基于改進OK模型的土壤有機質空間分布預測*——以宜都市紅花套鎮(zhèn)為例

段麗君, 郭 龍, 張海濤, 琚清蘭

?

基于改進OK模型的土壤有機質空間分布預測*——以宜都市紅花套鎮(zhèn)為例

段麗君, 郭 龍, 張海濤**, 琚清蘭

(華中農業(yè)大學資源與環(huán)境學院 武漢 430070)

選擇合適的土壤有機質(SOM)預測模型是提高區(qū)域化空間分布模擬精度的前提, 也是監(jiān)測土壤碳庫動態(tài)變化和指導農田土壤肥力投入的基礎。以湖北宜都紅花套鎮(zhèn)柑橘區(qū)為例, 設置普通克里格(OK)插值的SOM結果作對照, 分別建立SOM及其最顯著相關輔助變量堿解氮間的建模協同克里格(COK1)、全局協同克里格(COK2)和兩個融合輔助變量協同相關性的改進OK模型(CCOK1、CCOK2), 探討納入輔助變量、改變輔助信息插值數量以及結合輔助變量協同相關性對SOM含量預測的影響。結果表明: 1)OK、CCOK1和CCOK2的塊基比為25%~75%, 表現出中等空間自相關性, 而COK1和COK2的塊基比小于25%, 具有強烈的空間自相關, SOM的空間異質性受結構性因素影響的比重更大。2)SOM的預測含量范圍為7.38~29.03 g×kg-1, 使用COK1和COK2模型插值獲得的有機質空間分布較OK更為破碎, CCOK1和CCOK2的插值結果則呈連續(xù)片狀分布, 更符合研究區(qū)土地利用類型分布的實際情況。3)SOM的空間分布預測精度由高到低依次為CCOK1≈CCOK2>COK2>COK1≈OK, OK和COK1兩者精度指標相近, COK2的擬合效果有一定改進, 但CCOK1和CCOK2的相關系數()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%, 預測精度最高。因此, 本研究提出的融合輔助變量協同相關性的改進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預測提供參考。

土壤有機質; 輔助變量; 堿解氮; 協同相關性; 改進OK模型; 空間自相關性

土壤有機質(soil organic matter, SOM)屬土壤重要組成部分[1], 是植物必需營養(yǎng)元素的主要來源[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重要指標[3-5]。柑橘(Blanco.)產業(yè)是湖北省重要經濟支柱之一, 種植面積達全省果園總面積的45%, 然而近年來由于柑橘園SOM含量總體偏低[6], 嚴重抑制橘樹的生長發(fā)育, 導致柑橘產量及品質均有降低[7]。因此, 為科學指導柑橘園精準施肥, 需要建立快速準確的方法預測SOM空間分布與含量。

受多種成土因素和生態(tài)過程影響, 即便是小區(qū)域尺度內的SOM含量也呈現出不同程度的空間異質性和非平穩(wěn)性[8-11], 單純通過野外土壤田間調查又難以滿足精確獲取SOM空間分布信息的實際需求。為解決以上問題, 近年來諸多學者將預測SOM含量的關注點放在能夠對未采樣區(qū)域待估點進行無偏最優(yōu)估計[12]的克里格法(Kriging)上。在普通克里格插值法(Ordinary Kriging, OK)的應用方面, Singh等[13]提出在不同果樹種植園中, 通過OK對SOM進行空間估計的不確定性比非空間方法低且能在未采樣位置獲得滿意的預測結果; 李增兵等[14]使用不同插值方法分別對歷城區(qū)不同地貌類型建模, 得到OK法更適用于平原區(qū)的結果。OK方法雖能考慮SOM的空間自相關性和異質性[15], 但僅依賴土壤樣本建模集有機質數據插值, 并不能發(fā)揮輔助變量對估算SOM的優(yōu)勢。協同克里格插值法(Cokriging, COK)則可基于不同樣點支撐[16-17], 借助同一時空不同變量的協同區(qū)域化特征, 用樣品多的輔助變量對樣品少的目標變量SOM進行估值[18]。蘇曉燕等[19]和Yang等[20]提出, 輔助變量的個數大于目標變量且輔助變量與目標變量的相關性越強時, 使用COK越能提高預測精度。但COK的建模精度受輔助變量插值樣點數量影響很大, 且交叉變異函數能否充分考慮目標變量和輔助變量間的相關信息以及是否可在空間分布模擬中維持單變量的結構性等問題尚需進一步補充與驗證。因此, 本文結合以上2種傳統(tǒng)克里格插值法的特點, 提出建立融合輔助變量協同相關性的改進OK模型(improved OK models with cooperative correlation of auxiliary variables, CCOK)。該模型在保持目標變量與輔助變量樣點支撐一致且數目有限的情況下融入COK法中的協同區(qū)域化思想, 假設目標變量及其輔助變量受到同樣的區(qū)域化現象或空間過程影響, 各變量不但存在自相關性, 而且與其他變量之間存在交互相關性, 嘗試將傳統(tǒng)OK法插值數據從單一變量發(fā)展到兩個相關性極顯著的變量函數, 既兼顧了目標變量及其輔助變量的空間結構相似性[21], 又可借助輔助變量提高目標變量實測值與預測值的擬合精度。

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、全局輔助變量對該地SOM建立COK模型(COK1、COK2), 探索性構造CCOK模型(CCOK1、CCOK2), 并將插值結果與OK模型作對比, 分別通過探討納入輔助變量、改變輔助變量插值數量以及結合輔助變量協同相關性對SOM含量預測的影響, 獲得可顯著提高SOM擬合精度的空間插值方法, 以期為監(jiān)測土壤農田肥力投入情況及增加農業(yè)經濟效益提供參考。

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。境內西北地勢高, 以丘陵山地為主; 東南地勢低, 以沖積平原為主, 土地肥沃。該鎮(zhèn)屬亞熱帶濕潤季風氣候, 年均氣溫16.8 ℃, 年均降雨量1 200 mm, 全年無霜期275 d, 水文、生物、礦產資源豐富, 生態(tài)良好, 適宜水稻(L.)、棉花(.)和柑橘生長。其中柑橘種植面積28 km2, 年產量達10萬余t, 素有“萬畝桔鄉(xiāng)”的美稱。本研究區(qū)內高程范圍為42~112 m, 園地、林地、耕地和其他土地利用類型分別占總面積的72.46%、0.59%、0.13%和26.82%(圖1)。主要土壤類型為黃棕壤、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分布

1.2 數據來源與預處理

在已有紅花套鎮(zhèn)1∶10 000比例尺地形圖、第2次土壤普查相關資料的基礎上, 綜合地形地貌、土地利用類型、土壤類型以及植被覆蓋等相關因素預先設置研究區(qū)范圍。當該地區(qū)柑橘收獲且未施用肥料之時, 進行實地調查并結合實際因素對樣點位置做適當調整。使用差分式全球定位系統(tǒng)(DGPS)記錄經緯度及高程, 采集樣點處0~20 cm表層土。采樣在平原的園地、耕地區(qū)樣點內以梅花形法進行, 在丘陵的林地區(qū)樣點內以蛇形法進行, 共獲得329個土壤樣本。

地形平緩的小區(qū)域內SOM含量分布主要受其他土壤屬性影響[20], 因此根據研究區(qū)主要土壤養(yǎng)分的分布情況、主要耕種作物的土壤環(huán)境營養(yǎng)元素需求特性以及當地農業(yè)生產等方面的實際情況, 獲取表1中土壤屬性數據作為影響因子參與研究, 獲取方法均參考文獻[22]。

使用SPSS 19.0中3倍標準差法檢測樣本數據中并無需要剔除的異常值, 再通過ArcGIS 10.2中子要素集功能對樣點數據集進行均勻隨機劃分, 最終獲得建模集數據263個(80%), 驗證集數據66個(20%)。

表1 研究區(qū)樣點土壤屬性數據獲取內容及方法

1.3 研究方法

1.3.1 空間自相關分析

空間自相關分析是用來反映空間鄰近區(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統(tǒng)計量[23-25]。

1.3.2 OK模型

OK是單個變量的局部線性最優(yōu)無偏估計方法, 也是Kriging中最基礎的方法之一。它能夠根據給定區(qū)域內相鄰實測點的加權平均值, 為變量在未測量位置提供預測值。該方法通過考慮實測點表示的固有隨機函數來簡要描述[26]。

1.3.3 建模COK模型與全局COK模型

在統(tǒng)計意義及空間位置上均具有某種程度相關性, 并且定義于同一空間域中的區(qū)域化變量, 即具有協同區(qū)域化特征[16]。一般情況下, 結合了輔助變量信息的協同克里格能夠比普通克里格進行更多的預測。本文提出的建模COK模型與全局COK模型, 其目標變量均為建模集SOM數據, 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模型則選取了全局數據的輔助變量參與插值, 以此比較改變輔助變量插值數量對SOM預測精度的影響。

1.3.4 CCOK模型

CCOK模型是傳統(tǒng)OK插值方法與COK插值原理相結合的改進模型, 它考慮了協同相關性引入輔助變量, 是對代數量化后的主變量與輔助變量進行OK插值的方法。為充分說明與主變量存在極顯著相關的輔助變量對提高插值精度具有重要意義, 同時驗證對不同單位的變量不設置數據標準化預處理也不會影響最終預測效果, 特列以下公式完成CCOK建模。

1.4 預測模型精度驗證

式中:代表樣本數,(x)代表樣本的實測值,(x)代表樣本的預測值, 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。由于離差被絕對值化, 不會出現正負相抵消的情況, 因而平均絕對誤差MAE能更好地反映預測值誤差的實際情況; 均方根誤差RMSE是插值精度的量度, 其值越小則說明插值方法越精確; 相對精度改進值RI為正值代表COK或CCOK方法較OK方法的預測精度更高, 值越大說明提高越多, RI為負值則表示COK或CCOK方法預測精度低于OK方法。

1.5 軟件平臺

利用SPSS 19.0完成原始數據非空間分析(剔除異常值、基本特征統(tǒng)計和最相關輔助變量選取), 通過GeoDa證明變量間存在的區(qū)域協同化特征(全局空間相關性分析), 采用ArcGIS 10.2進行空間分析(柵格計算)、地統(tǒng)計學分析(隨機劃分數據集、構建最優(yōu)半方差模型、完成OK、COK與CCOK插值)。

2 結果與分析

2.1 研究區(qū)樣點SOM含量數據的特征統(tǒng)計

表2中全部數據集的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為24.87%, 均屬中等變異, 說明SOM在該研究區(qū)范圍內具有一定變異性, 適合空間局部估計。建模集中的有機質數據(偏度=0.07, 峰度=-0.08)通過K-S(Kolmogorov-Smirnov Z)檢驗, 符合正態(tài)分布, 可直接用于插值建模。

2.2 研究區(qū)樣點SOM最相關輔助變量的選取

表3顯示了該研究區(qū)中與SOM相關性由高到低依次排序的前7種影響因子及其Pearson相關系數。有機質與堿解氮、有效鐵、全氮和全磷表現為正相關, 與交換性鎂、陽離子交換量和速效鉀表現為負相關。

表2 研究區(qū)土壤有機質含量的基本統(tǒng)計特征

其中, SOM與堿解氮間的相關系數為0.815, 呈極顯著正相關, 相關系數高于其他因子。這是因為SOM主要由C、H、O、N等元素構成, 堿解氮中則包含無機的礦物態(tài)氮和部分有機質中易分解的、比較簡單的有機態(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作用下,SOM與堿解氮之間的耦合關系逐漸趨于動態(tài)平衡[28],理論上有機質含量豐富, 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量等外界因素有一定關聯[29], 可以說堿解氮中的氮素主要來源于有機質, 但其含量、組成、形態(tài)和有效性又不完全等同于有機質。此外, 相關研究表明協同變量與自變量間的相關系數大于0.5時更能在預測結果中體現協同區(qū)域化優(yōu)勢[30], SOM與堿解氮間的相關性符合該條件并遠高于其他因子。因此, 研究選擇堿解氮作為預測SOM的最相關輔助變量。

表3 研究區(qū)土壤有機質與影響因子的相關性

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

2.3 研究區(qū)樣點SOM、堿解氮的空間自相關與交互相關分析

SOM、堿解氮的Moran’s指數分別為0.11、0.08, 具有一定正空間自相關性, 當對兩者建立簡單函數關系后指數值分別提高到0.19和0.15(表4)。同時, 綜合比較代表標準差的得分與代表概率的值發(fā)現, 屬性的空間聚類置信度也從95%升為99%, 說明SOM與堿解氮在空間分布上表現出良好的交互相關性, 促進了其函數關系呈現出極顯著的空間自相關性(<0.01), 這是將堿解氮作為輔助變量建立預測SOM的CCOK模型的關鍵依據。

表4 研究區(qū)土壤有機質、堿解氮空間自相關與交互相關分析

2.4 不同克里格插值模型對研究區(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SOM預測時選擇的最優(yōu)半方差模型及其顯示參數。半方差函數預測誤差的作用是為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偏、均方根誤差RMSE越小越精準的原則, OK、COK1、COK2、CCOK1和CCOK2分別選擇高斯模型、球狀模型、指數模型、指數模型和指數模型作為插值的半方差模型。模型參數中, OK和COK2的塊金值較大, 說明存在由于采樣或分析引起的各種正基底效應[31]; CCOK1的變程為3 627.41 m, 是由于為符合OK插值數據需正態(tài)分布的條件, 對有機質/堿解氮數據進行了對數轉換, 轉換后的數值為-2.15~-0.71, 極差僅為1.44, 因此在研究區(qū)的大面積連續(xù)范圍內均表現出空間分布的相近性。而其他方法的變程較小, 表示SOM含量在短距離內具有空間連續(xù)性[32]。就基臺效應而言, COK1、COK2具有強烈的空間相關性, OK、CCOK1、CCOK2表現出中等空間相關性, 說明SOM的空間異質性受結構性因素影響的比重更大。圖2是對應于表5的SOM半方差函數圖。分析圖像中繪制曲線通過表示半變異函數平滑變化的平均化數據情況, 可更加直觀地反映各插值模型的擬合效果。其中, CCOK1的半方差函數擬合效果相較于其他方法表現微弱甚至難以體現, 但因其變程范圍遠大于步長距離, 變程內的區(qū)域化變量仍存在空間相關狀態(tài)。所以, 需將SOM半方差模型參數及函數圖綜合分析, 才能完成使用不同方法對SOM預測的合理預判。

表5 研究區(qū)不同克里格插值模型的土壤有機質半方差模型參數

OK為普通克里格; COK1和COK2分別為協同克里格和全局協同克里格; CCOK1和CCOK2為兩個融合輔助變量協同相關性的改進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質半方差函數圖

OK為普通克里格; COK1和COK2分別為協同克里格和全局協同克里格; CCOK1和CCOK2為兩個融合輔助變量協同相關性的改進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研究區(qū)SOM空間分布預測的差異比較

對比圖3研究區(qū)的SOM空間分布預測圖可知, 使用5種模型取得的預測結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為豐富的標準[33]劃分, 研究區(qū)大部有機質含量適宜, 小面積區(qū)域含量低, 無含量極低或豐富地區(qū), 呈現出“西北和東南高, 中部高低錯落”的分布趨勢, 這與該研究區(qū)的土地利用類型分布格局有關。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分解速度慢便于長期積累。東南部則為柑橘的集中種植區(qū), 為促進果樹生長和發(fā)育、提高果樹產量及品質, 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、其他土地利用類型交叉分布, 并以土壤為媒介發(fā)生長期物質交換, 產生相互作用, 導致了有機質含量分布不均且高低差異顯著, 因此是柑橘園中調控施肥用量的重點位置。

以OK預測結果為對照, 添加了堿解氮作輔助變量的COK1、COK2模型插值獲得的有機質分布更加破碎, 空間鑲嵌結構更為復雜[35], 一部分原因是OK模型本身具有平滑效應使得空間預測表現連續(xù), 另一部分原因是COK1、COK2模型通過目標信息及其輔助信息間建立的交叉變異函數促使生成更加詳盡的空間信息表達, 且COK2較COK1的輔助變量樣點分布更密, 因此能夠觀察到有機質含量的明顯變化, 并體現出局部變異細節(jié)。

與建立前3種模型得到的SOM預測圖呈點狀放射相比, CCOK1、CCOK2模型的插值結果為連續(xù)片狀放射。這是由于OK、COK1和COK2模型以建模集有機質為惟一或主要數據源, 在數字制圖中繼續(xù)維持SOM的空間結構特征。而CCOK1、CCOK2方法的建模數據源選擇為有機質與堿解氮之間的代數量化數據, 雖然經公式轉回為對SOM的預測, 但同時使用樣點支撐一致的變量參與插值, 使得預測制圖能夠充分體現出輔助變量對目標變量的協同相關性, 有機質含量高者更高、低者更低, 既突出了差異信息, 也更符合研究區(qū)土地利用類型分布的實際情況。

圖3 不同克里格插值模型對研究區(qū)土壤有機質空間分布預測的異同

OK為普通克里格; COK1和COK2分別為協同克里格和全局協同克里格; CCOK1和CCOK2為兩個融合輔助變量協同相關性的改進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研究區(qū)SOM含量預測的精度驗證

其中, OK和COK1兩者間各精度指標相近, 充分證明當作為目標變量的SOM與作為輔助變量的土壤堿解氮樣點支撐完全相同時, COK方差即為OK方差[16], 是否添加輔助變量對預測目標變量無較大意義。COK2則是在已有COK1模型的基礎上, 將建模集輔助變量改為全局數據集輔助變量參與插值,通過增大樣點數量提升了輔助預測效果。CCOK1和CCOK2的建模原理相同, 都在兼顧目標變量及其輔助變量空間結構相似性的同時, 最大程度地發(fā)揮了輔助變量的協同相關作用, 由二者并無較大差異的插值結果也能間接證明CCOK模型對未經標準化處理的建模數據仍然適用。綜合、MAE、趨勢線與1∶1參考線擬合程度、RMSE、RI這5項指標分析, SOM空間分布預測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同相關性的改進OK模型進行SOM空間分布預測可縮小實測值與預測值間差距, 為研究區(qū)柑橘種植提供精準施肥建議。

圖4 不同克里格插值模型對研究區(qū)土壤有機質預測的精度指標對比

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

3 結論

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

2)以OK模型作對照, 與輔助變量間建立交叉變異函數的SOM的空間變異性更容易被半方差模型識別, 使得COK1、COK2因模型參數存在強烈空間自相關在SOM空間分布上表現破碎,并能維持單變量空間結構性。然而,通過改變輔助信息樣點數量提高SOM預測精度, 既會增加研究成本又未充分考慮每個樣點上目標變量與輔助變量間的交互關系, 可能引進更多變異, 因此使用該模型存在一定局限。

3)CCOK1和CCOK2模型則能在目標變量與輔助變量樣點支撐一致且樣點數目有限的情況下, 最大程度發(fā)揮輔助變量的協同相關性, 其優(yōu)勢不僅體現在SOM的空間分布模擬結果最符合該研究區(qū)土地利用類型的實際分布情況, 更表現在CCOK1和CCOK2的模型預測精度分別提高了15.40%、14.78%, 且相關系數從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同相關性的改進OK模型可實現對研究區(qū)SOM的精準預測,能夠為區(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。

[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[M]. 第3版. 北京: 中國農業(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, 高鳳杰, 張志民, 等. 我國東北黑土丘陵區(qū)小流域土壤有機質空間分布模擬[J]. 環(huán)境科學研究, 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)分分級研究[J]. 植物營養(yǎng)與肥料學報, 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. 有機肥對柑橘營養(yǎng)及生長的影響[D]. 重慶: 西南大學, 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. 縣域耕地地力評價中土壤養(yǎng)分空間插值方法的比較研究[J]. 中國農學通報, 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] 劉愛利, 王培法, 丁園圓. 地統(tǒng)計學概論[M]. 北京: 科學出版社, 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, 黃競先. 地質統(tǒng)計學的理論與方法[M]. 北京: 地質出版社, 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)計學在土壤學中的應用[M]. 北京: 中國農業(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. 不同采樣點數量下土壤有機質含量空間預測方法對比[J]. 地學前緣, 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. 平原丘陵過渡帶土壤有機碳空間分布及環(huán)境影響[J]. 中國環(huán)境科學, 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. 土壤農化分析[M]. 北京: 中國農業(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, 呂夢醒, 等. 小流域土壤氮磷空間變異特征分析[J]. 農業(yè)機械學報, 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, 歐陽真程, 等. 多尺度下的南方山地丘陵區(qū)耕地質量空間自相關分析——以江西省黎川縣為例[J]. 中國生態(tài)農業(yè)學報, 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森林的丘陵區(qū)農田土壤有效鐵空間分布預測[J]. 中國生態(tài)農業(yè)學報, 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, 陳學昌. 黑龍江省土壤有機質與全氮和堿解氮的相關分析[J]. 黑龍江八一農墾大學學報, 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, 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]. 應用生態(tài)學報, 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. 不同有機無機肥配施比例對紅壤旱地花生產量、土壤速效養(yǎng)分和生物學性質的影響[J]. 生態(tài)學報, 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] 秦魚生, 涂仕華, 馮文強, 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]. 土壤學報, 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量優(yōu)化研究[J]. 土壤學報, 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OK模型的土壤有機質空間分布預測——以宜都市紅花套鎮(zhèn)為例[J]. 中國生態(tài)農業(yè)學報(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

* 國家自然科學基金項目(41371227)資助

張海濤, 主要研究方向為土壤環(huán)境科學。E-mail: hzau_zht@163.com

段麗君, 主要研究方向為土壤環(huán)境與生態(tài)動態(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).