基于特征變量與支持向量機(jī)回歸克里格(SVRK)法的濕地土壤有機(jī)質(zhì)空間變異特征分析①

陳思明，王 寧，秦艷芳，張紅月

基于特征變量與支持向量機(jī)回歸克里格(SVRK)法的濕地土壤有機(jī)質(zhì)空間變異特征分析①

陳思明1,2，王 寧2，秦艷芳1，張紅月1

(1 閩江學(xué)院海洋學(xué)院，福州 350108；2 福建農(nóng)林大學(xué)林學(xué)院，福州 350002)

選取有效變量與適宜方法有助于揭示河口濕地土壤有機(jī)質(zhì)的空間分異特征，對(duì)維護(hù)濕地生態(tài)平衡和全球碳循環(huán)具有重要作用。以福州市閩江河口濕地為研究區(qū)，采用逐步回歸分析(SLR)與主成分分析(PCA)法篩選顯著的特征變量，運(yùn)用支持向量機(jī)回歸克里格(SVRK)法分析了濕地土壤有機(jī)質(zhì)的空間異質(zhì)性，并與神經(jīng)網(wǎng)絡(luò)克里格(BPNNK)法、回歸克里格(RK)法進(jìn)行了比較。結(jié)果表明：通過(guò)SLR和PCA分析發(fā)現(xiàn)，歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)、土壤水分指數(shù)(PDI)、匯流累積量(FA)及沉積物移動(dòng)指數(shù)(STI)與土壤有機(jī)質(zhì)含量關(guān)系密切，其判定系數(shù)2為0.446，顯著性概率值<0.000 1，可轉(zhuǎn)換為3個(gè)獨(dú)立的特征變量用于模型的預(yù)測(cè)。研究區(qū)土壤有機(jī)質(zhì)的空間變異主要受結(jié)構(gòu)性因素影響，呈現(xiàn)出“北低南高”的空間格局，采用SVRK模型的預(yù)測(cè)精度更高，能較好地體現(xiàn)河口濕地土壤有機(jī)質(zhì)的空間異質(zhì)特征。該研究可為同類區(qū)域的土壤有機(jī)質(zhì)空間特征研究提供方法支撐。

河口濕地；土壤有機(jī)質(zhì)；逐步回歸分析法；支持向量機(jī)回歸克里格法

河口濕地位于陸地與海洋生態(tài)系統(tǒng)的交錯(cuò)地帶，是深入研究濕地各種生態(tài)要素相互作用的重要區(qū)域，在生物多樣性、區(qū)域生態(tài)平衡、全球生物化學(xué)循環(huán)中發(fā)揮著關(guān)鍵的作用[1]。然而，河口濕地又是一個(gè)較為獨(dú)特的生態(tài)區(qū)，其土壤常年受到地表徑流、泥沙輸移、沖淤演變、周期性潮汐等多重作用影響[2]，導(dǎo)致土壤屬性在空間分布上呈現(xiàn)出明顯的異質(zhì)性[3]。土壤有機(jī)質(zhì)(soil organic matter, SOM)作為土壤屬性的重要組成部分，可促進(jìn)植物生長(zhǎng)發(fā)育，改善土壤理化性質(zhì)，對(duì)濕地生態(tài)系統(tǒng)和全球碳氮循環(huán)影響顯著[4-5]。因此，精準(zhǔn)地掌握土壤有機(jī)質(zhì)空間變異規(guī)律，對(duì)河口濕地生態(tài)與環(huán)境的可持續(xù)發(fā)展具有重要意義。

受河口濕地特殊環(huán)境影響，單純依靠人工野外調(diào)查難以全面、精準(zhǔn)地獲取土壤屬性空間信息[6]，如何在有限的采樣點(diǎn)基礎(chǔ)上，選取最適宜的空間預(yù)測(cè)方法尤為重要。目前，普通克里格(OK)法、簡(jiǎn)單克里格法等地統(tǒng)計(jì)學(xué)方法能夠從SOM的空間自相關(guān)特征出發(fā)[7]，并對(duì)預(yù)測(cè)誤差做出理論估計(jì)，已被廣泛運(yùn)用。但是地統(tǒng)計(jì)學(xué)法僅是依靠于樣本數(shù)據(jù)的空間自相關(guān)性，未能考慮到各種成土因素和生態(tài)過(guò)程的影響，在復(fù)雜環(huán)境下其預(yù)測(cè)精度會(huì)受到較大限制[8]。對(duì)此，部分學(xué)者采用多元線性回歸法、BP神經(jīng)網(wǎng)絡(luò)法、隨機(jī)森林法等線性或非線性算法[9-10]來(lái)預(yù)測(cè)SOM的空間分布，進(jìn)而分析其空間異質(zhì)特征。這類算法可利用環(huán)境因素與土壤有機(jī)質(zhì)間映射關(guān)系，獲取較為精準(zhǔn)的預(yù)測(cè)結(jié)果[11]，但是也存在一定局限性，其未能較好考慮到殘差的空間自相關(guān)影響[12]。近年來(lái)，國(guó)內(nèi)外部分學(xué)者[13]將線性或非線性算法與地統(tǒng)計(jì)學(xué)法相結(jié)合，構(gòu)建混合地統(tǒng)計(jì)學(xué)模型并運(yùn)用于土壤屬性空間預(yù)測(cè)。該方法能同時(shí)利用土壤屬性的空間自相關(guān)性以及與環(huán)境因子間的異相關(guān)性，可更為真實(shí)地反映復(fù)雜環(huán)境下土壤屬性的變異情況[14]。通過(guò)文獻(xiàn)集成分析發(fā)現(xiàn)，以往的研究在建模方法上多采用回歸克里格(RK)法與神經(jīng)網(wǎng)絡(luò)克里格(NNK)法。RK法通常是基于最小二乘線性回歸(OLS)的空間插值方法，該方法未能較好地描述土壤屬性與環(huán)境變量間的非線性關(guān)系，容易出現(xiàn)過(guò)擬合現(xiàn)象[15]。NNK法是將神經(jīng)網(wǎng)絡(luò)模型與OK法相結(jié)合，能較好地表達(dá)土壤屬性與多源環(huán)境變量間的非線性映射關(guān)系[16]。但是神經(jīng)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本的要求較高，測(cè)試過(guò)程較為復(fù)雜，需不斷調(diào)整模型參數(shù)以獲取更高的預(yù)測(cè)精度[17]。另外，合理的變量類型與個(gè)數(shù)有利于簡(jiǎn)化模型結(jié)構(gòu)，減少弱相關(guān)因子的干擾，進(jìn)而提高模型的預(yù)測(cè)精度，已成為土壤屬性空間預(yù)測(cè)的關(guān)鍵步驟[18]。然而，80% 以上的研究是通過(guò)相關(guān)性分析或主成分分析(PCA)法來(lái)建立環(huán)境變量與土壤屬性間的關(guān)系[19]，未能較好地體現(xiàn)不同環(huán)境變量在模型預(yù)測(cè)過(guò)程中的貢獻(xiàn)度[20]。因此，如何進(jìn)一步發(fā)揮混合地統(tǒng)計(jì)學(xué)模型在土壤屬性空間預(yù)測(cè)中的優(yōu)勢(shì)，提高模型的運(yùn)行效率和泛化能力，需對(duì)模型的適用性和輔助變量的有效性問(wèn)題進(jìn)行深入探討。

支持向量機(jī)回歸(SVR)算法是一種在高維特征空間中構(gòu)建線性決策函數(shù)的新型學(xué)習(xí)方法。該算法的泛化能力較好，能解決高維數(shù)據(jù)問(wèn)題，避免神經(jīng)網(wǎng)絡(luò)出現(xiàn)的局部最優(yōu)解[21]。支持向量機(jī)回歸克里格法(SVRK)是SVR模型的一種拓展，其借助地統(tǒng)計(jì)學(xué)法來(lái)分析殘差的空間自相關(guān)對(duì)模型擬合的影響，實(shí)現(xiàn)對(duì)觀測(cè)對(duì)象的連續(xù)性預(yù)測(cè)和局部變異預(yù)測(cè)。逐步回歸分析(SLR)法是將一組變量逐個(gè)引入模型，并對(duì)已經(jīng)選入的解釋變量進(jìn)行檢驗(yàn)，以確保每次引入新的變量之前回歸方程中只包含顯著性變量。對(duì)此，本研究利用SLR法和PCA法來(lái)篩選主控環(huán)境因子，提取獨(dú)立的特征變量，結(jié)合SVR算法與OK法構(gòu)建混合地統(tǒng)計(jì)學(xué)模型，并與RK法、BPNNK法進(jìn)行對(duì)比，深入探索模型的適用性，以期為同類區(qū)域的SOM空間異質(zhì)性研究提供方法支撐。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于福建省福州市閩江入海口處的鱔魚灘濕地，是閩江河口區(qū)面積最大的天然潮灘濕地(圖1)，地理坐標(biāo)為26°00′ 36″ ~ 26°03′12″ N，119°36′30″~ 119°40′40″ E，總面積約為3 120 hm2。該區(qū)地處中亞熱帶與南亞熱帶的過(guò)渡地帶，氣候暖熱潮濕，年均氣溫為19.3℃，年均降雨量為1 380 mm。潮汐為正規(guī)半日潮，潮水漲落頻繁。土壤類型以濱海鹽土為主，pH呈偏酸性到中性。植被主要包括互花米草()、蘆葦()、短葉茳芏()和扁穗莎草()等。

1.2 野外采樣與環(huán)境變量獲取

考慮到濕地的自然景觀保護(hù)和樣點(diǎn)分布的均勻性，先在室內(nèi)利用Google Earth高分辨遙感影像對(duì)采樣點(diǎn)進(jìn)行初步布設(shè)。2017年8月2—12日在研究區(qū)手持GPS進(jìn)行定點(diǎn)，以定點(diǎn)為中心設(shè)置10 m × 10 m小樣方，按照“五點(diǎn)混合采樣法”采集土壤樣品，采樣深度為0 ~ 30 cm，共采集土壤樣品105個(gè)(裸灘區(qū)樣品70個(gè)，互花米草區(qū)樣品16個(gè)，其他植被區(qū)樣品19個(gè))，并記錄各采樣點(diǎn)的坐標(biāo)(圖1)。將采集的土壤樣品帶回實(shí)驗(yàn)室，經(jīng)過(guò)自然風(fēng)干和研磨過(guò)篩，采用重鉻酸鉀氧化-外加熱法測(cè)定SOM含量。

圖1 研究區(qū)位置及采樣點(diǎn)分布圖

根據(jù)研究區(qū)的實(shí)際情況和相關(guān)文獻(xiàn)，利用2017年8月8日的Landsat8 OLI影像(行列號(hào)118/42，云量7.58)和數(shù)字高程模型DEM(空間分辨率30 m)，通過(guò)ENVI5.1軟件的波段運(yùn)算和ArcGIS10.2軟件的水文分析模塊、空間插值模塊、柵格計(jì)算器等，提取植被、土壤、水文和地形等多個(gè)環(huán)境因素，具體環(huán)境變量見(jiàn)表1。遙感影像數(shù)據(jù)和數(shù)字高程模型來(lái)源于地理空間數(shù)據(jù)云(http://www.gscloud.cn/)。

表1 基于Landsat OLI和DEM生成的環(huán)境變量

1.3 特征變量的提取方法

本研究采用SLR法和PCA法提取特征變量。先采用SLR模型對(duì)所有環(huán)境變量進(jìn)行判定，通過(guò)F檢驗(yàn)和T檢驗(yàn)不斷剔除弱相關(guān)變量，直至選出的解釋變量集最優(yōu)，再運(yùn)用PCA法對(duì)選取的變量集進(jìn)行降維，提取特征值大于1或方差貢獻(xiàn)度達(dá)到85% 以上的主成分，作為特征變量用于SOM含量的空間建模。SLR、PCA法主要采用SPSS 22.0軟件來(lái)實(shí)現(xiàn)。

1.4 模型的構(gòu)建與驗(yàn)證

利用SVR算法與OK法相結(jié)合，生成的一種空間插值方法(SVRK)。該方法是通過(guò)SVR模型建立SOM與環(huán)境變量之間非線性映射關(guān)系，再利用OK法對(duì)殘差項(xiàng)進(jìn)行空間插值，以獲取最終預(yù)測(cè)結(jié)果，其過(guò)程可表示為：

式中：(x)為SVR模型擬合的殘差項(xiàng)，λ為鄰域觀測(cè)值對(duì)點(diǎn)觀察值的貢獻(xiàn)權(quán)重，可通過(guò)變異函數(shù)進(jìn)行確定，其表達(dá)式為：

式中：()為變異函數(shù)，(x)、(x+)分別表示在x和x+空間位置處的殘差值，表示采樣點(diǎn)的對(duì)數(shù)。

為了驗(yàn)證模型的預(yù)測(cè)效果，將SVRK法與BPNNK法、RK法進(jìn)行對(duì)比，并采用判定系數(shù)(2)、均方根誤差(RMSE)和相對(duì)分析誤差(RPD)進(jìn)行衡量。其中，2和RMSE是評(píng)價(jià)模型預(yù)測(cè)精度的指標(biāo)，2越大，RMSE越小，模型預(yù)測(cè)精度越高。RPD是描述模型預(yù)測(cè)能力的直觀指標(biāo)，RPD>2時(shí)，說(shuō)明模型的預(yù)測(cè)能力極佳；1.4

2 結(jié)果與分析

2.1 土壤有機(jī)質(zhì)及環(huán)境因子的統(tǒng)計(jì)特征

由表2可以看出，研究區(qū)105個(gè)采樣點(diǎn)的SOM含量最小值為7.496 g/kg，最大值為70.948 g/kg，平均值為28.563 g/kg，標(biāo)準(zhǔn)差為14.422 g/kg。通過(guò)變異系數(shù)分析發(fā)現(xiàn)，SOM含量的變異系數(shù)為50.49%，屬于中等程度變異。不同環(huán)境因子的變異系數(shù)則差異較大，其中平面曲率(Ct)和剖面曲率(Cp)的變異系數(shù)較大，分別為139.02% 和143.84%，屬于強(qiáng)變異；而地表粗糙度(SR)的變異系數(shù)則較小，屬于弱變異。采用Kennard-Stone算法將105個(gè)SOM樣本集劃分為80個(gè)訓(xùn)練集和25個(gè)測(cè)試集，并進(jìn)行正態(tài)分布檢驗(yàn)，結(jié)果顯示訓(xùn)練集、測(cè)試集符合正態(tài)分布。

表2 研究區(qū)土壤有機(jī)質(zhì)及環(huán)境因子的描述性統(tǒng)計(jì)特征

注：表中各環(huán)境變量含義見(jiàn)表1。

2.2 土壤有機(jī)質(zhì)空間分布預(yù)測(cè)特征變量的選取

由表3可知，通過(guò)SLR模型對(duì)所有變量進(jìn)行判定，篩選出5種變量組合。其中，第5種變量組合的判定系數(shù)2為0.446，顯著性概率值<0.000 1，為SOM含量空間分布預(yù)測(cè)的最佳變量組合，因此本研究選取第5種變量組合進(jìn)行PCA分析。

由表4可知，通過(guò)PCA分析將5個(gè)變量轉(zhuǎn)換為3個(gè)主成分，其中，第1主成分在NDVI、RVI、PDI上具有較高的因子載荷，貢獻(xiàn)率為54.17%，主要反映遙感影像信息；第2、3主成分在FA和STI上具有較高的載荷值，主要體現(xiàn)徑流變化和沉積物運(yùn)移信息。這3個(gè)主成分累計(jì)可解釋總方差的94.12%，保留原有變量的大部分信息，可作特征變量進(jìn)行SOM的空間建模。

表3 土壤有機(jī)質(zhì)與環(huán)境因子的逐步回歸分析

表4 環(huán)境變量的PCA分析

2.3 土壤有機(jī)質(zhì)的空間異質(zhì)性

2.3.1 SVR、BPNN和OLS模型預(yù)測(cè) 利用3個(gè)主成分(PC1、PC2、PC3)為自變量，SOM含量為因變量，分別采用OLS、BPNN和SVR模型對(duì)SOM含量空間分布進(jìn)行預(yù)測(cè)。由表5可知，SVR模型的預(yù)測(cè)精度最高，其訓(xùn)練集與測(cè)試集的2分別為0.619、0.593，比BPNN模型提高0.088和0.051，比OLS模型提高0.19和0.151，對(duì)應(yīng)的RMSE則最小。從模型的預(yù)測(cè)能力上看，SVR模型的RPD值(1.601)較高，模型能夠?qū)OM含量進(jìn)行預(yù)測(cè)，而OLS模型的RPD為1.366，模型則不能對(duì)SOM含量進(jìn)行預(yù)測(cè)。由此表明，SVR模型能夠保持?jǐn)?shù)據(jù)穩(wěn)健性，提高預(yù)測(cè)效果。

表5 OLS、BPNN和SVM模型的預(yù)測(cè)精度對(duì)比

2.3.2 地統(tǒng)計(jì)學(xué)分析 由表6可知，SOM含量、OLS殘差、BPNN殘差及SVR殘差分別適合高斯模型與指數(shù)模型，模型擬合效果較好。塊金效應(yīng)表示系統(tǒng)變量的空間自相關(guān)性[26]，塊金效應(yīng)<25%，系統(tǒng)變量的空間自相關(guān)性較強(qiáng)，受結(jié)構(gòu)性因素影響；25%≤塊金效應(yīng)≤75%，系統(tǒng)變量的空間自相關(guān)性中等，受結(jié)構(gòu)因素和隨機(jī)因素影響；塊金效應(yīng)>75%，系統(tǒng)變量的空間自相關(guān)性較弱，受隨機(jī)因素影響。研究區(qū)SOM和3個(gè)殘差的塊金效應(yīng)分別為38.88%、27.00%、25.98% 和36.27%，呈現(xiàn)出中等程度的空間變異，受結(jié)構(gòu)性因素影響較大。變程是描述空間范圍內(nèi)達(dá)到基臺(tái)值時(shí)對(duì)應(yīng)的步長(zhǎng)，超出此范圍空間相關(guān)性不存在。3個(gè)殘差的空間自相關(guān)范圍與SOM較為接近，基本保留原有的空間結(jié)構(gòu)特征。

表6 土壤有機(jī)質(zhì)與擬合殘差值的半方差參數(shù)

2.3.3 SOM的空間分布特征 根據(jù)上述分析結(jié)果，分別對(duì)OLS殘差、BPNN殘差和SVR殘差進(jìn)行OK插值，得到RK、BPNNK和SVRK模型預(yù)測(cè)的土壤有機(jī)質(zhì)空間分布圖(圖2)。由圖2可知，研究區(qū)SOM含量在空間分布上呈現(xiàn)出“北低南高”的變化趨勢(shì)，具有明顯的空間異質(zhì)性，這與研究區(qū)的植被覆蓋、土壤屬性、地形特征等環(huán)境因子的空間變化情況較為吻合。從預(yù)測(cè)效果上看，RK模型能體現(xiàn)研究區(qū)SOM的空間分布特征，但是未能較好地描述局部信息，具有一定的平滑效應(yīng)；BPNNK與SVRK模型的預(yù)測(cè)效果較好，能體現(xiàn)土壤有機(jī)質(zhì)含量高低值間的變化情況，凸顯斑塊化現(xiàn)象。但SVRK模型的預(yù)測(cè)效果更佳，其預(yù)測(cè)值在在7.701 ~ 70.484 g/kg，與實(shí)際情況最為接近。

圖2 研究區(qū)SOM的空間分布圖

為了進(jìn)一步驗(yàn)證SVRK模型的預(yù)測(cè)效果，利用25個(gè)測(cè)試集繪制1∶1關(guān)系圖(圖3)。通過(guò)圖3可知，SVRK模型的樣本點(diǎn)基本分布在1∶1關(guān)系線兩側(cè)，模型擬合程度極佳。與RK、BPNNK模型相比，SVRK模型的2和RPD分別提高了0.163、0.058和0.394、0.172，RMSE則分別減低了1.794、0.683，說(shuō)明該SVRK模型可有效提高河口濕地土壤有機(jī)質(zhì)含量的預(yù)測(cè)精度。

圖3 RK、BPNNK 和SVRK模型精度驗(yàn)證

3 討論

SOM的空間分布受到植被、土壤、水文、地形等諸多因素的影響，呈現(xiàn)出明顯的空間異質(zhì)性。要精準(zhǔn)地預(yù)測(cè)SOM空間分布，揭示其空間異質(zhì)特征，應(yīng)充分考慮不同環(huán)境因子對(duì)SOM的響應(yīng)程度[8]。本研究根據(jù)閩江河口濕地的實(shí)際情況，選取光譜、植被、地形和水文等23個(gè)環(huán)境因子，通過(guò)SLR與PCA法來(lái)分析不同環(huán)境因子對(duì)SOM含量的敏感性。結(jié)果表明，SOM含量的空間分布與NDVI、DVI、SPI、AS和STI關(guān)系密切，顯著性概率值<0.000 1，可轉(zhuǎn)換成3個(gè)獨(dú)立的特征變量參與模型預(yù)測(cè)。該研究結(jié)果與徐夕博等[27]和Abuduwaili等[28]的研究結(jié)果較為一致的，但在方法上存在一定的差異。如，徐夕博等[27]是采用PCA法來(lái)探討環(huán)境變量與SOM含量關(guān)系，進(jìn)而選取特征變量。PCA法作為一種變量的降維方法，其未能較好去除弱相關(guān)變量的干擾，探尋最優(yōu)變量組合。而本研究聯(lián)合采用SLR與PCA法分別從因子篩選和因子降維的角度出發(fā)，能更為有效探尋影響SOM空間分布的主控因子。

對(duì)比RK、BPNNK和SVRK模型的預(yù)測(cè)效果發(fā)現(xiàn)，SVRK模型可顯著提高SOM含量的預(yù)測(cè)精度，揭示復(fù)雜濕地環(huán)境下SOM空間異質(zhì)特征。這可以歸因于3點(diǎn)：首先，SVR通過(guò)二次規(guī)劃方法分析多源輔助變量與SOM含量的非線性關(guān)系，得到全局最優(yōu)解，克服BPNN法容易陷入局部最小解的缺點(diǎn)。Song等[29]對(duì)比SVRK、BPNNK和RK模型預(yù)測(cè)SOM空間分布的效果，結(jié)果表明SVRK模型具有更高的決定系數(shù)和預(yù)測(cè)性能，這與本研究結(jié)果較為一致。其次，SVR模型能夠較好地捕捉SOM含量隨著植被、土壤、水文等微環(huán)境變化而變化的細(xì)節(jié)信息，實(shí)現(xiàn)全局性預(yù)測(cè)與特定點(diǎn)預(yù)測(cè)。曾胤等[30]研究也表明，SVR模型能較好反映樣本的“純信息”變化，可有效提高模型的預(yù)測(cè)精度。最后，SOM含量空間分布受到結(jié)構(gòu)因素和隨機(jī)性因素的影響，利用Kriging法對(duì)殘差進(jìn)行空間插值，綜合考慮結(jié)構(gòu)性部分和隨機(jī)性部分的模擬，可提高SOM空間分布的預(yù)測(cè)精度。但是本研究在模擬過(guò)程中，在土壤類型、人為活動(dòng)、潮汐作用等因素上未能全部涉及，不可避免產(chǎn)生一定誤差，今后研究需要進(jìn)一步引入更多輔助變量，以更為精準(zhǔn)揭示河口濕地SOM空間異質(zhì)特征。

4 結(jié)論

1)通過(guò)SLR法檢驗(yàn)發(fā)現(xiàn)，NDVI、DVI、SPI、AS和STI與SOM含量關(guān)系密切，其判定系數(shù)2為0.446，顯著性概率值<0.000 1。

2)運(yùn)用主成分變換法將5個(gè)變量轉(zhuǎn)換成3個(gè)獨(dú)立的特征變量，保留原有變量的大部分信息，可作為特征變量用于SOM的空間建模。

3)研究區(qū)SOM空間變異主要受結(jié)構(gòu)性因素影響，呈現(xiàn)出“北低南高”的空間格局，對(duì)比RK、BPNNK模型，SVRK模型的預(yù)測(cè)結(jié)果與實(shí)際情況更為吻合，突出SOM空間分布的細(xì)節(jié)信息。

[1] Negrin V L, Spetter C V, Asteasuain R O, et al. Influence of flooding and vegetation on carbon, nitrogen, and phosphorus dynamics in the pore water of a Spartina alterniflora salt marsh[J]. Journal of Environmental Sciences, 2011, 23(2):212–221.

[2] Huang X, Wang X P, Li X Z, et al. Distribution pattern and influencing factors for soil organic carbon (SOC) in mangrove communities at Dongzhaigang, China[J]. Journal of Coastal Research, 2018, 342: 434–442.

[3] 張枝枝, 張福平. 渭河兩岸緩沖帶的土壤有機(jī)質(zhì)含量分布特征及其影響因子[J]. 土壤, 2017, 49(2): 393-399.

[4] 王琪, 吳成永, 陳克龍, 等. 基于多光譜遙感圖像的青海湖流域土壤有機(jī)質(zhì)估算初探[J]. 土壤, 2019, 51(1): 160-167.

[5] Osland M J, Gabler C A, Grace J B, et al. Climate and plant controls on soil organic matter in coastal wetlands[J]. Global Change Biology, 2018, 24(11): 5361–5379.

[6] 陳思明, 鄒雙全, 毛艷玲, 等. 土壤光譜重建的濕地土壤有機(jī)質(zhì)含量多光譜反演[J]. 光譜學(xué)與光譜分析, 2018, 38(3): 912-917.

[7] 杜佩穎, 張海濤, 郭龍, 等. 平原丘陵過(guò)渡區(qū)土壤有機(jī)質(zhì)空間變異及其影響因素[J]. 土壤學(xué)報(bào), 2018, 55(5): 1286–1295.

[8] 李啟權(quán), 王昌全, 岳天祥, 等. 基于神經(jīng)網(wǎng)絡(luò)模型的中國(guó)表層土壤有機(jī)質(zhì)空間分布模擬方法[J]. 地球科學(xué)進(jìn)展, 2012, 27(2): 175-184.

[9] 于雷, 洪永勝, 耿雷, 等. 基于偏最小二乘回歸的土壤有機(jī)質(zhì)含量高光譜估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(14): 103–109.

[10] Wang X P, Zhang F, Kung H T, et al. New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in northwest China[J]. Remote Sensing of Environment, 2018, 218: 104–118.

[11] Fernandes M M H, Coelho A P, Fernandes C, et al. Estimation of soil organic matter content by modeling with artificial neural networks[J]. Geoderma, 2019, 350: 46–51.

[12] 孫鈺森, 王維芳, 李國(guó)春. 基于地理加權(quán)回歸克里格模型的帽兒山地區(qū)森林碳儲(chǔ)量空間分布[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2019, 30(5): 1642–1650.

[13] Dai F Q, Zhou Q G, Lv Z, et al. Spatial prediction of soil organic matter content integrating artificial neural network and ordinary kriging in Tibetan Plateau[J]. Ecological Indicators, 2014, 45:184–194.

[14] Dinh Q T, Liang D L, Thi Anh Thu T, et al. Spatial prediction of saline and sodic soils in rice-shrimp farming land by using integrated artificial neural network/regression model and kriging[J]. Archives of Agronomy and Soil Science, 2018, 64(3): 371–383.

[15] 欒福明, 張小雷, 熊黑鋼, 等. 基于不同模型的土壤有機(jī)質(zhì)含量高光譜反演比較分析[J]. 光譜學(xué)與光譜分析, 2013, 33(1): 196-200.

[16] 李啟權(quán), 王昌全, 張文江, 等. 基于神經(jīng)網(wǎng)絡(luò)模型和地統(tǒng)計(jì)學(xué)方法的土壤養(yǎng)分空間分布預(yù)測(cè)[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2013, 24(2): 459–466.

[17] 李靜, 徐路路. 基于機(jī)器學(xué)習(xí)算法的研究熱點(diǎn)趨勢(shì)預(yù)測(cè)模型對(duì)比與分析——BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)與LSTM模型[J]. 現(xiàn)代情報(bào), 2019, 39(4): 23-33.

[18] 王飛, 楊勝天, 丁建麗, 等. 環(huán)境敏感變量?jī)?yōu)選及機(jī)器學(xué)習(xí)算法預(yù)測(cè)綠洲土壤鹽分[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(22): 102–110.

[19] 江葉楓, 郭熙. 基于多源輔助數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)模型的稻田土壤砷空間分布預(yù)測(cè)[J]. 環(huán)境科學(xué)學(xué)報(bào), 2019, 39(3): 928-938.

[20] 陳運(yùn)帷, 王文杰, 師華定, 等. 區(qū)域土壤重金屬空間分布驅(qū)動(dòng)因子影響力比較案例分析[J]. 環(huán)境科學(xué)研究, 2019, 32(7): 1213–1223.

[21] Elbisy M S. Support Vector Machine and regression analysis to predict the field hydraulic conductivity of sandy soil[J]. KSCE Journal of Civil Engineering, 2015, 19(7): 2307–2316.

[22] 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[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2015, 26(6): 1649-1656.

[23] Mirzaee S, Ghorbani-Dashtaki S, Mohammadi J, et al. Spatial variability of soil organic matter using remote sensing data[J]. CATENA, 2016, 145:118–127.

[24] 高中靈, 王建華, 鄭小坡, 等. ADI土壤水分反演方法[J]. 光譜學(xué)與光譜析, 2016, 36(5): 1378-1381.

[25] Razakamanarivo R H, Grinand C, Razafindrakoto M A, et al. Mapping organic carbon stocks in eucalyptus plan-tations of the central Highlands of Madagascar: A multiple regression approach[J]. Geoderma, 2011, 162(3/4): 335–346.

[26] 方麗章, 李艷紅, 李發(fā)東, 等. 艾比湖濕地土壤水分–鹽分–養(yǎng)分空間異質(zhì)性分析[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào), 2019, 38(1): 157-167.

[27] 徐夕博, 呂建樹, 吳泉源, 等. 基于PCA-MLR和PCA-BPN的萊州灣南岸濱海平原土壤有機(jī)質(zhì)高光譜預(yù)測(cè)研究[J]. 光譜學(xué)與光譜分析, 2018, 38(8): 2556–2562.

[28] Abuduwaili J, Tang Y, Abulimiti M, et al. Spatial distribution of soil moisture, salinity and organic matter in Manas River watershed, Xinjiang, China[J]. Journal of Arid Land, 2012, 4(4): 441–449.

[29] Song Y Q, Yang L A, Li B, et al. Spatial prediction of soil organic matter using a hybrid geostatistical model of an extreme learning machine and ordinary kriging[J]. Sustainability, 2017, 9(5): 754.

[30] 曾胤, 陸宇振, 杜昌文, 等. 應(yīng)用紅外光聲光譜技術(shù)及支持向量機(jī)模型測(cè)定土壤有機(jī)質(zhì)含量[J].土壤學(xué)報(bào), 2014, 51(6): 1262-1269

Study on Spatial Variability of SOM in Estuary Wetland, Southeast China Based on Characteristic Variables and SVRK

CHEN Siming1,2, WANG Ning2, QIN Yanfang1, ZHANG Hongyue1

(1 Ocean College, Minjiang University, Fuzhou 350108, China; 2 College of Forestry, Fujian Agriculture and Forestry University, Fuzhou 350002, China)

Choosing suitable auxiliary and effective method is the prerequisite to accurately predict the spatial distribution of soil organic matter (SOM) in estuarine wetland. In order to achieve this purpose, a case study was conducted in the Minjiang Estuary Wetland of Fuzhou, southeast China. A total of 23 environmental factors were extracted by ArcGIS geostatistical analyst and remote sensing image analysis technique.Then, stepwise regression model and principal component analysis were used to screen the characteristic variables. At last a hybrid model of the support vector regression Kriging (SVRK) was proposed toanalyze the spatial variability of SOM, and compared with BP neural network Kriging(BPNNK) and regression Kriging (RK). The results showed that normalized vegetation index (NDVI), ratio vegetation index (RVI), perpendicular drought index (PDI), flow accumulation (FA) and sediment movement index (SMI) were significantly correlated with SOM, which had the higher coefficient of determination (2= 0.446) and the significant probability value (<0.000 1). Three principal components, explained at least 94% of the total variance, were extracted from these environmental factors by principal component analysis and used as characteristic variables.The spatial variability of SOM was affected by structural factors, showing a trend of “l(fā)ower in the north and higher in the south”. Compared with RK andBPNNK,SVRK had the highest prediction accuracy, and more accurately reflected the spatial variability of SOM, can provide a methodological support for the study of spatial variability of SOM in the same or similar region.

Estuary wetland; Soil organic matter; Stepwise regression;Support vector regression Kriging

S156.8

A

10.13758/j.cnki.tr.2020.06.026

陳思明, 王寧, 秦艷芳, 等. 基于特征變量與支持向量機(jī)回歸克里格(SVRK)法的濕地土壤有機(jī)質(zhì)空間變異特征分析. 土壤, 2020, 52(6): 1298–1305.

福建省科技計(jì)劃項(xiàng)目(2020J01831)和福建省教育廳中青年教師教育科研項(xiàng)目(JT180407)資助。

陳思明(1982—)，男，福建廈門人，博士研究生，講師，研究方向?yàn)檫b感應(yīng)用、城市林業(yè)、土地利用碳排放等。E-mail：wujingwujing0900@163.com