基于TM影像和地形數據的土壤有機質空間分布

李潤林++姚艷敏

摘要：在GIS技術的支持下，選擇遙感影像波段和地形因子，建立有機質空間分布預測模型，采用回歸克里格方法，預測吉林省舒蘭市有機質的空間分布。結果表明，在9個輔助因子中波段4、波段5、波段7、高程、坡度和坡度變率與土壤有機質相關性顯著，而與波段1和波段2的相關性不顯著。因此，在回歸分析中選擇波段4、波段5、波段7、高程、坡度和坡度變率作為預測土壤有機質的輔助因子。有機質空間分布呈漸變趨勢，由西向東逐漸減少。預測檢驗精度表明，回歸克里格能夠提高有機質空間分布預測精度，是一種有效的空間分布插值方法。

關鍵詞：地統計學；土壤有機質；空間變異；GIS

中圖分類號：S159 文獻標識碼：A 文章編號：0439-8114（2014）02-0312-04

Spatial Distribution of Soil Organic Matter Based on TM Image and Terrain Attributes

LI Run-lin1，2，YAO Yan-min3

（1.Lanzhou Scientific Obseration and Experiment Field Sation， Ministry of Agriculture for Ecological System in Loess Plateau Areas， Lanzhou 730050，China；2.Lanzhou Institute of Husbandry and Pharmaceutical，Chinese Academy of Agricultural Sciences， Lanzhou 730050，China；

3. Institute of Agricultural Resources and Regional Planning， Chinese Academy of Agricultural Sciences/ Key Laboratory of Agri-informatics， Ministry of Agriculture， Beijing 100081，China）

Abstract： The distribution of the soil organic matter can provide reliable and useful information for sustainable land management and land use planning. Regression kriging with environmental predictors was used to predict the distribution of soil organic matter in shulan city， Jilin province. The results showed that elevation， gradient， rate of gradient， Band 4， Band 5，Band 7 were significantly correlated with soil organic matter. Band 1 and Band 2 had no significant correlation with soil organic matter. Therefore， band 4， band 5， band 7， elevation， slope， slope of slope were used as auxiliary variables to predict soil organic matter in the regression analysis. Results of precision assessment showed that regression Kriging significantly improved the accuracy and it could be an effective method for evaluating the spatial distribution of soil organic matter.

Key words： geo-statistics； soil organic matter； spatial variability； GIS

土壤是一個時空連續的變異體，有機質的空間變異特征具有很強的空間異質性，主要受成土母質、氣候、地形、成土過程以及一些人為因素的影響。隨著地統計學的發展，土壤的空間異質性分析方法在不斷擴展與更新，地統計學能夠很好地揭示各屬性變量在空間上的分布變異和相關特征[1，2]。運用地統計學方法分析土壤有機質空間變異特征，有助于了解土壤特性的空間變異性，對此進行深入的土壤研究具有重要意義。

研究表明[3，4]，定量化的環境因子與土壤屬性之間存在很好的相關性，可以用來預測土壤屬性。隨著3S技術的發展，調查者越來越注重利用輔助變量來指導土壤制圖和土壤屬性分布的相關研究。數字地形、遙感影像、土壤屬性等輔助數據被大量應用于土壤屬性的空間預測[5-9]。傳統的空間預測方法比較適合于地理環境比較均一的區域，這種理想的環境在實際中比較少見，常見的研究區域是地形復雜、土壤異質性強、人為活動干擾強的環境。

近年來，通過輔助變量以提高目標變量估測精度的方法已有很多，包括傳統的多元線性回歸方法、協同克里格法和回歸克里格法等。Kay等[10]采用回歸克里格法預測了水稻土景觀尺度土壤屬性的空間分布；Endre等[11]以MODIS數據和DEM以及衍生數據為輔助數據，采用回歸克里格方法對匈牙利土壤有機質空間分布進行了預測。張素梅等[12]以TM數據和DEM以及衍生數據為輔助數據，采用逐步回歸克里格方法對吉林省安農縣土壤有機質和全氮分布進行預測。Hengl等[13]研究結果表明，利用回歸克里格法和數字高程模型（Digital elevation model，DEM）數據預測土壤有機質土壤耕層深度的空間分布圖均比普通克里格法更詳細更準確。姜勇等[14]利用輔助變量對污染土壤鋅分布的克里格估值研究表明，回歸克里格估值效果明顯優于普通克里格和協同克里格法。邱樂豐等[15]利用回歸克里格法所得土壤肥力的精度明顯高于普通克里格，其平均預測誤差和預測均方根誤差分布為0.028和0.108。回歸克里格法是將普通克里格法與回歸模型相結合而形成的一種混合方法。研究表明，運用回歸克里格方法進行土壤特性的空間分布預測，考慮影像土壤分布的環境因素，同時結合地統計學，可以提高土壤特性空間分布的預測精度[16，17]。

本研究以吉林省舒蘭市為研究對象，以地形數據和遙感數據為輔助變量，運用回歸Kriging 方法分析該區土壤有機質空間分布，以期為農業生產合理布局和土壤肥力的培育提供參考，為土壤制圖和精準農業提供依據。

1 材料與方法

1.1 研究區概況

1.2 數據收集

2010年7月，對土壤樣品采集區實行格網嵌套布點，在研究區選取樣點344個，樣點取0～20 cm的土壤表層，每一采樣點周圍選取5個點，以5個點的平均值為該樣點的最終數據，同時使用GPS儀記錄采樣點地理坐標，以及各采樣田塊的基本信息，從而最終生成研究區的樣點分布圖（圖1），隨后將采集的樣品分別裝于采集袋中，帶回實驗室，去除雜物，風干，磨碎，過2 mm篩（分析測量時根據測定指標再過不同規格的篩），分別裝于廣口瓶中，土壤有機質含量采用重鎘酸鉀容量法測定。遙感影像采用舒蘭市2010年5月2日Landsat TM 7，選取每個采樣點所對應的遙感影像波段（波段1、波段2、波段3、波段4、波段5、波段7）的亮度值，亮度值是遙感影像記錄地物的灰度值，而且不同采樣點在遙感不同波段上表現出亮度值不同。地形數據通過中國科學院計算機網絡中的科學數據中心網站（http：dataminirror.csdb.cn）下載的Aster gdem（30 m）數據轉換而來。通過Arc GIS10的空間分析工具來獲取樣點處的高程、坡度和坡度變率的信息。

1.3 研究方法

1.3.1 回歸克里格 有機質是地理環境中一種地理要素，在分析有機質分布過程中勢必要考慮地理環境，而地理環境是一個復雜的系統，其中存在很多隨機的不確定因素。對這些不確定的因素常采用趨勢性和隨機性來描述。

回歸克里格方法在分析地理現象的空間分布規律和影響因素時，它既能考慮主要影響因素也能考慮隨機因素，既模擬其空間分布趨勢也模擬不確定性。

利用SPSS軟件進行環境因子和土壤有機質的回歸方程擬合，得到最優的土壤有機質空間分布線性回歸模型。運用 GS+軟件對回歸預測值和殘差值進行半方差分析，得到最優的半方差模型。然后在GIS 軟件平臺下分別對土壤有機質多元回歸的回歸預測值和殘差值進行普通克里格插值，同時運用GIS的空間分析功能把兩者的插值結果進行空間加和運算，得到土壤有機質的空間分布結果。

1.3.2 預測精度檢驗 采用回歸克里格預測方法的均方根誤差（RMSERK）相對于參考方法的均方根誤差（RMSER）減少的百分數（RMSSE）表示預測精度的提高程度。RMSSE值為正表明回歸克里格方法比參照方法的預測精度高，值越大說明預測精度提高得越多。相反，如果RMSSE值為負說明回歸克里格方法預測精度低于參照方法。

2 結果與分析

2.1 土壤有機質的數據分析

土壤樣點中經常存在一些異常值，異常值會影響半方差函數的穩定性，因此需要剔除。運用域值識別法，剔除樣點中的異常值。然后用SPSS統計軟件進行有機質的統計分析，結果見表1。由表1可見，有機質的含量在0.95%～6.13%之間，平均值為2.54%，偏度和峰度較大，表明其變化范圍較大。變異系數表示土壤特性的空間變異性大小，有機質的變異系數為32%，屬于中等變異。

由表2可知，土壤有機質與環境因子之間存在著顯著的相關性。有機質與TM影像（波段4、波段5和波段7）的亮度值存在極顯著負相關性，表明影像亮度值低的地方有機質高。有機質與高程之間極顯著負相關，說明海拔高的地方有機質低。有機質與坡度、坡度變率的顯著負相關性說明研究區的地形起伏影響有機質的變化。其他因子與土壤有機質的相關性不顯著，因此選擇波段4、波段5、波段7、高程、坡度、坡度變率與有機質進行回歸分析。

2.2 土壤有機質的回歸分析

從有機質多元回歸分析模型看出，擬合方程的決定系數不高，有機質最優模型的決定系數為0.3。以往的研究中也出現這種結果，如張素梅等[12]在安農縣的有機質預測中，有機質最優模型決定系數為0.22。

2.3 有機質的回歸預測模型

2.3.1 半方差模型 土壤有機質多元回歸預測方程的回歸預測值及殘差的半方差模型如圖2和表3。由表3可知，有機質回歸值的空間自相關性很強，基臺效應值為0.419，而殘差值的基臺效應值為0.500，空間自相關性為中等。有機質預測值和殘差的變程為65 100 m和33 000 m，這是因為環境因子在較大尺度上表現出相似性，因此擬合的回歸值和殘差值也將具有較大范圍的空間自相關性。

2.3.2 土壤有機質的空間分布 根據半方差模型，對有機質的回歸預測值和殘差進行普通克里格插值，將插值結果進行空間加和運算得到有機質的空間分布結果，見圖3。從圖3可以看出有機質的分布呈漸變趨勢，由西向東逐漸減少。其中一些高值區集中在西部，中部的有機質含量最低。

2.4 精度分析

選擇常用的插值方法（協同克里格和普通克里格方法）作為參照，用以說明回歸克里格方法在本研究中對土壤有機質的預測精度，利用公式（1）計算，結果如表4所示。回歸克里格相對于兩種參照方法精度均顯著提高。相對于協同克里格提高的精度用（RMSSECK）表示；相對于普通克里格提高的精度用（RMSSEUK）表示。回歸克里格方法相對于協同克里格和普通克里格提高的精度分別為62%和 41%，提高幅度非常顯著。

3 討論

土壤有機質的空間分布與環境因素密切相關，相關分析表明高程、坡度、坡度變率與土壤有機質呈顯著負相關，這是因為隨著海拔的升高，降雨侵蝕強度變大，土壤養分易于流失，從而導致海拔高的地方土壤有機質含量相對較低。不同坡度具有不同的水熱分配條件和物質運移堆積特點，同時坡度又和土地利用密切相關。本研究以舒蘭市的遙感影像作為數據元，在研究區的大部分耕地處于裸露狀態，因此遙感影像（波段4、波段5和波段7）波段亮度值與有機質呈極顯著負相關性。遙感數據和地形數據可以很好反映土壤要素的空間分布，能夠用于預測地理要素的空間分布。回歸克里格方法對土壤有機質空間分布的預測精度相對參考方法得到大幅度提高，該方法是提高土壤有機質空間分布預測精度的有效方法。并且隨著GIS和遙感技術的發展，DEM 和遙感數據的精度會不斷提高，將進一步提高回歸克里格方法的預測精度。

4 結論

本文以吉林省舒蘭市為研究對象，在回歸克里格插值方法的理論框架下，利用地形因子、遙感影像數據與該市土壤有機質值進行多元回歸方程擬合，運用普通克里格插值方法對線性回歸的預測結果和殘差結果進行空間分布模擬，進而得到回歸克里格插值方法的土壤有機質空間分布圖。

1）在所選擇的環境因子中，波段4、波段5、波段7、高程、坡度、坡度變率與土壤有機質空間分布關系密切，是預測土壤有機質分布的最優因子。舒蘭市土壤有機質空間分布呈漸變趨勢，由西向東逐漸減少。

2）相比協同克里格和普通克里格插值方法，回歸克里格方法對土壤養分空間分布的模擬精度最高，表明該方法可有效提高土壤養分空間分布預測精度。

參考文獻：

[1] 連 綱， 郭旭東，傅伯杰，等.黃土丘陵溝壑區縣域土壤有機質空間分布特征及預測[J].地理科學進展，2006，25（2）：113-122.

[2] 路 鵬，彭佩欽，宋變蘭，等.洞庭湖平原區土壤全磷含量地統計學和GIS分析[J].中國農業科學，2005，38（6）：1204-1212.

[3] MCKENZIE N J， AUSTIN M P. A quantitative Australian approach to medium and small scale surveys based on soil stratigraphy and environmental correlation[J]. Geoderma，1993， 57（4）：329-355.

[4] ODEHA I O A， MCBRATNEY A B， CHITTLEBOROUGH D J. Spatial prediction of soil properties from landform attributes derived from a digital elevation model[J]. Geoderma，1994，63（3/4）：197-214.

[5] 連 綱，郭旭東，傅伯杰，等. 基于環境相關法的土壤屬性空間分布特征研究-以黃土丘陵溝壑區小流域為例[J].地理科學，2008，28（4）：555-558.

[6] 孫孝林，趙玉國，趙 量，等.應用土壤-景觀定量模型預測土壤屬性空間分布及制圖[J].土壤，2008，40（5）：837-842.

[7] 張發升，曲 威，尹光華，等.基于多光譜遙感影像的表層土壤有機質空間格局反演[J].應用生態學報，2010，21（4）：883-888.

[8] 李欣宇，宇萬太，李秀珍.基于TM影像的表層土壤有機碳空間格局[J].生態學雜志， 2008，27（3）：333-338.

[9] 劉煥軍，趙春江，王紀華，等.黑土典型區土壤有機質遙感反演[J].農業工程學報，2011，27（8）：211-215.

[10] KAY S， RAINER D. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators[J].Ecological Indicators，2008（8）：485-501.

[11] ENDRE D， LUCA M， THIERRY N， et al. A regional scale soil mapping approach using integrated AVHRR and DEM data [J]. International Journal of Applied Earth Observation and Geoinformation，2001，3（1）：30-42.

[12] 張素梅，王宗明，張 柏，等.利用地形和遙感數據預測土壤養分空間分布[J].農業工程學報，2010，26（5）：188-194.

[13] HENGL T，HEUVELINK G B M，STEIN A. A generic frame work for spatial prediction of soil variables based on regression-kriging[J]. Geoderma，2004，120（1/2）：75-93.

[14] 姜 勇，李 琪，張曉珂，等. 利用輔助變量對污染土壤鋅分布的克里格估值[J]. 應用生態學報，2006，17（1）：97-101.

[15] 邱樂豐，楊 超，林芬芳，等.基于環境輔助變量的拔山茶園土壤肥力空間預測[J].應用生態學報，2010，21（12）：3099-3104.

[16] STACEY K F， LARK R M， WHITMORE A P， et al. Using a process model and regression kriging to improve predictions of nitrous oxide emissions from soil[J]. Geoderma，2006，135（1/2）：107-117.

[17] SIMBAHAN G C， DOBERMANN A， GOOVAERTS P， et al. Fine-resolution mapping of soil organic carbon based on multivariate secondary data[J]. Geoderma，2006，132（3/4）：471-489.

4 結論

本文以吉林省舒蘭市為研究對象，在回歸克里格插值方法的理論框架下，利用地形因子、遙感影像數據與該市土壤有機質值進行多元回歸方程擬合，運用普通克里格插值方法對線性回歸的預測結果和殘差結果進行空間分布模擬，進而得到回歸克里格插值方法的土壤有機質空間分布圖。

1）在所選擇的環境因子中，波段4、波段5、波段7、高程、坡度、坡度變率與土壤有機質空間分布關系密切，是預測土壤有機質分布的最優因子。舒蘭市土壤有機質空間分布呈漸變趨勢，由西向東逐漸減少。

2）相比協同克里格和普通克里格插值方法，回歸克里格方法對土壤養分空間分布的模擬精度最高，表明該方法可有效提高土壤養分空間分布預測精度。

參考文獻：

[1] 連 綱， 郭旭東，傅伯杰，等.黃土丘陵溝壑區縣域土壤有機質空間分布特征及預測[J].地理科學進展，2006，25（2）：113-122.

[2] 路 鵬，彭佩欽，宋變蘭，等.洞庭湖平原區土壤全磷含量地統計學和GIS分析[J].中國農業科學，2005，38（6）：1204-1212.

[3] MCKENZIE N J， AUSTIN M P. A quantitative Australian approach to medium and small scale surveys based on soil stratigraphy and environmental correlation[J]. Geoderma，1993， 57（4）：329-355.

[4] ODEHA I O A， MCBRATNEY A B， CHITTLEBOROUGH D J. Spatial prediction of soil properties from landform attributes derived from a digital elevation model[J]. Geoderma，1994，63（3/4）：197-214.

[5] 連 綱，郭旭東，傅伯杰，等. 基于環境相關法的土壤屬性空間分布特征研究-以黃土丘陵溝壑區小流域為例[J].地理科學，2008，28（4）：555-558.

[6] 孫孝林，趙玉國，趙 量，等.應用土壤-景觀定量模型預測土壤屬性空間分布及制圖[J].土壤，2008，40（5）：837-842.

[7] 張發升，曲 威，尹光華，等.基于多光譜遙感影像的表層土壤有機質空間格局反演[J].應用生態學報，2010，21（4）：883-888.

[8] 李欣宇，宇萬太，李秀珍.基于TM影像的表層土壤有機碳空間格局[J].生態學雜志， 2008，27（3）：333-338.

[9] 劉煥軍，趙春江，王紀華，等.黑土典型區土壤有機質遙感反演[J].農業工程學報，2011，27（8）：211-215.

[10] KAY S， RAINER D. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators[J].Ecological Indicators，2008（8）：485-501.

[11] ENDRE D， LUCA M， THIERRY N， et al. A regional scale soil mapping approach using integrated AVHRR and DEM data [J]. International Journal of Applied Earth Observation and Geoinformation，2001，3（1）：30-42.

[12] 張素梅，王宗明，張 柏，等.利用地形和遙感數據預測土壤養分空間分布[J].農業工程學報，2010，26（5）：188-194.

[13] HENGL T，HEUVELINK G B M，STEIN A. A generic frame work for spatial prediction of soil variables based on regression-kriging[J]. Geoderma，2004，120（1/2）：75-93.

[14] 姜 勇，李 琪，張曉珂，等. 利用輔助變量對污染土壤鋅分布的克里格估值[J]. 應用生態學報，2006，17（1）：97-101.

[15] 邱樂豐，楊 超，林芬芳，等.基于環境輔助變量的拔山茶園土壤肥力空間預測[J].應用生態學報，2010，21（12）：3099-3104.

[16] STACEY K F， LARK R M， WHITMORE A P， et al. Using a process model and regression kriging to improve predictions of nitrous oxide emissions from soil[J]. Geoderma，2006，135（1/2）：107-117.

[17] SIMBAHAN G C， DOBERMANN A， GOOVAERTS P， et al. Fine-resolution mapping of soil organic carbon based on multivariate secondary data[J]. Geoderma，2006，132（3/4）：471-489.

4 結論

本文以吉林省舒蘭市為研究對象，在回歸克里格插值方法的理論框架下，利用地形因子、遙感影像數據與該市土壤有機質值進行多元回歸方程擬合，運用普通克里格插值方法對線性回歸的預測結果和殘差結果進行空間分布模擬，進而得到回歸克里格插值方法的土壤有機質空間分布圖。

1）在所選擇的環境因子中，波段4、波段5、波段7、高程、坡度、坡度變率與土壤有機質空間分布關系密切，是預測土壤有機質分布的最優因子。舒蘭市土壤有機質空間分布呈漸變趨勢，由西向東逐漸減少。

2）相比協同克里格和普通克里格插值方法，回歸克里格方法對土壤養分空間分布的模擬精度最高，表明該方法可有效提高土壤養分空間分布預測精度。

參考文獻：

[1] 連 綱， 郭旭東，傅伯杰，等.黃土丘陵溝壑區縣域土壤有機質空間分布特征及預測[J].地理科學進展，2006，25（2）：113-122.

[2] 路 鵬，彭佩欽，宋變蘭，等.洞庭湖平原區土壤全磷含量地統計學和GIS分析[J].中國農業科學，2005，38（6）：1204-1212.

[3] MCKENZIE N J， AUSTIN M P. A quantitative Australian approach to medium and small scale surveys based on soil stratigraphy and environmental correlation[J]. Geoderma，1993， 57（4）：329-355.

[4] ODEHA I O A， MCBRATNEY A B， CHITTLEBOROUGH D J. Spatial prediction of soil properties from landform attributes derived from a digital elevation model[J]. Geoderma，1994，63（3/4）：197-214.

[5] 連 綱，郭旭東，傅伯杰，等. 基于環境相關法的土壤屬性空間分布特征研究-以黃土丘陵溝壑區小流域為例[J].地理科學，2008，28（4）：555-558.

[6] 孫孝林，趙玉國，趙 量，等.應用土壤-景觀定量模型預測土壤屬性空間分布及制圖[J].土壤，2008，40（5）：837-842.

[7] 張發升，曲 威，尹光華，等.基于多光譜遙感影像的表層土壤有機質空間格局反演[J].應用生態學報，2010，21（4）：883-888.

[8] 李欣宇，宇萬太，李秀珍.基于TM影像的表層土壤有機碳空間格局[J].生態學雜志， 2008，27（3）：333-338.

[9] 劉煥軍，趙春江，王紀華，等.黑土典型區土壤有機質遙感反演[J].農業工程學報，2011，27（8）：211-215.

[10] KAY S， RAINER D. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators[J].Ecological Indicators，2008（8）：485-501.

[11] ENDRE D， LUCA M， THIERRY N， et al. A regional scale soil mapping approach using integrated AVHRR and DEM data [J]. International Journal of Applied Earth Observation and Geoinformation，2001，3（1）：30-42.

[12] 張素梅，王宗明，張 柏，等.利用地形和遙感數據預測土壤養分空間分布[J].農業工程學報，2010，26（5）：188-194.

[13] HENGL T，HEUVELINK G B M，STEIN A. A generic frame work for spatial prediction of soil variables based on regression-kriging[J]. Geoderma，2004，120（1/2）：75-93.

[14] 姜 勇，李 琪，張曉珂，等. 利用輔助變量對污染土壤鋅分布的克里格估值[J]. 應用生態學報，2006，17（1）：97-101.

[15] 邱樂豐，楊 超，林芬芳，等.基于環境輔助變量的拔山茶園土壤肥力空間預測[J].應用生態學報，2010，21（12）：3099-3104.

[16] STACEY K F， LARK R M， WHITMORE A P， et al. Using a process model and regression kriging to improve predictions of nitrous oxide emissions from soil[J]. Geoderma，2006，135（1/2）：107-117.

[17] SIMBAHAN G C， DOBERMANN A， GOOVAERTS P， et al. Fine-resolution mapping of soil organic carbon based on multivariate secondary data[J]. Geoderma，2006，132（3/4）：471-489.