羅 梅，郭 龍，張海濤，汪善勤，梁 攀

基于環(huán)境變量的中國土壤有機(jī)碳空間分布特征*

羅 梅，郭 龍?，張海濤，汪善勤，梁 攀

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

研究中國土壤有機(jī)碳（Soil Organic Carbon，SOC）的空間分布特征對SOC儲(chǔ)量估算以及農(nóng)業(yè)生產(chǎn)管理具有重要意義。以全國第二次土壤普查2 473個(gè)土壤典型剖面的表層（A層）SOC含量為研究對象，探尋地形、氣候和植被等環(huán)境因素對SOC空間異質(zhì)性分布的影響；以普通克里格法為對照，利用地理加權(quán)回歸、地理加權(quán)回歸克里格、多元線性回歸和回歸克里格模型建立SOC空間預(yù)測模型；并分別繪制了中國SOC的空間分布預(yù)測圖。結(jié)果表明：（1）SOC含量與年均降水量、年均溫、歸一化植被指數(shù)、高程以及地形粗糙指數(shù)呈極顯著相關(guān)關(guān)系；（2）平均絕對估計(jì)誤差、均方根誤差、平均相對誤差和皮爾遜相關(guān)系數(shù)等模型驗(yàn)證指標(biāo)表明地理加權(quán)回歸的預(yù)測精度優(yōu)于其他模型，可以更好地繪制SOC在大尺度上的空間分布特征；（3）較高SOC含量主要分布在研究區(qū)東北部、西南部以及東南部，而西北部SOC含量普遍偏低。本文以期從大尺度上探討土壤屬性與環(huán)境變量之間的相關(guān)關(guān)系，為全國土壤屬性的空間制圖提供一定的解決方案和思路。

中國土壤有機(jī)碳；環(huán)境變量；地理加權(quán)回歸；多元線性回歸

碳是陸地生態(tài)系統(tǒng)最活躍的元素之一。土壤有機(jī)碳（Soil Organic Carbon，SOC）含量及其變化在全球碳循環(huán)和大氣二氧化碳濃度變化中起著非常重要的作用[1-2]。地球上的碳平衡是由大氣碳庫、陸地系統(tǒng)碳庫和海洋碳庫三者相互作用的結(jié)果[3]。研究表明土壤是陸地系統(tǒng)碳庫中最大的碳庫且周轉(zhuǎn)時(shí)間最慢，據(jù)估計(jì)當(dāng)前的全球土壤有機(jī)碳庫介于1 395～2 200 Pg之間[3-7]，是大氣碳庫或陸地植被碳庫的2倍至3倍。同時(shí)SOC作為土壤質(zhì)量的關(guān)鍵指標(biāo)，在土壤物理、化學(xué)和生物過程中均起著相當(dāng)重要的作用[7]。為此從大尺度上探討SOC的空間分布特征及其與環(huán)境因素之間的相關(guān)關(guān)系，對整體上掌握中國的土壤肥力狀況及其在全球氣候調(diào)節(jié)中所起的作用以及碳庫估算具有重要意義。

SOC含量和周轉(zhuǎn)率主要受土壤形成因素的影響，這些因素相互作用且具有時(shí)空差異性，為此SOC表現(xiàn)出很強(qiáng)的空間異質(zhì)性[8]，導(dǎo)致SOC的空間分布特征復(fù)雜且不確定。目前估算SOC含量的方法主要有兩大類，一是測量和乘法，二是土壤景觀模型[9]。其中土壤景觀模型主要以區(qū)域插值模型、回歸擬合模型和機(jī)器學(xué)習(xí)三種模型應(yīng)用較多，綜合考慮了SOC的空間變異性和依賴性以及各種環(huán)境因素的影響[9]。自20世紀(jì)50年代以來，我國研究人員進(jìn)行了大量的野外調(diào)查，包括全國兩次土壤普查，匯集了大量土壤數(shù)據(jù)資料用來了解和掌握中國土壤屬性的空間分布特征[10]。一些研究人員對我國SOC儲(chǔ)量和不同尺度下SOC空間分布特征進(jìn)行了諸多探索性研究，嘗試去捕捉SOC在空間和時(shí)間上影響的局部和全局變化[11]。許多輔助變量已被用于構(gòu)建區(qū)域和國家尺度的SOC空間模型[12-14]。

為定量探索SOC與環(huán)境因子之間的關(guān)系，從而有效繪制SOC的空間分布，克里格法和回歸模型得到了廣泛的應(yīng)用。普通克里格（Ordinary Kriging，OK）是常用的插值方法之一，但是其難以融合輔助變量的解釋作用。多元線性回歸（Multiple Linear Regression，MLR）和回歸克里格（Regression Kriging，RK）是全局回歸模型，主要限制在于其假設(shè)目標(biāo)與解釋變量之間的關(guān)系在整個(gè)空間內(nèi)是同質(zhì)性的[15]。趙永存等[16]運(yùn)用MLR、RK和泛克里格預(yù)測河北省SOC密度的空間分布發(fā)現(xiàn)RK預(yù)測效果最好。Watt和Palmer[17]采用RK較好地估算了新西蘭表層土壤的碳氮比。地理加權(quán)回歸（Geographically Weighted Regression，GWR）作為繪制土壤屬性的局部回歸模型，不僅考慮了研究目標(biāo)的空間異質(zhì)性和變異性，還考慮了解釋變量之間的空間不穩(wěn)定關(guān)系[18]。Scull[19]利用氣候因子作為自變量，發(fā)現(xiàn)GWR較MLR能更好地預(yù)測包括SOC在內(nèi)的幾種土壤屬性。地理加權(quán)回歸克里格（Geographically Weighted Regression Kriging，GWRK）是GWR的擴(kuò)展，可以捕獲GWR估計(jì)殘差的空間分布特征和趨勢[20]。Liu等[21]比較了幾種空間預(yù)測模型，認(rèn)為GWRK是繪制SOC密度的有效模型，局部模型較全局模型的預(yù)測結(jié)果更加合理。

本文選擇中國土壤表層（A層）有機(jī)碳作為研究對象，以氣候、植被和地形因子作為輔助變量，利用多種預(yù)測模型（OK、MLR、RK、GWR以及GWRK）探討SOC與環(huán)境變量在大尺度上的相關(guān)關(guān)系，定量評(píng)價(jià)不同模型的建模結(jié)果，尋找最優(yōu)的預(yù)測模型并進(jìn)行空間制圖，以期為土壤屬性在國家尺度上的精確預(yù)測制圖和分析土壤屬性的空間分布特征提供一定的參考，從而更好地服務(wù)于區(qū)域尺度碳庫估算和農(nóng)業(yè)生產(chǎn)管理。

1 材料與方法

1.1 土壤數(shù)據(jù)

本文所采用的土壤基礎(chǔ)數(shù)據(jù)來自全國第二次土壤普查時(shí)采集的土壤數(shù)據(jù)，這些數(shù)據(jù)資料匯總于《中國土種志》（共6卷）。據(jù)此，本文整理了共2 473個(gè)土壤典型剖面的數(shù)據(jù)庫，包括各個(gè)剖面的采樣地點(diǎn)、土壤類型和土壤的理化性質(zhì)，以及海拔和坡度等地形地貌，年均溫和年降水量等生境條件和土地利用類型等信息。由于表層土壤的性質(zhì)對于外界環(huán)境各類變化的響應(yīng)更為直接，表層SOC含量的變化最明顯，由此本文選擇表層（A層）SOC作為研究對象。該數(shù)據(jù)對于采樣位置描述缺乏經(jīng)緯度，但是可以準(zhǔn)確到村莊，同時(shí)在國家尺度上采用克里格插值等方法，該位置誤差對預(yù)測精度的影響有限[22]。由此根據(jù)土壤剖面位置描述并結(jié)合海拔、年均降水量、年均溫和年積溫等記錄進(jìn)行定位，獲取樣點(diǎn)數(shù)據(jù)坐標(biāo)。去掉無A層土壤有機(jī)質(zhì)數(shù)據(jù)記錄的典型剖面和剔除異常值之后，隨機(jī)抽取70%的剖面點(diǎn)共1 675個(gè)作為建模集，其余30%共718個(gè)樣點(diǎn)作為驗(yàn)證集，數(shù)據(jù)樣點(diǎn)的空間分布如圖1所示。

1.2 環(huán)境變量

環(huán)境變量的選擇主要遵循相關(guān)性和可獲得原則，即所選環(huán)境變量的空間變化能反映土壤屬性的空間差異性，而且其易獲得并有利于定量化[23]。本文選擇氣候、植被和地形因子作為輔助SOC預(yù)測的環(huán)境變量。預(yù)選環(huán)境變量分別為年均降水量、年均溫、≥10℃年積溫、高程、坡度、坡向、歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、地形位置指數(shù)（Topographic Position Index，TPI）、地形粗糙指數(shù)（Terrain Ruggedness Index，TRI）以及地形濕度指數(shù)（Topographic Wetness Index，TWI）（圖2）。

本文的氣候數(shù)據(jù)來自中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，是基于全國1915個(gè)站點(diǎn)的氣象數(shù)據(jù)，時(shí)間區(qū)間為建站到1996年。將以上數(shù)據(jù)經(jīng)整理和預(yù)處理，最后利用反距離加權(quán)平均法內(nèi)插出空間分辨率500m的年均溫、年均降水量、≥10℃年積溫等柵格數(shù)據(jù)。NDVI數(shù)據(jù)來源于“中國西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心”（http://westdc.westgis. ac.cn），下載GIMMS植被指數(shù)數(shù)據(jù)集并進(jìn)行投影、掩膜等預(yù)處理。全國DEM由來自中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心國際科學(xué)數(shù)據(jù)鏡像網(wǎng)站（http://www. gscloud.cn）的STRM地形數(shù)據(jù)拼接而成，利用ArcGIS10.2和SAGA6.3提取和計(jì)算坡向、坡度、TPI、TRI以及TWI。

1.3 多元線性回歸

MLR是經(jīng)典的最小二乘法回歸模型，能夠定量地刻畫各個(gè)輔助變量對于土壤屬性的影響程度，被廣泛用于土壤屬性的預(yù)測和其影響因子的研究中。選用多元逐步線性回歸方法，既保證與SOC顯著相關(guān)的輔助變量進(jìn)入回歸模型又能避免多重共線性[24-25]。利用建模集在SPSS中進(jìn)行逐步回歸模擬，構(gòu)建SOC與環(huán)境變量之間的線性回歸模型。

圖1 土壤典型剖面點(diǎn)空間分布圖

1.4 回歸克里格

RK為基于MLR模型得到趨勢項(xiàng)與殘差項(xiàng)，再用OK對殘差進(jìn)行插值，最后將二者相加得到RK結(jié)果。RK不僅綜合了自變量對因變量的解釋作用，還在一定程度上對隨機(jī)性變異進(jìn)行了解釋[26]。

1.5 地理加權(quán)回歸

GWR是一種繪制例如SOC等土壤屬性預(yù)測圖的局部回歸方法。GWR是基于將空間位置嵌入回歸參數(shù)所表示的局部平滑思想，通過局部加權(quán)最小二乘法對采樣點(diǎn)進(jìn)行建模[21]。

最佳帶寬分配是此方法的關(guān)鍵部分。本文選擇了最大似然原則確定的Akaike信息準(zhǔn)則（akaike information criterion，AIC）以確定最佳帶寬，核類型選擇Fixed即固定距離法，用“高斯核”來解決各局部回歸分析的空間環(huán)境。

1.6 地理加權(quán)回歸克里格

GWRK模型是對GWR模型的延伸與擴(kuò)展，其將GWR模型得到的殘差采用OK插值，再將殘差插值結(jié)果與GWR擬合的趨勢相加。GWRK充分考慮了空間非平穩(wěn)性和殘差的空間自相關(guān)[27]。

1.7 模型驗(yàn)證與評(píng)價(jià)方法

建模集用于構(gòu)建不同的SOC預(yù)測模型，驗(yàn)證集用于評(píng)估不同模型的模擬精度，評(píng)價(jià)指標(biāo)包括平均絕對誤差（MAE）、平均相對誤差（MRE）、均方根誤差（RMSE）以及皮爾遜相關(guān)系數(shù)（）。MAE、MRE以及RMSE是預(yù)測精度的量度，值越小說明預(yù)測方法的結(jié)果越精確。

2 結(jié) 果

2.1 SOC含量的描述性統(tǒng)計(jì)特征及其與環(huán)境變量的相關(guān)性

如表1所示，SOC含量平均值為22.28 g·kg–1，從1.62 g·kg–1變化至223.88 g·kg–1。SOC含量的變異系數(shù)高達(dá)96.10%，表明變異幅度極大，為極強(qiáng)的空間異質(zhì)性。SOC含量的偏度和峰度分別為3.18和15.97，呈正偏態(tài)分布特征。將原始SOC數(shù)據(jù)進(jìn)行對數(shù)轉(zhuǎn)換（lnSOC），轉(zhuǎn)換后偏度和峰度為–0.11和–0.18，Kolmogorov-Smirnov（K-S）檢驗(yàn)進(jìn)一步證明轉(zhuǎn)換后數(shù)據(jù)符合正態(tài)分布特征（>0.05）。

利用所提取的環(huán)境變量與SOC進(jìn)行相關(guān)分析。在地形因子中，坡度（0.22）、高程（0.18）、坡向（0.04）以及TRI（0.25）與SOC呈顯著正相關(guān)（< 0.01），TPI（–0.08）和TWI（–0.09）與SOC呈顯著負(fù)相關(guān)；在氣候因子中，年均降水量（0.12）與SOC呈顯著正相關(guān)，年均溫（–0.11）、≥10℃年積溫（–0.12）與SOC呈顯著負(fù)相關(guān)；NDVI（0.25）與SOC呈顯著正相關(guān)。其中NDVI和TRI與SOC相關(guān)性最高，坡向與SOC相關(guān)性最弱。

圖2 環(huán)境變量空間分布圖

表1 土壤有機(jī)碳含量及其對數(shù)轉(zhuǎn)換后的基本描述統(tǒng)計(jì)特征

注：SOC：土壤有機(jī)碳；lnSOC：對數(shù)轉(zhuǎn)換后的土壤有機(jī)碳。Note：SOC：soil organic carbon；lnSOC：soil organic carbon after logarithmic transformation.

2.2 GWR和MLR模型構(gòu)建

由表2可知，最終進(jìn)入MLR模型的解釋變量為高程、年均降水量、年均溫、TRI和NDVI，各個(gè)解釋變量的方差膨脹因子（Variance inflation factor，VIF）均小于7.5，解釋變量之間不存在多重共線性現(xiàn)象，值和值表明解釋變量與SOC之間存在著顯著的相關(guān)關(guān)系。從標(biāo)準(zhǔn)系數(shù)可以看出，模型中各環(huán)境變量對SOC影響程度從大到小依次為年均降水量、年均溫、NDVI、高程、TRI。MLR模型的決定系數(shù)2= 0.186，表示環(huán)境變量可以解釋SOC含量18.6%的變化。以便對比，選用相同的環(huán)境變量應(yīng)用于GWR模型。

GWR模型的決定系數(shù)2= 0.259，表明模型對因變量的解釋度可達(dá)25.9%，高于MLR。越小的殘差平方和表明模型的擬合效果越好。MLR模型的殘差平方和為6.25×105，而GWR模型的殘差平方和為5.68×105，少于MLR模型。由此可以看出GWR具有較MLR更好的擬合性能。

2.3 SOC含量的空間結(jié)構(gòu)特征

根據(jù)Cambardella等[28]對空間自相關(guān)性程度的劃分，模型的塊基比<25%表明所研究的土壤屬性具有強(qiáng)烈的空間自相關(guān)性；介于25%～75%之間為中等空間自相關(guān)性；>75%為弱空間自相關(guān)性。OK的半變異函數(shù)采用高斯函數(shù)進(jìn)行最優(yōu)擬合（表3），變程為69.67 m，塊金值為0.08，基臺(tái)值為1.05，塊基比為7.62%，說明SOC具有強(qiáng)烈的空間自相關(guān)。

殘差是SOC含量測量值與模型預(yù)測值之間的差異。將GWR和MLR預(yù)測所得的殘差進(jìn)行OK插值，分別得到它們的殘差空間分布圖（圖3）。由表3所示，MLR和GWR殘差擬合的半變異函數(shù)均為高斯模型，兩者塊基比分別為9.52%和10.56%，表明均有強(qiáng)烈的空間自相關(guān)性，前者空間自相關(guān)性較后者強(qiáng)，再通過交叉驗(yàn)證中GWR殘差的均方根小于MLR殘差，其平均值也更接近于0，均表明GWR較MLR具有更高的精度。MLR擬合后的殘差范圍由圖3可知，殘差負(fù)值主要分布在中西部，表明預(yù)測值高于觀測值；正值主要分布在東北部和西南部，表明預(yù)測值低于觀測值。GWR殘差的空間分布模式與MLR殘差類似。但是，兩者也存在細(xì)微差異。GWR殘差的最小值和最大值分別為–42.26 g·kg–1和184.08 g·kg–1，而MLR殘差范圍為–42.55 g·kg–1～183.81 g·kg–1，同時(shí)GWR模型殘差在極值范圍的圖斑面積均小于MLR殘差。

表2 多元線性回歸模型系數(shù)的基本統(tǒng)計(jì)特征

表3 GWR、MLR殘差及SOC的半方差函數(shù)參數(shù)

圖3 GWR和MLR土壤有機(jī)碳?xì)埐畹目臻g分布

2.4 不同模型預(yù)測精度比較

基于驗(yàn)證集，以O(shè)K為對照，利用MAE、MRE、RMSE和來評(píng)估模型的模擬精度，結(jié)果如表4所示。驗(yàn)證結(jié)果表明，GWR的MRE、MAE和RMSE值最小，值最高，因此GWR模型的預(yù)測精度最高。GWRK的MRE、MAE和RMSE值分別為0.850、12.336和19.035，僅大于GWR模型，值為0.460僅小于GWR模型，表明其預(yù)測精度只低于GWR。五種模型中，OK的MRE、MAE和RMSE均高于其余模型，值低于其余模型，精度最低。

2.5 SOC的空間分布特征

圖4是基于OK、MLR、RK、GWR、GWRK五種模型得到的中國SOC空間分布預(yù)測專題圖。從研究區(qū)域的空間結(jié)構(gòu)和變化趨勢來看，五幅分布圖在整體上表現(xiàn)出相似的SOC空間分布特征，同時(shí)在局部地區(qū)又表現(xiàn)出一定的差異性。從整體分布來看，SOC的空間分布具有明顯的帶狀結(jié)構(gòu)特征。SOC含量較高值分布在研究區(qū)東北部的平原、西南部以及東南部的離散地區(qū)，而西北部SOC含量普遍偏低。在局部細(xì)節(jié)上，五幅分布圖存在著明顯的差異性。GWR和GWRK預(yù)測得到的SOC含量范圍大于MLR和RK，前者更能反映SOC的真實(shí)情況。對于SOC含量較高值分布的區(qū)域，較GWR和MLR相比，RK和GWRK模型預(yù)測的圖斑面積明顯較大。在東北部MLR模型預(yù)測的SOC含量普遍低于其余四個(gè)模型。這主要是由于OK僅考慮了土壤采樣點(diǎn)的空間自相關(guān)性，MLR忽略了輔助變量的空間自相關(guān)性，GWR同時(shí)考慮了土壤采樣點(diǎn)和輔助變量的空間異質(zhì)性，而RK和GWRK不僅考慮了區(qū)域環(huán)境變量的空間變異性，還考慮了GWR和MLR的殘差。通過RK和GWRK分布圖可以發(fā)現(xiàn)，研究區(qū)西部的高原與沙漠地區(qū)出現(xiàn)突變情況，主要原因在于這些地區(qū)因采樣難度大且數(shù)據(jù)缺乏，殘差插值效果不佳。

表4 OK、MLR、GWR、GWRK、RK五種模型的精度評(píng)價(jià)指標(biāo)比較

3 討 論

3.1 環(huán)境變量與SOC之間的空間非平穩(wěn)性

本文選用地形、氣候和植被因子作為環(huán)境變量應(yīng)用于GWR模型。不同環(huán)境變量回歸系數(shù)的空間分布如圖5所示，不同環(huán)境變量對SOC的影響在不同地理位置上可能有所不同。其中具有最大絕對系數(shù)值的是NDVI，其次是年均溫和TRI。NDVI與SOC在中部和東部地區(qū)呈負(fù)相關(guān)，西部呈正相關(guān)，NDVI對SOC的影響由西部向東南部遞減。NDVI直接反映植被生長狀況的優(yōu)劣，而植被是SOC的重要來源之一[29]，影響著SOC儲(chǔ)量及其動(dòng)態(tài)平衡[30]，同時(shí)良好的地表覆蓋還能減少侵蝕的發(fā)生，防止SOC流失。年均溫與SOC在西北部和中部呈正相關(guān)，其余區(qū)域呈負(fù)相關(guān)，這可能是因?yàn)檩^低的溫度更利于SOC的積累。氣候影響植被的分布和生長，同時(shí)也是制約凋落物分解的主要因素，與SOC輸入和分解緊密相關(guān)。溫度主要通過提高凈初級(jí)生產(chǎn)力以增加輸入土壤中的凋落物數(shù)量，提高SOC含量和通過促進(jìn)微生物活動(dòng)、土壤呼吸從而加速SOC分解、增加SOC分解量兩方面來影響SOC[31]。TRI與SOC在西北部盆地區(qū)域呈正相關(guān)，其余區(qū)域呈負(fù)相關(guān)。土壤屬性的空間變異受多種因子的控制，而地形作為五大成土因素中的重要因素，能調(diào)節(jié)熱量和物質(zhì)的再分配[32-33]，對SOC分布起重要作用[34-35]。其余環(huán)境變量系數(shù)表明其對SOC空間變化的影響較弱。截距是回歸模型的常數(shù)項(xiàng)，范圍為–31.18～48.42。盡管回歸系數(shù)在一定程度上體現(xiàn)了對應(yīng)環(huán)境因素對SOC的影響，但是在大尺度上氣候、植被以及地形因素在時(shí)間和空間上是復(fù)雜多變且相互作用的，再加上樣點(diǎn)在沙漠和高原地區(qū)數(shù)據(jù)稀少和整體分布不均等樣本局限性，SOC空間分布的不確定性仍然存在。

3.2 SOC預(yù)測精度差異性對比

本文以O(shè)K模型為對照，使用GWR、MLR、RK和GWRK模型結(jié)合地形、植被和氣候因子預(yù)測中國SOC含量的空間分布，結(jié)果表明GWR是相對合適的模型。GWR技術(shù)包含權(quán)重函數(shù)的MLR變體，不僅考慮了SOC的空間異質(zhì)性和變異性，還考慮了環(huán)境變量之間的關(guān)系[24]。GWR被發(fā)現(xiàn)是用于宏觀地理土壤研究的優(yōu)秀工具[19]。Wang等[36]對比了GWR和MLR在土壤有機(jī)質(zhì)空間預(yù)測方面的差異，認(rèn)為GWR能更準(zhǔn)確地預(yù)測土壤有機(jī)質(zhì)的空間分布和更多細(xì)節(jié)。文中GWR下的SOC空間分布圖也較MLR更加精細(xì)。Zhang等[14]調(diào)查了GWR方法在愛爾蘭模擬SOC空間分布中的應(yīng)用，認(rèn)為GWR減小了空間插值的平滑效果，為SOC分布圖提供了一種很有前途的方法。OK直接利用建模樣本進(jìn)行插值，雖然充分利用樣點(diǎn)自身結(jié)構(gòu)特征，但其并未考慮與SOC變化密切相關(guān)的環(huán)境變量。MLR是通過對實(shí)測數(shù)據(jù)的統(tǒng)計(jì)分析來建模，數(shù)據(jù)量和數(shù)據(jù)精度均制約著預(yù)測精度。李啟權(quán)等[37]將MLR與HASM相結(jié)合的方法與OK比較，證明前者在模擬中國土壤有機(jī)質(zhì)空間分布上相對有效。RK基于SOC與環(huán)境變量之間的關(guān)系建立全局回歸模型，還能利用樣點(diǎn)的空間自相關(guān)性進(jìn)行OK插值，綜合考慮了結(jié)構(gòu)性與隨機(jī)性[24]。Mishra和Riley[38]比較了簡單平均法和RK估計(jì)美國中西部SOC儲(chǔ)量的預(yù)測精度，發(fā)現(xiàn)RK能更準(zhǔn)確地反映SOC儲(chǔ)量的異質(zhì)性。GWRK是一種混合技術(shù)，通過充分考慮空間參數(shù)非平穩(wěn)性以及SOC與其他環(huán)境變量之間的關(guān)系，從而獲得GWR的優(yōu)點(diǎn)[21-39]，其殘差也可以通過OK插值作為空間隨機(jī)的一部分添加到估計(jì)的趨勢中[27]。Kumar等[27]采用GWRK模型研究美國賓夕法尼亞州的環(huán)境變量與SOC之間的關(guān)系，證明了GWRK在捕捉空間非平穩(wěn)性方面的優(yōu)越性。

圖5 GWR模型中環(huán)境變量系數(shù)的空間分布

本文研究區(qū)為國家尺度，范圍廣但樣點(diǎn)分布并不能保證均一性，特別是研究區(qū)西部的樣點(diǎn)相對于其他區(qū)域數(shù)量少且分布稀疏，再加上樣本數(shù)據(jù)和殘差的空間自相關(guān)，導(dǎo)致OK插值出來的殘差分布并不能真實(shí)反映SOC預(yù)測之后的殘差分布，由此，RK和GWRK預(yù)測的SOC結(jié)果在某些樣本數(shù)據(jù)少的區(qū)域效果不佳，從而嚴(yán)重影響了RK和GWRK的預(yù)測精度以及SOC的空間分布。同時(shí)實(shí)際采樣點(diǎn)坐標(biāo)與本文所匹配的樣點(diǎn)位置存在誤差，這也是不確定性的來源。定量化研究環(huán)境變量與SOC之間的關(guān)系，環(huán)境變量的獲取非常關(guān)鍵。獲取環(huán)境變量需要廣泛應(yīng)用DEM，而且其精度和空間分辨率均影響最終的分析結(jié)果[33]，如果使用更高分辨率的DEM和進(jìn)一步研究更為詳盡的環(huán)境變量則更多殘差可能會(huì)被解釋。然后在充分分析SOC與環(huán)境變量作用機(jī)理的基礎(chǔ)上，選擇合適的方法估計(jì)SOC含量的空間分布，預(yù)測效果將進(jìn)一步提高。

4 結(jié) 論

本文共使用了五種模型來估計(jì)SOC含量的空間分布，以地形因子（高程和TRI）、氣候因子（年均降水量和年均溫）和植被指數(shù)（NDVI）作為輔助變量，比較OK、MLR、RK、GWR和GWRK模型的建模結(jié)果。研究結(jié)果表明：（1）SOC及其環(huán)境變量在全國尺度上有很強(qiáng)的變異性，在研究區(qū)域內(nèi)存在顯著差異性；（2）SOC與高程、TRI、NDVI、年均降水量以及年均溫呈極顯著相關(guān)關(guān)系；（3）在全國尺度上，較高SOC含量主要分布在東北部、西南部以及東南部區(qū)域，而西北部SOC含量普遍偏低；（4）GWR模型具有較好的擬合精度，預(yù)測結(jié)果優(yōu)于OK、MLR、RK和GWRK模型。

［1］ Davidson E A，Trumbore S E，Amundson R. Biogeochemistry-soil warming and organic carbon content. Nature，2000，408（6814）：789—790.

［2］ Zhao M S，Li D C，Wang S H. Variation of Soil Organic Carbon in Farmland of Anhui and Its Influencing Factors in The 30 Years from 1980 to 2010. Acta Pedologica Sinica，2018，55（3）：595—605. [趙明松，李德成，王世航. 近30年安徽省耕地土壤有機(jī)碳變化及影響因素. 土壤學(xué)報(bào)，2018，55（3）：595—605.]

［3］ Eswaran H，Vandenberg E，Reich P. Organic-carbon in soils of the world. Soil Science Society of America Journal，1993，57（1）：192—194.

［4］ Batjes N H. Total carbon and nitrogen in the soils of the world. European Journal of Soil Science，1996，47（2）：151—163.

［5］ Bohn H L. Estimate of organic-carbon in world soils. Soil Science Society of America Journal，1982，46（5）：1118—1119.

［6］ Post W M，Emanuel W R，Zinke P J，et al. Soil carbon pools and world life zones. Nature，1982，298（5870）：156—159.

［7］ Schlesinger W. Carbon storage in the caliche of arid soils：A case study from arizona. Soil Science，1982，133（4）：247—255.

［8］ Dai W，Huang Y. Relation of soil organic matter concentration to climate and altitude in zonal soils of china. Catena，2006，65（1）：87—94.

［9］ Thompson J A，Kolka R K. Soil carbon storage estimation in a forested watershed using quantitative soil-landscape modeling. Soil Science Society of America Journal，2005，69（4）：1086—1093.

［10］ Xie X L. Study on soil organic carbon stocks in national and regional scale using GIS. Nanjing：Nanjing Normal University，2004. [解憲麗. 基于GIS的國家尺度和區(qū)域尺度土壤有機(jī)碳庫研究，南京：南京師范大學(xué)，2004.]

［11］ Setia R，Smith P，Marschner P，et al. Introducing a decomposition rate modifier in the rothamsted carbon model to predict soil organic carbon stocks in saline soils. Environmental Science & Technology，2011，45（15）：6396—6403.

［12］ Liu F，Rossiter D G，Song X D，et al. A similarity-based method for three-dimensional prediction of soil organic matter concentration. Geoderma，2016，263：254—263.

［13］ Wang S H，Shi X Z，Zhao Y C，et al. Regional simulation of soil organic carbon dynamics for dry farmland in east china by coupling a 1：500 000 soil database with the century model. Pedosphere，2011，21（3）：277—287.

［14］ Zhang C S，Tang Y，Xu X L，et al. Towards spatial geochemical modelling：Use of geographically weighted regression for mapping soil organic carbon contents in ireland. Applied Geochemistry，2011，26（7）：1239—1248.

［15］ Kumar S. Estimating spatial distribution of soil organic carbon for the midwestern united states using historical database. Chemosphere，2015，127：49—57.

［16］ Zhao Y C，Shi X Z，Yu D S，et al. Different methods for prediction of spatial patterns of soil organic carbon density in HeBei province，China. Acta Pedologica Sinica，2005，42（3）：379—385. [趙永存，史學(xué)正，于東升，等. 不同方法預(yù)測河北省土壤有機(jī)碳密度空間分布特征的研究. 土壤學(xué)報(bào)，2005，42（3）：379—385.]

［17］ Watt M S，Palmer D J. Use of regression kriging to develop a carbon：Nitrogen ratio surface for new zealand. Geoderma，2012，183：49—57.

［18］ Brunsdon C，F(xiàn)otheringham S，Charlton M. Geographically weighted regression - modelling spatial non-stationarity. Journal of the Royal Statistical Society Series D-the Statistician，1998，47：431—443.

［19］ Scull P. A top-down approach to the state factor paradigm for use in macroscale soil analysis. Annals of the Association of American Geographers，2010，100（1）：1—12.

［20］ Harris P，F(xiàn)otheringham A S，Crespo R，et al. The use of geographically weighted regression for spatial prediction：An evaluation of models using simulated data sets. Mathematical Geosciences，2010，42（6）：657—680.

［21］ Liu Y，Guo L，Jiang Q，et al. Comparing geospatial techniques to predict soc stocks. Soil & Tillage Research，2015，148：46—58.

［22］ Zhao Y C，Xu X H，Hai N，et al. Uncertainty assessment for mapping changes in soil organic matter using sparse legacy soil data and dense new-measured data in a typical black soil region of china. Environmental Earth Sciences，2015，73（1）：197—207.

［23］ Yang S H. Study on the regional distribution of soil organic matter based on spatial regression model.Wuhan：Huazhong Agricultural University，2016. [楊順華. 基于空間回歸模型的土壤有機(jī)質(zhì)區(qū)域分布特征研究，武漢：華中農(nóng)業(yè)大學(xué)，2016.]

［24］ Yang S H，Zhang H T，Guo L，et al. Spatial interpolation of soil organic matter using regression Kriging and geographically weighted regression Kriging. Chinese Journal of Applied Ecology，2015，26（6）：1649—1656. [楊順華，張海濤，郭龍，等. 基于回歸和地理加權(quán)回歸kriging的土壤有機(jī)質(zhì)空間插值.應(yīng)用生態(tài)學(xué)報(bào)，2015，26（6）：1649—1656.]

［25］ Zhang G P，Guo P T，Wang Z Y，et al. Prediction of spatial distribution of soil nutrients in farmland in purple soil hilly region. Transactions of the CSAE，2013，29（6）：113—120. [張國平，郭澎濤，王正銀，等. 紫色土丘陵地區(qū)農(nóng)田土壤養(yǎng)分空間分布預(yù)測. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（6）：113—120.]

［26］ Jiang Y F，Sun K，Guo X，et al. Prediction of spatial distribution of soil properties based on environmental factors and neighboring information. Research of Environmental Sciences，2017，30（7）：1059—1068. [江葉楓，孫凱，郭熙，等. 基于環(huán)境因子和鄰近信息的土壤屬性空間分布預(yù)測. 環(huán)境科學(xué)研究，2017，30（7）：1059—1068.]

［27］ Kumar S，Lal R，Liu D. A geographically weighted regression kriging approach for mapping soil organic carbon stock. Geofisica Internacional，2012，189—190（6）：627—634.

［28］ Cambardella C A. Field-scale variability of soil properties in central iowa soils. Soilence Society of America Journal，1994，58（5）：1501—1511.

［29］ Li L，Yao Y F，Qin F C，et al. Analysis of factors affecting soil organic carbon density based on geographically weighted regression model. Science & Technology Review，2016，34（2）：247—254. [李龍，姚云峰，秦富倉，等. 基于地理加權(quán)回歸模型的土壤有機(jī)碳密度影響因子分析. 科技導(dǎo)報(bào)，2016，34（2）：247—254.]

［30］ Jarvis P，Rey A，Petsikos C，et al. Drying and wetting of mediterranean soils stimulates decomposition and carbon dioxide emission：The“birch effect”. Tree Physiology，2007，27（7）：929—940

［31］ Trumbore S E，Chadwick O A，Amundson R. Rapid exchange between soil carbon and atmospheric carbon dioxide driven by temperature change. Science，1996，272（5260）：393—396.

［32］ Liu F，Zhang G L，Sun Y J，et al. Mapping the three-dimensional distribution of soil organic matter across a subtropical hilly landscape. Soil Science Society of America Journal，2013，77（4）：1241—1253.

［33］ Lian G，Guo X D，F(xiàn)u B J，et al. Prediction of the spatial distribution of soil properties based on environmental correlation and geostatistics. Transactions of the Chinese Society of Agricultural Engineering，2009，25（7）：237—242. [連綱，郭旭東，傅伯杰，等. 基于環(huán)境相關(guān)法和地統(tǒng)計(jì)學(xué)的土壤屬性空間分布預(yù)測. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（7）：237—242.]

［34］ Bennie J，Huntley B，Wiltshire A，et al. Slope，aspect and climate：Spatially explicit and implicit models of topographic microclimate in chalk grassland. Ecological Modelling，2008，216（1）：47—59.

［35］ Wang L，Wang Q，Wei S，et al. Soil desiccation for loess soils on natural and regrown areas. Forest Ecology & Management，2008，255（7）：2467—2477.

［36］Wang K，Zhang C R，Li W D，et al. Mapping soil organic matter with limited sample data using geographically weighted regression. Surveyor，2014，59（1）：91—106.

［37］ Li Q Q，Yue T X，F(xiàn)an Z M，et al. Study on method for spatial simulation of topsoil SOM at national scale in China. Journal of Natural Resources，2010，25（8）：1385—1399. [李啟權(quán)，岳天祥，范澤孟，等. 中國表層土壤有機(jī)質(zhì)空間分布模擬分析方法研究. 自然資源學(xué)報(bào)，2010，25（8）：1385—1399.]

［38］ Mishra U，Riley W J. Alaskan soil carbon stocks：Spatial variability and dependence on environmental factors. Biogeosciences，2012，9（9）：3637—3645.

［39］ Du P Y，Zhang H T，Guo L，et al. Variation of Soil Organic Matter in Transition Zones and Its Influencing Factors. Acta Pedologica Sinica，2018，55（5）：1286—1295. [杜佩穎，張海濤，郭龍，等. 平原丘陵過渡區(qū)土壤有機(jī)質(zhì)空間變異及其影響因素. 土壤學(xué)報(bào)，2018，55（5）：1286—1295.]

Characterization of Spatial Distribution of Soil Organic Carbon in China Based on Environmental Variables

LUO Mei, GUO Long?,ZHANG Haitao, WANG Shanqin, LIANG Pan

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

Soil organic carbon content in China and its variation plays a very important role in the global carbon cycle and variation of atmospheric carbon dioxide concentration. The processes of soil formation, development and erosion are subject to impacts of the complex and volatile environmental factors in the surroundings of the soil, so soil organic carbon is of strong spatial variability and dependence.Based on the data of soil organic carbon contents in the surface layers of 2 473 soil profiles collected during the Second National Soil Survey, this paper explored influences of factors, like topography, vegetation and climate on spatial distribution of soil organic carbon; With the ordinary Kriging method as control, geographically weighted regression, geographically weighted regression Kriging, multiple linear regression and regression Kriging were used separately to modeling for spatial prediction of soil organic carbon; indices, like mean absolute estimation error (MAE), mean relative error (MRE), root mean square error (RMSE) and Pearson correlation coefficient(r)were used to evaluate performance of these models; and soil organic carbon spatial distribution prediction maps were drawn separately.Results show: (1) Soil organic carbon varied in the range from 1.62 g·kg–1to 223.88 g·kg–1in content and averaged to be 22.28 g·kg–1in the country. Its variation coefficient reached 96.10%, which indicates that organic carbon in the soil varies very sharply in range, and is of strong spatial heterogeneity; (2) Soil organic carbon content was significantly related to annual mean precipitation, ≥10℃annual accumulated temperature, elevation, slope, aspect, normalized difference vegetation index, annual average temperature, topographic wetness index, topographic position index and topographic roughness index. Among them, slope, elevation, aspect, topographic roughness index, annual average precipitation and normalized vegetation index were positively related, while topographic position index, topographic wetness index, annual average temperature and ≥10℃accumulated temperature were negatively related; (3) Multiple linear regression coefficients might reflect influences of the environmental variables on soil organic carbon globally, whereas the geographically weighted regression coefficient map might do clearly those of different environmental variables on soil organic carbon in different geographical locations; (4) The mean absolute estimation error, root mean square error, mean relative error and Pearson correlation coefficient of the model were used as model validation indices and indicated that the geographically weighted regression is higher than the other models in prediction accuracy, and hence can be used to plot soil organic carbon spatial distribution characteristics maps of large scales areas; and (5) Areas relatively high in soil organic carbon content were mainly distributed in the northeast and southwest of the studied region, and patches in the southeast, while areas relatively low were in the northwest.The geographically weighted regression is higher than the ordinary Kriging, multiple linear regression, regression Kriging and geographically weighted regression Kriging in prediction accuracy. In this paper, efforts have been made to explore correlations between soil properties and environmental variables on large scales in an attempt to provide certain solutions and ideas for soil properties spatial mapping.

Soil organic carbon; Environmental variable; Geographically weighted regression; Multiple linear regression

S159.2

A

10.11766/trxb201812110454

羅梅，郭龍，張海濤，汪善勤，梁攀. 基于環(huán)境變量的中國土壤有機(jī)碳空間分布特征[J]. 土壤學(xué)報(bào)，2020，57（1）：48–59.

LUO Mei，GUO Long，ZHANG Haitao，WANG Shanqin，LIANG Pan. Characterization of Spatial Distribution of Soil Organic Carbon in China Based on Environmental Variables[J]. Acta Pedologica Sinica，2020，57（1）：48–59.

* 湖北省自然科學(xué)基金項(xiàng)目（2018CFB372）、中國科學(xué)院水生植物與流域生態(tài)重點(diǎn)實(shí)驗(yàn)室開放課題（Y852721s04）和國家自然科學(xué)基金項(xiàng)目（41471179）資助Supported by the Hubei Provincial Natural Science Foundation of China（No. 2018CFB372），Open Funding Project of the Key Laboratory of Aquatic Botany and Watershed Ecology，Chinese Academy of Sciences（No. Y852721s04）and the National Natural Science Foundation of China（No. 41471179）

，E-mail：guolong@mail.hzau.edu.cn

羅 梅（1996—），女，重慶永川人，碩士研究生，主要從事數(shù)字土壤制圖方面的研究。E-mail：luomei@webmail.hzau.edu.cn

2018–12–11；

2019–03–21；

2019–05–07

（責(zé)任編輯：檀滿枝）