濱海地區(qū)土壤鹽分空間分布預(yù)測方法比較研究

趙?林，郭紫伊，周國華，喬?治

?

濱海地區(qū)土壤鹽分空間分布預(yù)測方法比較研究

趙?林1，郭紫伊1，周國華2，喬?治1

(1. 天津大學(xué)環(huán)境科學(xué)與工程學(xué)院，天津 300350；2. 天津生態(tài)城市政景觀有限公司，天津 300486)

以天津濱海地區(qū)為例，利用4種確定性方法(反距離權(quán)重、徑向基函數(shù)、全局多項式、局部多項式)和5種地統(tǒng)計方法(普通克里格、協(xié)同克里格、泛克里格、指示克里格、序貫高斯模擬)對典型樣區(qū)進(jìn)行土壤鹽分空間分布估計、土壤鹽漬化風(fēng)險區(qū)域識別及其不確定性評價，并針對不同方法的預(yù)測效果進(jìn)行了綜合對比分析．結(jié)果表明：地統(tǒng)計方法的插值精度整體上優(yōu)于確定性方法，序貫高斯模擬具有相對最高的預(yù)測精度；模擬結(jié)果的統(tǒng)計特征與實測數(shù)據(jù)的一致性較高，預(yù)測表面對局部細(xì)節(jié)的反映能力較強(qiáng)；在以含鹽量0.6%,為閾值的土壤鹽分含量不確定性評估中，序貫高斯模擬可通過多次模擬實現(xiàn)將環(huán)境風(fēng)險性定量化，是科學(xué)管理濱海地區(qū)鹽漬化土壤資源的有效手段．

土壤鹽分；空間分布；序貫高斯模擬；不確定性評價

土壤鹽漬化是一種由自然或人為因素引發(fā)的土壤災(zāi)害[1]．濱海地區(qū)由于長期受海水侵蝕影響，地下水礦化程度升高，土壤鹽漬化現(xiàn)象易于發(fā)生[2]．我國濱海地區(qū)鹽漬化土壤分布廣泛，鹽堿土面積達(dá)5×106,km2[3]，嚴(yán)重制約土地資源的可持續(xù)利用．因此，正確評估土壤鹽漬化狀況，掌握土壤鹽分空間變異規(guī)律，是合理開發(fā)利用鹽漬化土壤資源的基礎(chǔ)和前提．

空間插值模型將離散的采樣點數(shù)據(jù)用于連續(xù)面狀空間信息的預(yù)測[4]，是表征土壤鹽分空間分布特征的有效手段．但由于地理空間的異質(zhì)性和時空尺度效應(yīng)的差異，并不存在能夠適應(yīng)一切空間分布預(yù)測問題的通用性方法[5]．因此，針對濱海地區(qū)的土壤鹽分空間分布預(yù)測問題，探究這一情境下不同方法的適應(yīng)性，從而獲取更精確的土壤鹽分空間分布信息，在實際應(yīng)用中具有重要意義．

目前在土壤鹽分空間分布特征的研究中普通克里格是應(yīng)用最為普遍的方法[6-7]，反距離權(quán)重[8-9]、協(xié)同克里格[10-11]、指示克里格[12]等的應(yīng)用也多見報道．空間插值方法的效果在一定程度上依賴于插值精度[13]，在模型的精度比較中往往采用單一的交叉驗證或驗證數(shù)據(jù)集驗證方法[8,14]，采用的誤差評價指標(biāo)以均方根誤差為主，對常用空間插值方法及精度驗證方案的綜合比較尚不夠全面．在獲得土壤鹽分空間分布規(guī)律的基礎(chǔ)上，進(jìn)一步進(jìn)行土壤鹽漬化風(fēng)險區(qū)域識別及其不確定性評價的研究也相對較少．本研究以天津濱海地區(qū)典型地塊為例，比較土壤質(zhì)量評價中常用的4種確定性方法(反距離權(quán)重、徑向基函數(shù)、全局多項式、局部多項式)和4種地統(tǒng)計方法(普通克里格、協(xié)同克里格、泛克里格、序貫高斯模擬)對土壤鹽分空間變異的預(yù)測效果，結(jié)合兩種驗證手段并采用多個精度評價指標(biāo)，系統(tǒng)量化方法的預(yù)測精度，探討最適宜濱海地區(qū)土壤鹽分空間插值研究的方法.進(jìn)而借助指示克里格和序貫高斯模擬進(jìn)行土壤高鹽風(fēng)險區(qū)空間范圍的不確定性分析，以期為科學(xué)管理與合理利用濱海地區(qū)鹽漬化土壤資源提供參考依據(jù)．

1?材料與方法

1.1?研究區(qū)概況

研究區(qū)位于天津市濱海新區(qū)中新生態(tài)城內(nèi)，地處薊運河與永定新河交匯處至入?？诘膮^(qū)段，距渤海海岸線不足1,km；屬大陸性半濕潤季風(fēng)氣候區(qū)，年平均氣溫12.5,℃，年平均降水量602.9,mm，年蒸發(fā)量1,750～1,840,mm．該區(qū)域?qū)俸７e低平原區(qū)，地面標(biāo)高在1.0～3.0,m之間，地下水位30～40,cm左右，礦化度屬于咸水，潛水化學(xué)類型為Cl-—K+＋Na＋型．研究區(qū)域土地利用類型以未利用地為主，部分地區(qū)受到人為活動干擾；土壤質(zhì)地黏重，鹽漬化現(xiàn)象明顯，局部存在土壤板結(jié)及返鹽現(xiàn)象；原生植被以鹽生植物蘆葦((Cav.)Trin．ex Steud.)、堿蓬((Bunge)Bunge)群落為主．區(qū)域內(nèi)微地貌發(fā)育類型多樣，鹽分富集遷移狀況復(fù)雜，植被分布及生長狀況差異較大，土壤鹽分空間變異顯著．

1.2?樣品采集與分析

本次研究選定的調(diào)查地塊總面積13.37,km2，調(diào)查區(qū)包括以河流分隔開的4個獨立的片區(qū)(見圖1).研究采用200,m×200,m系統(tǒng)網(wǎng)格布點的采樣點位設(shè)計方案，由于研究區(qū)微地貌條件復(fù)雜，為保證樣品的代表性，采樣中根據(jù)實地情況對樣點位置及間距進(jìn)行了適當(dāng)調(diào)整，在周邊景觀分異性較大的點位采集3、4個子樣品混勻．2016年4月—5月共計進(jìn)行野外采樣調(diào)查8次，在覆蓋整個調(diào)查區(qū)域的184個點位進(jìn)行了土壤樣品采集，樣點數(shù)量經(jīng)驗證滿足土壤環(huán)境監(jiān)測技術(shù)規(guī)范要求，采樣深度0～20,cm．后續(xù)進(jìn)行土壤樣品的實驗室分析，采用國家、行業(yè)相關(guān)標(biāo)準(zhǔn)方法分別對土壤浸提液中八大離子(HCO3-、CO32-、Ca2＋、K＋、Mg2＋、Na＋、Cl-、SO42-)含量進(jìn)行測定．本文以上述8種離子含量之和作為土壤水溶性鹽分含量，以表征研究區(qū)土壤的鹽漬化程度．

圖1?研究區(qū)土壤鹽分預(yù)測與驗證樣點分布

1.3?研究方法

研究區(qū)土壤鹽分含量的基本統(tǒng)計分析利用SPSS Statistics 20處理，空間插值分析、序貫高斯模擬基于ArcGIS10.2的地統(tǒng)計分析模塊實現(xiàn)．

1.3.1?空間插值方法

本文選擇土壤質(zhì)量評價中常用的兩類共9種方法進(jìn)行土壤鹽分空間分布預(yù)測及不確定性評價．所采用的空間插值方法包括確定性方法和地統(tǒng)計方?法[15]．確定性方法基于研究區(qū)域內(nèi)部的相似性或平滑程度創(chuàng)建插值表面[16]．研究采用的確定性方法包括：反距離權(quán)重(inverse distance weighting，IDW)[9]、徑向基函數(shù)(radial basis functions，RBF)[17]、全局多項式(global polynomial interpolation，GPI)[16]、局部多項式(local polynomial interpolation，LPI)[16]．

地統(tǒng)計方法中克里格方法以區(qū)域化變量和變異函數(shù)理論為基礎(chǔ)，以具有隨機(jī)性和結(jié)構(gòu)性特征的空間變量為研究對象，利用已知樣點數(shù)據(jù)實現(xiàn)無偏最優(yōu)的插值預(yù)測[18]．研究采用的克里格方法包括：普通克里格(ordinary kriging，OK)[18]、協(xié)同克里格(co-kriging，CK)[18]、泛克里格(universal kriging，UK)[19]、指示克里格(indicator kriging，IK)[12]．

序貫高斯模擬(sequential Gaussian simulation，SGS)屬于非線性地統(tǒng)計方法，是條件隨機(jī)模擬中最常用的方法之一[20]．其根據(jù)樣點數(shù)據(jù)構(gòu)造高斯模型，變量預(yù)測值為符合該高斯函數(shù)的一次隨機(jī)模擬實?現(xiàn)[21]．本研究將預(yù)測數(shù)據(jù)集的土壤鹽分含量數(shù)據(jù)作為條件要素生成遵循數(shù)據(jù)值的條件實現(xiàn)．

1.3.2?精度評價方法

為檢驗不同插值方法對研究區(qū)土壤鹽分空間分布的預(yù)測精度，采用交叉驗證及獨立數(shù)據(jù)集驗證兩種方法進(jìn)行綜合評估．將184個采樣點隨機(jī)分為預(yù)測數(shù)據(jù)集(147，80%,)和驗證數(shù)據(jù)集(37，20%,)兩個相互獨立的數(shù)據(jù)子集．

交叉驗證即每次移除預(yù)測數(shù)據(jù)集中的一個采樣點，利用剩余數(shù)據(jù)進(jìn)行插值預(yù)測，最后比較所有樣點處實測值與預(yù)測值的差異．獨立數(shù)據(jù)集驗證則更為直接[13]，通過比較驗證數(shù)據(jù)集的實測值和利用預(yù)測數(shù)據(jù)集獲得的驗證點處的預(yù)測值以評價空間預(yù)測精度．研究中采用的預(yù)測精度評價指標(biāo)包括：平均誤差(mean error，ME)、均方根誤差(root mean square error，RMSE)、平均絕對誤差(mean absolute error，MAE)、平均標(biāo)準(zhǔn)誤差(averaged standard error，ASE)、平均標(biāo)準(zhǔn)化誤差(mean standardized error，MSE)、均方根標(biāo)準(zhǔn)化誤差(root mean square standardized error，RMSSE)[22]．

2?研究結(jié)果

2.1?描述性統(tǒng)計分析

研究區(qū)土壤鹽分含量描述性統(tǒng)計(見表1)分析表明，土壤鹽分含量具有極高的空間變異程度，變異系數(shù)達(dá)1.20，屬強(qiáng)變異性(變異系數(shù)＞1)；含鹽量變化范圍0.06%,～4.40%,，從非鹽化土到鹽土均有分布．土壤鹽分含量頻率分布直方圖(見圖2)反映出數(shù)據(jù)不符合正態(tài)分布，呈明顯的左偏態(tài)，由于存在少量極高值，右側(cè)出現(xiàn)長尾現(xiàn)象．

表1?研究區(qū)土壤鹽分含量描述性統(tǒng)計

Tab.1?Descriptive statistics of soil salinity of the study area

圖2?研究區(qū)土壤鹽分含量頻率分布

2.2?土壤鹽分預(yù)測精度比較

2.2.1?確定性方法預(yù)測精度比較

不同的參數(shù)設(shè)置方案對于方法的預(yù)測結(jié)果具有顯著的影響[23]，因此本研究在預(yù)測方法的比較中以參數(shù)設(shè)置最優(yōu)為前提．確定性方法的最優(yōu)模型參數(shù)設(shè)置方案分別為：IDW方法冪次＝1，RBF方法插值基函數(shù)為規(guī)則樣條函數(shù)，GPI方法多項式的階數(shù)order＝1，LPI方法多項式的階數(shù)order＝2．

對4種確定性方法的土壤鹽分預(yù)測精度進(jìn)行比較(見表2)，就樣本數(shù)據(jù)集交叉驗證結(jié)果而言，ME最接近0的為GPI方法，RBF及LPI次之，IDW則相對較大；RMSE以LPI最小，GPI及IDW次之，RBF較其他方法誤差最大．獨立數(shù)據(jù)集驗證結(jié)果表明，兩種精確性插值方法IDW和RBF的預(yù)測精度總體相差不大，ME相對較大而MAE相對較小，RMSE較??；非精確性插值方法GPI和LPI則具有相對更小的ME，GPI具有最小的RMSE，LPI則具有最大的MAE和RMSE．僅從誤差評價角度而言，GPI方法的插值精度整體上略高于精確性插值方法IDW和RBF，LPI在獨立數(shù)據(jù)集驗證中表現(xiàn)出了較大的誤差．

表2?確定性方法估計土壤鹽分含量的驗證誤差

Tab.2?Errors of deterministic interpolation methods in soil salinity estimation

2.2.2?地統(tǒng)計方法空間相關(guān)性分析及預(yù)測精度比較

研究區(qū)原始數(shù)據(jù)各階均無明顯全局趨勢效應(yīng)，各方向上變異函數(shù)差異較小，故OK、CK方法未進(jìn)行趨勢移除，UK移除一階趨勢，均不考慮各向異性，對土壤鹽分含量數(shù)據(jù)進(jìn)行對數(shù)變換后，進(jìn)行土壤鹽分空間分布的預(yù)測．本研究中地統(tǒng)計方法的最優(yōu)變異函數(shù)理論模型均為高斯模型．CK方法將八大離子中與土壤鹽分含量相關(guān)程度最高的Cl-(2＝0.995，置信水平1%)作為協(xié)同變量引入模型時插值精度最佳[11,,24].

變異函數(shù)分析是獲取區(qū)域化變量分布、度量空間自相關(guān)程度的有效手段．其參數(shù)0為變程(Range)，即空間自相關(guān)性存在的范圍，各模型0在1,439～1,972,m之間，遠(yuǎn)大于采樣間距．0/(＋0)即塊金值/基臺值(Nugget/Sill)常用于定義變量空間自相關(guān)性的強(qiáng)弱，OK及CK方法0/(＋0)在25%,～75%,之間，表明在研究尺度下土壤鹽分具有中等的空間依賴性，受到結(jié)構(gòu)性因素和隨機(jī)性因素的共同影響；UK方法0/(＋0)＞75%,，土壤鹽分的空間自相關(guān)性較弱，主要受隨機(jī)性因素控制[25]，這表明OK和CK相對更適宜在此區(qū)域內(nèi)應(yīng)用．

在比較地統(tǒng)計插值方法的預(yù)測精度時，需要兼顧最優(yōu)性和有效性．當(dāng)ME、MSE最接近于0，RMSE、ASE、MAE盡可能小時，模型具有最優(yōu)性；而當(dāng)RMSSE最接近于1且RMSE與ASE最接近時，模型才是最有效的．綜合比較地統(tǒng)計插值方法的交叉驗證及獨立數(shù)據(jù)集驗證結(jié)果可知(見表3和表4)，UK方法的大部分交叉驗證及獨立數(shù)據(jù)集驗證誤差指標(biāo)明顯更小，但其RMSE與ASE之間的差距遠(yuǎn)大于其他方法，這表明該模型存在嚴(yán)重的問題，插值表面空間變異的合理性難以保證，不適用于該區(qū)域土壤鹽分空間分布的預(yù)測．

OK和CK方法的插值精度整體上優(yōu)于確定性方法．對二者的預(yù)測誤差進(jìn)行比較，CK的樣本數(shù)據(jù)集交叉驗證誤差指標(biāo)RMSE、ASE、MSE相對更小且RMSSE更接近1；在獨立數(shù)據(jù)集驗證結(jié)果中，CK與OK的預(yù)測精度基本一致，僅OK的RMSE略小于CK，故引入?yún)f(xié)同變量的CK相比OK預(yù)測精度略有提升．

序貫高斯模擬方法單次模擬實現(xiàn)的結(jié)果存在較大的不確定性．隨機(jī)進(jìn)行1次SGS的預(yù)測誤差相對較大，其RMSE大于除LPI外的所有插值方法(見表4)．研究發(fā)現(xiàn)在隨機(jī)模擬50次后模擬均值達(dá)到穩(wěn)定狀態(tài)，故基于100次模擬實現(xiàn)的平均值表示研究區(qū)土壤鹽分的空間分布．100次SGS平均值的獨立數(shù)據(jù)集驗證結(jié)果表明，其預(yù)測精度相比單次SGS大幅提升，ME、RMSE、MAE均明顯小于其他方法，較OK方法分別降低47.6%,、1.80%,、10.9%,，相對具有最高的預(yù)測精度．

表3?地統(tǒng)計方法估計土壤鹽分含量的交叉驗證誤差

Tab.3?Cross validation errors of geostatistical methods in soil salinity estimation

表4?地統(tǒng)計方法估計土壤鹽分含量的獨立數(shù)據(jù)集驗證誤差

Tab.4?Independent DS errors of geostatistical methods in soil salinity estimation

2.3?土壤鹽分空間分布比較

對各方法預(yù)測結(jié)果的數(shù)據(jù)統(tǒng)計如表5所示．與預(yù)測數(shù)據(jù)集相比，非精確性插值方法GPI和LPI具有極強(qiáng)的平滑效應(yīng)，極大值被明顯低估，變異系數(shù)僅為原始數(shù)據(jù)的15.8%,和27.5%,．地統(tǒng)計插值方法OK和CK亦表現(xiàn)出顯著的平滑效應(yīng)，其標(biāo)準(zhǔn)差為原數(shù)據(jù)的24.6%,和27.3%,，預(yù)測數(shù)據(jù)范圍大幅縮減，過低估計了全局空間變異性．IDW和RBF由于精確性插值方法的特性，很好地保留了已知數(shù)據(jù)的極值信息，范圍與原始數(shù)據(jù)基本一致，但其標(biāo)準(zhǔn)差和變異系數(shù)仍明顯偏小，對數(shù)據(jù)的離散程度估計不足．SGS方法預(yù)測的取值區(qū)間與原數(shù)據(jù)較為相近，極大值未被低估，標(biāo)準(zhǔn)差、變異系數(shù)相對最大，在更大程度上重現(xiàn)了原始數(shù)據(jù)的離散性和波動性特征．

表5?土壤鹽分含量預(yù)測值的統(tǒng)計特征

Tab.5?Statistical characteristics of soil salinity predictions

圖3為分別運用確定性方法、克里格方法和序貫高斯模擬(100次隨機(jī)模擬均值)獲得的土壤鹽分空間分布，可以明顯看出不同類型方法形成的土壤鹽分預(yù)測表面在空間分布上存在顯著的差異．精確性插值方法IDW和RBF的插值表面在空間分布上不連續(xù)，由于土壤含鹽量的空間變異性極強(qiáng)，方法易受局部極值的影響，出現(xiàn)了嚴(yán)重的“牛眼”現(xiàn)象．GPI和LPI兩種非精確性插值方法的插值表面則過于平滑，局部極值區(qū)域缺失，無法正確反映土壤鹽分分布的細(xì)節(jié)信息．地統(tǒng)計插值方法OK、CK、UK預(yù)測的鹽分空間分布趨勢大體一致，插值表面較為連續(xù)、光滑，呈現(xiàn)條帶狀與斑塊狀分布特征．100次序貫高斯模擬實現(xiàn)的均值形成的預(yù)測表面與地統(tǒng)計插值表面較為相似，這是因為與單次無平滑效應(yīng)的隨機(jī)模擬實現(xiàn)相比，當(dāng)模擬次數(shù)增加時，多次模擬實現(xiàn)的逐點平均值將向普通克里格的數(shù)學(xué)期望收斂[26]．但結(jié)合預(yù)測值的統(tǒng)計信息，SGS相對于克里格方法而言，實際顯示出了更多的空間變異性．與確定性方法相比，地統(tǒng)計方法的預(yù)測表面在整體上變化連續(xù)、細(xì)節(jié)較為豐富，確定性方法則呈現(xiàn)出明顯的局部極值或過于平滑細(xì)節(jié)缺失的特征．

圖3?研究區(qū)土壤鹽分空間分布

2.4?土壤高鹽風(fēng)險區(qū)空間范圍的不確定性分析

高含鹽量的土壤會對植被產(chǎn)生鹽脅迫作用，降低土壤養(yǎng)分的有效性，并進(jìn)一步惡化土壤結(jié)構(gòu)[27]，造成嚴(yán)重的環(huán)境風(fēng)險．因此，在掌握土壤鹽分空間分布規(guī)律的基礎(chǔ)上，針對鹽漬化土壤高含鹽量風(fēng)險區(qū)域進(jìn)行相應(yīng)的治理和改良更符合工程應(yīng)用的需要．根據(jù)王遵親等[28]制定的土壤鹽化分級標(biāo)準(zhǔn)，含鹽量超過0.6%,的土壤即為鹽土，故本文以土壤鹽分含量0.6%,作為閾值，采用基于空間分布預(yù)測和基于概率分布估計兩種方式進(jìn)行土壤高含鹽量風(fēng)險區(qū)域范圍的識別，并探討其局部及空間不確定性．

首先對上文中預(yù)測效果較好的OK及SGS方法的空間分布圖進(jìn)行柵格化處理及重分類，獲得土壤鹽分分級圖(見圖4(a)、(b))，同時計算鹽土區(qū)域占研究區(qū)的面積比例．兩種方法生成的高鹽風(fēng)險區(qū)域分布格局大體一致，在研究區(qū)西部等地體現(xiàn)出一定的局部差異．OK和SGS方法劃定的土壤含鹽量大于0.6%,的土壤高含鹽量風(fēng)險區(qū)面積分別為19.91%,和25.21%,，由于克里格方法平滑效應(yīng)的影響，高值區(qū)域被過低估計，導(dǎo)致OK預(yù)測的風(fēng)險區(qū)域面積相對更?。?/p>

其次，通過非參數(shù)方法IK及SGS得出土壤鹽分預(yù)測的概率分布，從而對局部的不確定性進(jìn)行估計．區(qū)別于以是否超過閾值對空間分布預(yù)測圖進(jìn)行直接劃分，非參數(shù)方法將取值的不確定性定量化，通過超閾值概率的大小來反映環(huán)境風(fēng)險性，得以為決策者提供更加豐富的信息．值得注意的是，序貫高斯模擬與其他方法的評價思路完全不同，IK等線性空間插值方法獲得的預(yù)測結(jié)果是唯一確定的，而SGS借助多次模擬實現(xiàn)在每個特定位置生成多個服從一定條件概率分布的預(yù)測結(jié)果，能夠從概率統(tǒng)計的角度來評價鹽分含量取值的不確定性，更加接近客觀實際，在工程實踐中具有優(yōu)越性．

采用SGS評估局部不確定性時，特定位置土壤含鹽量超過閾值0.6%,的概率采用式(1)計算[29]．

???(1)

基于IK和SGS方法的土壤鹽分含量大于0.6%,的概率分布格局顯示出了一定的相似性(見圖4(c)、(d))，高概率區(qū)域主要分布于研究區(qū)南部及北部. SGS生成的概率分布較為連續(xù)，而IK的插值表面呈現(xiàn)破碎化的特征，可能與數(shù)據(jù)強(qiáng)烈的空間變異有關(guān)．采用概率0.6劃定土壤含鹽量超過閾值0.6%,的高鹽風(fēng)險區(qū)域，以IK及SGS方法統(tǒng)計的風(fēng)險面積分別為9.94%,和16.93%,，與通過土壤鹽分空間分布重分類得到的結(jié)果相比偏低．在鹽土與非鹽土區(qū)域的交界地帶，采用不同預(yù)測方法、不同超閾值概率劃定的土壤高含鹽量風(fēng)險區(qū)域范圍具有很大的空間不確定性．因此，應(yīng)根據(jù)具體工程要求謹(jǐn)慎選擇概率閾值，并可能需要對各方法評價結(jié)果存在爭議的區(qū)域進(jìn)行補(bǔ)充采樣以確保風(fēng)險區(qū)域范圍的準(zhǔn)確性．

通常情況下，預(yù)測標(biāo)準(zhǔn)誤差與估值結(jié)果的不確定性成正比[29]．IK的預(yù)測標(biāo)準(zhǔn)誤差分布顯示(見圖4(e))，其在樣點分布密集處誤差較小，在樣點稀疏的區(qū)域誤差相對較大，這表明克里格預(yù)測標(biāo)準(zhǔn)誤差主要受樣點空間布局的控制而與樣點取值無關(guān)．除小范圍區(qū)域外，SGS的預(yù)測標(biāo)準(zhǔn)誤差整體上小于IK(見圖4(f))，估值的準(zhǔn)確性和穩(wěn)定性更強(qiáng)；可以發(fā)現(xiàn)其預(yù)測誤差除與樣點空間位置有關(guān)外，在一定程度上還會受到樣點取值的影響．

3?討?論

本文以天津濱海地區(qū)典型樣區(qū)為例，以土壤表層鹽分含量為研究對象，比較多種常用方法在空間插值預(yù)測和不確定性評價中的表現(xiàn)，研究結(jié)果表明序貫高斯模擬的預(yù)測效果相對最佳，在工程應(yīng)用中優(yōu)勢顯著，是濱海地區(qū)土壤鹽分空間變異估計及風(fēng)險區(qū)域識別中較為適宜的方法．

綜合對比預(yù)測精度和插值表面，克里格方法的預(yù)測效果整體優(yōu)于確定性方法，但二者均表現(xiàn)出了一定的局限性．由于研究區(qū)域土壤鹽分含量數(shù)據(jù)各階全局趨勢效應(yīng)不明顯，以進(jìn)行主導(dǎo)趨勢分析為優(yōu)勢的GPI和UK方法效果較差．研究區(qū)域內(nèi)土壤含鹽量空間變異十分強(qiáng)烈，因此以表面平滑度為基礎(chǔ)創(chuàng)建光滑表面的RBF、GPI、LPI表現(xiàn)欠佳；同時克里格方法OK、CK適用于對變化更為平緩的空間屬性的估計，本例中受平滑效應(yīng)影響對局部極值區(qū)域的預(yù)測效果不夠理想，無法很好地再現(xiàn)原數(shù)據(jù)的空間結(jié)構(gòu)特征，這可能是在研究條件下具有局部無偏最優(yōu)性的克里格方法預(yù)測精度卻低于序貫高斯模擬的原因．

序貫高斯模擬方法克服了非精確性插值方法GPI、LPI及克里格方法OK、CK的平滑效應(yīng)，避免了精確性插值方法IDW、RBF受局部極值影響而產(chǎn)生的“牛眼”現(xiàn)象，生成的預(yù)測表面連續(xù)、空間結(jié)構(gòu)細(xì)節(jié)豐富，標(biāo)準(zhǔn)差、變異系數(shù)與實測數(shù)據(jù)最為接近，同時具有相對最高的預(yù)測精度，在尊重數(shù)據(jù)整體空間分布的前提下在更大程度上還原了數(shù)據(jù)的全局空間變異強(qiáng)度．但應(yīng)注意單次序貫高斯模擬結(jié)果雖完全避免了平滑效應(yīng)的影響，但其在空間上存在一定的不穩(wěn)定性，預(yù)測精度不佳．SGS預(yù)測誤差方差約為克里格方法的2倍[30]，任一次模擬結(jié)果的可信度均低于克里格方法，因此在應(yīng)用SGS方法時應(yīng)當(dāng)采用達(dá)到穩(wěn)定狀態(tài)后的多次模擬實現(xiàn)平均值進(jìn)行空間分布的估計．本例表明足夠多次的模擬均值有效提高了SGS的預(yù)測精度，在空間變異性極強(qiáng)的數(shù)據(jù)估值中具有很好的適應(yīng)性．

在基于閾值的土壤高鹽風(fēng)險區(qū)空間范圍的識別中，序貫高斯模擬方法也體現(xiàn)出了較高的應(yīng)用價值．包括非參數(shù)方法IK和參數(shù)方法OK等在內(nèi)的線性空間插值方法所得到的預(yù)測結(jié)果是唯一的，而通過多次運行SGS能夠在每個空間位置隨機(jī)生成多個等概率的模擬實現(xiàn)，作為土壤鹽分空間變異不確定性的度量，這種基于概率論思路進(jìn)行的取值不確定性評價與地理現(xiàn)實更為相近．序貫高斯模擬提供的超閾值概率分布將劃分土壤高鹽風(fēng)險區(qū)域范圍的不確定性定量化，可表征土壤的鹽漬化風(fēng)險性，因而更有利于決策者在工程實踐中作出科學(xué)合理的判斷，這是其他插值方法所難以完成的．不同方法劃定的土壤高鹽風(fēng)險區(qū)域邊界具有一定的空間不確定性，這與預(yù)測方法、用于空間范圍識別的概率閾值具有很大關(guān)聯(lián)．為提升土壤高含鹽量風(fēng)險區(qū)域劃分的可信度，可設(shè)定合理的概率閾值，采取多種方法同時進(jìn)行風(fēng)險區(qū)域的識別，空間疊加以獲得區(qū)域范圍；或者將每次模擬中均同時超過這一概率閾值的區(qū)域作為劃分的參考；對存在爭議的區(qū)域輔以實地調(diào)查等．關(guān)于如何選擇符合工程需要、更加科學(xué)高效的風(fēng)險區(qū)域最優(yōu)識別方案還有待進(jìn)一步研究．

4?結(jié)?語

在天津濱海典型樣區(qū)土壤鹽分空間插值方法的比較中，地統(tǒng)計方法的插值精度整體高于確定性方法，其中序貫高斯模擬的預(yù)測精度相對最高，其模擬結(jié)果的統(tǒng)計特征與實測數(shù)據(jù)的一致性較高，預(yù)測表面對局部細(xì)節(jié)的反映能力較強(qiáng)．同時，在土壤含鹽量不確定性估計中，序貫高斯模擬可量化土壤高含鹽量風(fēng)險區(qū)域的空間不確定性，效果優(yōu)于指示克里格法．因此，序貫高斯模擬在濱海地區(qū)土壤鹽分空間分布格局預(yù)測與高含鹽量風(fēng)險區(qū)域識別中具有較高的應(yīng)用?價值．

［1］ 李永智，單風(fēng)翔. 土壤鹽漬化危害及治理途徑淺析[J]. 西部探礦工程，2008，20(8)：85-88.

Li Yongzhi，Shan Fengxiang. The analysis of soil salinization hazards and governance approaches[J].，2008，20(8)：85-88(in Chinese).

［2］ Lü Z Z，Liu G M，Yang J S，et al. Spatial variability of soil salinity in Bohai Sea coastal wetlands，China：Partition into four management zones[J].，2013，147(4)：1201-1210.

［3］ 徐恒剛. 中國鹽生植被及鹽漬化生態(tài)治理[M]. 北京：中國農(nóng)業(yè)科學(xué)技術(shù)出版社，2004.

Xu Henggang.[M]. Beijing：China Agricultural Science and Technology Press，2004(in Chinese).

［4］ Sauer T J，Meek D W. Spatial variation of plant-available phosphorus in pastures with contrasting management[J].，2003，67(3)：826-836.

［5］ 朱會義，劉述林，賈紹鳳. 自然地理要素空間插值的幾個問題[J]. 地理研究，2004，23(4)：425-432.

Zhu Huiyi，Liu Shulin，Jia Shaofeng. Problems of the spatial interpolation of physical geographical elements [J].，2004，23(4)：425-432(in Chinese).

［6］ 魏俊奇，李小雁，蔣志云，等. 基于 EMI 的小泊湖退化濕地土壤鹽分的空間分布[J]. 水土保持學(xué)報，2016(6)：284-288.

Wei Junqi，Li Xiaoyan，Jiang Zhiyun，et al. Spatial distribution of soil salinity in a degraded wetland of Xiaopo Lake based on EMI[J].，2016(6)：284-288(in Chinese).

［7］ Yu J，Li Y，Han G，et al. The spatial distribution characteristics of soil salinity in coastal zone of the Yellow River Delta[J].，2014，72(2)：589-599.

［8］ 馬成霞，丁建麗，王?璐，等. 綠洲土壤表層含鹽量空間變異分析的插值方法研究[J]. 水土保持研究，2014(4)：317-320.

Ma Chengxia，Ding Jianli，Wang Lu，et al. Research for interpolation method of spatial variation analysis on soil salinity in the oasis[J].，2014(4)：317-320(in Chinese).

［9］ Chen F W，Liu C W. Estimation of the spatial rainfall distribution using inverse distance weighting(IDW)in the middle of Taiwan[J].，2012，10(3)：209-222.

［10］ Li H Y，Shi Z，Webster R，et al. Mapping the three-dimensional variation of soil salinity in a rice-paddy soil [J].，2013，195：31-41.

［11］ 王?紅，劉高煥，宮?鵬. 利用Cokriging提高估算土壤鹽離子濃度分布的精度——以黃河三角洲為例[J]. 地理學(xué)報，2005，60(3)：511-518.

Wang Hong，Liu Gaohuan，Gong Peng. Use of cokriging to improve estimates of soil salt solute spatial distribution in the Yellow River Delta[J].，2005，60(3)：511-518(in Chinese).

［12］ 楊奇勇，楊勁松，余世鵬. 禹城市耕地土壤鹽分與有機(jī)質(zhì)的指示克里格分析[J]. 生態(tài)學(xué)報，2011，31(8)：2196-2202.

Yang Qiyong，Yang Jinsong，Yu Shipeng. Evaluation on spatial distribution of soil salinity and soil organic matter by indicator kriging in Yucheng City[J].，2011，31(8)：2196-2202(in Chinese).

［13］ 史文嬌，岳天祥，石曉麗，等. 土壤連續(xù)屬性空間插值方法及其精度的研究進(jìn)展[J]. 自然資源學(xué)報，2012，27(1)：163-175.

Shi Wenjiao，Yue Tianxiang，Shi Xiaoli，et al. Research progress in soil property interpolators and their accuracy[J].，2012，27(1)：163-175(in Chinese).

［14］ 姚榮江，楊勁松，韓建均. 海涂圍墾區(qū)土壤鹽分空間變異模擬的比較研究[J]. 土壤學(xué)報，2012，49(2)：275-281.

Yao Rongjiang，Yang Jinsong，Han Jianjun. Comparative study of simulations of spatial variability of soil salinity in coastal polders[J].，2012，49(2)：275-281(in Chinese).

［15］ Yao Xueling，F(xiàn)u Bojie，Lü Yihe，et al. Comparison of four spatial interpolation methods for estimating soil moisture in a complex terrain catchment[J].，2013，8(1)：e54660.

［16］ 湯國安，楊?昕. ArcGIS 地理信息系統(tǒng)空間分析實驗教程[M]. 北京：科學(xué)出版社，2006.

Tang Guoan，Yang Xin.[M]. Beijing：Science Press，2006(in Chinese).

［17］ Zou Y L，Hu F L，Zhou C C，et al. Analysis of radial basis function interpolation approach[J].，2013，10(4)：397.

［18］ 郭懷成，周?豐，刀?谞. 地統(tǒng)計方法學(xué)研究進(jìn)展[J]. 地理研究，2008，27(5)：1191-1202.

Guo Huaicheng，Zhou Feng，Dao Xu. State-of-art on geostatistical methodology[J].，2008，27(5)：1191-1202(in Chinese).

［19］ 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[J]. 土壤學(xué)報，2005，42(3)：379-385.

Zhao Yongcun，Shi Xuezheng，Yu Dongsheng，et al. Different methods for prediction of spatial patterns of soil organic carbon density in Hebei province，China[J].，2005，42(3)：379-385(in Chinese).

［20］ Pendrel J，Leggett M，Mesdag P. Geostatistical simulation for reservoir characterization[C]//2004Calgary，Canada，2004.

［21］ 趙彥鋒，化全縣，陳?杰. Kriging 插值和序貫高斯條件模擬的原理比較及在土壤空間變異研究中的案例分析[J]. 土壤學(xué)報，2011，48(4)：856-862.

Zhao Yanfeng，Hua Quanxian，Chen Jie. Comparison of kriging interpolation with conditional sequential Gaussian simulation in principles and case analysis of their application in study on soil spatial variation[J].，2011，48(4)：856-862(in Chinese).

［22］ Li J，Heap A D. A review of comparative studies of spatial interpolation methods in environmental sciences：Performance and impact factors[J].，2011，6(3)：228-241.

［23］ 易湘生，李國勝，尹衍雨，等. 土壤厚度的空間插值方法比較——以青海三江源地區(qū)為例[J]. 地理研究，2012，31(10)：1793-1805.

Yi Xiangsheng，Li Guosheng，Yin Yanyu，et al. Comparison on soil depth prediction among different spatial interpolation methods：A case study in the Three-River Headwaters region of Qinghai province[J].，2012，31(10)：1793-1805(in Chinese).

［24］ 吳春生，黃?翀，劉高煥，等. 黃河三角洲土壤含鹽量空間預(yù)測方法研究[J]. 資源科學(xué)，2016，38(4)：704-713.

Wu Chunsheng，Huang Chong，Liu Gaohuan，et al. Spatial prediction of soil salinity in the Yellow River Delta based on geographically weighted regression[J].，2016，38(4)：704-713(in Chinese).

［25］ Cambardella C A，Moorman T B，Parkin T B，et al. Field-scale variability of soil properties in central Iowa soils[J].，1994，58(5)：1501-1511.

［26］ Chiles J P，Delfiner P.：[M]. America：John Wiley & Sons，2009.

［27］ 孫向陽. 土壤學(xué)[M]. 北京：中國林業(yè)出版社，2005.

Sun Xiangyang.[M]. Beijing：China Forestry Press，2005(in Chinese).

［28］ 王遵親，祝壽泉，俞仁培. 中國鹽漬土[M]. 北京：科學(xué)出版社，1993.

Wang Zunqin，Zhu Shouquan，Yu Renpei.[M]. Beijing：Science Press，1993(in Chinese).

［29］ 張國峰，瞿明凱，成兆金，等. 基于序貫高斯模擬的日最低氣溫空間不確定性評估[J]. 應(yīng)用生態(tài)學(xué)報，2014，25(1)：117-124.

Zhang Guofeng，Qu Mingkai，Cheng Zhaojin，et al. Assessment for spatial uncertainty of daily minimum temperature by using sequential Gaussian simulation[J].，2014，25(1)：117-124(in Chinese).

［30］ 趙彥鋒，孫志英，陳?杰. Kriging 插值和序貫高斯條件模擬算法的對比分析[J]. 地球信息科學(xué)學(xué)報，2011，12(6)：767-776.

Zhao Yanfeng，Sun Zhiying，Chen Jie. Analysis and comparison in arithmetic for kriging interpolation and sequential Gaussian conditional simulation[J].，2011，12(6)：767-776(in Chinese).

(責(zé)任編輯：田?軍)

Comparative Study of Methods for Spatial Distribution Prediction of Soil Salinity in Coastal Areas

Zhao Lin1，Guo Ziyi1，Zhou Guohua2，Qiao Zhi1

(1．School of Environmental Science and Engineering，Tianjin University，Tianjin 300350，China；2．Tianjin Eco-City Municipal Engineering & Landscape Architecture Company Limited，Tianjin 300486，China)

Focused on Tianjin coastal area，four deterministic methods(inverse distance weighting，radial basis functions，global polynomial interpolation and local polynomial interpolation)and five geostatistical interpolation methods(ordinary kriging，co-kriging，universal kriging，indicator kriging and sequential Gaussian simulation)were applied to estimate the spatial distribution of soil salinity of a typical sample area，identify risky areas of soil salinization and evaluate outcomes’ uncertainty．On this basis，the paper carried out comparative analyses according to the forecast effects of different methods．Results show that on the whole，the interpolation precision of geostatistical interpolation methods is higher than that of deterministic methods and sequential Gaussian simulation has relatively the highest prediction accuracy．Statistical features of simulation results and the measured data are of high consistency，and the interpolation surface of sequential Gaussian simulation can reflect the local details accurately．Furthermore，in the uncertainty assessment with the threshold of soil salt content at 0.6%,，sequential Gaussian simulation can quantify the environmental risk through multiple simulations．It is an effective measure to manage saline soil resources in coastal areas scientifically.

soil salinity；spatial distribution；sequential Gaussian simulation；uncertainty assessment

10.11784/tdxbz201707013

X37

A

0493-2137(2018)07-0720-09

2017-07-07；

2017-10-30.

趙林（1961— ），男，博士，教授.

趙林，zhaolin@tju.edu.cn.

國家自然科學(xué)基金資助項目(41572237)．

the National Natural Science Foundation of China(No.,41572237)．