmail.hzau.edu.cn

2018-04-05

2018-07-13

* This study was supported by the National Natural Science Foundation of China (41371227).