克里雅綠洲淺層地下水與土壤特征的局部空間關系

黃 玲, 瓦哈甫·哈力克, 盧龍輝

(1.新疆大學資源與環境科學學院; 2.新疆大學綠洲生態教育部重點實驗室;3.新疆大學旅游學院，新疆 烏魯木齊 830046)

水是干旱區最關鍵的生態環境因子[1]，并且，干旱區直接影響植被生長的土壤水分和鹽分與地下水密切相關[2]。水土關系的不平衡可能導致鹽漬化等類型的土地退化。鹽漬化作為影響生態環境的重要因素[3]，將直接決定生態系統的生產力、水分與能量的平衡交替[4]。深入研究干旱區水土空間關系，對維持綠洲系統的穩定性與安全具有重要意義。

在水土研究的初期，水土相互影響的研究主要以定性的總體分析為主(1994-2002年)[5-6]。隨著定量方法的發展，以及空間數據處理技術的進步，插值方法與經典統計方法被引入水土關系的研究(2007-2012年)[7-10]。近年來，對水土關系的研究開始綜合不同的分析方法，如經典統計分析、插值法、地統計方法(Moran’I)、耦合模型等(2014-2016年)[11-14]。在水土關系研究方法不斷改進的過程中，空間插值法被廣泛應用，IDW(Inverse Distance Weighted，反距離權重法)[15]、RBF(Radial Basis Function，徑向基函數法)[16]、普通克里格法(Ordinary Kriging)[17]方法已被眾多地理學者認可。統計分析方面，主要運用全局尺度相關分析，如經典統計方法(回歸等)、Pearson’s相關分析及地統計方法。但目前對于局部尺度相關分析的研究還不多見。遙感技術、空間統計方法、地理信息技術的發展為水土關系分析提供了有力工具，尤其是GWR(Geographically Weighted Regression，地理加權回歸)在探索變量間相互關系的異質性和空間自相關方面有明顯優勢[18-20]。如果能夠同時運用全局尺度與局部尺度統計分析，且綜合地理信息技術在空間上區分相關性的異質特征，將對淺層地下水特征與表層土壤特征間相互關系的研究有很大助益。

克里雅綠洲作為典型的干旱區綠洲區域，進行干旱化與鹽漬化的研究非常迫切，尤其在探討區域水土特征關系方面。本研究通過遴選最優插值方法，借助網格單元法，嘗試在結合傳統統計方法與空間統計方法的基礎上，重點研究全局尺度統計與局部尺度統計在水土空間數據分析上的應用，為進一步研究淺層地下水特征與表層土壤特征的相互影響奠定基礎。

1 研究區概況

克里雅綠洲位于中國新疆南部，隸屬于和田地區于田縣，地理位置為81°09′～82°51′E、35°14′～39°29′ N，地處克里雅河流域山前平原區域，位于塔克拉瑪干沙漠與喀拉昆侖山之間。克里雅河自南向北貫穿綠洲，多年平均徑流量為6.99×108m3[15]，占綠洲水資源利用總量的82.1%。克里雅綠洲屬于暖溫帶大陸干旱荒漠氣候，多年平均降水量為47.7 mm[16]，多年平均蒸發量為2 432.1 mm，降水稀少而蒸發量大。

2 數據與研究方法

通過在綠洲區域內均勻分布的24個觀測井(見圖1)內安裝水位深度記錄儀/監測儀(HOBO U20-001-02)與電導率測量記錄儀(HOBO U24-002-C)進行地下水數據采集，間隔為1次/h。通過在觀測井附近1m范圍內安裝土壤水分傳感器(ECH2O 5TE)與五通道土壤數據采集器(EM50)進行表層(0～20、20～40、40～60、60～80、80～100 cm共五層)土壤數據采集，間隔為1次·h-1。

本研究獲取到2015年全年地下水與表層土壤實測數據。考慮到表層土壤0～20 cm處為土壤鹽分的主要影響層[19]，本研究主要分析表層(0～20 cm)土壤特征數據。排除突變數據及無效數據后，計算地下水埋深、地下水電導率、表層土壤含水率、表層土壤電導率4個指標的年平均值。通過SPSS 19.0進行對數轉換，運用ArcGIS 10.0中三種較為常用的空間插值方法(普通克里格法、IDW、RBF)分析最優的地下水與表層土壤特征插值方法，并進行交叉驗證及精度檢驗(ME平均誤差、RMSE均方根誤差)。本研究運用網格單元法(Grid Cell Method)對空間插值預測結果進行網格化處理(1 km×1 km)，通過Pearson’s相關系數分析4個指標間在總體上的統計相關。通過GWR(地理加權回歸)與OLS(最小二乘法)模型精度對比分析最優的局部空間相關模型，研究地下水與表層土壤4個指標間在局部上的空間統計相關。

圖1 研究區位置、井位分布圖Fig.1 Location of the study area and distributionof sampling wells

3 結果與分析

3.1 最優空間插值方法與預測結果分析

對地下水埋深、地下水電導率、土壤含水率、土壤電導率數據均進行3次不同方法(普通克里格法、IDW、RBF)的空間插值(對比結果見表1)。RBF插值法擬合地下水埋深、表層土壤電導率精度最高，IDW法擬合地下水電導率的精度優于其它兩種方法，表層土壤含水率更適于采用普通克里格法。三種插值方法采用對數轉換后數據的精度普遍優于采用原始數據的精度(ME與RMSE更小[17])，但普通克里格法采用原始數據的精度更高，因此本研究將采用對數轉換后數據進行地下水埋深、地下水電導率、表層土壤電導率的空間分布預測，采用原始數據進行表層土壤含水量的空間分布預測。為獲得最優(精度最高)空間分布預測，本研究運用RBF法對地下水埋深、表層土壤電導率進行空間插值，IDW法對地下水電導率進行插值，普通克里格法對表層土壤含水率進行空間插值預測。

分析地下水埋深、地下水電導率、土壤含水率、土壤電導率的空間分布預測結果(見圖2)，結果顯示：不同指標表現出不同的空間分布特征。在綠洲區域內，地下水埋深跨度較大，變化范圍為0.65 ～13.69 m，平均埋深約2.33 m，由于海拔的影響，總體呈現由西北至東南逐漸增加的趨勢。由于河道與綠洲濕地的交替分布引起的地下水補給差異，地下水水位最高值位于綠洲西部濕地(龍湖濕地)區域以及東部稻田區域。地下水電導率總體由西南至東北依次呈現低-高-低的變化特征，平均電導率約為3.1 mS·cm-1。表層土壤電導率與表層土壤含水率呈現較為一致的分布特征，由綠洲西部至東部依次呈現低-高-低-次高的特征。表層土壤電導率與表層土壤含水率的兩個最高值基本出現在相同的區域，很可能與濕地的鹽分聚積效應有關。另外值得注意的是，受河流-地下水的動態相互補給過程的影響，沿河道一定范圍內的土壤含水率均較高而土壤電導率均較低。

表1 淺層地下水與表層土壤特征的最優空間插值方法

圖2 淺層地下水與表層土壤特征的空間分布預測Fig.2 Predicted spatial distribution for characteristics of shallow groundwater and surface soil

本研究運用ArcGIS 10.0的數據管理-要素類創建漁網工具，對土壤電導率、土壤含水率、地下水埋深、地下水電導率4個指標的插值結果(柵格數據)進行分級，將轉換的矢量面狀文件進行網格單元化，網格大小1 km×1 km，結果見圖3(以表層土壤電導率網格單元化為例)。

Pearson相關系數矩陣顯示了土壤電導率、土壤含水率、地下水埋深、地下水電導率網格單元數據之間的總體相關性大小(見表2)。土壤電導率與土壤含水率的線性相關程度達到0.850，表明土壤含水率對土壤鹽分的影響非常高，這與已有的研究結論相反[18]，可能由于克里雅綠洲典型的灌溉農業與干旱區蒸發量較大綜合作用導致土壤含水率越高洗鹽量也越高。土壤電導率與地下水埋深的線性相關系數為-0.459，與地下水電導率的相關系數為0.602，表明土壤電導率受地下水的影響較為明顯，地下水電導率與土壤電導率的相關程度更高。地下水電導率與埋深的相關系數為-0.474，基本與土壤電導率、埋深兩者的相關系數(-0.459)持平，表明地下水埋深對地下水電導率與土壤電導率的影響基本相同。所有相關系數均通過了顯著性檢驗，為極顯著水平。

圖3 網格單元化Fig.3 Results of grid cell method for predicted ECvalue of surface soil

Pearson’s系數Pearson’s correlation地下水埋深Groundwater level 地下水電導率Groundwater EC 表層土壤含水率Surface soil water content 表層土壤電導率Surface soil EC地下水埋深Groundwater level1地下水電導率Groundwater EC-0.474**1表層土壤含水率Surface soil water content-0.475**0.311**1表層土壤電導率Surface soil EC-0.459**0.602**0.850**1

注：**表示在0.01水平(雙側)上顯著相關。

Note: ** denotes the significance level ofP≤ 0.01.

3.3 GWR與OLS模型對比與局部尺度空間回歸分析

3.3.1 GWR與OLS模型對比及相關分析 對比GWR與OLS兩種空間回歸建模方法(見表3)，由于表層土壤電導率與表層土壤含水率存在很強的多重共線性，即存在較明顯的相同變化趨勢，采用OLS模型即可。其余指標間構建的模型對比結果顯示：采用GWR模型的校正R2均有較大提高，模型的解釋程度平均提升幅度為552%(R2越高變量解釋的程度越高[19])；除地下水埋深與地下水電導率所構建模型外，均為GWR模型的AICC值更低(AICC越低表明模型預測結果與實際結果越接近[20])。為更精確地研究局部空間相關，本研究對表層土壤電導率與表層土壤含水率構建OLS模型，對土壤電導率與地下水電導率、土壤電導率與地下水埋深、地下水電導率與地下水埋深構建GWR模型。在空間上，對于表層土壤電導率，表層土壤含水率可以解釋63.1%的變化，地下水電導率可以解釋78.9%的變化，地下水埋深可以解釋49.5%的變化；對于地下水電導率，地下水埋深可以解釋61.4%的變化。

3.3.2 局部尺度空間回歸結果在空間的異質性 OLS模型結果的估計、殘差參數與GWR模型結果的局部回歸系數、LocalR2見圖4～圖7。相比土壤電導率與土壤含水率的Pearson’s相關系數為極顯著的0.85(見表2)，OLS模型結果(圖4)顯示綠洲內部在空間上存在高低不同的相關性，綠洲西部相關性明顯高于東部。殘差顯示OLS模型在大部分區域擬合效果較好(殘差絕對值小)。

土壤電導率與地下水電導率的GWR模型(圖5)結果，與Pearson’s相關分析結果(極顯著正相關0.602，見表2)不同，同時出現了正相關與負相關特征。負相關存在于綠洲中部灌溉頻繁的耕地區域很可能的原因是灌溉對土壤的脫鹽作用，尤其在稻田區域出現了最大的負相關(圖5左，中部深藍色環形區域)。

同樣的空間異質特征也出現在土壤含水率與地下水埋深的局部回歸結果中(圖6)。總體Pearson’s相關系數為顯著的負相關-0.459(見表2)，但局部空間回歸的結果表明在綠洲東部區域存在正相關。不過結合綠洲西部呈現負相關的區域模型擬合效果較好，這種正相關的解釋程度并不高。在濕地區域，由于地下水位較低，土壤電導率與埋深的相關也較好，呈現顯著負相關。

地下水電導率與地下水埋深的GWR模型擬合結果同樣呈現出空間相關的異質性(圖7)。在總體呈負相關(見表2)的情況下，局部地區呈現出正相關的特征。

以上研究表明，將GWR方法運用在空間數據的統計分析方面能夠反映更多的異質特征，而OLS模型只在近似線性的數據的處理分析上效果更好。

4 討 論

在眾多空間插值方法的選擇上，不同的區域應當選取適用于研究區的插值方法，通過交叉驗證與精度檢驗可以對插值方法進行優選。雖然本研究所選取的插值方法只適用于克里雅綠洲，但是選取插值方法依據的原則可以為其它區域的研究提供借鑒。

表3 GWR與OLS模型精度對比結果

Table 3 Comparison of GWR and OLS models accuracy

屬性數據Characteristics模型Model表層土壤含水率Surface soil water content 校正R2Adjust R2AICC地下水電導率Groundwater EC 校正R2Adjust R2AICC地下水埋深Groundwater level校正R2Adjust R2AICC屬性數據Characteristics地下水埋深Groundwater depth校正R2Adjust R2AICC表層土壤電導率Surface soil EC GWR0.789-12189.70.495-7723.5OLS0.631-93460.101-4781.10.094-4737地下水電導率Groundwater EC 0.61415224.50.094-4737

注：空白表示未能成功建立模型(存在嚴重多重共線性)，模型在0.05水平上均具有顯著性。

Note: Blank spaces mean there were no successful models due to severe multiple linearity; all models showed here are significantly atP≤0.05 level.

圖4 土壤電導率與土壤含水率局部相關的空間變異(OLS模型)Fig.4 Spatial variation of regression outputs from OLS model of soil EC and soil moisture content

圖5 土壤電導率與地下水電導率局部相關的空間變異(GWR模型)Fig.5 Spatial variation of regression outputs from GWR model of soil EC and groundwater EC

圖6 土壤電導率與地下水埋深局部相關的空間變異(GWR模型)Fig.6 Spatial variation of regression outputs from GWR model of soil EC and groundwater level

圖7 地下水電導率與地下水埋深局部相關的空間變異(GWR模型)Fig.7 Spatial variation of regression outputs from GWR model of groundwater EC and groundwater level

另外，本研究表明地統計空間插值方法適用于地下水特征與土壤特征的研究，但值得探討的是，在其它研究領域的數據是否同樣適用。

網格單元法在處理大尺度的地理空間數據上具有明顯的優勢。本研究借鑒常運用于大尺度空間數據處理的網格單元法，并且嘗試將其運用于縣域尺度的空間數據上，研究結果顯示網格單元法既便于進行數據空間分析，也能夠保證數據質量，且效果較好。但是，本文未對MAUP(可變面積單元)問題進行探討，網格單元大小的不同對研究結果會造成多大的影響，將是下一步研究的問題。另外，網格單元法在點面數據轉換方面具有一定優勢，未來可以擴展應用至其它研究領域，尤其在社會、經濟數據處理方面，能夠為社會學科與自然學科的交叉研究提供有效的幫助。

統計方法已經普遍運用于各個研究領域的數據分析方面，而地統計技術及地理空間分析技術為相關科學研究提供了更多的分析維度。本研究結合了傳統統計方法與空間統計方法，運用全局尺度統計與局部尺度統計對地下水與表層土壤空間數據進行了分析。在關注全局尺度統計結果的同時，更關注局部尺度統計的結果。另外需要注意空間統計模型的精度問題，探討空間統計模型在不同研究領域、不同數據源的適用性，這將為不同學科的研究提供依據。

5 結 論

1)地下水埋深總體呈現由西北至東南逐漸增加的趨勢，地下水電導率總體由西南至東北依次呈現低-高-低的變化特征。表層土壤電導率與表層土壤含水率呈現較為一致的分布特征，由綠洲西部至東部依次呈現低-高低-次高的特征。RBF插值法擬合地下水埋深、表層土壤電導率精度最高，IDW法擬合地下水電導率的精度優于其它兩種方法，表層土壤含水率更適于采用普通克里格法。

2)空間關系模擬方法上，表層土壤電導率與表層土壤含水率存在很強的多重共線性，采用OLS模型，其余指標間構建的模型對比結果顯示GWR模型更優。

3)空間相關性上，土壤含水率對土壤鹽分的影響較高，土壤電導率受地下水的影響較為明顯，地下水埋深對地下水電導率與土壤電導率的影響基本相同。土壤電導率與土壤含水率的全局相關性為極顯著正相關(0.85)，局部相關性上綠洲西部明顯高于東部；土壤電導率與地下水電導率的全局相關性為極顯著正相關(0.602)，但局部相關性上同時具有正相關與負相關特征，負相關主要出現在綠洲中部灌溉頻繁的耕地區域；土壤含水率與地下水埋深的全局相關性為顯著負相關(-0.459)，但綠洲東部存在局部的正相關；地下水電導率與地下水埋深全局呈負相關，局部出現正相關。

4)GWR方法較OLS方法反映更多的異質特征，在總體相關水平下局部區域可能出現方向相反或大小不等的相關性。本研究表明在全局尺度統計分析顯示的特征之外，局部尺度統計分析更能反映復雜的特征，更接近實際情況，提供的分析維度與深度更優、信息更豐富。本研究能為當地的水土資源管理實踐提供實際的參考依據，幫助當地有關部門加深對水土相互影響的認識。本文在豐富水土關系研究方法的同時，建議未來的相關研究能夠綜合遙感、GIS、多種統計方法，希望能為進一步的干旱區地下水與土壤相互關系研究提供科學的依據。