基于地理探測器的農田土壤重金屬影響因子分析

李雨，韓平，任東，羅娜，王紀華

?

基于地理探測器的農田土壤重金屬影響因子分析

李雨1, 2，韓平2，任東1，羅娜2，王紀華1, 2

（1三峽大學計算機與信息學院，湖北宜昌 443002；2北京市農林科學院北京農業質量標準與檢測技術研究中心，北京 100097）

研究土壤重金屬與影響因子以及不同土壤重金屬之間相關關系，為土壤重金屬空間預測模型提供更加全面的輔助變量。利用地理探測器模型，結合空間插值技術對2014年湖南省湘潭縣5個鄉鎮農田中5種土壤重金屬Pb、Cd、As、Cr和Hg的空間分布變化與6種影響因子以及5種土壤重金屬之間的相關性和交互作用進行研究。研究結果表明，GDP、平均溫度和相對濕度對5種土壤重金屬解釋力較大（P值均在0.5以上），土壤pH、土壤類型與高程對土壤重金屬的解釋力較小（P值均在0.3以下），其中土壤類型對于5種土壤重金屬的解釋力最低（P值均在0.1以下）。5種土壤重金屬中，Cr對Cd的解釋力最強（P值達到0.95），As對Cd的解釋力最?。?i>P值僅為0.20）。平均溫度、相對濕度、GDP對土壤重金屬的影響顯著高于其他影響因子，而其他影響因子之間的解釋力差異并不顯著。各影響因子之間和5種重金屬元素之間均具有相互增強或非線性增強作用。土壤重金屬的空間分布是由多種影響因子共同作用的結果。通過地理探測器模型發現，GDP、平均溫度和相對濕度等影響因子對研究區域內的土壤重金屬的空間分布具有較強的解釋力，這些影響因子可作為研究區土壤重金屬空間預測模型的輔助變量。地理探測器模型可以對多種影響因子進行更加全面的分析，為土壤重金屬空間預測模型的建立提供有效的依據。

地理探測器；土壤重金屬；影響因子；相關分析；交互作用

0 引言

【研究意義】土壤重金屬分布具有復雜的空間變異性和非平穩性，在對土壤重金屬的調查中，通常利用合適的空間插值方法，對未知樣點重金屬含量值進行預測。研究土壤重金屬與影響因子之間的相關性不僅可以為空間插值方法提供更加準確和可靠的輔助變量，從而提高調查成果質量，而且可以為土壤重金屬的污染分析評價和防治提供解決思路?！厩叭搜芯窟M展】常用的土壤重金屬空間插值方法主要包括克里格法和協同克里格法[1]。協同克里格法（Co-Kriging）可以視作普通克里格法的改進，通過用多個輔助變量對土壤重金屬含量進行估值預測，較普通克里格法能有效提高預測精度[2]。以往研究影響因子和土壤重金屬之間的相關關系多采用的是皮爾遜相關系數（pearson correlation coefficient，PCC）和主成分分析法（principal components analysis，PCA），選擇的影響因子多為連續數值型。例如章清等利用Pearson相關系數方法選擇與土壤銅含量具有較高相關性的土壤因子（全鉀、全鉻、陽離子交換量、全鋁、全氮（＜0.05））作為輔助變量，利用主成分分析（PCA）對輔助變量進行降維求總得分處理后與協同克里格插值相結合構建土壤銅含量空間模型（COKPCA）[3]；郭龍等研究土壤pH、有機質、有效磷、速效鉀、堿解氮與土壤屬性指標變量之間的關系，選擇與預測變量之間具有較高相關性的自變量作為輔助變量用以提高預測精度[4]?！颈狙芯壳腥朦c】將影響因子作為輔助變量結合空間插值方法對土壤重金屬進行空間預測是目前的研究熱點。已有研究雖對土壤重金屬的影響因子進行了分析，但主要圍繞單個或少數幾個連續數值型影響因子探討，對于某些類別型影響因子尚缺乏綜合全面的分析，同時也沒有闡明各影響因子的相對重要程度和交互作用特征[5]。因此，對空間插值中輔助變量的選擇研究仍有待完善。為了更加全面分析土壤重金屬與影響因子相關性及其交互作用，為空間插值方法選擇更佳的輔助變量，本研究利用地理探測器模型進行探測分析。該方法最大的優勢在于沒有過多的假設條件與約束，具有普適性，能有效地克服傳統統計分析方法處理類別變量的局限性[6]，并能快速、經濟、有效、客觀地探測出要素間的關系。如WANG等利用地理探測器研究中國和順地區神經中樞缺陷疾病的致病因子[7]；楊忍等利用地理探測器模型對中國村莊空間分布影響因子進行探測識別，同時解析鄉村空間優化重組背景和模式[8]；周磊等利用地理探測器模型研究京津冀PM2.5的污染風險因素[9]。【擬解決的關鍵問題】本研究利用地理探測器模型研究土壤重金屬與影響因子之間及土壤重金屬元素之間的相關性和交互作用，嘗試解決以往研究方法在影響因子選擇和處理上的選擇度不高的問題，為土壤重金屬空間預測模型中輔助變量的選擇提供更加全面的分析和解釋。

1 材料與方法

1.1 研究區域概況

湘潭縣位于湖南省中部偏東，湘江下游西岸，衡山北麓，長衡丘陵盆地北段，北緯27°20′—28°05′，東經112°25′—113°03′，屬亞熱帶季風濕潤氣候，冬夏兩季長，春秋兩季短，雨水集中，光、溫、水空間分布差異小，具有明顯的大陸性氣候特征。2013年湘潭縣GDP增速為12.2%，第一、二、三產業的比重為分別為18.9%、52.1%、29%，以第二產業為主。研究區域選擇湖南省湘潭縣中部的5個鄉鎮，分別為楊嘉橋鎮、河口鎮、易俗河鎮、梅林橋鎮和譚家山鎮，該區域內的農田灌溉水源主要來自湘江水及其支流水域，且人口密度大，路網密布，工業發達，歷史上農田環境污染較重。

1.2 數據來源

為獲取有代表性的農田土壤樣品，按照NY/T 395—2000《農田土壤環境質量監測技術規范》[10]的規定確定監測單元，采用簡單隨機的布點方法，以能代表監測區農田土壤環境質量為原則，同時考慮農田周圍的河流、工廠和建設用地等情況，基本覆蓋研究區內的主要農田。在作物生長期內采集0—20 cm耕層土壤，共789個采樣樣品。每個樣品在采集過程中，都采用了GPS定位。土壤在室內風干，磨碎后過100目尼龍網篩，用來測定各重金屬元素。土壤樣品經HNO3-HCl-H2O2消解測定其Hg、As、Pb、Cd和Cr含量，采用原子吸收光譜儀分析消解液中重金屬含量[11]。研究區內農田和采樣數點的空間分布如圖1所示。

圖1 研究區農田和土壤采樣點空間分布圖

根據土壤中重金屬的來源分析和土壤本身的特點，并考慮到易獲取程度，本研究選擇的影響因子為土壤pH、土壤類型、平均氣溫、平均相對濕度、高程數據和GDP。其中土壤pH、土壤類型為點數據，來源于2014年農業行業科研專項項目數據，與789個土壤采樣點來源相同且以點為單位一一對應；平均氣溫、平均相對濕度、高程數據和GDP數據均來源于國家科技基礎條件平臺—國家地球系統科學數據共享平臺（http://www.geodata.cn）。平均氣溫和平均相對濕度數據集利用NCEP/NCAR全球氣候再分析資料中國區域氣候要素數據及MODIS NDVI和DEM數據，將分辨率較低的NCEP/NCAR氣候要素數據降尺度到1 km分辨率，提取2014年湘潭縣1 km柵格逐年氣候數據集；高程數據是將SRTM原始數據利用Matlab轉換成ArcGIS能讀取的GRID格式，對34個分區分塊的數據進行拼接，提取出研究區域的1 km空間分辨率的高程數據；GDP數據是在綜合分析了人類活動形成的土地利用格局與GDP的空間互動規律的基礎上，建立分產業（一、二、三產業） GDP數量與土地利用類型的空間相關性模型。利用該模型對GDP分縣統計數據空間化，從而生成1 km網格的GDP空間分布數據。

1.3 地理探測器

地理探測器主要被用來分析土壤采樣點中的5種重金屬Pb、Cd、As、Cr和Hg與所選6種影響因子的相關性以及多種影響因子交互作用。主要是因為地理探測器q值具有明確的物理含義，沒有線性假設，客觀地探測出自變量解釋了100×q%的因變量[12]。為了更加全面地分析土壤采樣點中重金屬與所選影響因子之間的相關關系，本研究應用地理探測器中的風險探測器、因子探測器、生態探測器和交互作用探測器[13]。

風險探測器主要用于探測影響因子對土壤重金屬是否具有風險性，用統計量來檢驗：

因子探測器是探測某因子多大程度上解釋了屬性的空間分異，用因子的解釋力P進行判斷，P的值域為[0,1]，P的值越大，表明目標屬性的空間分異性越明顯。P計算公式為：

式2中，1,...,為變量或因子的分層，即分類或分區；N和分別為層和全區的單元數；和分別為層內方差之和和全區總方差。為影響因子，為目標土壤重金屬含量的空間變化值，P為對的解釋力。

生態探測器用于比較影響因子1和2對目標屬性的空間分布的影響是否有顯著的差異，以統計量來衡量：

式4中，N1及N2分別表示兩個因子1和2的樣本量；SSW1和SSW2分別表示由1和2形成的分層的層內方差之和；1和2分別表示變量1和2分層數目。其中零假設0：SSW1=SSW2。如果在的顯著性水平上拒絕0，則表明兩因子1和2對目標屬性的空間分布的影響存在著顯著的差異。

交互作用探測器是探測風險因子之間是否具有相互作用，判斷公式如下：

協同：P(D∩D)> P(D)或P(D)

雙協同：P(D∩D)> P(D)和P(D)

非線性協同：P(D∩D)> P(D)+P(D)

拮抗：P(DD)＜P(D)+P(D)

單拮抗：P(DD)＜P(D)或P(D)

非線性拮抗：P(DD)＜P(D)和P(D)

相互獨立：P(D∩D)= P(D)+P(D)

由于進行風險分析時，對于面數據，自變量即土壤重金屬含量和因變量即影響因子的空間粒度是不同的，因此首先對面數據，例如平均氣溫、相對濕度、高程數據和GDP數據進行直接等分離散化，再將其與分布疊加，然后利用ArcGIS軟件提取每個離散點上的因變量與自變量值（）；對于點數據，包括土壤pH和土壤類型數據與土壤重金屬采樣點數據相對應，可以直接將這些點數據導入到地理探測器軟件中進行計算。

地理探測器的具體實現采用GeoDetector軟件（http://www.geodetector.org/），該軟件使用步驟包括數據采集與整理、讀入樣本（）數據、分析結果三部分。對于輸入的面數據和點數據需要做匹配處理，連續型屬性需要做離散化處理。軟件運行結果主要包括4個部分：比較不同影響因子對土壤采樣點中的目標重金屬含量的空間分異性影響是否顯著；影響因子對土壤采樣點中的目標重金屬含量的空間分異性的解釋力；不同的影響因子對目標重金屬含量的空間分異性的影響是否具有顯著差異；以及這些影響因子對目標重金屬含量的空間分異性影響的交互作用。

2 結果

2.1 土壤重金屬空間分布特征

根據2014年對湘潭縣5個鄉（鎮）的土壤重金屬789個采樣點數據，利用ArcGIS軟件對5種土壤重金屬進行反距離插值處理，得到該區域5種土壤重金屬的空間分布圖（圖2）。

如圖2所示，研究區東部和北部土壤重金屬As、Cd、Pb和Hg元素含量明顯高于其他區域，呈現從西向東逐漸增加趨勢。其中Hg含量較高的區域為湘江邊上及東部工業發達區。土壤重金屬元素Cr在南部區域的含量較高，且沿著國道有一定帶狀趨勢。對Cr含量最高的區域進一步研究發現，此區域有國道與多條公路交錯，交通發達，有豐富的礦石資源和多家化工企業，Cr的來源很有可能與此有關。土壤重金屬可來源于土壤成土母質、污水灌溉、工業污染源排放、含重金屬劣質化肥農藥的使用和大氣降塵等[14]。從土壤重金屬元素與社會因子的直觀相關性分析來看，研究區東部和北部是人口密集區，路網密布，工業發達，人類活動頻繁，可能對農田土壤重金屬的富集帶來一定影響。

2.2 土壤重金屬含量影響因子分析

2.2.1 風險探測 風險探測器揭示了各影響因子內部不同類別分區間的顯著性差異。本研究引入了多種較易獲取的影響因子，包括土壤pH、土壤類型、平均氣溫、相對濕度、高程數據和GDP數據。各影響因子的空間分布如圖3所示。

在地理探測器計算中可以直接利用采樣點中的土壤重金屬數據，不需要再做離散化處理。對于影響因子中高程、平均氣溫等面數據，在提取影響因子在每個采樣點上的數值的基礎上，將每個采樣點的5種土壤重金屬Pb、Cd、As、Cr、和Hg分別作為目標屬性1、2、3、4、5和6，6種影響因子分別作為自變量16，最后將每一條（）記錄輸入到GeoDetector中計算得到各因子的探測結果。探測結果表明，所有影響因子均存在差異性，說明所研究的影響因子對土壤重金屬的空間分布具有風險性。

2.2.2 因子探測 利用因子探測器探測影響因子分別對5種土壤重金屬元素的相對重要性，即各影響因子對每種重金屬元素作為目標屬性的解釋力P值（圖4）。

結果表明，影響因子對5種土壤重金屬的解釋力P,H既有一致性，又有差異性。GDP、平均溫度和相對濕度對5種土壤重金屬解釋力較大（P值均在0.5以上）?？赡苁怯捎贕DP體現了工業發達程度，而工業排放是土壤重金屬的重要來源。而平均溫度和相對濕度可能從多個方面影響土壤重金屬，例如通過影響成土母質的形成或土壤重金屬的遷移和轉化來間接影響土壤重金屬的含量。土壤pH、土壤類型、高程對土壤重金屬的解釋力較小（P值均在0.3以下），其中土壤類型對于5種土壤重金屬的解釋力最低（P值均在0.1以下）。高程對Cr的解釋力明顯大于其對Pb、Cd、Hg和As的解釋力，可能是由于Pb、Cd、As和Hg主要來源于人為干擾輸入，而Cr生成和遷移過程受地勢影響較大。

圖2 5種土壤重金屬空間分布圖

本研究除了對影響因子進行因子探測，同時也對5種土壤重金屬之間的解釋力進行了探測，探測結果如圖5所示。

圖5結果表明，5種土壤重金屬之間均有不同強弱的相關性。其中Cr對Cd的解釋力最強，P值達到0.95，然而Cd對Cr的解釋力相對較小，P值僅為0.24，表明Cr對Cd的影響要明顯大于Cd對Cr的影響，可能是由于土壤中的Cr主要來源于巖石風化和工業廢水，而Cd來源除了工業三廢外，還有不合理的農藥和化肥等的使用，相比Cr來源更加廣泛。As對Cd的解釋力最小，PD,H值僅為0.20，而Cd對As的解釋力為0.43，表明As與Cd之間的相關性較弱。其他土壤重金屬之間的相關性均較為顯著。

2.2.3 生態探測 生態探測著重比較P值的大小來探索一個影響因子對土壤重金屬的影響是否比另一個影響因子大，即相對重要性是否顯著，若顯著，則記為Y，否則記為N。以Pb為例，生態探測結果如表1所示。

圖3 影響因子空間分布圖

由表1可知，采用顯著性水平為0.05的檢驗。經檢驗，平均溫度、相對濕度和GDP對Pb的影響與其他影響因子存在顯著差異，而其他影響因子之間的解釋力差異并不顯著。

2.2.4 交互探測 環境中土壤重金屬的空間分布是由多種影響因子共同作用的結果。在實際環境中，也不可能存在單一因子或者單一性質的因素影響重金屬的分布和變化。利用交互作用探測器探測影響因子對重金屬元素空間分布變化的交互作用。對Pb元素而言，不同因子之間的交互作用強弱不同，有顯著性差異（表2）。

對于目標土壤重金屬各影響因子之間主要是雙協同作用和非線性協同作用，不存在相互獨立起作用的因子。平均氣溫、相對濕度和GDP對Pb均為雙協同作用，其余影響因子對Pb均為非線性協同作用。GDP可以增強自然因子對土壤重金屬空間分布變化的解釋力，說明人類活動對土壤重金屬的空間變化有一定影響。

表1 Pb生態探測結果

圖4 各影響因子對5種土壤重金屬的解釋力PD,H值

圖5 5種土壤重金屬之間的解釋力對比

本研究還對5種土壤重金屬元素之間的交互作用進行了交互探測。交互探測結果表明，除了影響因子之間存在交互作用，5種土壤重金屬元素之間同樣存在一定交互作用。以Pb為目標屬性，則其余4種土壤重金屬之間的交互作用均為雙協同作用，無非線性協同作用。以Cd為目標屬性，則Pb∩Cr、As∩Cr、Cr∩Hg為雙協同作用，其余為非線性協同作用；以As為目標屬性，則除Cd∩Hg為非線性協同作用外，其余均為雙線性協同作用；以Cr為目標屬性，則其余4種土壤重金屬之間的交互作用均為非線性協同作用；以Hg為目標屬性，則Cd∩As和As∩Cr為非線性協同作用，其余均為雙協同作用。土壤重金屬之間的交互作用從一定程度上可以反映土壤重金屬的復合污染狀況。土壤重金屬的污染往往是多種重金屬元素共同作用形成的。Pb和Cd之間為雙線性協同作用，很有可能是Pb和Cd具有相同污染源，如污水灌溉等。通過重金屬元素之間的交互作用，可以推測它們污染來源的關系，進一步確定污染源頭。

表2 不同影響因子對土壤重金屬元素Pb影響的交互作用

表2中主對角線的值為影響因子單獨作用的P值，其余數值為影響因子交互作用后的P值

The values of the main diagonal in Table 2 are thePvalues of the effector alone, and the remaining values are thePvalues after the interaction of the Influence factors

2.2.5 地理探測器與Pearson相關系數對比分析

土壤重金屬與影響因子之間的相關分析最常用的方法是Pearson相關系數。以重金屬Pb為例，分別利用地理探測器和Pearson相關系數分析方法對Pb和6種影響因子進行相關性分析，結果如圖6所示。

圖6 地理探測器和Pearson分析Pb與影響因子相關性結果對比

從圖6對比結果中發現，兩種方法得到的結果有一定的相似性和差異性。相似性體現在兩種方法均可以得到6種影響因子與Pb的相關性強弱的排序結果，差異性體現在兩種方式獲得的排序結果有差異。例如Pearson相關分析結果顯示高程和土壤pH與Pb成負相關，而地理探測器相關分析結果并無負相關。這也說明了兩種方法在相關分析方面的差異性。Pearson相關系數分析方法主要是衡量土壤重金屬與影響因子之間的線性關系，同時可以根據相關系數的正負來判斷影響因子與土壤重金屬是屬于正相關還是負相關。而地理探測器模型探測的是土壤重金屬與影響因子之間的關聯性，既包括線性關系，也包含非線性關系。如果Pearson相關系數不顯著，表明土壤重金屬與影響因子之間沒有明顯線性關系，但是不代表沒有非線性關系。因此，從這個角度來看，地理探測器的相關分析結果可能更全面，更符合空間數據的特點。

3 討論

3.1 土壤重金屬空間特征與建模策略

土壤重金屬空間數據探索性分析結果表明土壤重金屬具有空間異質性，與諸多研究結果一致。產生空間分異性的原因是多樣的，可能由于各層（類）的機理、因子或者主導因子不同導致不同的空間分異性。因此在數據分析開始時，應當首先進行空間異質性檢驗，確定是使用全局模型還是局域模型，是使用全局變量還是使用局域變量，是使用全局參數還是局域參數。用全局模型分析具有異質性的對象將掩蓋對象的異質性，被混雜效應所干擾，甚至導致錯誤的結論[12]，不同的對象性質對應不同的建模策略。經檢驗，本研究中的5種土壤重金屬均有較強的空間異質性，符合地理探測器的適用條件。本研究通過對湘潭縣域5種土壤重金屬與6種影響因子分別進行風險探測、因子探測、生態探測和交互作用探測，得到與目標重金屬有較強相關性的影響因子。在土壤重金屬空間預測模型的建立中，既可以直接選擇這部分影響因子作為輔助變量，也可以根據不同的對象性質和研究目的為土壤重金屬空間預測模型選擇不同的建模策略。選擇多種影響因子作為輔助變量時，要考慮多個影響因子對土壤重金屬的交互作用，使得選擇的參數更加準確合理。

3.2 多因子相關性分析問題

在多影響因子研究中，需要去除多個影響因子之間的冗余性和共線性。例如本研究中的平均氣溫、高程和相對濕度存在一定的共線性。在以往的研究中，為了有效的避免多重共線性問題，需要利用主成分分析方法對影響因子進行降維處理，而地理探測器在原理上解決了影響因子“多重共線”問題，而不局限于經典統計學預先指定的相乘或者單純相加的模式，且具有更好的解釋性。土壤重金屬的空間分布是由多種影響因子共同作用的結果，不存在相互獨立起作用的因子。對多個影響因子的選擇上，根據影響因子的P值大小選擇合理數量的影響因子作為土壤重金屬預測模型中的輔助變量。

4 結論

4.1 風險探測器結果表明影響因子對土壤重金屬存在風險性；因子探測器揭示了影響因子對5種土壤重金屬的解釋力P的一致性和差異性。土壤重金屬空間數據探索性分析結果表明，土壤重金屬具有空間異質性。交互作用探測證明了土壤重金屬的空間分布是由多種影響因子共同作用的結果，不同因子之間的交互作用強弱不同，有顯著性差異。其中平均溫度、GDP和相對濕度3種影響因子對5種土壤重金屬的相關性較強。除了影響因子之間存在交互作用，5種土壤重金屬元素之間同樣存在雙協同作用和非線性協同作用。土壤重金屬之間的交互作用與土壤重金屬的復合污染狀況有一定聯系。

4.2 不同影響因子對于土壤重金屬的影響程度不同。在對土壤重金屬與影響因子的相關性分析中，地理探測器有效地利用影響因子以及土壤重金屬之間的交互作用，可以更加全面的分析和評估各影響因子對土壤重金屬的影響，在研究空間數據的相關性和交互作用方面比經典的統計方法適用范圍更廣。

[1] 張景雄. 空間信息的尺度、不確定性與融合. 武漢: 武漢大學出版社, 2008: 116-118.

ZHANG J X.Wuhan: Wuhan University Press, 2008: 116-118. (in Chinese)

[2] 張仁鐸. 空間變異理論及應用. 北京: 科學出版社, 2005: 57-72.

ZHANG R D.. Beijing: Science Press, 2005: 57-72. (in Chinese)

[3] 章清, 張海濤, 郭龍, 杜佩穎, 李林蔚, 李銳娟, 唐曉霏. 基于主成分分析的協同克里格插值模型對土壤銅含量的空間分布預測. 華中農業大學學報, 2016, 1: 60-68.

ZHANG Q, ZHANG H T, GUO L, DU P Y, LI L W, LI R J, TANG X F. Collaborative kriging interpolation model based on principal component analysis of the spatial distribution of soil Cu content prediction., 2016, 1: 60-68. (in Chinese)

[4] 郭龍, 張海濤, 陳家贏, 李銳娟, 秦聰. 基于協同克里格插值和地理加權回歸模型的土壤屬性空間預測比較. 土壤學報, 2012, 49(5): 1037-1042.

GUO L, ZHANG H T, CHEN J Y, LI R J, QIN C. Comparison between co-kriging model and geographically weighted regression model in spatial prediction of soil attributes.2012, 49(5): 1037-1042. (in Chinese)

[5] 孫波, 宋歌, 曹堯東. 丘陵區水稻Cu污染空間變異的協同克里格分析. 農業環境科學學報, 2009, 5: 865-870.

SUN B, SONG G, CAO Y D. Spatial variability of hilly rice Cu pollution collaborative kriging analysis., 2009, 5: 865-870. (in Chinese)

[6] 朱鶴, 劉家明, 陶慧,李玏, 王潤. 北京城市休閑商務區的時空分布特征與成因. 地理學報, 2015, 70(8): 1215-1228.

ZHU H, LIU J M, TAO H, LI L, WANG R. Temporal-spatial pattern and contributing factors of urban RBDs in Beijing., 2015, 70(8): 1215-1228. (in Chinese)

[7] Wang J F, Li X H, Christakos G, LIAO Y L, ZHANG T, GU X, ZHENG X Y. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China., 2010, 24(1):107-127.

[8] 楊忍, 劉彥隨, 龍花樓, 王洋, 張怡筠. 中國村莊空間分布特征及空間優化重組解析. 地理科學, 2016, 36(2): 170-179.

YANG R, LIU Y S, LONG H L,WANG Y, ZHANG Y Y. Chinese village space distribution characteristics and spatial optimization reorganization analysis., 2016, 36(2): 170-179. (in Chinese)

[9] 周磊, 武建軍, 賈瑞靜, 梁念, 張鳳英, 倪永, 劉明. 京津冀PM_(2.5)時空分布特征及其污染風險因素. 環境科學研究, 2016(4): 483-493.

ZHOU L, WU J J, JIA R J, LIANG N, ZHANG F Y, NI Y, LIU M. Beijing-Tianjin-Hebei PM_(2.5) in time and space distribution characteristics and its pollution risk factors., 2016(4): 483-493. (in Chinese)

[10] 農業部環境監測總站. NY/T 395-2000 農田土壤環境質量監測技術規范[S]. 北京: 中國標準出版社, 2000.

Ministry of Agriculture Environmental Monitoring Station. NY/T 395-2000 Procedural regulations regarding the environment quality monitoring of soil [S]. Beijing: China standard press, 2000. (in Chinese)

[11] 羅娜, 陸安祥, 王紀華. 基于空間插值的土壤重金屬污染評估分析系統設計與實現. 食品安全質量檢測學報, 2016, 7(2): 497-504.

LUO N, LU A X, WANG J H. Based on the spatial interpolation of soil heavy metal pollution assessment analysis system design and implementation., 2016, 7(2): 497-504. (in Chinese)

[12] 王勁峰, 徐成東. 地理探測器：原理與展望. 地理學報, 2017, 72(1): 116-134.

WANG J F, XU C D. Geographical detector: principle and prospect., 2017, 72(1): 116-134. (in Chinese)

[13] HU Y, WANG J, LI X, REN D, ZHU J. Geographical detector-based risk assessment of the under-five mortality in the 2008 Wenchuan earthquake, China.,2011, 6(6): 2592-2599.

[14] 吳塹虹, 戴塔根, 方建武, 張建新, 邢旭東, 郭定良. 長沙、株洲、湘潭三市土壤中重金屬元素的來源. 地質通報, 2007, 26(11): 1453-1458.

WU Q H, DAI T G, FANG J W, ZHANG J X, XING X D, GUO D L. Changsha, Zhuzhou and Xiangtan city, the source of heavy metals in soil., 2007, 26(11): 1453-1458. (in Chinese)

[15] 肖小平, 彭科林, 周孟輝. 城市郊區水稻土重金屬污染狀況調查與評價——以湘潭市郊響水鄉為例. 中國生態農業學報, 2008, 16(3): 680-685.

XIAO X P, PENG K L, ZHOU M H. City suburbs paddy soil heavy metal pollution condition investigation and evaluation - A case study of Xiangshui Township in Xiangtan Suburb., 2008, 16(3): 680-685. (in Chinese)

[16] 劉建國. 水稻品種對土壤重金屬鎘鉛吸收分配的差異及其機理[D]. 揚州: 揚州大學, 2004.

LIU J G. Rice varieties of soil heavy metal cadmium lead absorption differences in distribution and its mechanism[D]. Yangzhou: Yangzhouuniversity, 2004. (in Chinese)

[17] 于佳, 劉吉平. 基于地理探測器的東北地區氣溫變化影響因素定量分析. 湖北農業科學, 2015, 54(19): 4682-4687.

YU J, LIU J P. Based on geographical probe temperature in northeast China influence factors of quantitative analysis., 2015, 54(19): 4682-4687. (in Chinese)

[18] 丁悅, 蔡建明, 任周鵬, 楊振山. 基于地理探測器的國家級經濟技術開發區經濟增長率空間分異及影響因素. 地理科學進展, 2014, 33(5): 657-666.

DING Y, CAI J M, REN Z P, YANG Z S.State-level economic and technological development zone based on geographical detector growth space differentiation and influencing factors., 2014, 33(5): 657-666. (in Chinese)

[19] 徐秋蓉, 鄭新奇. 一種基于地理探測器的城鎮擴展影響機理分析法. 測繪學報, 2015(S1): 96-101.

XU Q R, ZHENG X Q. Based on urban expansion influence mechanism of the geographical probe analysis., 2015(S1): 96-101. (in Chinese)

[20] Li F Z, ZHANG F, Li X, WANG P, LIANG J H, MEI Y T, CHENG W W, QIAN Y. Spatiotemporal patterns of the use of urban green spaces and external factors contributing to their use in central Beijing., 2017, 14: 237.

[21] WANG J J, MA J J, LIU J P , ZENG D J, SONG C, CAO Z D. Prevalence and risk factors of comorbidities among hypertensive patients in China., 2017, 14(3): 201-212.

[22] WANG Y, WANG S J, Li G D, ZHANG H G, JIN L X, SU Y X, WU K M. Identifying the determinants of housing prices in China using spatial regression and the geographical detector technique., 2017, 79 (2017): 26-36.

[23] 國家環境保護總局. 土壤環境監測技術規范: HJ/T 166-2004. 北京:中國環境科學出版社, 2004: 35-45.

The State Environmental Protection Administration.Soil Environmental Monitoring Technical SpecificationHJ/T 166-2004. Beijing: China Environmental Science Press, 2004: 35-45. (in Chinese)

[24] 彭曉春, 陳志良, 董家華, 楊兵. 長株潭城市群的土壤重金屬分布特征. 貴州農業科學, 2011(9): 213-216.

PENG X C, CHEN Z L, DONG J H, YANG B. The soil heavy metal distribution characteristics of Changsha-Zhuzhou-Xiangtan urban agglomeration.2011(9): 213-216. (in Chinese)

[25] 岳建華. 長株潭城市群土壤pH與重金屬污染的研究. 中國農學通報, 2012, 28(2): 267-272.

YUE J H. Soil pH of Changsha-Zhuzhou-Xiangtan urban agglomeration and heavy metal pollution research., 2012, 28(2): 267-272. (in Chinese)

[26] 郭雯. 湘潭市酸雨污染狀況、化學組成及其防治對策. 環境科學導刊, 2007, 26(5): 63-66.

GUO W. Xiangtan acid rain pollution condition, chemical composition and its countermeasures., 2007, 26(5): 63-66. (in Chinese)

[27] 鐘曉蘭, 周生路, 黃明麗, 趙其國. 土壤重金屬的形態分布特征及其影響因素. 生態環境學報, 2009, 18(4): 1266-1273.

ZHONG X L, ZHOU S L, HUANG M L, ZHAO Q G. The configuration of soil heavy metal distribution characteristics and influencing factors., 2009, 18(4): 1266-1273. (in Chinese)

[28] 龍永珍, 戴塔根, 鄒海洋. 長沙、株洲、湘潭地區土壤重金屬污染現狀及評價. 地球與環境, 2008, 36(3): 231-236.

LONG Y Z, DAI T G, ZOU H Y. Changsha, Zhuzhou and Xiangtan area of soil heavy metal pollution and assessment., 2008, 36(3): 231-236. (in Chinese)

[29] 陸安祥, 王紀華, 潘瑜春, 馬智宏, 趙春江. 小尺度農田土壤中重金屬的統計分析與空間分布研究. 環境科學, 2007, 28(7): 1578-1583.

LU A X, WANG J H, PAN Y C, MA Z H, ZHAO C J. Small scale statistical analysis and spatial distribution of heavy metals in soil research., 2007, 28(7): 1578-1583. (in Chinese)

[30] 羅娜, 陸安祥, 王紀華. 基于Flex和REST服務的產地重金屬安全等級WebGIS系統開發——以湖南省湘潭縣為例. 農產品質量與安全, 2016, 1: 67-72.

LUO N, LU A X, WANG J H. Based on Flex and REST services WebGIS system development, the origin of heavy metal security levels in Xiangtan county of Hunan province, for example., 2016, 1: 67-72. (in Chinese)

[31] 荊文龍, 楊雅萍. 中國1 km柵格年平均氣候要素數據集（2000-2010年）. 國家地球系統科學數據共享平臺, 2014.

JING W L, YANG Y P. China 1 km grid average annual climate data sets (2000-2010). National Earth System Science Data Sharing Platform, 2014. (in Chinese)

[32] 《中國1﹕100萬土地資源圖》編圖委員會, 中國科學院、國家計劃委員.《中國1﹕100萬土地資源圖》. 北京: 中國人民大學出版社, 1991年.

Figure 1:1 Million Land Resources in China Compilation Committee of the Chinese Academy of Sciences, National Planning Committee Members..Beijing: The Chinese People's University Press, 1991. (in Chinese)

[33] 石玉林. 中國土地資源圖集. 北京: 中國大地出版社, 2006.

SHI Y L.. Beijing: China Land Publishing House, 2006. (in Chinese)

[34] 王新, 梁仁祿, 周啟星. Cd-Pb復合污染在土壤-水稻系統中生態效應的研究. 農村生態環境, 2001, 17: 41-44.

WANG X, LIANG R L, ZHOU Q X. Study on ecological effects of Cd-Pb combined pollution in soil-rice system., 2001, 17: 41-44. (in Chinese)

（責任編輯 李云霞）

Influence Factor Analysis of Farmland Soil Heavy Metal Based on the Geographical Detector

LI Yu1,2, HAN Ping2, REN Dong1, LUO Na2, WANG JiHua1,2

(1Computer and Information College of Three Gorges University, Yichang 443002, Hubei;2Beijing Research Center for Agricultural Standards and Testing, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097)

To study the correlation between soil heavy metals and influencing factors and heavy metals in different soils, as well as to provide a more comprehensive auxiliary variable for soil heavy metal spatial prediction model.The spatial distributions of heavy metals Pb, Cd, As, Cr and Hg in five soils in five towns of Xiangtan County, Hunan Province were analyzed by using the geophysical model and the spatial interpolation technique. The correlation and interaction of spatial distributions of heavy metals and 6 factors, as well as that of five heavy metals, were studied.The results showed that Gross Domestic Product (GDP), the average temperature and relative humidity had a greater explanatory power to the five kinds of soil heavy metals to (Pvalues are above 0.5). Soil pH, soil type, elevation and soil heavy metals were less explanatory (Pvalues below 0.3). The soil type had the lowest explanatory power to five kinds of soil heavy metals (Pvalues were below 0.1). Among the five soil heavy metals, Cr has the strongest explanatory effect on Cd (P= 0.95), and As is the least (P= 0.20). The effects of average temperature, relative humidity and GDP on soil heavy metals were significantly higher than those of other Influence factors, while the difference of explanatory power between other influence factors was not significant. There are mutually reinforcing or non-linear enhancement effects between the Influence factors and between the five heavy metal elements.The spatial distribution of heavy metals in soil is the result of the interaction of multiple influence factors. Based on the geographical exploration model, the Influence factors, such as GDP, average precipitation, average temperature and relative humidity, have strong explanatory power for the spatial distribution of heavy metals of research area in soils. These influence factors can be used as the soil heavy metal space in the study area predictive model of the auxiliary variable. Geographic detector model can provide a more comprehensive analysis of various influence factors, and provide an effective basis for the establishment of soil heavy metal spatial prediction model.

geographical detector; soil heavy metal; influence factor; correlation analysis; interaction

2017-06-05；接受日期：2017-09-12

國家公益性行業（農業）科研專項（201403014-04）國家高技術研究發展計劃項目（2013AA102302）

李雨，Tel：18230062821；E-mail：liyu1127641712@163.com。通信作者王紀華，Tel：010-51503488；E-mail：wangjh@nercita.org.cn