南方丘陵區土壤有機質空間插值模型及采樣點密度對農用地分等精度的影響
——以福建省龍海市為例

范勝龍，林曉丹，涂 凱，湯俊紅，林翔程，黃炎和

（1.福建農林大學資源與環境學院，福建 福州 350002；2.福建省國土資源勘測規劃院，福建 福州350002）

南方丘陵區土壤有機質空間插值模型及采樣點密度對農用地分等精度的影響
——以福建省龍海市為例

范勝龍1，林曉丹1，涂 凱1，湯俊紅1，林翔程2，黃炎和1

（1.福建農林大學資源與環境學院，福建 福州 350002；2.福建省國土資源勘測規劃院，福建 福州350002）

研究目的：分析南方丘陵區土壤有機質的采樣點密度和空間插值模型對農用地分等精度的影響。研究方法：以福建龍海市為研究區，對設計的8種格網密度和6種結合不同類型信息的插值模型所得農用地分等結果進行比較研究。研究結果：（1）結合不同類型信息的克里格空間插值模型對于土壤有機質含量及農用地分等成果（自然質量等）具有顯著差異，土壤有機質含量和農用地分等成果的精度與格網密度呈正相關。其中結合地貌和土壤信息的空間插值方法（KDMTR）對于農用地分等成果有最好的預測效果；（2）如果僅需考慮獲取較高精度的土壤有機質含量信息時，按2 km×2 km的樣點密度并結合KDMTR法進行空間插值，為最高效的樣點布設和數據處理方式；（3）在開展縣級農用地分等時，如果僅需考慮獲取農用地分等結果時，土壤采樣點密度對農用地分等精度影響較小，但結合不同類型信息的空間插值方法對農用地分等成果精度影響顯著。采用KDMTR法并按3.5 km×3.5 km的格網密度布設土壤調查樣點，為最高效的樣點布設和空間插值模型。研究結論：南方丘陵區在開展縣級農用地分等工作時，采用的空間插值模型對農用地分等成果的精度產生顯著影響而土壤采樣點布設的格網密度對農用地分等成果的精度影響較小。

土地評價；農用地分等；土壤有機質；樣點布設；空間插值模型

土壤有機質是土壤重要屬性之一［1］，在保持土壤肥力、提高土壤質量及作物產量等方面起著重要作用［2-3］，而且土壤有機質含量與土壤質量存在極強的正相關關系［4］，是農用地分等因素中的必選分等因素［5］，也是有關土壤理化性質的最重要因素。土壤樣點的高效布設是減少采樣誤差和提高采樣效率的重要途徑［6］。外界的人為活動和自然生態過程會導致區域內土壤有機質具備較強的空間變異特征［7］，準確掌握其空間變異特征是實現資源高效可持續利用的重要依據。目前，地統計學方法被大量用于土壤性質的空間預測［8-11］。研究表明，土壤采樣點密度和空間插值模型對土壤有機質空間變異特征的表征具有重要影響［12-14］。當前國內相關研究還未就上述兩種因素對縣級農用地分等精度的影響進行相關研究。因此，研究土壤有機質采樣點密度及空間插值模型對農用地分等精度的影響，對提高農用地分等工作效率、降低工作成本以及提高分等精度等具有重要意義。

南方丘陵區廣泛分布于長江以南各省，其耕地呈“雞爪”型沿山間溪流向山谷延伸，具有圖斑破碎、土壤理化性質復雜多變的特點。本文以福建省龍海市為研究區，采用6種結合不同類型信息的克里格插值模型分別對8種格網密度下的土壤采樣點有機質含量數據進行空間插值，研究不同格網密度和結合不同類型信息的克里格插值模型所得土壤有機質含量預測結果對農用地分等成果精度的影響，可為提高農用地分等工作的效率和精度提供科學依據。

1　材料與方法

1.1試驗區概況

本文以福建漳州龍海市（縣級市）為研究區，地理位置為東經117°29′—118°14′、北緯24°11′—24°36′，總面積約1289.72 km2。市域內北、西、南三面環山，中部為九龍江沖積平原，東南臨海，北部的丘陵地帶屬于戴云山脈，西南部丘陵地帶屬于博平嶺，耕地多分布在中部平原及南北山谷兩側溪流地帶。土壤形成受成土母質影響較大，呈現隨海拔升高的垂直分布規律及受成土條件變化的影響而呈區域性分布規律。依據福建省第二次的土壤普查資料，其土壤類型可以分為16個亞類，52個土屬，6個土類，70個土種，耕地土壤主要為：水稻土、潮土、濱海風沙土和濱海鹽土等土壤類型。

1.2研究方法

1.2.1土壤樣品采集及測定方法 為研究土壤采樣點密度及其空間插值方法對農用地分等成果精度的影響，本文采用常用的土壤采樣點布設方法——格網法［15-16］，在試驗區范圍布設0.5 km×0.5 km（X0.5）、1 km×1km（X1）、1.5 km×1.5 km（X1.5）、2 km×2 km（X2）、2.5 km×2.5 km（X2.5）、3 km×3 km（X3）、3.5 km×3.5 km（X3.5）、4 km×4 km（X4）共8種密度格網疊套于龍海市1∶10000土地利用現狀圖上采集土壤樣點，并設計了結合地貌信息的克里格方法（KDM）、結合地類信息的克里格方法（KDL）、結合土壤類型信息的克里格方法（KTR）、結合地貌—土壤信息的克里格方法（KDMTR）、結合地類—土壤信息的克里格方法（KDLTR）5種結合類型信息的方法和直接采用耕層土壤有機質含量數據進行的普通克里格插值法（KYJZ）共6種插值方法。研究區共布設1133個樣點。

采樣點盡量選擇靠近格網中心的耕地圖斑上，在樣點附近20 m范圍內的耕地表層（0—20 cm）土壤上多點（5個）混合取樣，用4分法取大約1kg土樣作為該樣點的土壤樣品。運用手持GPS確定樣點坐標，記錄各樣點的編號、利用現狀、地貌特征及灌排條件等相關信息。土壤樣品經過自然風干、研磨和過篩等措施后，采用常規的重鉻酸鉀氧化滴定法測定土壤有機質含量。各樣點格網密度布設、采集和處理的方法均一致。此外，為驗證不同格網及處理方法進行農用地分等的結果精度，在全市范圍布設258個樣點作為驗證點。

1.2.2結合不同類型信息的克里格空間插值模型 利用布設的8種不同的樣點密度所得樣點，采用設計的6種結合類型信息的克里格法分別對土壤有機質含量進行空間預測。結合類型信息的空間插值模型將每一個樣點的土壤有機質含量值z（xkj）分為相同類型均值μ（tk）和殘差r（xkj）之和。用公式表示為：

式1中，z（xkj）是樣品的土壤有機質含量；μ（tk）為相同類型樣品的均值；r（xkj）是樣品土壤有機質含量與其相同類型樣品的均值之差，稱為“殘差”。

將殘差作為一個新的區域變量r（xkj）進行普通克里格插值，空間插值利用ArcGIS軟件中的地統計分析模塊完成。樣點的土壤有機質含量預測值Z*（xkj）為類型均值μ（tk）與殘差觀測值r*（xkj）之和：

本文中，KTR法、KDMTR法和KDLTR法中的土壤類型均劃分到土屬級別。土壤類型資料來自于第二次土壤普查成果中的1∶50000土壤圖和《龍海土壤》；土地利用現狀資料來源于龍海市2012年度土地利用變更調查數據庫；地貌劃分來源于福建省農用地分等成果更新項目成果中的指標區圖。

1.2.3不同格網密度和空間插值模型對土壤有機質空間分布表征和農用地分等成果精度的影響研究 根據

上述數據處理方法分別進行分類克里格插值，得到研究區土壤有機質空間分布圖。為探明土壤有機質預測值對農用地分等成果的影響，將研究布設的258個驗證點讀取的預測值與實測值，依據《農用地分等規程》（TD/ T1004-2003）分別計算得到驗證樣點的自然質量分、自然質量等指數和自然質量等別的實測值和預測值。農用地分等所需的標準耕作制度分區、基準作物、指定作物、光溫、氣候生產潛力指數，指標區、分等因素指標體系及權重、指標分值及分級，指定作物最大產量、最大產量—成本指數、產量比系數依據《福建省農用地分等成果更新技術方案》和《龍海市農用地分等成果更新》成果所定方法與數值確定。為檢驗結合不同類型信息的空間插值模型對土壤有機質含量預測和農用地分等成果精度的影響，運用SPSS統計軟件將驗證樣點的預測值與實測值分別進行配對樣本t檢驗，研究基于不同格網密度和結合不同類型信息空間插值模型下的土壤有機質含量和農用地分等成果的預測值和實測值（驗證點）之間是否具有顯著差異。通過驗證點實測值與預測值的均方根誤差（RMSE），對土壤有機質含量和農用地分等成果的預測精度進行驗證，研究滿足精度要求的數據處理方法及所需格網密度。

2　結果與分析

2.1不同空間插值模型和樣點密度下預測值與真實值的差異性

為了驗證不同的格網密度和空間插值模型預測的土壤有機質含量對農用地分等成果是否存在顯著差異，本文運用SPSS統計軟件對各種密度及插值模型下所得農用地分等成果（自然質量分、自然質量等指數、自然質量等別）與驗證樣點采用實測值計算所得結果進行配對樣本t檢驗。

根據表1可知，當格網密度大于或等于2.5 km×2.5 km時，除KDL法和KYJZ法外，其余各種插值模型在各密度等級上的土壤有機質空間預測效果良好，均不存在顯著性差異（顯著性＞0.10）；當格網密度小于或等于3 km×3 km時，各種空間插值模型的土壤有機質含量預測值與實測值之間出現無規律的顯著性差異，表明此時隨著格網密度的下降，由于樣點數過少，已經不適用于南方丘陵區的土壤有機質的空間預測。

表1　土壤有機質含量預測值與實測值配對樣本t檢驗Tab.1 The paired samples t-test signifcant analysis of SOC

由表2—表4可知，就格網密度與各種插值模型對農用地分等成果（自然質量分、自然質量等指數和自然質量等別）的影響而言，當格網密度大于或等于1 km×1 km時，各空間插值模型在各密度等級下的農用地分等成果的預測值和實測值均不存在顯著性差異，表明當格網密度大于或等于1 km×1 km時，由于樣點數目充足，采用何種數據處理方法在南方丘陵區進行農用地分等區別并不明顯；當格網密度小于或等于1.5 km×1.5 km時，基于各空間插值模型的農用地分等成果的預測值和實測值之間陸續出現顯著性差異，表明不同樣點密度和空間插值模型將對農用地分等成果產生影響，且各種方法對自然質量分、自然質量等指數和自然質量等別的影響不一致，未呈現明顯規律性。但總體上KTR法、KDM和KDMTR在農用地分等成果預測上表現更加可靠，其中KDMTR法最好，格網密度的變化不會引發預測效果的突變。表明結合地貌和土壤信息的空間插值模型對于農用地分等成果有更好的預測效果。

2.2不同采樣點密度和空間插值模型對土壤有機質含量及農用地分等成果預測精度的影響

為進一步研究不同的采樣點密度和空間插值模型對土壤有機質含量預測和農用地分等成果（自然質量分、自然質量等指數、自然質量等別）精度的影響，采用均方根誤差（RMSE）來評價其預測精度的高低，并獲取適合試驗區的最優格網密度和空間插值模型（圖1）。

表2　自然質量分預測值與實測值配對樣本t檢驗Tab.2 The paired samples t-test signifcant analysis of nature quality score

表3　自然質量等指數預測值與實測值配對樣本t檢驗Tab.3 The paired samples t-test signifcant analysis of physical quality grade index

表4　自然質量等別預測值與實測值配對樣本t檢驗Tab.4 The paired samples t-test signifcant analysis of physical quality grade

圖1　不同格網密度和空間插值模型表征土壤有機質含量和農用地分等成果的預測精度Fig.1 The accuracy prediction of SOC and agricultural land gradation within different density grids and spatial interpolation methods

由圖1可知，不同的格網密度和空間插值模型對土壤有機質和農用地分等成果的精度產生不同程度的影響。隨著格網密度的減小，不同插值模型的土壤有機質含量、自然質量分和自然質量等指數的均方根誤差均在整體上出現不斷增大的趨勢，而自然質量等別的均方根誤差則沒有規律性。土壤有機質含量和農用地分等成果的均方根誤差均在格網密度為0.5 km×0.5 km時均值最小，相較于4 km×4 km的格網密度，土壤有機質含量的均方根誤差均值降幅達59%，農用地分等成果的均方根誤差均值降幅達37%，表明無論采用哪種空間插值模型，土壤有機質含量和農用地分等成果的精度與格網密度呈正相關。根據表5可知，各種空間插值模型中，KDMTR法的均方根誤差均值最小，說明KDMTR法進行的農用地分等成果精度最高。

進一步分析樣點密度對KDMTR法所得土壤有機質含量和農用地分等成果精度的影響可知（表6），在KDMTR法中，不同的格網密度對土壤有機質的預測精度產生較為明顯的影響，0.5 km×0.5 km的預測精度較4 km×4 km的預測精度提高了約1倍。總體而言，土壤有機質的預測精度與格網密度呈正相關，樣點數越多，預測精度越高。其中，格網密度從1 km×1 km—2 km×2 km及從2.5 km×2.5 km—4 km×4 km的均方根誤差均值都處于同一水平。因此，土壤有機質含量預測較為高效的樣點布設密度應為2 km×2 km。

KDMTR法中，就格網密度對農用地分等成果精度的影響而言，各格網密度下的均方根誤差值相差并不大，就自然質量分、自然質量等指數自身的數量級而言，預測精度的差異可忽略不計，認為格網密度對農用地分等成果的精度影響很小。造成上述現象的原因主要是：雖然土壤有機質含量是影響農用地（耕地）質量的重要因素，但農用地分等過程中的分級賦值法及多因素綜合評價法中權重的存在，致使數據總體上迅速聚集，離散程度大幅降低，縮小了預測精度對分等成果的差異性。分級賦值規則及權重弱化了土壤有機質在農用地分等評價體系中的相關性。結合前面的差異性分析結果，采用KDMTR法進行數據處理時，最高效的樣點密度應為3.5 km×3.5 km。

綜上，在開展農用地分等工作時，如果需考慮獲取較高精度的土壤有機質含量信息時，按2 km×2 km的樣點密度并結合KDMTR法布設土壤調查樣點，為最高效的樣點布設和數據處理方式；如果僅需獲取農用地分等結果時，按3.5 km×3.5 km的樣點密度并結合KDMTR法布設土壤調查樣點，為最高效的樣點布設和數據處理方式。

表5　不同空間插值模型下土壤有機質含量和農用地分等成果的預測精度Tab.5 The mean RMSE of SOC and agricultural land gradation in different spatial interpolation methods

表6　KDMTR法不同樣點密度下土壤有機質含量和農用地分等成果的預測精度Tab.6 The mean RMSE of SOC and agricultural land gradation of KDMTR in different sample density

3　結論

結合不同類型信息的克里格空間插值模型對于土壤有機質含量及農用地分等成果（自然質量等）具有顯著差異。各種數據處理方法中，總體上KTR法、KDM和KDMTR在農用地分等成果預測上表現更加可靠，其中KDMTR法為最好的數據處理方法，表明結合地貌和土壤信息的空間插值方法對于農用地分等成果有最好的預測效果。

無論采用哪種空間插值模型，土壤有機質含量和農用地分等成果的精度與格網密度呈正相關。當土壤采樣點布設的格網密度大于或等于1 km×1 km時，研究所采用的不同空間插值模型對農用地分等成果的精度無顯著影響。

如果需考慮獲取較高精度的土壤有機質含量信息時，按KDMTR法結合0.5 km×0.5 km的樣點密度布設土壤調查樣點，為精度最高的樣點布設和數據處理方式；采用KDMTR法結合2 km×2 km的樣點密度布設土壤調查樣點，為最高效的樣點布設和數據處理方式。

在開展縣級農用地分等時，如果僅需考慮獲取農用地分等結果時，土壤采樣點密度對農用地分等精度影響較小，但結合不同類型信息的空間插值方法對農用地分等成果精度影響顯著。采用KDMTR法并按3.5 km×3.5 km的格網密度布設土壤調查樣點，為最高效的樣點布設和空間插值模型。

（

）：

［1］Burke I C， Laurenroth W K， Coffin D P. Recovery of soil organic matter and N mineralization in semiarid grasslan： Implications for the conservation reserve Program［J］ . Ecological Applications， 1995， （5）： 793 - 801.

［2］Gregorich E G， Carter M R， Angers DA， et al. Towards a minimum data set to assess soil organic matter quality in agricultural soils［J］ . Canadian Journal of Soil Science， 1994， 74（4）： 367 - 385.

［3］ Stevenson F J， Cole M A. Cycles of soil carbon， nitrogen， phosphorus， sulfur， micronutrients［M］ . John Wiley & Sons Inc， USA， 1999.

［4］Janzen HH， Campbell CA， Ellert BH， et al. Soil organic matter dynamics and their relati-onship to soil quality［A］ . Gregorich， EG，Carter MR， editors. Soil Quality for Crop Production and Ecosystem Health［M］ . Amsterdam： Developments in Soil Science 25，Elsevier， 1997： 277 - 291.

［5］ 中華人民共和國國土資源部.農用地分等規程（TD/T1005-2003）［M］ .北京：中國標準出版社，2003.

［6］ 陳懷滿. 環境土壤學［M］ . 北京：科學出版社，2005：488 - 497.

［7］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， 59： 63 - 75.

［8］Knotters M， Brus D J， Voshaar J H O. A comparison of kriging， co-kriging and kriging combined with regression for spatial interpolation of horizon depth with censored observations［J］ . Geoderma， 1995， 67： 227 - 246.

［9］Bourennane H， King D， Couturier A. Comparison of kriging with external drift and simplelinear regression for predicting soil horizon thickness with different sample densities［J］ . Geoderma， 2000， 97： 255 - 271.

［10］趙永存，史學正，于東升，等.不同方法預測河北省土壤有機碳密度空間部分特征的研究［J］ .土壤學報，2005，42（3）：379 - 385.

［11］連綱，郭旭東，傅伯杰，等.黃土高原縣域土壤養分空間變異特征及預測——以陜西省橫山縣為例［J］ .土壤學報，2008，（4）：577 - 584.

［12］ 唐國勇，黃道友，黃敏，等. 紅壤丘陵景觀表層土壤有機碳空間變異特點及其影響因子［J］ .土壤學報，2010，47（4）：753 - 759.

［13］ 范勝龍，劉友兆.不同布點密度條件下土壤有機碳的空間變異特性研究［J］ .土壤通報，2012，43（3）：668 - 673.

［14］Wu J，Norvell W A， Hopkins D G，et al. Improved prediction and mapping of soil copper by kriging with auxiliary data for cationexchange capacity［J］ . Soil Science Society of America journal，2003，67（3）：919 - 927.

［15］SMITH J L， HALVORSON J J， HARVEY J B. Spatial relationships of soil microbial biomass and C and N mineralization in a semiarid shrub-steppe ecosystem［J］ . Soil Biology & Biochemistry， 1994， 26： 1151 - 1159.

［16］Sch?ning I， Totsche K U， K?gelKnabner I. Small scale spatial variability of organic carbon stocks in litter and solum of a forested Luvisol［J］ . Geoderma，2006， 136： 631 - 642.

（本文責編：陳美景）

The Infuence of Spatial Interpolation Model and Sampling Density of Soil Organic Matter in the Farmland Quality Evaluation Accuracy in Hilly Region of South China： A Case Study of Longhai City， Fujian Province

FAN Sheng-long1， LIN Xiao-dan1，TU Kai1， TANG Jun-hong1， LIN Xiang-chen2， HUANG Yan-he1
（1. College of Resource and Environment Science， Fujian Agriculture and Forestry University， Fuzhou 350002， China；2. Land Surveying and Planning Department of Fujian Province， Fuzhou 350002， China）

The purpose of this paper is to research spatial interpolation model and sampling density's effects onquality evaluation accuracy in hilly region of south China. The paper compares different evaluation results according to eight kinds of grid density based on grid sampling of soil organic matter and six classification methods in Longhai City of Fujian Province. The results show that： 1）Combination of different information of kriging interpolation models have significant differences on soil organic matter and the result of farmland classification（natural quality）， soil organic matter and the result of farmland classification show positively correlated with grid density of soil sample. Spatial interpolation method which combined with topography and soil information（KDMTR）has the best prediction for farmland quality evaluation. 2）If accurate information of soil organic matter content should be in consideration， the efficient sampling point layout is grid sampling based on the topography and soil types， and the best grid size is about 2 km×2 km. 3）If only farmland quality evaluation result at the county level should be in consideration， the density of soil sampling points has small effects on the accuracy of farmland quality evaluation result， but the combination of different information space interpolation method has significant effects on the accuracy of farmland quality evaluation result. The best spatial interpolation model is Kriging interpolation based on the topography and soil types and the most efficient sampling point layout is grid sampling with grid size of 3.5 km×3.5 km. The paper concludes that obviously effect can be noticed by spatial interpolation model to evaluate farmland quality， yet the density of sampling has small effect at the county level in hilly region of south China.

land assessment； farmland quality evaluation； soil organic matter； sampling point layout； spatial interpolation models

F301.2

A

1001-8158（2015）10-0065-08

10.11994/zgtdkx.2015.10.009

2015-03-24

2015-09-26

福建省自然科學基金資助項目（2015J01624）。

范勝龍（1976-），男，福建永定人，博士，副教授。主要研究方向為土地質量評價、土地資源可持續利用。E-mail： fsl@fafu.edu.cn

黃炎和（1962-），男，廣東饒平人，博士，教授。主要研究方向為土壤侵蝕與治理、土地資源可持續利用。E-mail： yanhehuang@163.com