劉加敏 陳敏 劉洋 周廣華 張郁

摘? ? 要：探究耕地土壤質量的空間分布及影響因素，為指導農(nóng)戶行為及促進農(nóng)業(yè)生態(tài)可持續(xù)發(fā)展提供理論依據(jù)，基于中國土壤數(shù)據(jù)集（HWSD V2.1），利用主成分分析構建耕地土壤質量評價的最小數(shù)據(jù)集，結合灰色-TOPSIS多目標評價模型，對全國（港澳臺除外）耕地土壤質量進行評價，運用地理探測器探索外部因子（年平均降水、年平均溫度、人口密度和GDP）對耕地土壤質量的影響程度。結果表明：（1）最小數(shù)據(jù)集能有效減少指標體系之間的相關性，改進灰色-TOPSIS方法一定程度上提高耕地土壤質量評估的準確性；（2）根據(jù)耕地土壤質量評價結果，將耕地質量分為5個等級，從全國范圍來看，長江中下游區(qū)、華南區(qū)耕地土壤質量較好，而黃土高原區(qū)、青藏高原區(qū)、內蒙古高原區(qū)耕地土壤質量則較差；（3）從地理探測器結果來看，年平均溫度與年平均降水量共同對耕地土壤質量的解釋程度大的省份共有20個，遠遠大于其他兩兩因子共同對耕地土壤的解釋程度，2個因素交互作用效果大于單因子對耕地土壤質量的影響。綜上，年平均降水量和年平均溫度是影響耕地土壤綜合質量的主要因素。

關鍵詞：最小數(shù)據(jù)集；灰色-TOPSIS；土壤質量評價；地理探測器

中圖分類號：S158? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ?DOI 編碼：10.3969/j.issn.1006－6500.2024.05.013

Evaluation of National Arable Land Soil Quality and Influencing Factors by Combining Minimum Dataset and Improved Gray TOPSIS

LIU Jiamin1，2，3， CHEN Min1，2，3， LIU Yang1，2，3， ZHOU Guanghua1，2，3， ZHANG Yu1，2，3

（Guangzhou Urban Planning Survey and Design Research Institute Company Limited， Guangzhou， Guangdong 510060， China）

Abstract：In order to explore the spatial distribution and influencing factors of arable soil quality and provide a theoretical basis for guiding farmers' behaviour and promoting sustainable agroecological development. Based on the China Soil Dataset （HWSD V2.1）， the minimum dataset for the evaluation of arable soil quality was constructed using principal component analysis， and combined with the grey-TOPSIS multi-objective evaluation model， the soil quality of arable land in the whole country （except Hong Kong， Macao and Taiwan） was evaluated. Geo-detectors were used to explore the degree of influence of external factors （mean annual precipitation， mean annual temperature， population density and GDP） on the soil quality of arable land. The results showed that： （1） the minimum data set could effectively reduce the correlation between indicator systems， and the improvement of the grey-TOPSIS method improved the accuracy of the arable land soil quality assessment to a certain extent. （2） According to the results of arable land soil quality assessment， the quality of arable land was classified into five grades， and from a national perspective， the quality of arable land soil was better in the middle and lower reaches of the Yangtze River and in South China， while the quality of arable land soil was worse in the Loess Plateau Zone， the Qinghai-Tibet Plateau Zone， and the Inner Mongolia Plateau Zone. （3） From the results of the geodetector， the average annual temperature and average annual precipitation together explained the quality of arable soil to a greater extent in 20 provinces， which was much greater than that explained by the other two factors together， and the interaction effect of the two factors was greater than that of a single factor on the quality of arable soil. In conclusion， average annual precipitation and average annual temperature were the main factors affecting the comprehensive quality of arable soils.

Key words： minimum data set; gray-TOPSIS; soil quality assessment; geoprobe

土壤是人類生存發(fā)展的物質基礎和重要的戰(zhàn)略資源，而耕地土壤質量可以反映施肥和農(nóng)作物營養(yǎng)元素吸收綜合作用下土壤養(yǎng)分含量演變趨勢[1]，是落實“藏糧于地、藏糧于技”戰(zhàn)略、守住耕地紅線、保障國家糧食安全的重要指標[2]。因此，開展對耕地土壤質量評價及探索影響耕地土壤質量因素的研究具有重要意義。

傳統(tǒng)的耕地土壤質量評價方法在選取指標時，未考慮指標之間的相關性[3]且多采用主觀性較強的層次分析法和模糊評價方法[4]，缺乏客觀性。而改進灰色-TOPSIS多目標評價模型能改善這種不足。同時，耕地土壤質量評價研究尺度多聚焦于省級/地區(qū)、流域/集水區(qū)、景觀/農(nóng)場、田塊、多尺度5個類別，目前關于國家尺度的研究均以土種為評價單元，并未有全國尺度的土壤質量分布特征的研究。

采用方差分析等傳統(tǒng)統(tǒng)計方法進行影響因素分析需要滿足很多假設的條件[5-7]，并且需要對數(shù)據(jù)進行預處理，很少考慮到數(shù)據(jù)的空間屬性特征。王勁峰等[8]在利用空間方差理論構建了地理探測器模型，不僅能探測地理因素之間的空間相關性，還可以探測影響因子的交互作用。與傳統(tǒng)統(tǒng)計學方法相比，地理探測器可以更加全面客觀地分析土壤質量空間分布的特征和機理[9]。目前已有利用地理探測器探究影響土壤重金屬空間分布的因子的研究[10-11]。因此，通過地理探測器能更加科學地分析影響土壤質量空間差異的因素。

1 材料與方法

1.1 研究區(qū)概況

我國的山脈大多呈東西走向或者東北—西南走向。我國西部有“世界屋脊”之稱的青藏高原是我國地勢的第一級階梯。我國地勢的第二級階梯是內蒙古、新疆地區(qū)、黃土高原、四川盆地和云貴高原。我國地勢的第三級階梯多為平原和丘陵。全國主要有15種土壤類型，主要包含磚紅壤、赤紅壤、紅黃壤、高山漠土等。我國由南向北土壤分布狀況：磚紅壤—赤紅壤—紅壤、黃壤—黃棕壤—棕壤—暗棕壤—漂灰土。我國由東向西土壤分布狀況：黑土—灰褐土—栗鈣土—棕鈣土—灰漠土。我國主要的農(nóng)業(yè)耕作區(qū)在東北平原、華北平原和長江中下游平原三大平原。除此以外，我國還有珠江三角洲、臺灣西部平原等重要的農(nóng)業(yè)耕作區(qū)。本研究將主要對全國（港澳臺除外）的耕地土壤質量及影響因素進行研究。

1.2 數(shù)據(jù)來源

本研究主要包括的數(shù)據(jù)：全國土壤理化指標數(shù)據(jù)來源于世界土壤數(shù)據(jù)庫（HWSD）的中國土壤數(shù)據(jù)集（v1.2），空間分辨率為1 km；土地利用現(xiàn)狀數(shù)據(jù)來源于地理國情監(jiān)測云平臺，其空間分辨率為1 km；歸一化植被指數(shù)數(shù)據(jù)：時間分辨率是15 d，空間分辨率是8 km，數(shù)據(jù)來源于國家青藏高原科學數(shù)據(jù)中心網(wǎng)站[12-13]；中國省級行政邊界數(shù)據(jù)、年平均溫度數(shù)據(jù)、年平均降水量數(shù)據(jù)、人口密度數(shù)據(jù)、GDP數(shù)據(jù)均來源于資源環(huán)境科學與數(shù)據(jù)中心。

1.3 研究方法

1.3.1 最小數(shù)據(jù)集的建立 最小數(shù)據(jù)集是對每個指標的統(tǒng)計特征和可變性以及不同指標之間的相關性進行了評估，評估結果用于確定從預選指標中篩選每個指標的必要性。如果存在數(shù)據(jù)冗余，用PCA對指標進行分組，只選取特征值≥1的分量。同一組分中負荷≥0.5的指標歸為一組。如果指標在不同成分中的負荷≥0.5，則將該指標歸入與其他指標相關性最低的一組。如果一個指標與同一組中其他指標相關，并且所有的相關性≤0.3，則將該指標分為單獨的組。計算每個指標的向量范數(shù)值來篩選指標，范數(shù)值代表一個指標在所有組件中的綜合負載。

式中，Nij是特征值≥1的所有元件中指示器i的綜合載荷；Uik是元件k中指示器i的載荷；λk是元件k的特征值。

1.3.2 改進灰色-TOPSIS模型 灰色-TOPSIS法是多目標決策分析中常用的評價方法。但該方法在對喜好程度參數(shù)進行設定時存在一定的主觀性，本研究通過先遍歷灰色-TOPSIS法模型中的喜好程度參數(shù)，從不同參數(shù)下得到的評價結果中選出最符合實際情況的，作為最終的耕地土壤質量評價結果。其計算的過程參照王國振等[14-15]的研究方法，喜好程度參數(shù)遍歷過程如下：

計算過程中，為更加量化觀測樣本與理想解之間的偏差，特引入逼近程度值Ri，即

Ri+=λ1di ++λ1ki +（2）

Ri-=λ1di -+λ2ki -（3）

式中，i=1，2，...，m；λ反映主觀決策者的喜好程度，且λ1+λ2=1，對λ進行遍歷（λ1=0.1，λ2=0.9；…；λ1=0.9，λ2=0.1）。

1.3.3 地理探測器 地理探測器是可以探測空間分異性、揭示其背后驅動力的一種統(tǒng)計學方法，其核心思想基于假設：假設某個解釋變量對某個被解釋變量有重要影響，則解釋變量和被解釋變量在空間分布規(guī)律上有一定的相似[8]。地理探測器的優(yōu)勢在于可以探測2個解釋變量對被解釋變量的交互作用。地理探測器包含4個探測器：因子探測、交互作用探測、風險區(qū)探測、生態(tài)探測。本研究主要使用因子探測和交互作用探測對解釋變量與被解釋變量進行相關性分析。

因子探測器：探測某因子X多大程度上解釋了屬性Y的空間分異性，用q值度量。表達式為：

式中，L為土壤質量及影響因素的分類數(shù)；Nh和N分別為類h和全區(qū)的樣點量；σh 2和σ2分別為類h和全區(qū)的方差；q的值域為[0，1]，值越大表明影響因素對土壤質量空間差異的解釋力越強；q值表示X解釋了100×q%的Y。q值的一個簡單變換滿足非中心F分布：

式中，λ為非中心參數(shù)；Yh? ?為層h的均值。λ值可以檢驗q值是否顯著。

2 結果與分析

2.1 建立最小數(shù)據(jù)集

通過PCA可以將指標分為5組，對各指標的Norm值進行計算，將組內中大于最大Norm值的90%的指標留下，最后選取了6個指標（碎石體積百分比、沙含量、容重、有機碳含量、交換性鹽基、電導率）作為本次土壤質量評價的最小數(shù)據(jù)集（表1）。

2.2 耕地土壤質量評價

采用改進灰色-TOPSIS評價方法，結合《中國耕地質量等級調查與評定》[16]中我國耕地質量等級在空間上的變化規(guī)律（耕地從南到北，隨著緯度的升高，等別總體上呈下降的趨勢；從東到西，隨著經(jīng)度的降低，等別總體上呈下降的趨勢；從西北到東南，等別總體上呈上升的趨勢），利用排除法得到λ1=0.9，λ2=0.1時的耕地土壤質量評價結果，將其作為最終的評價結果，可以在一定程度上提高評估的準確性。最后，采用自然斷點法將耕地土壤質量分為I-V等級，I級最優(yōu)，V級最劣。

評價結果顯示，耕地土壤質量較好的地區(qū)主要分布在東北地區(qū)、華中地區(qū)、華南地區(qū)和華東地區(qū)。東北地區(qū)中黑龍江西部及吉林西北部地區(qū)的土壤質量較好；華中地區(qū)中河南北部以及湖南西南部的耕地土壤質量較差，其中，耕地土壤質量最差的地區(qū)位于新疆和內蒙古，其次是西藏和青海，廣西和海南局部地區(qū)土壤質量也較差，其他省份均處于中等甚至偏上水平。

2.3 耕地土壤質量影響因素分析

2.3.1 因子探測分析 通過裁剪、重分類、重投影、多值提取至點操作，對耕地土壤質量與人口密度、GDP、年平均溫度和年平均降水量進行因子探測分析，各省的探測結果如表2所示。

各省份q（人口）范圍為0.07%～17.35%，q（GDP）范圍為0.07%～9.49%。其中，人口對耕地土壤質量解釋程度較大的省份是寧夏、黑龍江，解釋程度較低的是新疆、四川、重慶等。GDP對耕地土壤質量解釋程度較大的省份是上海，解釋程度較小的省份有新疆、甘肅和青海等。就社會經(jīng)濟因子而言，寧夏的人口因子對耕地土壤質量的解釋程度最大，為17.35%，上海的GDP因子對耕地土壤質量的解釋程度最大，為9.49%。

各省份q（溫度）范圍為0.1%～17.64%，q（降水）范圍為0.34%～16.43%。其中，年平均溫度對耕地土壤質量解釋程度較大的省份是內蒙古、吉林和福建等，解釋程度較低的是甘肅、重慶、云南和江西。年平均降水量對耕地土壤質量解釋程度較大的省份有西藏、青海、寧夏和海南等，解釋程度較小的省份有四川、重慶、山東和吉林。就氣候因子而言，海南省耕地土壤質量受溫度影響最大，解釋程度達到17.64%，上海耕地土壤質量受降水影響最大，解釋程度達到16.43%。

2.3.2 交互探測分析 對全國各省各因子進行交互探測分析，對交互得到的q值最大的因子進行統(tǒng)計，如表3所示。溫度與降水共同對耕地土壤質量的解釋程度大的省份共有20個，人口與降水解釋程度大的省份共有9個，GDP與溫度解釋程度大的省份有1個，人口和溫度解釋程度大的省份有1個，GDP和降水解釋程度大的省份有1個。因此，影響全國耕地土壤綜合質量的因素主要有年平均降水量和年平均溫度，同時2個因子交互作用均大于單因子對耕地土壤質量的影響。以溫度與其他因子的交互探測分析為例：溫度與降水對耕地土壤質量的解釋程度相較于溫度與其他因子而言最大，且2個因子相互作用對耕地土壤質量的解釋程度比單因子大。相比于溫度單獨對耕地土壤質量的解釋程度而言，各省中溫度與其他因子共同對耕地土壤質量的解釋程度均有或大或小的提升。其中提升最明顯的是上海，說明上海的土壤質量與這2種因素有較強的相關性。因子相互作用對提升耕地土壤質量的解釋程度最不明顯的是四川，說明對于四川來說，溫度和GDP共同作用對提升耕地土壤質量的解釋程度影響較小。

綜上所述，溫度和降水因子相互作用對耕地土壤質量的解釋程度比較大，是影響我國耕地土壤質量很重要的環(huán)境因子，且兩個因子交互作用均大于單因子對耕地土壤質量的影響。

3 討論與結論

3.1 討論

耕地土壤質量的評價、空間顯現(xiàn)和影響因素的識別是判別耕地土壤生產(chǎn)力和健康能力以及有針對性地改善耕地土壤環(huán)境的重要證據(jù)。本研究中，耕地土壤質量評價結果為V級的大多分布在新疆、內蒙古、青海、廣西、海南等地，新疆和內蒙古的土壤質量明顯比其他地區(qū)差。原因是新疆有很大面積的干旱土，內蒙古有漠土、干旱土、鈣層土等，干旱土有機質含量低，礦化作用強，腐殖質含量低，除在有灌溉條件的干旱土區(qū)可以發(fā)展種植業(yè)外，其他大部分地區(qū)適宜發(fā)展畜牧業(yè)。西藏和青海的耕地土壤質量偏低，多為高山土。新疆和青海還有鹽成土，鹽成土受水資源和氣候條件的限制，土壤性狀不良，難以改良應用，農(nóng)業(yè)經(jīng)濟效率低。華北部分省份土壤質量較差，主要為新成土，水土流失嚴重。

年平均降水量對耕地土壤質量解釋程度較大的省份有西藏、青海等，解釋程度較小的省份有四川、重慶等。從溫度和降水量的q值的差值來看，共有14個省份的溫度對土壤質量的解釋程度小于降水量對土壤質量的解釋程度，其余省份降水量的解釋程度更大。由此可知，年平均溫度和年平均降水量對土壤質量的解釋程度差別不大。人口對耕地土壤質量解釋程度較大的省份是寧夏、黑龍江，解釋程度較低的是新疆、四川等。GDP對耕地土壤質量解釋程度較大的省份是上海，解釋程度較小的省份有新疆、甘肅等。就社會經(jīng)濟因子而言，寧夏的人口因子對耕地土壤質量的解釋程度最大，為17.35%，上海的GDP因子對耕地土壤質量的解釋程度最大，為9.49%。自然因素平均降水量和年平均溫度共同對耕地土壤質量的解釋程度大的省份共有20個，遠遠超過其他因素的兩兩交互作用，且2個因子相互作用對耕地土壤質量的解釋程度比單因子大。

3.2 結論

（1）最小數(shù)據(jù)集的建立。通過各組計算的Norm值，在全國土壤理化性質10個指標選擇了沙含量、容重、交換性鹽基、有機碳含量、碎石體積百分比和電導率作為全國耕地土壤質量評價指標，可以有效促進耕地土壤質量評估的準確性。

（2）耕地土壤質量評價。耕地土壤質量評價結果為V級的大多分布在新疆、內蒙古、西藏和青海，耕地土壤質量較好的地區(qū)主要分布在東北地區(qū)、華中地區(qū)、華南地區(qū)和華東地區(qū)。

（3）影響因素分析。從地理探測器中的因子探測來看，影響耕地土壤綜合質量的因素主要有年平均降水量和年平均溫度。從因子交互探測結果來看，2個因子交互作用均大于單因子對耕地土壤質量的影響。

參考文獻：

[1] 李超， 趙洋， 楊翠翠， 等. 基于耕地資源質量分類成果的東北地區(qū)耕地土壤條件空間分布特征[J/OL]. 土壤通報： 1-9[2023-12-09]. https：//doi.org/10.19336/j.cnki.trtb.2023072801. DOI： 10.19336/j.cnki.trtb.2023072801.

[2] 武巖， 劉宏金， 遲文峰， 等. 基于AHP-CRITIC法的耕地質量等級評價方法研究與實證[J/OL]. 中國土壤與肥料： 1-10[2023-12-09]. http：//kns.cnki.net/kcms/detail/11.5498.S.20230824.1427.002.html.

[3] 婁義寶， 史東梅， 蔣光毅， 等. 基于最小數(shù)據(jù)集的紫色丘陵區(qū)坡耕地耕層土壤質量評價[J]. 中國水土保持科學， 2019， 17（5）： 75-85.

[4] 鄧遠文， 江林香. 基于熵權-層次分析法的土壤質量綜合評價——以甘洛縣松樹坪村為例[J]. 中國資源綜合利用， 2023， 41（4）： 33-35.

[5] 羅由林， 李啟權， 王昌全， 等. 川中丘陵縣域土壤氮素空間分布特征及其影響因素[J]. 環(huán)境科學， 2015， 36（2）： 652-660.

[6] 方淑波， 崔曲， 龐慧煥， 等. 上海市城鄉(xiāng)梯度上土壤重金屬空間分布及其影響因素定量分析[J]. 環(huán)境科學學報， 2015， 35（12）： 3976-3984.

[7] 王合玲， 張輝國， 秦璐， 等. 新疆艾比湖流域土壤有機質的空間分布特征及其影響因素[J]. 生態(tài)學報， 2012， 32（16）： 4969-4980.

[8] 王勁峰， 徐成東. 地理探測器： 原理與展望[J]. 地理學報， 2017， 72（1）： 116-134.

[9] 張敏， 陳海， 史琴琴， 等. 黃土丘陵溝壑區(qū)耕層土壤重金屬空間分異及影響因素[J]. 農(nóng)業(yè)環(huán)境科學學報， 2019， 38（11）： 2465-2475.

[10] 肖武， 隋濤， 王鑫， 等. 巢湖流域典型農(nóng)田土壤重金屬污染評價與地理探測分析[J]. 農(nóng)業(yè)機械學報， 2018， 49（7）： 144-152.

[11] 李雨， 韓平， 任東， 等. 基于地理探測器的農(nóng)田土壤重金屬影響因子分析[J]. 中國農(nóng)業(yè)科學， 2017， 50（21）： 4138-4148.

[12] PINZON J E， TUCKER C J. A non-stationary 1981-2012 AVHRR NDVI3g time series[J]. Remote Sensing， 2014， 6（8）： 6929-6960.

[13] TUCKER C J， PINZON J E， BROWN M E， et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing， 2005， 26（20）： 4485-4498.

[14] 王國振， 卜崇峰， 馮偉. 基于灰色關聯(lián)度的TOPSIS模型的 “丹治” 工程生態(tài)效益評價[J]. 水土保持通報， 2019， 39（5）： 189-193.

[15] 張霞， 鄭郁， 王亞萍. 基于灰色關聯(lián)度的TOPSIS模型在秦嶺生態(tài)功能區(qū)水土保持治理效益評價中的應用[J]. 水土保持研究， 2013， 20（6）： 188-191.

[16] 程鋒， 王洪波， 鄖文聚. 中國耕地質量等級調查與評定[J]. 中國土地科學， 2014， 28（2）： 75-82， 97.