區域土壤CEC與相關控制因子的空間非平穩關系評估*

李錦芬瞿明凱黃 標劉 剛趙永存孫維俠胡文友

（1 南京信息工程大學環境科學與工程學院，南京 210044）

（2 中國科學院南京土壤研究所土壤環境與污染修復重點實驗室，南京 210008）

區域土壤CEC與相關控制因子的空間非平穩關系評估*

李錦芬1，2瞿明凱2?黃 標2劉 剛1趙永存2孫維俠2胡文友2

（1 南京信息工程大學環境科學與工程學院，南京 210044）

（2 中國科學院南京土壤研究所土壤環境與污染修復重點實驗室，南京 210008）

土壤陽離子交換量（CEC）對土壤的保肥能力具有重要影響。了解土壤CEC的空間分布及相關控制因子的影響有助于區域土壤肥力的精準調控。以往多采用傳統的最小二乘（OLS）回歸模型探索相關因子對土壤CEC的影響。然而，該類模型是一種總體回歸方法，不能反映局部空間區域內相關因子對土壤CEC的影響。采用一種局部空間回歸技術——地理加權回歸（GWR）探索表層和亞表層土壤中CEC與相關控制因子（土壤黏粒、土壤有機質和土壤pH）之間的空間非平穩關系。結果表明，各控制因子在不同的子區域和深度對土壤CEC的影響均有明顯差異；同時，GWR模型有效地揭示了土壤CEC與相關土壤控制因子的空間非平穩關系。所得的空間非平穩關系圖可以為更精確地調控區域土壤肥力提供依據。

陽離子交換量；空間非平穩性；地理加權回歸；最小二乘回歸；土壤保肥能力

土壤陽離子交換量（Cation exchange capacity，CEC）指土壤溶液在一定的pH時，每千克干土所吸收的全部交換性陽離子的物質的量（cmol kg-1），即土壤所帶負電荷的數量［1］。CEC能直接反映土壤保蓄、供應和緩沖陽離子養分的能力［2］，而且對土壤中重金屬的生物有效性和作物中營養元素的吸收均有一定的影響［3-5］。

了解土壤CEC與相關土壤控制因子（土壤黏粒、土壤有機質（SOM）和土壤pH）之間的關系，是對其進行定量調控的基礎。國內外關于土壤CEC與其控制因子之間關系的研究有很多［6-11］，但這些研究往往采用的是基于最小二乘回歸（OLS）的方法，該類回歸方法是一種總體回歸技術，其成立的前提假設是觀測值之間彼此獨立［12-13］。然而在空間上，事物普遍與周圍的其他事物相互關聯，而且距離越近，相關性越高［14］。區域土壤CEC和土壤中相關控制因子往往具有一定的空間相關性，而采用傳統的OLS回歸方法得到的土壤CEC與相關控制因子之間的關系在整個研究區域內為一恒定值，不能反映局部區域內土壤CEC與相關控制因子之間的局部空間相關性。因此，傳統的OLS回歸方法在探索土壤CEC與相關土壤控制因子之間的關系方面具有一定局限性。地理加權回歸（Geographically weighted regression，GWR）是近年來出現的一種新的局部空間回歸技術，它是將數據的空間位置嵌入線性回歸模型中，用以探索空間變量之間的空間非平穩關系［12-13］。這種回歸與普通線性回歸最明顯的區別是該模型的回歸系數在每個空間數據位置上均要分別被估計，而普通線性回歸模型對回歸系數的估計是基于整個研究區域的。

本研究的主要目的在于：（1）了解進賢縣稻田表層和亞表層土壤CEC的空間分布；（2）利用GWR探索進賢縣稻田表層和亞表層土壤CEC與其主要的控制因子（土壤黏粒、SOM和土壤pH）之間的空間非平穩關系；（3）給出具體的土壤CEC空間調控措施，以提高土壤保肥能力。

1 材料與方法

1.1 研究區域概況

本研究選定江西省南昌市進賢縣為研究區域。該區域位于江西省中部偏北、鄱陽湖南岸（116°01′～116°33′ E，28°09′～28°46′ N），是我國南方高產的商品糧基地之一。進賢縣屬于亞熱帶季風濕潤氣候，全年氣候溫和，四季分明，雨量充沛，光照充足，無霜期長。該縣年日照平均時長約為1 936 h，平均氣溫17.5℃，年均降水量1 587 mm。主要糧食作物為水稻，且以雙季稻為主，其種植面積占糧食種植總面積的89%。

1.2 樣品采集與分析

在研究區內布設103個土壤采樣點（圖1）。采樣時間為2012年10月下旬。用GPS定位并記錄樣本坐標信息。在每個采樣點周圍100 m2的范圍內，采集3～4處表層（0～20 cm）土壤，均勻混合后縮分至1 kg裝袋。同時采集相應位置的亞表層（20～40 cm）土壤樣品。所有的樣品在室溫下（20～22℃）風干、去除草根石塊，磨碎，然后過2 mm尼龍篩，準備好的土壤樣品用于化學分析。

圖1 研究區域和樣本點分布Fig. 1 Location map of the study area and distribution of sampling sites

分別測定土壤SOM、pH、CEC和黏粒的含量。土壤有機質用低溫外加熱重鉻酸鉀氧化—滴定法測定；CEC用乙酸銨法測定；pH在土∶水=1∶2.5的條件下，用電位法測定；土壤顆粒組成用吸管法測定。具體方法參見張甘霖等［15］。用標準樣本（GBW07413）和重復分析進行質量控制。

1.3 地理加權回歸

全局的OLS回歸模型假定所研究的環境變量之間的關系在空間上是恒定的，其公式為：

式中，y為因變量，xi為自變量，ε為高斯誤差項。β0為模型截距，βi為區域內變量 i 的回歸系數，p為回歸項的個數。該類模型的前提是假設擬合樣本之間彼此獨立。然而在空間上，事物普遍與周圍的其他事物相關，且距離近的事物通常較距離遠的事物有更強的關聯性［14］。故傳統的多元線性回歸并不適合分析空間數據之間的非平穩關系。

作為一個局部空間統計模型，地理加權回歸（GWR）在探索空間數據之間非平穩關系的優越性已經顯現［12，16］。與全局的OLS回歸模型相比，GWR為每個空間位置處的變量分配不同的權重，以此來估計各變量之間的局部空間關系，其公式為：

式中，（μ，υ）為區域內不同的空間位置，β0（μ，υ）為位置（μ，υ）處的模型截距，βi（μ，υ）為位置（μ，υ）處自變量 i 的局部回歸系數。關于GWR模型更多介紹參見Fotheringham等［12，17］。

1.4 數據處理

利用SPSS 19.0軟件對樣本數據進行描述性統計分析。地理加權回歸分析在GWR 4.0中完成。地統計學分析及出圖在ArcGIS 10.2中完成。

2 結 果

2.1 土壤CEC及其影響因子的描述性統計

表層和亞表層土壤中CEC、黏粒、SOM和pH的描述性統計量見表1。表層土壤CEC的變化范圍6.31～16.32 cmol kg-1，平均值10.23 cmol kg-1，表明土壤保肥能力處于中等水平［1］。表層土壤CEC的變異系數為0.207，由變異系數分級標準［18］可知，該地表層土壤CEC處于中等變異水平。

亞表層土壤CEC的變化范圍為3.73～13.97 cmol kg-1，平均值8.9 cmol kg-1。因此，亞表層土壤的保肥能力低于表層土壤。亞表層土壤CEC變異也處于中等程度變異（CV=0.237），說明研究區域內土壤CEC的變化受到內部因素和外部因素的共同影響［19］。表層和亞表層SOM的平均值分別為33.63 g kg-1和15.49 g kg-1。表層土壤SOM含量高于亞表層，這可能與表層土壤的耕作管理方式、施肥、灌溉等農業措施積累了較多的有機質有關［20］。

表1 表層及亞表層土壤CEC及其相關影響因子的描述性統計量Table 1 Descriptive statistics of soil CEC and its control factors in the topsoil and subsoil（n=103）

2.2 土壤CEC的空間分布

表層和亞表層土壤CEC具有相似的空間分布（圖2），表現為西部地區較高，北部和東南部地區較低。整體上，表層土壤CEC較高的區域對應的亞表層土壤CEC也較高。但亞表層土壤CEC經常低于表層，這一現象在研究區的東南部表現尤為明顯。說明，自上而下土壤CEC的含量有逐漸減小的趨勢，這可能與土壤中有機質和黏粒的影響有關［21］。一般而言，有機質的變化是影響土壤陽離子交換量變化的重要因素。土壤有機質由于其分子量大，功能團多，解離后帶電量也多，而且其具有很大的吸收表面，所以有機質豐富的土壤陽離子交換量一般較大［22］。而土壤黏粒是土壤陽離子吸收交換點的主要來源，具有較強的吸附能力，因此，黏粒含量越高，土壤負電荷數量越多，土壤CEC也就越高［2］。

2.3 土壤CEC與主要控制因子之間的全局關系

對表層和亞表層土壤中CEC（YCEC）與土壤黏粒（Xclay）、土壤有機質（XSOM）和土壤pH（XpH）的關系進行相關性分析，結果見表2。

圖2 表層和亞表層土壤CEC的空間分布Fig. 2 Spatial distribution of soil CEC in topsoil and subsoil

從表2中可知，表層土壤中各因子均與土壤C E C呈顯著相關，黏粒與土壤C E C的相關性（r=0.365）顯著高于其他兩個因子；亞表層土壤中，土壤黏粒與土壤C E C的相關系數（r=0.479）大于土壤有機質與土壤CEC的相關系數（r=0.231），即黏粒對CEC的貢獻大于有機質的貢獻，這與前人的研究結果相似［9］。亞表層土壤Xclay與土壤CEC的相關系數要高于表層土壤（表層，r=0.365；亞表層r=0.479），這說明，自上而下CEC與土壤中黏粒的相關性增強。相似的，亞表層土壤有機質與CEC的相關性高于表層土壤。此外，亞表層土壤中土壤XSOM與土壤XpH呈極顯著負相關（表2），這可能與亞表層土壤pH的增加有關。通常，土壤有機質隨土壤pH的增加而減少［23］。

為了深入了解區域內土壤CEC與相關土壤屬性之間的全局關系，對土壤CEC（YCEC）與其控制因子土壤黏粒（Xclay）、土壤有機質（XSOM）和土壤pH（XpH）進行多元線性回歸分析，結果如下：

表2 表層和亞表層土壤屬性的相關性Table 2 Pearson’s correlation coefficients between CEC and related soil properties in topsoil and subsoil

可以看出，無論是表層還是亞表層，各土壤屬性因子均對土壤CEC有一定影響。根據偏相關系數，亞表層土壤黏粒對土壤CEC的影響大于表層土壤。相反地，pH對土壤CEC的影響表層大于亞表層，而有機質在不同土層對CEC影響的變化不大。但是這兩個回歸方程的決定系數均較小，可能是因為這種全局的回歸方法對區域內變量的整體變化情況的解釋能力較差。因此，本研究采用GWR空間局部回歸方法來進一步探索土壤CEC與其相關控制因子（土壤黏粒、SOM和土壤pH）之間的空間非平穩關系。

2.4 土壤CEC與相關控制因子之間的空間非平穩關系

土壤CEC與相關控制因子之間的GWR回歸系數空間分布如圖3和圖4所示?？梢钥闯觯@些回歸系數在空間上并不是恒定不變的，而是隨著空間位置的變化而變化，即土壤CEC與這些土壤因子之間的關系存在空間非平穩性。各因子對CEC的影響程度可通過對應的回歸系數來解釋。通常情況下，正的回歸系數代表正的影響或相關，負的回歸系數代表負的影響或相關［24］?；貧w系數的絕對值大小反映該因子對土壤CEC影響的強烈程度，各環境因子對土壤CEC的影響隨著空間位置的變化而變化。

從圖3中可以看出，土壤中的黏粒、有機質和pH對土壤CEC的影響并非恒定。具體表現為：黏粒對土壤CEC的影響在研究區域的東北部較小，西南部較大。pH對土壤CEC的影響與黏粒相似，西南部地區對土壤CEC的影響較大，由西南向東北，回歸系數逐級遞減。有機質對土壤CEC的影響表現為，南部較低，西北部較高。

亞表層各因子對土壤CEC的影響有所不同，黏粒對土壤CEC的影響在西北部較低，東南部較高。SOM在研究區域的北部對土壤CEC的影響較大，東西部地區較小。而土壤pH則在西部對土壤CEC的影響較大，東北部較小（圖4）。相比于表層，亞表層SOM的回歸系數較大，說明亞表層土壤SOM對土壤CEC的影響更強烈，這一結果驗證了文中基于OLS的全局回歸的結果。但就局部區域而言，GWR的優勢更明顯。

圖3 表層土壤CEC與土壤影響因子之間 GWR回歸系數分布圖Fig. 3 GWR maps of relationships of CEC with control factors in topsoil

圖4 亞表層土壤CEC與土壤影響因子之間GWR 回歸系數分布圖Fig. 4 GWR maps of relationships of CEC with control factors in subsoil

3 討 論

土壤陽離子交換量作為判定土壤保肥能力的重要指標，其變化受到很多因素的影響，其中最主要的幾個指標為：土壤pH、土壤黏粒以及土壤有機質（SOM）［2］。本文就進賢縣稻田土壤CEC與其相關控制因子（土壤黏粒、SOM、土壤pH）的空間非穩態關系進行了研究，并與傳統的OLS回歸結果進行了對比。結果表明，相比于傳統的OLS回歸，GWR分析在局部回歸方面有顯著的優勢，可以更好地反映局部區域內各控制因子對土壤CEC的影響情況。

對比圖3和圖4，我們發現各因子對土壤CEC的影響在垂直方向上有較大差異，如表層土壤SOM對土壤CEC影響較弱的區域在南部，而在亞表層則表現為西部和東部地區SOM對土壤CEC影響較弱。這可能與SOM的種類和含量的空間變化有關［7，25］，當然也可能受土壤中其他不確定因素的影響［26-27］。此外，回歸系數在不同土層也有變化，如表層土壤pH回歸系數就明顯高于亞表層，從而表層土壤pH對土壤CEC的影響要高于亞表層。結合土壤pH的統計分析（表1）以及前人的研究結果［28］，推測這與垂直方向土壤pH的增加有關。

通過上述分析，結合土壤CEC的空間分布圖（圖2），可以更清楚地了解進賢縣不同空間位置處稻田土壤各控制因子對土壤CEC的影響情況，從而為區域土壤改良提供決策支持。如在土壤CEC較低的北部區域，SOM對土壤CEC的影響相對其他區域更敏感，因此可以通過向該區域增施有機肥來改善土壤中有機質狀況，進而提高土壤保肥能力。在土壤CEC相對較低的東南部地區，無論是表層還是亞表層，黏粒對土壤CEC的影響均較大。并且在該子區域內表層土壤中，pH對土壤CEC的影響相對其他區域也較大（圖3）。這種情況下，無論是改變土壤質地還是向土壤中施加堿性肥料均可顯著增加土壤CEC，進而提高該子區域的土壤保肥能力。從圖2中還可以看出，自上而下土壤CEC有逐漸減小的趨勢，可以通過增施改良劑、秸稈還田和深耕等手段，改善土壤理化性質，不斷促使土壤有機質的積累和黏粒的生成，進而提高整個土壤的肥力水平。但是，由于各控制因子具有不同的計量單位，無法進行直接比較。在后續的研究中可將改良土壤的經濟成本考慮進去，并將其作為統一的標準來比較各控制因子調控土壤CEC的成本，進而從土壤改良或修復的經濟成本角度，為土壤肥力調控提供技術支持。

4 結 論

描述性統計分析表明進賢縣土壤CEC處于中等程度變異，表層保肥能力高于亞表層。土壤CEC的空間分布表現為西部地區較高，北部和東南部較小。表層土壤CEC往往高于亞表層。土壤CEC與其相關控制因子的回歸系數圖，很好地揭示了GWR回歸在預測土壤CEC與其相關控制因子（土壤黏粒、SOM和土壤pH）的空間非平穩關系的優越性。各控制因子在局部區域和不同層次對土壤CEC的影響存在明顯差別。結合土壤CEC的空間分布圖，可以在土壤CEC較低的北部地區和東南部地區，通過增施有機肥、改變土壤質地以及施加堿性肥料等手段，改善土壤肥力狀況。此外，由于亞表層土壤CEC常常低于表層，可以通過增施改良劑、秸稈還田和深耕等手段，改善土壤理化性質，不斷促使土壤有機質的積累和黏粒的生成，進而提高整個土壤的肥力水平。

［1］ 侯光炯. 土壤學 南方本. 第2版. 北京：中國農業出版社，1999

Hou G J. Agrology（In Chinese）. 2nd ed. Beijing：China Agriculture Press，1999

［2］ 黃昌勇. 土壤學. 北京：中國農業出版社，2001

Huang C Y. Pedology（In Chinese）. Beijing：China Agriculture Press. 2001

［3］ 張磊，宋鳳斌，崔良. 化肥施用對土壤中重金屬生物有效性的影響研究. 中國生態農業學報，2006，14 （4）：122—125

Zhang L，Song F B，Cui L. Effects of application of chemical fertilizers on bioavailability of heavy metals in soil（In Chinese）. Chinese Journal of Eco-Agriculture，2006，14（4）：122—125

［4］ Kashem M A，Singh B R. Metal availability in contaminated soils：I. Effects of flooding and organic matter on changes in Eh，pH and solubility of Cd，Ni and Zn. Nutrient Cycling in Agroecosystems，2001，61 （3）：247—255

［5］ Amery F，Smolders E. Unlocking fixed soil phosphorus upon waterlogging can be promoted by increasing soil cation exchange capacity. European Journal of Soil Science，2012，63（6）：831—838

［6］ Bortoluzzi E C，Tessier D，Rheinheimer D S，et al. The cation exchange capacity of a sandy soil in southern Brazil：An estimation of permanent and pH-dependent charges. European Journal of Soil Science，2006，57 （3）：356—364

［7］ Oorts K，Vanlauwe B，Merckx R. Cation Exchange Capacities of soil organic matter fractions in Ferric Lixisol with different organic matter inputs.Agriculture，Ecosystems & Environment，2003，100 （2）：161—171

［8］ Sharma A，Weindorf D C，Wang D D，et al. Characterizing soils via portable X-ray fluorescence spectrometer：4.Cation exchange capacity（CEC）. Geoderma，2015，239/240：130—134

［9］ 廖凱華，徐紹輝，程桂福，等. 土壤CEC的影響因子及Cokriging空間插值分析——以青島市大沽河流域為例.土壤學報，2010，47（1）：26—32

Liao K H，Xu S H，Cheng G F，et al. Influencing factors and cokriging spatial interpolation analysis of soil cation exchange capacity-A case study of Dagu River basin，Qingdao City（In Chinese）. Acta Pedologica Sinica，2010，47（1）：27-31

［10］ 張水清，黃紹敏，郭斗斗. 河南三種土壤陽離子交換量相關性及預測模型研究. 土壤通報，2011，42（3）：627—631

Zhang S Q，Huang S M，Guo D D. The correlations and prediction models of cation exchange capacity in three soils in Henan（In Chinese）. Chinese Journal of Soil Science，2011，42（3）：627—631

［11］ 王文艷，張麗萍，劉俏. 黃土高原小流域土壤陽離子交換量分布特征及影響因子. 水土保持學報，2012，26 （5）：123—127

Wang W Y，Zhang L P，Liu Q. Distribution and affecting factors of soil cation exchange capacity in watershed of the Loess Plateau（In Chinese）. Journal of Soil and Water Conservation，2012，26（5）：123—127

［12］ Fotheringham A S，Brunsdon C，Charlton M. Geographically weighted regression：the analysis of spatially varying relationships. American Journal of Agricultural Economics，2002，86（2）：554—556

［13］ 瞿明凱，李衛東，張傳榮，等. 地理加權回歸及其在土壤和環境科學上的應用前景. 土壤，2014，46（1）：15—22

Qu M K，Li W D，Zhang C R，et al. Geographically weighted regression and its application prospect in soil and environmental sciences（In Chinese）. Soils，2014，46（1）：15—22

［14］ Tobler W R. A computer movie simulating urban growth in the Detroit region. Economic Geography，1970，46 （2）：234—240

［15］ 張甘霖，龔子同. 土壤調查實驗室分析方法. 北京：科學出版社，2012

Zhang G L，Gong Z T. Soil survey laboratory methods （In Chinese）. Beijing：Science Press，2012

［16］ Wang Q，Ni J，Tenhunen J. Application of a geographically-weighted regression analysis to estimate net primary production of Chinese forest ecosystems. Global Ecology and Biogeography，2005：14（4）：379—393

［17］ Nakaya T，Fotheringham S，Brunsdon C，et al. Geographically weighted poisson regression for disease associative mapping. Statistics in Medicine，2005，24 （17）：2695—2717

［18］ Zhang X Y，Sui Y Y，Zhang X D，et al. Spatial variability of nutrient properties in black soil of Northeast China. Pedosphere，2007，17（1）：19—29

［19］ Cambardella C A，Moorman T B，Parkin T B， et al. Field-scale variability of soil properties in central Iowa soils. Soil Science Society of America Journal，1994，58（5）：1501-1511

［20］ 徐丹，劉昌華，蔡太義，等. 農田土壤有機質和全氮三維空間分布特征研究. 農業機械學報，2015，46 （12）：157—163

Xu D，Liu C H，Cai T Y，et al. 3D spatial distribution characteristics of soil organic matter and total nitrogen in farmland（In Chinese）. Transactions of the Chinese Society for Agricultural Machinery，2015，46（12）：157—163

［21］ 趙之重. 青海省土壤陽離子交換量與有機質和機械組成關系的研究. 青海農林科技，2004，4（3）：4—6

Zhao Z Z. Study on relationship between organic matter，soil fractions and CEC in Qinghai soil（in Chinese）. Agriculture and Forestry Science and Technology of Qinghai，2004，4（3）：4—6

［22］ Thomas G A，Dalal R C，Standley J. No-till effects on organic matter，pH，cation exchange capacity and nutrient distribution in a Luvisol in the semi-arid subtropics. Soil & Tillage Research，2007，94（2）：295—304

［23］ 戴萬宏，黃耀，武麗，等. 中國地帶性土壤有機質含量與酸堿度的關系. 土壤學報，2009，46（5）：852—860

Dai W H，Huang Y，Wu L，et al. Relationships between soil organic matter content（SOM）and pH in topsoil of zonal soils in China（In Chinese）. Acta Pedologica Sinica，2009，46（5）：852—860

［24］ Qu M K，Li W D，Zhang C R，et al. Spatially nonstationary relationships between copper accumulation in rice grain and some related soil properties in paddy fields at a regional scale. Soil Science Society of America Journal，2014，78（5）：1765—1774

［25］ 葛順峰，彭玲，任飴華，等. 秸稈和生物質炭對蘋果園土壤容重、陽離子交換量和氮素利用的影響. 中國農業科學，2014，47（2）：366—373

Ge S F，Peng L，Ren Y H，et al. Effect of straw and biochar on soil bulk density，cation exchange capacityand nitrogen absorption in apple orchard soil（In Chinese）. Scientia Agricultura Sinica，2014，47 （2）：366—373

［26］ Ersahin S，Gunal H，Kutlu T，et al. Estimating specific surface area and cation exchange capacity in soils using fractal dimension of particle-size distribution. Geoderma，2006，136（3/4）：588—597

［27］ Favre F，Tessier D，Abdelmoula M，et al. Iron reduction and changes in cation exchange capacity in intermittently waterlogged soil. European Journal of Soil Science，2002，53（2）：175—183

［28］ 魏孝榮，邵明安. 黃土高原小流域土壤pH、陽離子交換量和有機質分布特征. 應用生態學報，2009，20 （11）：2710—2715

Wei X R，Shao M A. Distribution characteristics of soil pH，CEC and organic matter in a small watershed of the Loess Plateau（In Chinese）. Chinese Journal of Applied Ecology，2009，20（11）：2710—2715

Spatially Non-stationary Relationships between Cation Exchange Capacity and Related Control Factors

LI Jinfen1，2QU Mingkai2?HUANG Biao2LIU Gang1ZHAO Yongcun2SUN Weixia2HU Wenyou2
（1 School of Environmental Science and Engineering，Nanjing University of Information Science and Technology，Nanjing 210044，China）
（2 Key Laboratory of Soil Environment and Pollution Remediation，Institute of Soil Science，Chinese Academy of Sciences，Nanjing 210008，China）

【Objective】Soil cationic exchange capacity（CEC）directly reflects capacity of the soil supplying and buffering cation nutrients，and hence plays a very important role in conserving soil fertility. The knowledge about spatial distribution of soil CEC and effects of its control factors（i.e.，clay，soil organic matter（SOM），and soil pH）at a regional scale may help precisely regulate soil fertility in the region. This paper explored soil CEC and its related control factors（i.e.，Clay，SOM and soil pH）in the topsoil （0～20 cm）and subsoil（20～40 cm）of Jinxian County，Jiangxi Province，China for analysis of spatial non-stationary relationships between them，with a view to providing some critical information for the region to formulate specific soil fertility building measures.【Method】In the past，the traditional least squares regression（OLS）method was used to explore effects of relevant factors on soil CEC. The method，however，is a population regression one，and assumes that the relationships between soil CEC and its control factors are constant，thus ignoring spatial non-stationary relationships between soil CEC and its control factors across the region. Geographically weighted regression（GWR）-a local spatial regression model，can be used to solve this problem. With this model，spatial locations of the data are embedded into the linear regression model in exploring spatial non-stationary relationships between variables. And the regression coefficients of the model have been estimated separately by spatial data location. Therefore，compared with the OLS model，GWR is obviously advantageous in exploring spatial non-stationary relationship between soil CEC and its related control factors.【Result】Results of the descriptive statistical analysis show that soil CEC varies moderately in Jinxian County. The topsoil is higher than the subsoil in soil nutrient retention capacity. Soil CEC is relatively high in the western part of the county，but lower in the northern and southeastern parts and always higher in the topsoil than in the subsoil. The GWR analysis shows that the relationships between soil CEC and its related control factors（i.e.，soil pH，clay soil，and SOM）were not constant and varied spatially，demonstrating the existence of certain spatial non-stationarity. The effects of the control factors on soil CEC varied with the soil layer. For example，clay in the topsoil affected soil CEC more in the southwest than in the northeast；while that in the subsoil did more in the southeast than in the northwest. Furthermore，effects of the factorsvaried from sub-region to sub-region. For instance，in topsoil，the effect of SOM was low in the south，but quite high in the northwest. The soil CEC spatial distribution map and the regression coefficient map of soil CEC and its control factors demonstrates that in the northern region where soil CEC is quite low，soil CEC is more sensitive to changes in SOM than in any other regions. In this case，more organic manure should be applied to improve soil CEC and hence soil nutrient retention capacity. However，in the southeastern region where soil CEC is relatively low，clay is the major factor affecting soil CEC in both soil layers，and pH in the topsoil is another. In this case，either alteration of soil texture or application of alkaline fertilizer in this region would effectively increase soil CEC.【Conclusion】The findings show that the control factors vary sharply in effect on soil CEC with sub-region and soil depth. Meanwhile，the model of GWR effectively reveals that spatial non-stationary relationships exist between soil CEC and its related control factors. Based on the soil CEC spatial distribution map，it is recommended that more organic manure and/or alkaline fertilizer be applied to alter soil texture and improve soil fertility in the northern and southeastern regions.

Cationic exchange capacity；Spatial non-stationarity；Geographically weighted regression；Least squares regression；Soil nutrient retention capacity

S153.3；S158.5

A

（責任編輯：陳榮府）

* 國家科技支撐計劃課題（2015BAD06B02-2）資助 Supported by the National Key Technology R&D Program of China（No. 2015BAD06B02-2）

? 通訊作者 Corresponding author，E-mail：qumingkai@issas.ac.cn

李錦芬（1991—），女，寧夏吳忠人，碩士研究生，主要從事區域土壤環境風險評估方面的研究。E-mail：jinfenli22@163.com

2016-06-30；

2016-08-24；優先數字出版日期（www.cnki.net）：2016-09-14

10.11766/trxb201606300245