基于BME-GWR 法的景觀單元土壤有機(jī)碳密度空間預(yù)測(cè)

劉歡瑤，孟 岑，鄒冬生，吳金水

（1.湖南農(nóng)業(yè)大學(xué)資源環(huán)境學(xué)院，湖南 長(zhǎng)沙 410128；2.中國科學(xué)院亞熱帶生態(tài)農(nóng)業(yè)研究所，湖南 長(zhǎng)沙 410125）

【研究意義】土壤是陸地生物圈中最大的碳庫，土壤有機(jī)碳（SOC）控制全球碳循環(huán)，是重要的大氣碳源［1］。作為評(píng)價(jià)土壤質(zhì)量的重要指標(biāo)，土壤有機(jī)碳庫的研究對(duì)防治土壤退化和發(fā)展可持續(xù)農(nóng)業(yè)具有重要意義。準(zhǔn)確估算、分析土壤有機(jī)碳的儲(chǔ)量和空間分布，為有效調(diào)控碳源/匯方向、全球氣候變化以及為土壤質(zhì)量綜合評(píng)估提供了理論支持。土壤有機(jī)碳密度（SOCD）的估算精確度受樣點(diǎn)數(shù)量的影響。隨著3S技術(shù)的飛速發(fā)展，與SOCD相關(guān)的環(huán)境變量數(shù)據(jù)獲取變得簡(jiǎn)單、便捷，充分利用多源環(huán)境先驗(yàn)信息作為“軟數(shù)據(jù)”是克服傳統(tǒng)以克里格為代表的地統(tǒng)計(jì)方法缺陷，提高SOCD估算精度的有效技術(shù)途徑。

【前人研究進(jìn)展】當(dāng)前已有很多插值方法結(jié)合環(huán)境輔助變量進(jìn)行土壤屬性的空間預(yù)測(cè)，包括多元線性回歸模型、協(xié)同克里金、回歸克里金、地理加權(quán)回歸等，當(dāng)環(huán)境因子與土壤屬性相關(guān)性較強(qiáng)時(shí)這些方法預(yù)測(cè)精度均高于不結(jié)合環(huán)境輔助變量的地統(tǒng)計(jì)方法［2］。然而，由于多數(shù)插值方法均未考慮環(huán)境輔助變量的先驗(yàn)分布，很難處理非高斯分布變量，因而限制了利用多源輔助數(shù)據(jù)進(jìn)行空間預(yù)測(cè)的能力［3］。貝葉斯最大熵（Bayesian Maximum Entropy,BME）結(jié)合了貝葉斯方法論和最大熵原理來模擬時(shí)空變量，將精度較高的“硬數(shù)據(jù)”和多渠道源得到的“軟數(shù)據(jù)”區(qū)分使用，能夠有效地綜合利用各種不同來源和精度的數(shù)據(jù)［4］。近幾年來，BME模型嘗試被引入到土壤、大氣污染和環(huán)境的時(shí)空預(yù)測(cè)中［4-6］。例如，費(fèi)徐峰等［5］將田間測(cè)量的土壤重金屬含量數(shù)據(jù)作為軟數(shù)據(jù)，將實(shí)驗(yàn)室測(cè)定的相應(yīng)土壤重金屬含量作為硬數(shù)據(jù)，利用土壤重金屬在土壤母質(zhì)類型中的概率密度函數(shù)作為軟數(shù)據(jù)，建立了土壤重金屬含量BME和普通克里格（OK）插值模型，以探討研究區(qū)內(nèi)重金屬污染分布情況和影響因素。

【本研究切入點(diǎn)】軟數(shù)據(jù)本身的來源多樣化，例如將另一種檢測(cè)手段得到的數(shù)據(jù)集作為軟數(shù)據(jù)，按環(huán)境相關(guān)法得到預(yù)測(cè)屬性的概率分布作為軟數(shù)據(jù)［7］，用空間預(yù)測(cè)模型結(jié)合輔助變量獲得相對(duì)不確定性的數(shù)據(jù)作為軟數(shù)據(jù)［4］，但較少有文獻(xiàn)報(bào)道軟數(shù)據(jù)的獲取途徑對(duì)BME結(jié)果的影響。受復(fù)雜的成土因素（如植被、地形）等環(huán)境因子影響，隨著研究尺度的變化，土壤屬性的主控因素也會(huì)隨之變化［8］。因此，選擇合適范圍建立環(huán)境輔助數(shù)據(jù)和預(yù)測(cè)變量之間的關(guān)系，是有效控制預(yù)測(cè)模型不確定性產(chǎn)生的途徑?！緮M解決的關(guān)鍵問題】本研究基于BME方法框架，選取湖南省桃源縣盤塘鎮(zhèn)王家垱村內(nèi)SOCD實(shí)測(cè)數(shù)據(jù)作為“硬數(shù)據(jù)”，以地理加權(quán)回歸模型（GWR）結(jié)合地形、土地利用等多源環(huán)境數(shù)據(jù)獲得“軟數(shù)據(jù)”，比較貝葉斯最大熵結(jié)合地理加權(quán)回歸模型（BMEGWR）與傳統(tǒng)GWR方法對(duì)土壤SOCD空間分布預(yù)測(cè)精度，進(jìn)一步分析基于土地利用類型估算得到的“軟數(shù)據(jù)”所計(jì)算的BME-GWR模型模擬精度的變化，為綜合利用環(huán)境變量提高土壤屬性的空間預(yù)測(cè)模型精度提供依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

綜合考慮地形地貌、土地利用、土壤等因素，在我國亞熱帶紅壤丘陵區(qū)選取具有代表性的農(nóng)業(yè)生態(tài)景觀單元作為研究區(qū)域［9,11］。研究區(qū)域位于湖南省桃源縣盤塘鎮(zhèn)王家垱村，總面積為355.12 hm2，地處中亞熱帶北緣，為季風(fēng)性濕潤氣候（年平均降雨量為1330 mm，年平均氣溫為16.8 ℃）。該區(qū)域?qū)儆诘蜕綅彽氐孛?，高程約為81～112 m，土壤類型以地帶性的紅壤為主。研究區(qū)土地利用方式主要為林地（35.7%）、稻田（39.9%）、果園（15.1%）、旱地（9.3%），其中林地以人工林（馬尾松、櫟樹、樟樹）為主，稻田以雙季稻為主，旱地主要作物為棉花、油菜、玉米、苧麻等經(jīng)濟(jì)作物，果園以橘子、柚子、桃子為主［10］。

1.2 研究方法

1.2.1 數(shù)據(jù)來源與處理 通過GPS準(zhǔn)確定位采樣點(diǎn)，并記錄采樣點(diǎn)的經(jīng)緯度、高程，通過ArcGIS 10.3軟件經(jīng)投影轉(zhuǎn)化，得到以米為單位的平面坐標(biāo)；再將矢量等高線和高程控制點(diǎn)轉(zhuǎn)化為分辨率為5 m的數(shù)字高程模型（圖1），并提取1:10000航拍的土地利用信息，得到分辨率為5 m土地利用類型分布圖，在數(shù)字高程模型中提取坡度、地形濕度指數(shù)等數(shù)據(jù)。于2003年4—5月，以樣區(qū)中心為橫縱坐標(biāo)軸的交叉點(diǎn)，劃定1.0 cm×1.0 cm的網(wǎng)格，按采樣密度耕地（稻田和旱地）5個(gè)土樣/ hm2、果園2～3個(gè)土樣/ hm2、林地1個(gè)土樣/ hm2的原則隨機(jī)布點(diǎn)，并采用“S”形路線多點(diǎn)取樣法（不少于15點(diǎn)）采集表層土樣（0～20 cm），共采集土壤樣品523個(gè)［11］，其中，稻田、旱地、果園、林地樣品數(shù)分別為249、66、192、16個(gè)。

土壤容重采用環(huán)刀法測(cè)定，土壤有機(jī)碳含量采用碳氮元素分析儀（Vario-MAX C/N，德國）測(cè)定。SOCD指單位面積內(nèi)一定厚度土層的土壤有機(jī)碳儲(chǔ)量（kg/m2），計(jì)算公式為：

式中，SOCDi為第i層土壤有機(jī)碳密度（kg/m2）；SOCi為第i層土壤有機(jī)碳含量（g/kg）；ρi為第i層土壤容重（g/c m3）；Di為土壤厚度（cm），本研究取值20 cm。

圖1 研究區(qū)樣點(diǎn)分布、高程、坡度、地形濕度指數(shù)、土地利用類型Fig.1 Sample plot distribution,elevation,slope,topographic wetness index（TWI）and land use types in the research area

1.2.2 地理加權(quán)回歸（GWR）GWR模型是普通線性回歸的拓展，可被視作局部的加權(quán)最小二乘回歸模型，允許局部參數(shù)估計(jì)，將觀測(cè)數(shù)據(jù)空間特性的變化參數(shù)嵌入到模型中，并假定線性回歸模型中的回歸參數(shù)是觀測(cè)點(diǎn)處的任意函數(shù)，得到GWR模型，反映樣本對(duì)回歸方程貢獻(xiàn)在空間上的分異［13］，其計(jì)算公式為：

式中，y（u）為位置u的因變量值；β0（u）為截距值；βk（u）為第K個(gè)協(xié)變量在位置u上的回歸系數(shù)，回歸系數(shù)由每個(gè)觀測(cè)點(diǎn)周圍數(shù)據(jù)估算而得；xk（u）為在位置u上的第k個(gè)協(xié)變量的值；ε（u）為在位置u上的隨機(jī)誤差值。GWR回歸模型中的參數(shù)采用加權(quán)最小二乘法計(jì)算，本研究把SOCD測(cè)定數(shù)據(jù)作為因變量，高程、坡度、地形濕度指數(shù)、土地利用類型數(shù)據(jù)作為自變量進(jìn)行GWR模型擬合。

1.2.3 貝葉斯最大熵模型（BME）BME模型結(jié)合了最大熵原理和廣義貝葉斯條件公式，可以利用不同精度、質(zhì)量、表示方式（如區(qū)間、分類等）的多源數(shù)據(jù)，這些數(shù)據(jù)總體上可以分為廣義知識(shí)（General knowledge，G）和特定知識(shí)（Special knowledge，S）兩類。廣義知識(shí)用來描述自然規(guī)律、物理法則和硬數(shù)據(jù)的統(tǒng)計(jì)規(guī)律（如數(shù)學(xué)期望、半方差）等。特定知識(shí)包括硬數(shù)據(jù)和軟數(shù)據(jù)，硬數(shù)據(jù)是特定觀測(cè)點(diǎn)上的誤差可以忽略的數(shù)據(jù)，如實(shí)測(cè)數(shù)據(jù)、時(shí)間序列數(shù)據(jù)等，本研究以樣點(diǎn)SOCD實(shí)測(cè)數(shù)據(jù)作為硬數(shù)據(jù)；而軟數(shù)據(jù)是相對(duì)模糊的、有誤差的數(shù)據(jù)，包括歷史數(shù)據(jù)、粗測(cè)量數(shù)據(jù)、模型模擬數(shù)據(jù)等。

BME的基本原理是利用廣義知識(shí)（G）通過最大熵原理獲得先驗(yàn)概率密度函數(shù)pdf〔fG（ymap）〕，再基于結(jié)合了硬數(shù)據(jù)和軟數(shù)據(jù)的特定知識(shí)（S）、貝葉斯條件概率將研究區(qū)未測(cè)點(diǎn)變量分布的先驗(yàn)pdf轉(zhuǎn)換為后驗(yàn)pdf〔fT（ymap）〕，并可計(jì)算待預(yù)測(cè)點(diǎn)xk的預(yù)測(cè)均值或最大值。

式中，I=Imn+1U Imn+2U…Im是軟數(shù)據(jù)集，ydata=[y1，y2，…ym]是特定知識(shí)。為預(yù)測(cè)結(jié)果的平均值；為預(yù)測(cè)結(jié)果的最大值；yk為測(cè)量值；f（yk）為后驗(yàn)pdf；dyk為測(cè)量值的變化量。

本研究地理加權(quán)回歸結(jié)合貝葉斯最大熵模型（GWR-BME）是以GWR模型所預(yù)測(cè)連續(xù)柵格表面為基礎(chǔ)，將在樣點(diǎn)空間位置上提取的被預(yù)測(cè)的SOCD屬性值作為軟數(shù)據(jù)；而按土地利用類型估算的貝葉斯最大熵模型（GWR-BMEL），則是先提取不同的土地利用類型，在每個(gè)土地利用類型單獨(dú)以SOCD實(shí)測(cè)數(shù)據(jù)作為因變量，高程、坡度、地形濕度指數(shù)作為自變量進(jìn)行GWR模型預(yù)測(cè)，提取樣點(diǎn)位置的GWR模型預(yù)測(cè)值作為軟數(shù)據(jù)。最后，結(jié)合“軟數(shù)據(jù)”和“硬數(shù)據(jù)”進(jìn)行BME預(yù)測(cè)，GWR-BMEL則要將各土地利用類型的預(yù)測(cè)結(jié)果合并得到整個(gè)區(qū)域的SOCD空間分布。

2 結(jié)果與分析

2.1 土壤有機(jī)碳密度與環(huán)境變量描述性特征統(tǒng)計(jì)

從表1 可以看出，研究區(qū)域的SOCD 分布范圍為1.30～4.71 kg/m2，平均值為3.22 kg/m2，標(biāo)準(zhǔn)差為0.77 kg/m2，變異系數(shù)為24%。不同土地利用類型下SOCD差異顯著，表現(xiàn)為稻田〔3.84（±0.44）kg/m2〕>旱地〔2.92（±0.57）kg/m2〕>果園〔（2.58（±0.44）kg/m2〕>林地〔2.31（±0.55）kg/m2〕，變異系數(shù)為11%～24%，均屬于中等變異（10%～100%）。

通過數(shù)字高程圖提取高程、坡度、地形濕度指數(shù)作為地形特征，與SOCD 進(jìn)行相關(guān)分析。從圖2 可以看出，研究區(qū)域內(nèi)提取的高程、坡度、地形濕度指數(shù)對(duì)SOCD 有明顯的影響，可以作為地形因子進(jìn)行空間分布擬合。其中，SOCD 與高程和坡度均呈極顯著負(fù)相關(guān)、相關(guān)系數(shù)分別為-0.68 和-0.62，而與TWI 呈極顯著正相關(guān)、相關(guān)系數(shù)為0.34。

表1 研究區(qū)土壤有機(jī)碳統(tǒng)計(jì)Table 1 Statistical values of soil organic carbon density（SOCD）in the research area

圖2 研究區(qū)土壤有機(jī)碳密度、高程、坡度、地形濕度指數(shù)相關(guān)分析Fig.2 Correlation analysis of soil organic carbon density（SOCD）,elevation,slope and topographic wetness index（TWI）in the research area

2.2 半方差函數(shù)比較

根據(jù)最大決定系數(shù)（R2）原則，GWR、GWR-BME、GWR-BMEL3種模型最優(yōu)擬合模型均為指數(shù)模型（圖3）。半方差函數(shù)模型中所得的主要參數(shù)為塊金值（C0）、基臺(tái)值（Sill）、變程（Range）以及塊基比值（C0/Sill），可以反映一定空間范圍內(nèi)的空間變異性和變量的自相關(guān)性。其中，塊金值反映了隨機(jī)部分形成變量的變異性和測(cè)量誤差，GWR、GWR-BME、GWR-BMEL3種模型塊金值分別為0.32、0.24、0.16 kg/m2，結(jié)合BME方法可以減少由隨機(jī)部分形成的變異；基臺(tái)值是變異函數(shù)數(shù)值隨著采樣點(diǎn)間距的增大從塊金值增大到最大的常數(shù)值，反映變量的最大變異性，體現(xiàn)了非隨機(jī)部分形成的變異，GWR、GWR-BME、GWR-BMEL的基臺(tái)值分別為0.61、0.66、0.52 kg/m2；塊金值與基臺(tái)值的比值分別為52%、36%、31%，為中等程度的空間依賴性（25%～75%），尤其是GWR-BMEL表現(xiàn)出的空間自相關(guān)性最強(qiáng)；變程從大到小依次為GWR（269 m）、GWR-BME（207 m）、GWRBMEL（138 m），GWR-BME、GWR-BMEL最優(yōu)擬合模型變程均小于GWR，進(jìn)一步驗(yàn)證了塊金值與基臺(tái)值比值的結(jié)果，反映出較強(qiáng)的空間自相關(guān)性。

2.3 預(yù)測(cè)精度檢驗(yàn)

圖3 半方差模型對(duì)比Fig.3 Comparison of semivariance model

其中，MAE從大到小依次為GWR（0.25）>GWR-BME（0.21）>GWR-BMEL（0.19），RMSE從大到小依次為GWR（0.40）>GWR-BME（0.35）>GWR-BMEL（0.33）。GWR-BMEL模型的MAE和RMSE比GWR-BME模型分別減少9.53%、5.71%，比GWR模型分別減少24%、17.50%。R2以GWR模型最小（0.72），GWRBME（0.79）比GWR提高9.72%，GWR-BMEL的R2最大、為0.81。表明在軟數(shù)據(jù)的輔助下，GWRBME和 GWR-BMEL的模型精度均高于GWR模型，而GWR-BMEL模型在3種方法中插值精度最高，GWR-BME次之，GWR的模型精度最低（表2）。說明結(jié)合了土地利用類型劃分估算單元所得到的軟數(shù)據(jù)可以較好地體現(xiàn)土地利用類型內(nèi)部的空間差異性，克服整體估算結(jié)果的平滑效應(yīng)，提高了估算結(jié)果的精度。

表2 各土壤有機(jī)碳密度模型精度比較Table 2 Comparison of accuracy among different soil organic carbon density（SOCD）models

2.4 土壤有機(jī)碳密度空間分布

圖4 土壤有機(jī)碳密度（SOCD）空間分布Fig.4 Spatial distribution of soil organic carbon density（SOCD）

利用GWR-BMEL方法預(yù)測(cè)研究區(qū)域的土壤SOCD的空間分布（圖4），得到分辨率為5 m的空間預(yù)測(cè)結(jié)果。從圖4可以看出，GWR-BMEL法擬合的SOCD空間分布特征的整體趨勢(shì)特征明顯，反映細(xì)節(jié)的能力強(qiáng)，對(duì)實(shí)測(cè)點(diǎn)鄰域范圍的空間結(jié)構(gòu)體現(xiàn)較合理。農(nóng)業(yè)生態(tài)景觀單元內(nèi)SOCD的預(yù)測(cè)結(jié)果具有明顯的區(qū)域分布特征，SOCD的空間分布格局與土地利用、地形因子的相關(guān)性明顯：在研究區(qū)域中部高程和坡度較小的坡度、坡下的稻田以及稻田周圍的旱地的SOCD較高；而研究區(qū)域東部高程和坡度較大的坡腰、坡頂區(qū)域，主要分布林地和果園的區(qū)域是SOCD的低值區(qū)。

3 討論

我國全國尺度土壤有機(jī)碳密度的平均值為3.35 kg/m2［14］，東部地區(qū)表層土壤的SOCD為6.8～21.4 kg/m2［15-16］，其中浙江和江西兩省典型森林類型土壤平均SOCD為7.12～15.69 kg/m2［17］。而本研究區(qū)域的土壤有機(jī)碳密度比其他研究結(jié)果較低，這可能是由于農(nóng)業(yè)生態(tài)景觀單元地表的作物成熟后多被收割，直接歸還到土壤部分的凋落物相對(duì)減少導(dǎo)致土壤有機(jī)碳含量較低［18］，且研究區(qū)域的林地以人工經(jīng)濟(jì)林為主，林分結(jié)構(gòu)單一，植被凈生產(chǎn)力小于天然林［16］，同時(shí)人工林受人為擾動(dòng)較大，土壤微生物的分解作用加強(qiáng)，限制了當(dāng)?shù)赝寥烙袡C(jī)質(zhì)的積累［19］。另外，研究區(qū)以低山崗地地貌為主，耕地多位于低山的坡中和坡下位置，水土流失較嚴(yán)重，導(dǎo)致土壤相對(duì)貧瘠［20］。

本研究區(qū)SOCD的GWR方法最優(yōu)擬合模型為指數(shù)模型，這與很多相關(guān)的土壤有機(jī)碳研究結(jié)果一致［21-22］。研究區(qū)土壤有機(jī)碳密度的塊金值和基臺(tái)值分別為0.32、0.61 kg/m2，塊金值與基臺(tái)值的比值為52%。塊金值與基臺(tái)值的比值受結(jié)構(gòu)和隨機(jī)因素的影響，較高的比值說明空間變化是由施肥、耕作、其他人類活動(dòng)等隨機(jī)因素引起，而較低的比值說明由采樣和實(shí)驗(yàn)分析本身的系統(tǒng)誤差、土壤性質(zhì)、地形、其他自然因素等結(jié)構(gòu)因素在空間變化中起重要作用。一般用<0.25、0.25～0.75、>0.75分別表示土壤屬性的強(qiáng)、中等、弱空間自相關(guān)性，本研究區(qū)的土壤有機(jī)碳密度為中等程度空間變異［23］。土壤有機(jī)碳密度半方差模型的變程為269 m，是土壤有機(jī)碳密度的最大相關(guān)距離，表明本研究SOCD采樣的網(wǎng)格間距布設(shè)合理，推導(dǎo)出的空間結(jié)構(gòu)關(guān)系與地面的空間結(jié)構(gòu)關(guān)系一致［24］。與此相應(yīng)，SOCD的GWR-BME、GWR-BMEL兩種擬合模型的塊金值、塊金值與基臺(tái)值的比值、變程均小于GWR，表明BME法能更強(qiáng)地解釋SOCD的空間異質(zhì)性。同時(shí)，GWRBMEL的基臺(tái)值最小，體現(xiàn)了同一類型的景觀約束下SOCD的變異性會(huì)降低［25］。

結(jié)合BME方法用于模擬SOCD空間分布的精度高于GWR，這與多數(shù)研究結(jié)果相同。楊勇等［7］以DEM生成的相關(guān)地形因子作為環(huán)境數(shù)據(jù)，分別用普通克里格（OK）和BME模型對(duì)湖北省京山縣土壤有機(jī)質(zhì)含量的密集樣本和稀疏樣本進(jìn)行預(yù)測(cè)，結(jié)果表明BME的預(yù)測(cè)精度高于OK，尤其對(duì)稀疏樣本預(yù)測(cè)的精度提高幅度更大。Xiao等［4］采用GWR-BME模型，選取氣溶膠光學(xué)厚度、地形數(shù)據(jù)、氣象數(shù)據(jù)和污染排放等輔助信息對(duì)我國大區(qū)域尺度的PM2.5空間分布進(jìn)行擬合，GWR-BME預(yù)測(cè)結(jié)果精度較GWR模型更高。與傳統(tǒng)方法相比，GWR-BME、GWR-BMEL方法結(jié)合了“硬數(shù)據(jù)”和“軟數(shù)據(jù)”［6］，降低了預(yù)測(cè)結(jié)果的不確定性，尤其是通過劃分土地利用類型獲取軟數(shù)據(jù)的GWR-BMEL模型，通過在空間范圍上對(duì)每個(gè)土地利用類型單獨(dú)模擬，獲得其空間變化的局部特征以及空間對(duì)象本身相關(guān)性和異質(zhì)性參數(shù)，進(jìn)一步有效利用“軟數(shù)據(jù)”的空間自相關(guān)性，可以較好地體現(xiàn)研究區(qū)SOCD的空間分布。

本研究利用GWR-BMEL對(duì)研究區(qū)SOCD模擬分布，結(jié)果表明在中間高程和坡度較小的稻田以及稻田周圍的旱地SOCD較高。這是由于農(nóng)田（稻田和旱地）的復(fù)種指數(shù)高，化肥投入量高，導(dǎo)致表層土壤的養(yǎng)分較高，導(dǎo)致SOCD高于林地和果園，尤其是稻田由于淹水環(huán)境會(huì)降低土壤有機(jī)碳的分解速率，進(jìn)一步降低土壤有機(jī)質(zhì)的分解速率，有利于土壤有機(jī)碳積累［25］。同時(shí)，研究區(qū)域的水稻和旱地作物經(jīng)常種植在坡度、海拔較低的區(qū)域［26］，因而形成當(dāng)?shù)豐OCD的高值區(qū)域集中分布在坡度、海拔較低的稻田和旱地的格局。高程和坡度較大的林地和果園是主要的SOCD低值區(qū)域，其中研究區(qū)域海拔和坡度較大的林地種植年限較短，以種植馬尾松和油茶等人工林為主，其凈生產(chǎn)力遠(yuǎn)低于天然林，有機(jī)物質(zhì)投入量少［26］；當(dāng)?shù)氐墓麍@多種植桔科植物，因而地面凋落物較少，從而減少了土壤有機(jī)碳來源。而且，受耕作措施的影響，果園的深埋施肥對(duì)表層土壤的有機(jī)碳貢獻(xiàn)也不明顯，果園土壤連年深翻加速了土壤有機(jī)碳礦化過程［27-28］。另外，與農(nóng)田地形較平坦相比，果園和林地常分布山地，具有較高的水力傳導(dǎo)性，土壤有機(jī)質(zhì)容易隨著降雨而發(fā)生流失；這些原因也可能會(huì)導(dǎo)致SOCD的降低［29］。

4 結(jié)論

本研究中，由于BME-GWR和BME-GWRL模型結(jié)合了“軟數(shù)據(jù)”作為輔助變量，對(duì)研究區(qū)SOCD的空間異質(zhì)性有更強(qiáng)的解釋能力，交叉驗(yàn)證結(jié)果也反映BME-GWR和BME-GWRL模型較GWR模型的擬合精度更高，其中BME-GWRL模型基于土地利用類型的空間范圍對(duì)軟數(shù)據(jù)進(jìn)行擬合，考慮到了“軟數(shù)據(jù)”估算單元的不確定性，對(duì)比不劃分土地利用類型直接模擬的BME-GWR預(yù)測(cè)結(jié)果，從整體上更加接近于觀測(cè)數(shù)據(jù)。本研究結(jié)果表明，考慮軟數(shù)據(jù)的獲取途徑，是在實(shí)測(cè)數(shù)據(jù)和輔助變量有限的條件下提高空間預(yù)測(cè)精度的有效途徑，為合理利用多源輔助數(shù)據(jù)提供新思路。