不同采样点数量下土壤有机质含量空间预测方法对比_苏晓燕

六种土壤中挥发性有机物监测方法对比分析王思依 邹顺瑛 孙文豪 娄晓宇 丁超*(大连市生态环境事务服务中心 辽宁大连 116000)摘要：我国目前现行的环境质量标准中，涉及土壤中挥发性有机物指标的主要是《土壤环境质量建设用地土壤污染风险管控标准（试行）》（GB 36600-2018），其挥发性有机物推荐的分析方法共有6种。

该文通过对这6种方法从适用范围、仪器设备、前处理方式、定性定量方式等方面进行对比分析，得出分析人员应根据不同目标物与实验室仪器配置选择监测方法。

关键词：土壤 挥发性有机物 顶空 吹扫捕集 气相色谱质谱联用中图分类号：X833文献标识码：A 文章编号：1672-3791(2023)17-0171-04Comparative Analysis of Six Monitoring Methods for VolatileOrganic Compounds in SoilWANG Siyi ZOU Shunying SUN Wenhao LOU Xiaoyu DING Chao* (Dalian Ecological Environment Affairs Service Center, Dalian, Liaoning Province, 116000 China) Abstract: Among current environmental quality standards in China, the one involving the indicators of volatile or‐ganic compounds in soil is Soil Environment Quality Risk Control Standard for Soil Contamination of Develop‐ment Land (Trial)(GB 36600-2018), which involves six recommended analytical methods for volatile organic compounds. Through the comparative analysis of the six methods from the aspects of the scope of application, in‐struments and equipment, pretreatment methods and qualitative and quantitative methods, this paper concludes that analysts should select monitoring methods according to different targets and laboratory instrument configurations. Key Words: Soil; Volatile organic compounds; Headspace; Purge and trapping; Gas chromatography-mass spec‐trometry挥发性有机物（Volatile Organic Compound，VOCs）广泛存在于空气、水、土壤以及其他介质中，其主要成分为醛酮类、芳香烃、脂肪烃、卤代烃等化合物，是一类重要的环境污染物。

基于PLSR的土壤颜色预测方法及其与色系转换法的对比研究李怡春1,2 潘恺1,2 王昌昆1 刘娅1吴士文1,2刘杰1,2徐爱爱1,2潘贤章1†（1土壤与农业可持续发展国家重点实验室（南京土壤研究所），南京210008）（2 中国科学院大学，北京100049）摘要传统的土壤颜色测定主要采用蒙塞尔比色卡比对，精度高，但费时费力。

近年来尝试采用色系转换法预测土壤颜色，方法较为简便。

基于土壤高光谱反射率和偏最小二乘回归（PLSR）方法进行土壤颜色预测，并与色系转换法进行对比研究。

采集了皖赣鄂交界地区76个不同颜色的土壤样品，分别采用PLSR及色系转换法进行了土壤颜色预测，并与实测结果进行了对比。

结果表明，PLSR交叉验证的R cv2分别达到0.62、0.61和0.75，测定值标准偏差与标准预测误差的比值（RPD）分别达到1.94、1.67和2.15，说明PLSR模型用于土壤颜色预测是可行的；其均方根误差（RMSE）仅为1.32、0.55和0.97个单位，较色系转换法的RMSE分别低0.94、1.24 和0.95个单位，其HV/C整体预测误差∆E的平均值为1.91，较色系转换法的平均值低5.16，说明PLSR方法预测土壤蒙塞尔颜色较色系转换法更优。

该方法为土壤颜色的获取提供了一种新的途径。

关键词土壤颜色；色系转换；光谱；偏最小二乘回归中图分类号S151.9 文献标识码 A土壤颜色是土壤的一种重要属性，能反映土壤组成和肥力状况，甚至能指示土壤年龄，并表征某些土壤过程。

不同类型土壤常具有不同的颜色，因而土壤颜色能辅助野外识别土壤类型[1]。

土壤颜色与其他土壤属性关系密切。

当有机质含量较高时，土壤通常呈现暗棕色或黑色[2]。

当赤铁矿的含量较高时土壤呈现红色，而针铁矿含量较高时土壤呈现黄色[3]。

土壤颜色受水分影响很大，通常湿态较风干态颜色更暗[4]，这个特性经常用于定性描述土壤含水率。

土壤颜色信息也可用于土壤质量评估，研究认为，土壤色调、明度和彩度等颜色信息是石灰性土壤分布区森林立地评估的最佳指标之一[5]。

基于综合光谱指数的不同程度人类干扰下土壤有机质含量预测作者：郑曼迪熊黑钢乔娟峰刘靖朝来源：《江苏农业学报》2018年第05期摘要： 为寻求同一背景不同人类干扰程度下的土壤有机质含量的最佳预测模型，本研究以天山北麓的土壤为研究对象，运用Landsat8遥感影像以及实测光谱2种方式进行对比，结合不同的综合光谱指数，对无人干扰区、人为干扰区的影像反射率和实测光谱反射率进行光谱变换，分析反射率及其变换形式与有机质含量的相关性，以相关系数通过0.01和0.05显著性水平检验的波段作为自变量，运用多元线性回归方程分别建立了无人干扰区、人为干扰区土壤有机质含量高光谱预测模型，精度最高的为最优模型。

结果表明：（1） Landsat8影像中B1—B5波段与有机质含量的相关系数通过了0.01与0.05显著性水平检验，作为自变量建立有机质含量预测模型。

同时，为了能与影像反射率有个良好的对比，实测光谱反射率及其变换形式同样也选择5个相关系数最大的波段作为敏感波段用以建立模型。

在影像与实测光谱中，土壤盐分指数结合植被指数与有机质含量相关性最好的分别是无人干扰区的SI3、DVI 和SI3、RVI;人为干扰区的SI2、RVI 和SI1、RVI 。

在结合光谱综合指数的模型中，无论是影像还是实测光谱，都是以反射率与植被指数、盐分指数相结合作为自变量建立的模型精度最好。

对比2种预测方式，预测效果最好的是利用实测光谱与盐分指数、植被指数建立的无人干扰区一阶微分的多元线性回归模型以及人为干扰区的倒数之对数一阶微分的多元线性回归模型，R2分别为0.93和0.89。

关键词：干旱区;遥感;高光谱;土壤有机质;估算模型中图分类号：F301.24文献标识码：A文章编号： 1000-4440（2018）05-1048-09人类活动的方式、程度以及持续的时间对土壤肥力和土壤生态系统基本生物生产能力产生重要的影响，使得土壤水分、盐分、有机质、电导率、pH等指标发生较大变化，从而土壤的理化性质发生改变。

h t t p :ʊs t b c x b .a l l jo u r n a l .c o m.c n 第38卷第2期2024年4月水土保持学报J o u r n a l o f S o i l a n d W a t e rC o n s e r v a t i o nV o l .38N o .2A pr .,2024收稿日期:2023-10-17 修回日期:2023-11-10 录用日期:2023-12-16 网络首发日期(w w w.c n k i .n e t ):2024-03-06资助项目:国家自然科学基金项目(42071062,41771246) 第一作者:杨华蕾(1999 ),女,在读硕士研究生,主要从事数字土壤制图研究㊂E -m a i l :y a n g h l e i @m a i l 2.s y s u .e d u .c n 通信作者:孙孝林(1980 ),男,副教授,博士生导师,主要从事数字土壤制图研究㊂E -m i a l :s x i a o l i n @m a i l .s ys u .e d u .c n D O I :10.13870/j.c n k i .s t b c x b .2024.02.037杨华蕾,王晓晴,张美薇,等.多种两步模式的三维制图方式在丘陵区林地土壤有机碳预测中的对比[J ].水土保持学报,2024,38(2):351-363.Y A N G H u a l e i ,WA N G X i a o q i n g ,Z HA N G M e i w e i ,e t a l .C o m p a r i s o no f d i f f e r e n t t w o -s t e p m o d e l so f t h r e e -d i m e n s i o n a lm a p p i n g a p pr o a c h e s f o r s o i l o r g a n i c c a r b o n p r e d i c t i o n i nh i l l y wo o d l a n d s [J ].J o u r n a l o f S o i l a n d W a t e rC o n s e r v a t i o n ,2024,38(2):351-363.多种两步模式的三维制图方式在丘陵区林地土壤有机碳预测中的对比杨华蕾1,王晓晴1,张美薇1,郭倩1,王会利2,曾令涛1,崔宇培1,孙孝林1(1.中山大学地理科学与规划学院,广州510006;2.广西壮族自治区林业科学研究院,南宁530002)摘 要:[目的]为了探讨多种两步模式三维制图方法的准确度影响因素及其规律㊂[方法]以华南典型丘陵区1个面积约5k m2的林场内土壤有机碳为研究对象,分别使用样条函数㊁指数函数和幂函数作为深度函数,普通克里格和随机森林作为水平制图方法,以及两步模式的2种不同制图形式(称为形式A 和B ),进行土壤有机碳含量的三维预测制图,并探究不同的深度函数㊁水平制图方法或制图形式对两步模式三维制图结果的影响规律㊂[结果](1)深度函数在很大程度上决定制图结果在垂直和水平方向上的变异,表现在制图结果的变异在3个深度函数之间差异较大,其中指数函数上的变异最大,幂函数上最弱,而水平制图方法(普通克里格与随机森林)对制图结果的垂直变异影响不大,但对表层的空间变异影响较大;(2)样条函数由于模拟的深度曲线与实测点吻合得最好,因而准确度最好,表现在基于样条函数的三维制图一致性相关系数(C C C )为0.72~0.75,均高于同种制图形式下的其他函数(C C C 为0.64~0.74),而水平制图方法中普通克里格的制图效果好于随机森林,表现在前者的C C C 为0.67~0.75,后者的C C C 为0.64~0.72;(3)两步模式的2种制图形式对准确度的影响较小,仅在底层的准确度上表现出形式A (即水平预测制图深度函数模拟值)好于形式B (即水平预测制图深度函数参数);(4)所有制图方式中,普通克里格与样条函数相结合的制图形式A 的准确度最高,决定系数(R 2)达0.76,一致性相关系数(C C C )为0.75,均方根误差(R M S E )为3.50g /k g㊂[结论]在两步模式的三维土壤制图中,首先应考虑样条函数作为深度函数,其次依据研究区的景观条件和样本量,考虑水平制图方法,最后,尽量采用两步模式的第一种制图形式㊂关键词:三维制图;土壤有机碳;深度函数;两步模式中图分类号:K 903 文献标识码:A 文章编号:1009-2242-(2024)02-0351-13C o m p a r i s o no fD i f f e r e n t T w o -S t e p M o d e l s o fT h r e e -D i m e n s i o n a lM a p p i n gA p p r o a c h e s f o r S o i lO r g a n i cC a r b o nP r e d i c t i o n i nH i l l y Wo o d l a n d s Y A N G H u a l e i 1,WA N G X i a o q i n g 1,Z H A N G M e i w e i 1,G U O Q i a n 1,WA N G H u i l i 2,Z E N GL i n g t a o 1,C U IY u pe i 1,S U N X i a o l i n 1(1.S c h o o l o f G e o g r a p h y a n dP l a n n i n g ,S u nY a t -s e nU n i v e r s i t y ,G u a n gz h o u 510006,C h i n a ;2.G u a n g x iF o r e s t r y R e s e a r c hI n s t i t u t e ,N a n n i n g 530002,C h i n a )A b s t r a c t :[O b je c t i v e ]I no r d e r t o i n v e s t i g a t e t h e i nf l u e n c i ng f a c t o r s a n dv a r i a t i o n r u l e s o f a c c u r a c y o f v a r i o u s t w o -s t e p m o d e l s o f 3D m a p p i n g m e th o d s .[M e t h o d s ]S oi l o r ga n i c c a rb o n i na f o r e s tw i t ha na r e ao f a b o u t 5k m 2i na t y p ic a l h i l l y r e g i o no f S o u t hC h i n aw a sm a p p ed .S p l i nef u n c t i o n s ,e x p o n e n t i a l f u n c t i o n s a n d p o w e r f u n c t i o n sw e r eu s e d a s d e p t h f u n c t i o n s ,o r d i n a r y k r ig i n g a n d r a n d o mf o r e s tw e r e u s e d a sh o ri z o n t a lm a p p i n g m e t h o d s a n d t w od i f f e r e n tm a p p i n g f o r m s (c a l l e d f o r m sAa n dB )w e r eu s e d .T h e 3D p r e d i c t i o nm a p p i n g o f s o i l o r g a n i cc a r b o n w a sc a r r i e do u t ,a n dt h ei n f l u e n c eo fd i f f e r e n td e p t hf u n c t i o n s ,h o r i z o n t a l m a p p i n g m e t h o d s a n dm a p p i n g f o r m s o n t h e 3D m a p p i n g r e s u l t s o f t w o -s t e p m o d e lw a s e x pl o r e d .[R e s u l t s ](1)T h e d e p t h f u n c t i o n l a r g e l y d e t e r m i n e d t h e v a r i a t i o n o fm a p p i n gr e s u l t s i n v e r t i c a l a n d h o r i z o n t a l d i r e c t i o n s ,w h i c hs h o w e d t h a t t h e v a r i a t i o no f t h em a p p i n g r e s u l t sw a s s i g n i f i c a n t l y d i f f e r e n t a m o n g t h e t h r e e d e p t h f u n c t i o n s.E x p o n e n t i a l f u n c t i o nh a d t h e l a r g e s t v a r i a t i o n a n d p o w e r f u n c t i o nh a d t h ew e a k e s t v a r i a t i o n,w h i l e h o r i z o n t a l m a p p i n g m e t h o d s(i e.o r d i n a r y k r i g i n g a n dr a n d o mf o r e s t)h a dl i t t l e i n f l u e n c eo nt h ev e r t i c a lv a r i a t i o no f m a p p i n g r e s u l t s.H o w e v e r,t h es p a t i a lv a r i a t i o n o fs u r f a c el a y e r w a s g r e a t l y a f f e c t e d b y t h eh o r i z o n t a l m a p p i n g m e t h o d s.(2)T h e a c c u r a c y o f s p l i n e f u n c t i o nw a s t h e b e s t b e c a u s e t h e s i m u l a t e d d e p t h c u r v ew a s i n t h eb e s ta g r e e m e n t w i t ht h e m e a s u r e dv a l u e s.T h ec o n s i s t e n c y c o r r e l a t i o nc o e f f i c i e n t s(C C C)o ft h e3D m a p p i n g b a s e do n t h e s p l i n e f u n c t i o nw e r e0.72a n d0.75,w h i c hw e r eh i g h e r t h a n t h eo t h e r f u n c t i o n s i n t h e s a m e f o r m o f3D m a p p i n g(C C C w e r eb e t w e e n0.64a n d0.74).F o r t h eh o r i z o n t a lm a p p i n g m e t h o d s,t h ea c c u r a c y o f t h eo r d i n a r y k r i g i n g w a sb e t t e rt h a nt h a to ft h er a n d o m f o r e s t,t h eC C C o ft h ef o r m e r w a sb e t w e e n0.67a n d0.75,t h e l a t t e rw a sb e t w e e n0.64a n d0.72;(3)T h e t w om a p p i n g f o r m so f t h e t w o-s t e p m o d e lh a dl i t t l ei n f l u e nc eo na c c u r a c y.O n l y i nt h ec a s eo f p r ed i c t i o nf o rb o t t o m l a ye r,f o r m A(i.e., h o r i z o n t a l l y m a p p i ng s i m u l a t e d w a l u e s o fa d e p t hf u n c t i o n w a s b e t t e rth a nf o r m B(i.e.,si m u l a t i n g p a r a m e t e r so f a d e p t h f u n c t i o n).(4)A m o n g a l l3D m a p p i n g m e t h o d s,t h e f o r m A,w i t ho r d i n a r y k r i g i n g a n d s p l i n e f u n c t i o n s,h a dt h eh i g h e s ta c c u r a c y,g e n e r a t i n g c o e f f i c i e n to fd e t e r m i n a t i o n(R2)o f0.76,C C Co f 0.75,a n d r o o tm e a ns q u a r ee r r o r(R M S E)o f3.50g/k g.[C o n c l u s i o n]I nt h et w o-s t e p m o d e lo f3Ds o i l m a p p i n g,f i r s t l y,t h es p l i n e f u n c t i o ns h o u l db ec o n s i d e r e da s t h ed e p t hf u n c t i o n.S e c o n d l y,t h eh o r i z o n t a l m a p p i n g m e t h o d s h o u l d b e c o n s i d e r e d a c c o r d i n g t o t h e l a n d s c a p e c o n d i t i o n s a n d s a m p l e s i z e.F i n a l l y,t h e f i r s t m a p p i n g f o r mo f t h e t w o-s t e p m o d e l s h o u l db e a d o p t e d a s f a r a s p o s s i b l e.K e y w o r d s:3D m a p p i n g;s o i l o r g a n i c c a r b o n;d e p t h f u n c t i o n s;t w o-s t e p m o d e lR e c e i v e d:2023-10-17R e v i s e d:2023-11-10A c c e p t e d:2023-12-16O n l i n e(w w w.c n k i.n e t):2024-03-06土壤是空间上的连续三维实体,不仅其表层对土壤整体的性质和功能有重要影响,其下层也有重要影响㊂例如,B A T J E S[1]发现,深度在20c m以下的土壤有机碳储量占0 100c m深度土壤的68%,无机碳储量占23%,表明下层土壤中的碳储量对土壤肥力及气候变化的影响不容忽视㊂为此,大量研究[2-9]提出多种三维制图方法对土壤整体进行三维预测和制图㊂这些方法可以归纳为三维地统计模式和两步模式㊂前者虽然能够同时考虑土壤在水平和垂直方向上的变异,但是模型比较复杂,难以操作,应用较少㊂后者能够融合各种数学模型和机器学习方法,操作简单,应用十分广泛㊂同时,一些研究结果[10-13]表明,两步模式中主要用到的深度函数能更具体地反映出土壤性质的垂直变异,准确性较高,尤其是在样本量较少的情况下㊂例如,V E R O N E S I等[14]在三维制图土壤圆锥阻力(c o n e-i n d e x)时发现,三维普通克里格方法在使用90%和50%的样本数时,均方根偏差(R M S D)分别为0.54和0.57;同样的情况下,多项式与普通克里格结合的两步模式的R M S D分别为0.47和0.53㊂两步模式三维预测制图模式根据水平制图对象,即深度函数模拟的土壤性质或深度函数的参数,又分为2种不同的制图形式,在本文中分别称为形式A 和B㊂目前,这2种形式的应用都比较多㊂例如,M A-L O N E等[2-3]先拟合等面积样条深度函数,再构建函数参数的神经网络模型,预测土壤碳储量和有效水分在垂直和水平方向上的变异及三维制图;A D H I K A R I 等[11]使用等面积二次样条对1958年丹麦土壤剖面(最深2m)的质地进行了建模,并使用C u b i s t数据挖掘工具通过回归规则预测了6个标准土壤深度的黏土㊁淤泥㊁细砂和粗砂含量;L I U等[13]利用线性函数和幂函数组合形成连续的深度函数模型,模拟从表层至底层土壤有机质的变化,然后通过环境相似度方法对深度函数的参数进行空间插值并发现这种制图方式有利于解释土壤与环境之间的关系㊂两步模式不仅具有以上2种不同的制图形式,且采用的深度函数或水平制图方法(如地统计㊁机器学习等)也各式各样,从而形成多种多样的两步模式三维预测制图方式㊂现阶段,大量研究[14-18]的主要目的是开发利用不同的深度函数㊁不同的地统计或机器学习方法来建立这些三维预测制图方式,或是将其中的一种方式与三维地统计模式进行比较㊂截至目前,很少有研究对利用不同深度函数㊁不同水平制图方法㊁不同制图形式的多种两步模式三维预测制图方式进行比较,从而分析不同方式的准确性,进而探讨不同深度函数㊁水平制图方法㊁制图形式对制图准确性的影响㊂253水土保持学报第38卷h t t p:ʊs t b c x b.a l l j o u r n a l.c o m.c n为此,本文以广西南宁国有高峰林场内的1个林地为研究区,采集111个土壤剖面样品,测定土壤有机碳,再使用3种常用的深度函数(即样条函数㊁指数函数㊁幂函数)和2种水平制图方法(即普通克里格和随机森林)及2种两步模式的制图形式,构建多种两步模式三维制图方式㊂通过对土壤有机碳进行小区域的三维预测制图,比较不同方式下的制图准确性,进而分析不同深度函数㊁水平制图方式及两步模式的制图形式对制图结果的影响,为未来的三维土壤制图提供参考依据,以便于土壤调查制图根据实际情况筛选出最优组合,得到准确性较好的三维土壤制图方式㊂1材料与方法1.1研究区概况研究区位于广西壮族自治区南宁市高峰林场林业示范基地(22ʎ57'08ᵡ 22ʎ59'19ᵡN,108ʎ20'58ᵡ 108ʎ21'56ᵡE),南北相距最大约4.01k m,东西相距最大约1.84k m,总面积约5.52k m2(图1)㊂该地区为典型丘陵地形和亚热带湿润季风气候,高程130~ 380m,年平均气温21.6ħ,年平均降水量1300 mm㊂研究区的土壤为古生代泥岩㊁泥质页岩㊁砂页岩等沉积岩系上发育形成的赤红壤㊂历年以来,本区域一直用作林地,自本世纪初,主要种植桉树[19]㊂图1研究区的数字高程模型与土壤样点F i g.1D i g i t a le l e v a t i o n m o d e lo ft h es t u d y a r e aa n dl o c a t i o n s o f s a m p l i n g s i t e s1.2环境变量本文采用A r c g i s10.2软件,以1ʒ10000数字划线地图为基础,构建研究区10m数字高程模型(图1)㊂从该数字高程模型中,提取出高程(m)㊁坡度(%)㊁坡向(ʎ)㊁偏北度(ʎ)㊁偏东度(ʎ)㊁偏北指数㊁偏东指数㊁太阳辐射(k W/m2)㊁平面曲率㊁剖面曲率㊁地形湿度指数等地形因子作为环境变量,用于土壤制图㊂由于本研究区面积小,气候㊁母质㊁植被等相对均一,因而本文的土壤制图仅考虑地形因素,未考虑其他环境因素㊂1.3土壤采样本研究于2017年10月20日至12月31日在研究区内利用条件拉丁超立方抽样方法选择91个土壤剖面采样点,同时按照地形序列选择20个土壤剖面采样点,共111个剖面,剖面位置见图1㊂条件拉丁超立方抽样以6个主要的地形变量为因子,包括高程㊁坡度㊁坡向㊁剖面曲率㊁平面曲率和地形湿度指数,将样点随机地分布在所有这些因子的等概率区间内㊂地形序列样点主要分布在不同等高线的凸起㊁凹陷㊁平直等典型位置上㊂每个剖面挖掘深至母质,并按照土壤的颜色㊁质地㊁松紧度㊁砾石含量及根系等,划分土壤发生层,最后分层取样,共513个样品㊂这些样品经过风干㊁研磨过筛之后,在实验室中用重铬酸钾氧化法测定有机碳的含量[20]㊂每个样品的深度值为取样发生层的中间值㊂1.4两步模式方式1.4.1 深度函数本研究按照发生层进行划分采样,因此得到的土壤剖面数据在深度上不连续分布㊂深度函数是用某种函数对土壤性质的垂直分布进行模拟,将不连续的剖面数据用连续的函数表示,从而获得各个深度位置处连续的土壤性质㊂当前,两步模式中常用的深度函数主要有样条函数㊁指数函数和幂函数等㊂本文对这3种函数都进行应用和探讨㊂样条函数具有多个形式,其中等面积二次光滑样条[21](e q u a l-a r e a q u a d r a t i c s m o o t h i n g s p l i n e s,E A Q S S)在三维土壤制图中被广泛应用㊂首先,E A Q S S将每层土壤性质当作是以该层深度(x i)为自变量的某函数(f)的平均值,y i=f i+e i(1)f i=ʏx i x i-1f(x)d x/(x i-x i-1)(2)式中:y i为第i层的土壤性质;e为独立且均值为0㊁有一定方差的误差㊂为保证土层内及相邻土层间的土壤性质是连续的,f必须是连续函数且其一阶导也连续并平方可积,同时还须满足的平滑条件为:f i(x i)=f i+1(x i),f'i(x i)=f'i+1(x i),i=1,2, ,n-1(3)f'1(x0)=0,f'n(x n)=0(4)式中:n为深度x i节点的总数㊂为了从土层的平均数据中模拟出任意深度位置的土壤性质,E A Q S S用函353第2期杨华蕾等:多种两步模式的三维制图方式在丘陵区林地土壤有机碳预测中的对比h t t p:ʊs t b c x b.a l l j o u r n a l.c o m.c n数的最小化来拟合f,1nðn i=1(y i-f i)2+λʏx n x0[f'(x)]2d x(5)式中:前一项表示数据的保真度,即降低公式(1)中的误差e;后一项表示粗糙度,即f的平滑程度;λ为平衡保真度和粗糙度的参数,取值如10,1,0.1等㊂线性二次样条函数[21]满足以上要求,且形式简单,在大量研究中得到了应用,用公式表示为:f(x)=β0+β1x+β2x2(6)式中:β0㊁β1㊁β2为未知系数㊂一些研究考虑到土壤有机碳通常随着土层深度的增加而呈现出指数级下降趋势,因而建议采用自然对数为底数的指数函数来模拟土壤有机碳的垂直变异,公式为:S=a e x p(-b D)(7)式中:a和b为>0的2个参数;D为土层深度㊂可以看出,这种函数表征土壤有机碳与土层深度之间的对数函数关系㊂幂函数的应用较少,其形式为:S=k0D k1(8)公式(8)包含k0和k12个参数㊂尽管少数研究还采用多项式作为深度函数,例如,V E R O N E S I等[14]使用深度的六次方和三次方,但多项式的形式实际上与样条函数一致,如公式(6)即为二次多项式㊂一方面,深度的次方难以估计;另一方面,多项式不具有像样条函数那样的平滑及保真过程㊂因此,在样条函数之外进行多项式深度函数模拟的研究已不常见㊂本文也因此未采用这种深度函数㊂1.4.2 水平方向上的制图三维土壤制图的研究[22-28]采用多种方法进行水平方向上的制图,如地统计㊁随机森林㊁地理加权回归㊁相似度推理等㊂本文选择广泛使用的普通克里格和随机森林进行水平方向上的预测,也有研究[19]对这2种方法进行详细介绍㊂本文在R软件中,使用最大似然法对预测对象(深度函数模拟的土壤有机碳㊁深度函数的参数)分别建立基于球状㊁高斯和M a t e'r n函数的变异模型,且M a t e'r n函数的光滑指数取值为0.1~4.0,间隔为0.1,进而根据赤池信息准则(A I C),选择A I C最低的变异模型进行普通克里格空间预测㊂本文的随机森林通过R软件实现,将预测对象(深度函数模拟的土壤有机碳㊁深度函数的参数)作为预测变量,将环境变量作为模型的解释变量㊂1.4.3三维制图两步模式是指分2步来实现三维制图㊂第1步是用深度函数(如样条函数㊁指数函数㊁线性函数等)模拟土壤性质在垂直深度方向上的变异;第2步是用地统计或机器学习方法对深度函数预测的土壤性质再进行水平方向上的预测制图,或对深度函数的参数进行水平方向上的预测,再用回深度函数进行垂直方向上的预测制图,从而得到三维立体土壤图㊂如前所述,两步模式根据水平方向上预测制图对象的不同,即深度函数模拟的土壤性质或深度函数的参数,又分为A和B2种形式㊂制图形式A是对深度函数模拟的土壤性质进行水平方向上的空间预测㊂本文首先依据土壤发生层的采样深度和土壤有机碳含量,利用深度函数拟合出每10c m厚度的土壤有机碳含量;然后,对所有剖面上每10c m厚度的模拟值进行水平方向上的预测;最后,将所有10c m厚度水平方向上的土壤有机碳含量预测值按深度顺序进行叠加,形成三维土壤图㊂因此,本文制图结果的垂直分辨为10c m㊂由于本文使用的环境变量分辨率为10m,因此水平方向上的制图分辨率为10m㊂制图形式B是对深度函数的参数进行水平方向上的空间预测㊂首先,本文对每个土壤剖面,依据土壤发生层的采样深度和土壤有机碳,计算出每个剖面点上深度函数的参数;然后,对每个剖面点上这些参数值分别进行水平方向上的预测,从而得到空间上每个点的参数预测值;接着,将这些参数预测值输入到相应的深度函数中,得到每个点上各深度的土壤有机碳含量;最后,与形式A相同,将每个深度上水平分布的土壤有机碳含量进行叠加,形成三维图㊂同样地,这种制图形式下的垂直分辨率也为10c m,水平方向上的分辨率也为10m㊂1.5验证方式本文采用十折交叉验证的方法来评价三维制图的准确性㊂其中,所有函数在不同形式下的验证集和训练集保持一致㊂本文选用常见的准确性评价指标,包括均方根误差(r o o tm e a ns q u a r ee r r o r,R M S E)㊁决定系数(c o e f f i c i e n to fd e t e r m i n a t i o nv a l u e,R2)㊁一致性相关系数(c o n c o r d a n c e c o r r e l a t i o n c o e f f i c i e n t,C C C):R M S En i-1[Z'(x i)-Z(x i)]n(9)R2=1- n i-1[Z(x i)-Z'(x i)2]n i-1[Z(x i)-Z-(x i)2](10)C C C=2ρσZσZ'σZ'2+σZ2+(μZ'-μZ)2(11)式中:Z(x i)为在样点i的土壤有机碳实际观测值; Z-(x i)为实际观测值的平均值;Z'x i()为模型模拟的预测值;n为样点数量;μZ和μZ'分别为实际观测和模型预测的平均值;σZ和σZ'为对应的方差;ρ为453水土保持学报第38卷h t t p:ʊs t b c x b.a l l j o u r n a l.c o m.c nh t t p :ʊs t b c x b .a l l jo u r n a l .c o m.c n R 2,表示预测值和实际值之间的相关系数㊂R M S E 越小,R 2和C C C 越接近1,说明模型预测的准确性越高,反之则越低㊂2 结果与分析2.1 土壤有机碳描述性统计特征表1为土壤有机碳含量及其在各个深度区间上的描述性统计值㊂111个土壤剖面划分513个发生层㊂在所有发生层上,土壤有机碳含量平均为9.82g /k g,在0.89~40.11g /k g 变异,变异系数为71.60%,属于强变异㊂随着土层深度的增加,有机碳含量的平均值逐渐降低㊂尽管有机碳含量在0 30c m 土层较高,但30c m 以下所有深度上有机碳含量平均值加和后与0 30c m 相当,前者为44.87g /k g ,后者为52.20g /k g ㊂这说明下层土壤有机碳含量在整个剖面中的占比并不低㊂在不同土层深度上,土壤有机碳的变异系数为25.00%~39.00%,多为中等变异,明显低于全部513个土层上土壤有机碳含量的变异系数㊂这间接说明,土壤有机碳在水平方向上的变异低于垂直方向上的变异㊂表1 研究区0 120c m 土壤有机碳描述统计特征T a b l e 1 S t a t i s t i c s o f o r g a n i c c a r b o n i n0 120c ms o i l o f t h e s t u d y ar e a 土层深度/c m 数量/个最小值/(g ㊃k g -1)平均值/(g ㊃k g -1)中值/(g ㊃k g -1)最大值/(g ㊃k g -1)标准差偏度峰度变异系数/%所有深度5130.899.827.1040.117.031.344.5671.60 103210.3321.8021.9634.445.620.282.6925.810 20945.5518.1517.3240.116.301.104.9634.720 30724.4012.2511.8124.634.490.783.5236.730 40603.957.757.1318.342.961.595.6738.140 50492.116.836.6114.112.200.714.1932.250 60442.655.875.3911.462.240.752.7031.260 70411.205.055.068.061.56-0.273.2530.970 80311.804.804.657.301.15-0.273.9223.980 90282.404.083.975.971.03-0.011.8622.390 100201.134.074.136.221.23-0.343.2330.3100 110300.893.563.626.471.380.152.9438.6110 120121.022.863.083.850.90-0.692.4631.42.2 土壤有机碳垂直分布模拟图2为样条函数㊁指数函数和幂函数模拟的土壤有机碳垂直分布㊂从图2可以看出,表层的有机碳含量明显高于下层㊂同时,随着土层深度的增加,土壤有机碳的变异逐渐减少,表现在模拟曲线逐渐汇聚㊂由表1可知,除0 30c m 和90c m 以下之外,样点实测值在每个深度层上的变异系数总体上表现为土层越深,变异系数越小㊂这说明深度函数模拟的土壤有机碳较为合理㊂然而,3个深度函数模拟的土壤有机碳在垂直方向上也具有一定的误差,表现在有些模拟曲线偏离实测值㊂总体上,3个深度函数中,样条函数与实测值吻合得较好,而指数函数和幂函数有较多偏离实测值㊂这说明样条函数模拟的土壤垂直分布优于其他2个函数㊂图2 深度函数模拟的土壤有机碳F i g .2 S o i l o r g a n i c c a r b o n c o n t e n t s i m u l a t e du s i n g d e pt h f u n c t i o n s 553第2期 杨华蕾等:多种两步模式的三维制图方式在丘陵区林地土壤有机碳预测中的对比表2为111个剖面点上指数函数和幂函数参数值的统计值㊂样条函数在每个剖面点上具有不同的深度节点,无法统一形成共同参数,因而在表2中没有统计结果,也没有在下文开展制图形式B的三维预测制图㊂从表2可以看到,这些参数的变异系数为26.92%~ 70.19%,表明水平方向上这些参数具有一定的空间变异性,尤其是幂函数的参数k0,变异最强烈㊂表2深度函数参数的统计特征T a b l e2S t a t i s t i c s o f p a r a m e t e r s o f d e p t h f u n c t i o n s函数参数最小值平均值中值最大值标准差变异系数/%指数函数a8.8019.1217.4749.797.3238.40 b0.010.020.020.070.0147.80幂函数k019.5775.1060.60455.3052.7170.20 k1-1.08-0.63-0.62-0.260.1626.902.3制图形式A的三维制图制图形式A是将深度函数模拟的每10c m土层中土壤有机碳含量用于变异函数模拟,再用于水平空间预测㊂变异函数模拟结果见图3㊂函数的参数值列于表3㊂在图3中,表层0 40c m的变异比40 120 c m明显,中下层的变异函数拟合结果趋于水平㊂在表3中,样条函数模拟的土壤有机碳含量在0 40c m深度内的块金值与基台值的比值大部分都大于25%,说明该深度区间上模拟的土壤有机碳含量具有较强的空间自相关性;在40 80c m深度上,变异函数在研究区的空间范围上几乎为水平直线,说明该深度区间上模拟的土壤有机碳含量几乎不存在空间自相关性;80 120c m深度区间上模拟的土壤有机碳含量的变异函数具有较大的块金效应,在75%左右,说明空间自相关性较弱㊂指数函数模拟的土壤有机碳含量在0 20c m具有中等空间自相关性,在20 60c m具有强烈的空间自相关性,在60 120c m不具有空间自相关性㊂幂函数模拟的土壤有机碳含量在0 10c m具有中等空间自相关性,在10 120c m的变异函数虽然具有<25%的块金效应,但变程较大,因而其空间自相关性也较弱㊂图4为三维预测制图的结果㊂为了能看清上下层之间内部层上的空间变异情况,该图仅展示每30 c m深度处的预测制图结果㊂其中,图4a~图4c显示基于普通克里格的两步模式制图形式A所预测的土壤有机碳含量三维图㊂同时,图5a~图5c用箱型图详细地显示每10c m深度上预测结果的统计值㊂垂直方向上,3个制图结果均反映随着土层深度的增加,土壤有机碳含量呈降低趋势㊂这种垂直变异在指数函数上最大,而在幂函数上较弱,尤其是10c m深度以下㊂水平方向上,3个制图结果也反映明显的空间变异㊂在10 20c m土层深度,指数函数预测结果的水平空间变异性最明显,表现在东北小范围和西南大面积区域土壤有机碳含量较高,而其他地方较低(图4b);在下层90 120c m深度,样条函数预测结果的水平空间变异性最明显(图4a)㊂图4f~图4h是基于随机森林的两步模式制图形式B所预测的土壤有机碳含量三维图㊂同样地,这3个深度函数预测的土壤有机碳具有不同的水平和垂直变异㊂指数函数依然具有最明显的垂直变异和表层上最明显的水平变异㊂这些结果表明,深度函数在很大程度上决定制图结果在水平方向上和垂直方向上的变异㊂对比同一深度函数㊁同一制图形式下2种水平制图方法之间的结果,可以看出,样条函数㊁幂函数下的预测结果差别不大,而指数函数实际上也只是在30 c m深度以上差异较大㊂但是,在水平空间变异性上,随机森林下的三维图与普通克里格的相比,水平空间变异明显较小㊂例如,图4b与图4g中的30c m深度;图5f~图5h箱型图中的箱子明显比图5a~图5c 中的小㊂这些结果表明,不同的水平制图方法对制图结果的垂直变异影响不大,但对水平方向上的变异影响较大㊂显然,这主要是因为不同的水平制图方法本身构建预测模型的原理及预测方法的不同㊂随机森林构建的是决策树模型,而普通克里格构建的是方差变异模型,因而在水平方向上造成很大的差异㊂2.4制图形式B的三维制图如前所述,样条函数的节点参数在不同的剖面上不统一,不能用于制图形式B中的三维制图㊂因此在形式B的制图过程中,仅对比指数函数和幂函数参数的制图效果㊂图6和表4分别展示这些参数的变异函数及其参数㊂可以看出,指数函数的参数a和幂函数的2个参数都具有较大的块金效应,说明它们的自相关性较弱;指数函数参数b的块金值㊁基台值以及块金效应都为0,属于纯块金效应㊂图7显示2种水平制图方法预测的深度函数参数,图7b中指数函数参数b在整个研究区几乎一致,约等于平均值0.02(表2)㊂其他参数有不同程度的空间变异特征㊂653水土保持学报第38卷h t t p:ʊs t b c x b.a l l j o u r n a l.c o m.c nh t t p :ʊs t b c x b .a l l jo u r n a l .c o m.cn 图3 深度函数模拟每10c m 土壤有机碳含量的变异函数F i g .3 D e p t h f u n c t i o n s i m u l a t i o no f t h e v a r i a t i o n f u n c t i o no f s o i l o r ga n i c c a rb o nc o n t e n t p e r 10c m 表3 深度函数模拟每10c m 土壤有机碳含量的变异函数T a b l e 3 V a r i o g r a m p a r a m e t e r s o f s o i l o r g a n i c c a r b o n s i m u l a t e du s i n g d e p t h f u n c t i o n s f o r e a c h10c ml a ye r 土层深度/c m样条函数模型块金基台指数函数模型块金基台幂函数模型块金基台0 10高斯模型23.5621.45球状模型22.6723.79球状模型36.1133.4110 20M a t e r n 模型15.8821.96球状模型11.8648.75高斯模型10.11754.4820 30高斯模型14.130.58M a t e r n 模型8.16611.02M a t e r n 模型6.92104.6230 40高斯模型4.913.34球状模型6.4593.05高斯模型5.5852.1440 50M a t e r n 模型4.9165.09球状模型5.1230.38M a t e r n 模型4.8737.8350 60M a t e r n 模型5.190球状模型4.163.75球状模型4.4245.1060 70球状模型5.260.25M a t e r n 模型3.400球状模型4.1045.5770 80球状模型5.120高斯模型2.790球状模型3.8533.9980 90球状模型4.150.65M a t e r n 模型2.290M a t e r n 模型3.6638.9890 100球状模型3.191.38高斯模型1.880球状模型3.4922.69100 110球状模型2.062.16高斯模型1.550球状模型3.3525.36110 120球状模型0.852.08高斯模型1.280球状模型3.2332.58753第2期 杨华蕾等:多种两步模式的三维制图方式在丘陵区林地土壤有机碳预测中的对比h t t p :ʊs t b c x b .a l l jo u r n a l .c o m.cn 图4 不同方法预测的每30c m 深度土壤有机碳含量三维图F i g .4 P r e d i c t e d t h r e e -d i m e n s i o n a lm a p s o f s o i l o r g a n i c c a r b o n c o n t e n t a t e a c h30c ml a yer 注:箱形图中间的竖线表示土壤有机碳含量的中位数,两侧竖线表示最大值和最小值,红点表示异常值,黑点表示平均值㊂图5 每10c m 深度土壤有机碳含量的箱形图F i g .5 B o x -p l o t s o f s o i l o r g a n i c c a r b o n c o n t e n t p e r 10c md e pt h 853水土保持学报 第38卷h t t p :ʊs t b c x b .a l l jo u r n a l .c o m.cn 图6 深度函数参数的变异函数F i g .6 V a r i o g r a mo f d e pt h f u n c t i o n p a r a m e t e r s 表4 深度函数参数的变异函数参数T a b l e 4 V a r i o g r a mo f d e p t h f u n c t i o n p a r a m e t e r s 函数形式参数模型块金基台块金效应指数函数a 球状42.6011.030.79b 球状01.03E -40幂函数k 0球状1031.33385.060.73k 1球状0.030.010.80 随机森林预测的深度函数参数在空间趋势上与普通克里格有较大不同(图7)㊂其中,指数函数参数a (图7a )和幂函数参数k 0(图7g)的空间变异相对较小,而指数函数参数b (图7f )和幂函数参数k 1(图7h )的空间变异相对较大㊂同时,随机森林的预测结果没有普通克里格那样非常明显的逐渐过渡特征,而是过渡较不规则,这与2种方法所依据的原理有关㊂随机森林采用大量的回归树模型进行预测,而普通克里格采用一定范围内已知样点的加权平均进行预测估计㊂图7 深度函数参数的空间分布F i g .7 S p a t i a l d i s t r i b u t i o n s o f d e pt h f u n c t i o n p a r a m e t e r s 由于深度函数参数的预测制图结果不同,制图形式B 的结果也有较大不同,如图4d ~图4e ㊁图4i ~图4j 及图5d ~图5e ㊁图5i ~图5j㊂然而,同一深度函数㊁同一水平制图方法但不同制图形式的结果非常相953第2期 杨华蕾等:多种两步模式的三维制图方式在丘陵区林地土壤有机碳预测中的对比。

第３８卷　第１０期２０１０年１０月西北农林科技大学学报（自然科学版）Ｊｏｕｒｎａｌ　ｏｆ　Ｎｏｒｔｈｗｅｓｔ　Ａ＆Ｆ　Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔ．Ｓｃｉ．Ｅｄ．）Ｖｏｌ．３８Ｎｏ．１０Ｏｃｔ．２０１０普通克里金模型对同尺度下不同土壤肥力指标的空间解析力比较麻万诸１，２，章明奎３，吕晓男１，张天雨１，陈晓佳１，任周桥１，邓勋飞１（１浙江省农业科学院数字农业研究所，浙江杭州３１００２１；２浙江林学院环境科技学院，浙江临安３１１３００；３浙江大学环境资源学院，浙江杭州３１００２９）［摘　要］　【目的】分析相同空间插值方法对不同肥力指标在空间解析力上的差异和适用性，为测土配方施肥提供技术指导。

【方法】以浙江温岭市为研究区域，采用正态ＱＱ图的方法，对１　９２６个样点的有机质、碱解氮、有效磷和速效钾４项指标数据均进行预处理检查，剔除异常值；应用普通克里金插值模型及ＳＰＳＳ、ＧＳ＋和ＡｒｃＧＩＳ等软件，通过正态转换、半方差函数模型拟合分析和交叉验证分析等方法，对有机质、碱解氮、有效磷和速效钾４项肥力指标进行的插值结果进行比较，判断普通克里金模型对４项常规肥力指标的空间解析力差异。

【结果】剔除异常值后，有机质、碱解氮、有效磷和速效钾４项肥力指标的有效样本数分别为１　９２６，１　９２３，１　９２４和１　９２５个，满足县域范围内空间插值研究的要求。

在县域测土配方项目高密度取样条件下，使用普通克里金法进行地统计空间插值，其结果精度可满足要求；在既定尺度下，普通克里金插值模型对４项肥力指标的空间解析力从高到低依次为有机质＞碱解氮＞速效钾＞有效磷；当研究指标的变异系数相近时可选择同样的方法进行地统计空间插值，而在变异过于强烈的情况下对插值方法和模型拟合的选择会有更严格的要求。

【结论】普通克里金插值模型可用于不同养分指标的空间解析力差异分析，以指导实施测土配方施肥。

［关键词］　地统计；克里金插值；空间变异；测土配方施肥［中图分类号］　Ｓ１５８．９［文献标识码］　Ａ［文章编号］　１６７１－９３８７（２０１０）１０－０１９９－０６Ｃｏｍｐａｒｉｓｏｎ　ｓｔｕｄｙ　ｏｆ　Ｎｏｒｍａｌ－Ｋｒｉｇｉｎｇ　ｉｎｔｅｒｐｏｌａｔｉｏｎ　ｍｅｔｈｏｄ　ｏｎｄｉｆｆｅｒｅｎｔ　ｎｕｔｒｉｅｎｔ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｕｎｄｅｒ　ｔｈｅ　ｓａｍｅ　ｓｐａｔｉａｌ　ｓｃａｌｅＭＡ　Ｗａｎ－ｚｈｕ１，２，ＺＨＡＮＧ　Ｍｉｎｇ－ｋｕｉ　３，Ｌ Ｘｉａｏ－ｎａｎ１，ＺＨＡＮＧ　Ｔｉａｎ－ｙｕ１，ＣＨＥＮ　Ｘｉａｏ－ｊｉａ１，ＲＥＮ　Ｚｈｏｕ－ｑｉａｏ１，ＤＥＮＧ　Ｘｕｎ－ｆｅｉ　１（１　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｄｉｇｉｔａｌ　Ａｇｒｉｃｕｌｔｕｒａｌ，Ｚｈｅｊｉａｎｇ　Ａｃａｄｅｍｙ　ｏｆ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｓｃｉｅｎｃｅｓ，Ｈａｎｇｚｈｏｕ，Ｚｈｅｊｉａｎｇ３１００２１，Ｃｈｉｎａ；２　Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔａｌ　Ｓｃｉｅｎｃｅｓ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｅｊｉａｎｇ　Ｆｏｒｅｓｔｒｙ　Ｕｎｉｖｅｒｓｉｔｙ，Ｌｉｎ’ａｎ，Ｚｈｅｊｉａｎｇ３１１３００，Ｃｈｉｎａ；３　Ｃｏｌｌｅｇｅ　ｏｆ　Ｎａｔｕｒａｌ　Ｒｅｓｏｕｒｃｅ　ａｎｄ　Ｅｎｖｉｒｏｎｍｅｎｔａｌ　Ｓｃｉｅｎｃｅｓ，Ｚｈｅｊｉａｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ，Ｚｈｅｊｉａｎｇ３１００２９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：【Ｏｂｊｅｃｔｉｖｅ】Ｔｈｅ　ｓｔｕｄｙ　ｗａｓ　ｄｏｎｅ　ｔｏ　ｒｅｖｅａｌ　ｔｈｅ　ｓｐａｔｉａｌ　ｒｅｓｏｌｕｔｉｏｎ　ｏｆ　Ｎｏｒｍａｌ－Ｋｒｉｇｉｎｇ　ｏｎ　ｄｉｆｆｅｒ－ｅｎｔ　ｓｏｉｌ　ｎｕｔｒｉｅｎｔ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ．【Ｍｅｔｈｏｄ】Ｉｎｔｅｒｐｏｌａｔｉｏｎ　ｏｆ　ｏｒｇａｎｉｃ－ｍａｔｔｅｒ（ＯＭ，ｎ＝１　９２６），ａｌｋａｌｉ－ｈｙｄｒｏｌｙｚ－ａｂｌｅ－ｎｉｔｒｏｇｅｎ（ＡＮ，ｎ＝１　９２３），ａｖａｉｌａｂｌｅ－ｐｈｏｓｐｈｏｒｕｓ（ＡＰ，ｎ＝１　９２４）ａｎｄ　ｒｅａｄｉｌｙ－ａｖａｉｌａｂｌｅ－ｐｏｔａｓｓｉｕｍ（ＡＫ，ｎ＝１　９２５）ｗｅｒｅ　ｓｔｕｄｉｅｄ　Ｖｉａ　ｎｏｒｍａｌ－ｔｒａｎｓｆｅｒ，Ｓｅｍｉ－ｖａｒｉａｎｃｅ－ｆｉｔｔｉｎｇ－ａｎａｌｙｓｉｓ　ａｎｄ　Ｃｒｏｓｓ－ｖａｌｉｄａｔｉｏｎ．【Ｒｅｓｕｌｔ】Ｔｈｅ　ｒｅｓｕｌｔ　ｐｒｅｃｉｓｉｏｎ　ｏｆ　Ｎｏｒｍａｌ－Ｋｒｉｇｉｎｇ　ｉｎｔｅｒｐｏｌａｔｉｏｎ　ｍｅｔｈｏｄ　ｗａｓ　ａｃｃｅｐｔａｂｌｅ　ｕｎｄｅｒ　ｃｏｎｄｉｔｉｏｎｓ　ｏｆ　ｈｉｇｈ－ｄｅｎｓｉ－ｔｙ　ｓａｍｐｌｉｎｇ　ｉｎ　ｔｈｅ　ｃｏｕｎｔｙ－ｂａｓｅｄ　ｓｏｉｌ－ｔｅｓｔｉｎｇ－ａｎｄ－ｆｅｒｔｉｌｉｚｅｒ－ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｐｒｏｊｅｃｔｓ；Ｔｈｅ　ｐｒｅｄｉｃｔｅｄ　ｒｅｓｕｌｔｓ’ｐｒｅｃｉｓｉｏｎ　ｗａｓ　ＯＭ，ｇｒｅａｔｅｒ　ｔｈａｎ　ＡＮ，ＡＮ　ｇｒｅａｔｅｒ　ｔｈａｎ　ＡＫ，ＡＫ　ｇｒｅａｔｅｒ　ｔｈａｎ　ＡＰ　ｕｎｄｅｒ　ｔｈｅ　ｓａｍｅ　ｓｐａｔｉａｌｓｃａｌｅ；Ｔｈｅ　ｓｏｉｌ　ｎｕｔｒｉｅｎｔ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｃａｎ　ｂｅ　ｉｎｔｅｒｐｏｌａｔｅｄ　ｉｎ　ｔｈｅ　ｓａｍｅ　ｍｅｔｈｏｄ　ｏｎｌｙ　ｗｈｉｌｅ　ｔｈｅｙ　ｈａｄ　ａ　ｓｉｍｉｌａｒ＊［收稿日期］　２０１０－０５－０７［基金项目］　国家科技基础性工作专项（２００８ＦＹ１１０６０）；浙江省科技厅优先主题重点项目（２００９Ｃ１２０４９）［作者简介］　麻万诸（１９７７－），男，浙江宁海人，助理研究员，硕士，主要从事土壤养分管理和精准施肥及农业信息系统开发研究。

土壤有机质（SOM）光谱响应波段主要集中在400～700 nm［1］的可见光（VIR）宽波段以及 760～2280 nm［2］近红外（NIR）与短波红外（SWIR）的几个窄波段。

高光谱遥感数据光谱分辨率较高，具有数百至上千个连续且窄的光谱波段，能够探测到地物特性微小的差异，因此采用高光谱遥感数据估测SOM含量成为土壤学领域的研究热点。

唐海涛等［3］、颜祥照［4］在室内分别采用光谱分 辨率为3 nm@700 nm、8 nm@1400/2100 nm的ASD FieldSpec 4便携式高光谱仪，以及光谱分辨率为1.5 nm@700 nm、3 nm@1500 nm、3.8 nm@2100 nm 的SR-6500超高光谱仪进行了不同类型土壤SOM 含量的估测研究；Michael等［5］采用光谱分辨率为15 nm的机载高光谱影像HyMAP估测了德国农田SOM含量；邱壑等［6］、颜祥照等［7］分别采用光谱分辨率为10 nm的Hyperion以及5 nm@VNIR、10 nm@SWIR的国产高分五号（GF-5）等星载高光谱影像估测SOM含量。

由于高光谱各波段间存在较强的相关性，在应用过程中会导致数据量的剧增和数据冗余问题［8］， 另外，不同光谱数学变换也会影响SOM含量的估测精度［9］，因此采用多大维度的光谱分辨率以及适宜的光谱变换方法，既能满足SOM含量的估测精度，又能提高数据处理效率，成为人们关注的问题。

Peng等［10］将土壤光谱数据重采样为1～10 nm光谱分辨率，并将反射率（R）进行倒数对数［log（1/ R）］、一阶微分（R′）等光谱变换估测SOM含量，分析认为9 nm和R是SOM含量估测的最佳光谱变量输入组合。

Zhang等［11］研究认为光谱反射率对数（logR）变换下，光谱分辨率在3～20 nm之间的埃比努尔湖地区SOM含量的估测模型预测精度较高且稳定，决定系数R2≥0.85，性能与四分位间隔距离的比率RPIQ=3.20。

黑土典型区土壤有机质遥感反演一、本文概述本文旨在探讨黑土典型区土壤有机质的遥感反演方法及其应用。

黑土作为一种肥沃的土壤类型，在全球农业生产和生态环境中扮演着重要角色。

由于传统土壤采样方法的局限性，对黑土区土壤有机质的准确监测和评估一直是一个挑战。

遥感技术作为一种非接触性、高效率的信息获取手段，为土壤有机质的监测提供了新的可能。

本文将首先介绍黑土典型区的地理分布、土壤类型及有机质含量特点，为后续遥感反演提供基础数据支撑。

接着，本文将重点阐述遥感反演的基本原理、常用方法及其在黑土区土壤有机质监测中的应用。

通过对比分析不同遥感数据源和反演模型的优劣，探讨适用于黑土区的最佳遥感反演方案。

本文还将对遥感反演结果进行验证，以评估其准确性和可靠性。

通过对比遥感反演结果与实地采样数据，分析遥感反演在黑土区土壤有机质监测中的适用性和局限性。

本文将总结遥感反演在黑土区土壤有机质监测中的优势与挑战，并展望未来的研究方向和应用前景。

本文的研究将为黑土区土壤有机质的遥感监测提供理论支持和实践指导，有助于提升黑土区农业生产的科学管理和生态环境的保护。

本文的研究成果也可为其他类似区域的土壤有机质遥感监测提供借鉴和参考。

二、黑土典型区概况黑土典型区位于中国东北平原，地理上主要分布在黑龙江、吉林、辽宁以及内蒙古的东部。

这一地区地势平坦，气候温和，雨热同季，适宜农耕。

黑土的形成历经了漫长岁月的生物积累和地质演变，是一种珍贵的土壤类型，被誉为“地球的皮肤”。

黑土典型区的土壤特点主要表现为土壤肥沃、有机质含量高、土层深厚等。

这些特性使得黑土区成为中国重要的粮食生产基地，尤其以玉米、大豆、小麦等粮食作物为主。

随着农业生产的快速发展，黑土区的土壤质量也面临着诸多挑战，如有机质流失、土壤侵蚀等问题，对农业可持续发展构成了严重威胁。

近年来，随着遥感技术的快速发展，其在农业领域的应用也日益广泛。

遥感技术以其快速、准确、无损等特点，在土壤监测、资源调查、环境评估等方面发挥着重要作用。