基于高斯混合模型的土壤環境質量分區研究

劉佳斌，郜允兵，李永濤，徐卓揆，潘瑜春，楊晶，張婉秋，4

（1.華南農業大學，廣州 510642；2.北京農業信息技術研究中心，北京 100097；3.長沙理工大學交通運輸工程學院，長沙 410114；4.中國礦業大學（北京），北京 100083）

土壤重金屬污染已經成為世界性的環境問題[1]。2014 年原環境保護部和原國土資源部聯合發布的《全國土壤污染狀況調查公報》指出耕地土壤重金屬點位超標率為19.4%，耕地土壤環境質量堪憂。2016年5 月國務院發布了《土壤污染防治行動計劃》（簡稱“土十條”），要求深入開展土壤重金屬污染調查，掌握土壤環境質量狀況，實施農用地分類管理，保障農業生產環境安全[2]。我國一直關注土壤環境質量采樣工作，“七五”以來，環境、農業、國土等部門開展了多次土壤環境監測調查工作，積累了大量的土壤環境質量數據[3]。基于土壤采樣點開展環境質量分區研究可為土壤污染的精準識別、風險管控區的精準劃定、管控措施精準制定提供輔助決策依據，是當前土壤環境質量評價技術研究的熱點，具有重要的學術價值和現實意義[4-5]。

土壤環境質量受自然和人為因素影響，影響因素（成土母質、土壤類型、成土過程、土壤質地、河流、道路、重點企業等）與土壤環境質量空間分異并不一致，直接采用環境影響因素進行中小尺度的環境質量分區效果不佳[6-7]。2002 年，美國環境學家DORAN 等[8]提出了土壤環境質量的概念，揭示了固有環境條件、環境質量指標與環境質量空間格局形成的關系。KARLEN 等[9]從土壤使用功能入手分析了微觀、宏觀尺度上導致土壤環境質量變化影響因素。郭書海等[10]以土壤環境質量影響因素為基礎，采用影響因素空間疊加分析法進行了國家尺度的土壤環境質量綜合區劃研究。

土壤采樣是對區域環境質量的抽樣，其樣點蘊含且反映了區域環境質量的情況，基于采樣點的環境質量分區，是區域環境質量分類后在空間域上的映射，可以通過對采樣點的屬性/空間聚類來實現。常用的點模式聚類方法主要有基于劃分、基于密度、基于模型、基于網格、基于層次等方法，在使用時也存在一定局限性[11-14]。局部Moran’s I 指數常用于基于屬性相關性的點模式空間聚類，可以對樣點觀測值的高高（高值點聚集）、高低（高值點被低值點包圍，表現為高值異常點）、低高（低值點被高值點包圍，表現為低值異常點）、低低（低值點聚集）等聚集模式和異常鄰接模式識別[15]，用于對污染指標的空間聚集和異常區進行刻畫，但其聚類或者異常的空間模式僅是基于樣點均值相對高低的反映，與人們對真實環境污染閾值絕對量的認知仍有區別[16]。K-均值家族聚類以類與類之間的空間距離之和最小為約束條件，單靠空間距離不能真正體現人為、自然影響綜合作用環境質量的分異性和相似性[17]。土壤環境質量可以看作自然環境因素、人為活動因素等多個驅動力的單獨或者交互作用，將環境影響因素對土壤指標的作用近似看作多個高斯過程或者其他隨機過程，則基于采樣點的環境質量分類分區可以采用高斯混合模型進行聚類分析。徐燁等[18]運用高斯混合模型（Gaussian mixed model，GMM）聚類方法將采樣點總體分解為多個不同環境效應作用的高斯簇集合，探索了土壤采樣點類型與企業空間分布間的關聯。但該聚類算法的目標函數初始分類參數設定存在一定主觀性，容易造成聚類結果的過擬合或欠擬合[19-21]。

常用的土壤環境質量評價方法有單項污染指數法、內梅羅指數法、污染負荷指數法、環境風險指數法、地累積指數法、潛在生態危害指數法、灰色聚類法、健康風險評價方法等。上述這些評價方法被單獨或者聯合應用于農田土壤污染評價，前人利用單項污染評價指數、內梅羅綜合污染指數、地積累指數、潛在生態危害指數等方法[22-24]開展評價工作，并評估了農田土壤污染的程度，計算了各種風險指數，但這些方法反映的是土壤環境質量某方面或者對污染指標加權綜合，不一定適合環境質量分區識別。分析研究區土壤環境質量指標的最小集，也是一種環境質量的表征方法。基于此，本文提出基于采樣點與輔助變量的區域土壤環境質量分區方法，采用主要影響因素對土壤環境質量預分類，通過主成分分析獲得的特征向量集合表征土壤環境質量，以此構建高斯混合模型對土壤采樣點聚類，避免采樣點分類初始化的隨機性導致聚類結果陷入局部最優解，并以北京市順義區土壤采樣數據為例驗證方法的有效性。

1 材料與方法

1.1 研究區概況

順義區位于北京市東北部，位于40°00′～40°18′N、116°28′～116°59′E。區內耕地面積為404.05 km2，占土地總面積的39.56%，為北京市傳統農業區。主要種植作物為小麥、玉米、蔬菜和水果。農業用地以糧食生產為主，種植模式為冬小麥-夏玉米。土壤樣品采集于2009 年8 月至11 月，樣本點的布局和數量根據農用地的利用方式和面積進行確定，采樣方法為4 分法混合，包含4 個子樣，共采集耕層（0～20 cm）土壤樣品412 個，使用GPS 定位記錄樣點中心位置，采樣點主要分布于糧田、菜地、果園、設施農業用地等，其中后沙峪、南法信、天竺、馬坡、仁和等區域未進行采樣，為非調查區。根據采樣點的土地利用方式，分為菜地、果園、荒地、林地、苗圃、設施農業用地和水澆地，采樣點分布如圖1 所示。所有樣品在室內自然風干，碾壓磨碎后過100 目尼龍網篩，土壤樣品按照EPA Methods 3050B 的方法使用HNO3、HCl 和H2O2混合溶液消解。消解液中的As、Cd、Cu、Pb和Zn使用等離子發射光譜（ICP-OES，Thermo iCAP 6300，USA）測定，使用HNO3∶HCl（1∶1）在100 ℃消解，消解液使用原子熒光光譜（AFS，Titan AFS 830，China）測定Hg 的含量。每個樣品重復測3 次，樣品處理和分析的質量控制采用分析土壤標準參考物質GSS-1 和GSS-4（國家標準物質中心）。

成土母質[25]、土壤類型、土壤質地、土地利用方式、工礦企業排放、河流等是可能影響該區域土壤環境質量空間差異的因素[26-27]。研究區土壤成土母質均為第四紀黃土，不存在巖石巖性上的差異。區域內土壤類型包含潮土、褐土、水稻土3類，土壤質地分為輕壤質、中壤質、砂壤質，其空間分布如圖2（a）、圖2（b）所示，土壤類型的空間連片性強于土壤質地；區內主要河流有懷河、潮白河、金雞河等，工礦企業主要分布在河流下游區域附近，其空間分布如圖2（c）、圖2（d）所示，河流、工礦企業按照輻射范圍劃定影響區，可以看出工礦企業聚集度具有一定的空間異質性。

1.2 研究方法

基于高斯混合模型的土壤環境質量分區研究主要包括3 個部分：首先，對土壤采樣點的重金屬指標歸一化處理后進行主成分分析，選取特征值大于1 的主成分共同反映區域土壤環境質量綜合特征，并運用地理探測器篩選影響土壤環境質量綜合特征的主要因素，按主要影響因素類別對采樣點進行預分類；其次，基于采樣點的預分類方案構建高斯混合模型（Gaussian mixed model，GMM），以期望最大化算法（Expectation-maximum algorithm，EM 算法）對高斯混合模型中各子高斯函數的權重（α）、均值（μ）、標準差（σ）參數進行迭代求解；最后，以采樣點構建泰森多邊形，并將采樣點分類結果賦值到多邊形后進行同類多邊形合并，形成環境質量初步分區，結合自然與人為影響因素的范圍對分區結果進行邊界調整。

1.2.1 主要影響因素分析

區域土壤重金屬受自然或者人為因素影響，重金屬在產生過程中往往存在一定伴生性[28]，在數值上表現為強弱不一的相關性，直接采用原始觀測值進行聚類分析容易受到噪聲干擾。本文采用主成分分析法（PCA）對歸一化后的412個土壤樣品的重金屬指標（Cd、As、Cr、Hg、Cu、Pb、Zn等）進行特征降維，篩選前N個數值＞1的特征值（N≥1）及對應特征向量，并對原始數據進行特征向量投影變換，變換后得到特征向量組PC（PC1，PC2，…PCN），N個特征向量可表征區域環境質量綜合特征，反映不同重金屬指標的總體相似性和差異性。

采樣點的初始分類數對最終環境質量分類有影響，容易導致分類結果陷入局部最優解。在進行高斯混合建模前有必要對區域環境質量主要環境影響因素進行識別，通過主要影響因素分類對采樣點進行預分類。地理探測器[29]可以用于探測環境質量特征變量PCN的空間分異性（也稱空間分層或者分類），即探測環境質量影響因素Y（是土壤類型、土壤質地、土地利用方式、工礦企業排放、河流等中的一個類別型變量）多大程度上解釋了環境質量特征變量PCN的空間分異，統計量q通過F檢驗，則說明該影響因素有較強解釋力。具體計算公式及步驟如下：

式中：h=1，2，…，L為環境質量影響因素Yi（z1i，z2i，…，zLi）分類或環境質量特征PC 的分層；Nh和N分別為層h和全區的采樣點數分別為相應層h和全區的土壤環境質量特征的方差。q?[0,1]，其q值越大表明影響因素Y對特征變量PCN的解釋力越強，此時環境影響因素Y的分類數可以作為高斯混合模型建模的預分類數K。q的顯著性可采用F非中心分布進行檢驗，見公式（2）。

式中：N為采樣點數；λ為非中心度。

對研究區域中各環境影響因素分層下的異質性進行比較，通過顯著性檢驗的影響因素為采樣點的主要影響因素。由于每個采樣點空間位置上的土壤環境輔助變量因子屬性具有唯一性，因此通過空間對應關系可將具有相同影響因素類型的采樣點分為同一類，作為土壤采樣點的預分類。該預分類方法基本可以保證各類采樣點之間呈現出分異規律，是一種合理的初始化方式。

1.2.2 采樣點的聚類方法

高斯混合模型是多個高斯分布函數的線性組合，理論上GMM可以擬合出任意類型的分布，通常用于解決同一集合下的數據包含多個不同的分布、同一類分布但參數不同、不同類型的分布（比如正態分布和伯努利分布）等情況。區域環境質量受自然和人為因素綜合作用，其概率分布往往呈右偏態分布（圖3），若將自然或者人為因素影響的過程看作多個高斯過程或者其他隨機過程的綜合效應，則可用高斯混合模型表示。高斯混合模型一般采用EM算法進行參數的求解。本文以主要影響因素的K個分層，即主要影響因素的K個類型對土壤環境質量綜合特征預分類（見1.2.1），在此基礎上，通過高斯混合模型對特征變量PC聚類建模，并使用期望最大化算法（EM算法）對模型中的參數進行估計，具體步驟如下：

（1）高斯混合模型初始化

將K個高斯模型線性組合的高斯混合模型P作為區域環境質量模擬，其表現形式為：

式中：a=(a1,a2,…,an),ai為第i個土壤采樣點上的環境綜合特征向量；K為子高斯模型個數；θ=（α1,α2,…,αK;θ1,θ2,…,θK）；αk為系數為第k個分模型高斯分布密度分別為第k個分布的期望和方差。

初始化時以模型變量γik表示分類結果，結合采樣點與第k類環境影響因素因子的對應關系，預分類過程如下：

所得到的γik初始值由采樣點在土壤環境主導因素影響下的分類情況確定。則完整數據集合A=完整數據的對數似然函數為：

（2）參數估算

E步：計算分模型k對觀測數據ai的響應度，計算方法如下：

其中θ是上一步迭代運算求得的參數值。

M步：求Q對θ的極大值，即求新一輪迭代的模型參數，計算方法如下：

1.2.3 初始分類結果的分區

在實際土壤環境質量管理中需要基于同類相近原則對土壤采樣點劃類歸區，形成具有等級關系的子區域[30]。本文在土壤采樣點聚類分析結果上，根據采樣點集的幾何位置生成相應泰森多邊形（Voronoi圖），將具有共享邊（Rook 連接）且有相同聚類等級的泰森多邊形要素合并為初步分層要素，并賦予相應的類型，實現土壤采樣點“點到面”的變換（泰森多邊形法）。針對破碎化現象嚴重的區域，依據相近相似性原則，進一步結合河流、道路等邊界對分區范圍進行邊界調整。

1.3 數據處理過程

本文數據處理方法及步驟如下：（1）運用SPSS 25對Cd、As、Cr、Hg、Cu、Pb、Zn 7種土壤重金屬含量進行統計分析、正態分布檢驗和皮爾森（Pearson）相關性分析，探索數據的統計規律和各重金屬之間的相關性。（2）通過SPSS 對多種土壤重金屬采樣數據進行主成分分析，提取表征土壤環境質量的主成分綜合變量。（3）采用地理探測器軟件（www.geodetector.cn）分析土壤類型、土壤質地、土地利用類型等環境影響輔助因素與主成分向量之間的相關關系。（4）基于MATLAB 2017a 平臺編寫基于先驗環境影響主導因素預分類的高斯混合模型（GMM）算法，對代表土壤環境質量綜合特征的主成分向量進行聚類分析。（5）根據采樣點空間位置信息運用ArcGIS 10.5 生成相應范圍的泰森多邊形，并將互為鄰域且具有相同分類屬性的多邊形要素合并后，作為初步分層（分類結果）。（6）在ArcGIS 平臺中結合研究區河流、道路分布，對初步分區結果的邊界進行調整。

2 結果與分析

2.1 采樣點探索性分析

與北京地區土壤重金屬背景值相比較[31]，除Pb外其他重金屬（類金屬）指標具有不同程度的積累效應。Cd、As、Hg、Cu、Pb 等重金屬指標的變異系數均大于25%，達到了中等變異水平。除Cr 外其他土壤重金屬頻率分布圖呈現不同程度右偏態，表明研究區內局部地區受工礦企業、河流灌溉等因素影響，Hg、Cd、As指標的最大值已接近篩選值，表明在某些樣點上存在一定程度的風險。北京市土壤pH 均值為7.64[32]，總體上看，各重金屬含量均值、中位值低于《土壤環境質量農用地土壤污染風險管控標準（試行）》（GB 15618—2018）中pH 值大于7.5 時的篩選值，從土壤污染評價的角度看該區土壤總體質量屬于優先保護類。順義區土壤重金屬描述性統計如表1所示。

表1 區域土壤重金屬統計特征（mg·kg-1）Table1 Statistical characteristics of heavy metal content in regional soil（mg·kg-1）

2.2 采樣點預分類結果

基于Pearson 系數法分析各元素之間的相關性，結果如表2所示，其中Zn與Cu之間的相關性最強，相關系數高達0.476，說明該兩個指標具有相對較高的信息重疊，As 與Cd、As 與Cu、Cd 與Cu、Cd 與Pb 之間具有較為顯著的相關性（r≥0.2，P＜0.05），說明其相互之間也存在部分信息重疊，存在一定程度的同位或伴生性，有相關性的土壤重金屬指標可能受相同自然或人類活動因素影響。

表2 土壤重金屬含量相關系數矩陣Table2 The correlation coefficient matrix of soil heavy metal content

本研究采用PCA 分析法對土壤采樣點重金屬指標進行降維，其結果如表3 所示。選取特征值大于1.0（特征值表示原始指標投影到該特征向量后的方差大小，方差越大則保留的原始信息量也越大）的對應特征向量PC1（特征值1.885）、PC2（特征值1.112），二者累積貢獻率達到了42.8%，從表3 中主成分的因子載荷系數可以看出主成分PC1 主要表征土壤中As、Pb、Zn的含量，主成分PC2主要反映土壤中Cd、Cr的含量，可用PC1、PC2 特征向量表征區域土壤環境綜合質量特征。

表3 土壤重金屬的變量解釋與主成分矩陣Table3 Variable interpretation and principal component matrix of heavy metals in soil

本文在采用主成分降維后的特征向量PC1、PC2進行采樣點預分組時，通過地理探測器分析土壤環境影響因素Y{土壤質地、土壤類型、土地利用類型、河流影響、工礦企業影響范圍}對特征向量PC1、PC2 的解釋力，即分析土壤環境影響因素Y對特征向量PC1、PC2的q值的顯著性。地理探測器檢驗各分組下樣點主成分間分異結果如表4 所示。主成分PC1 在土壤質地（輕質壤、中質壤、沙質壤，根據砂粒度與黏粒度分類）、河流影響區的分類下q統計量滿足F檢驗的顯著性差異。其中，河流影響區以相關研究[33]為基礎，通過半徑1 km 的河流緩沖區獲得。主成分PC2在土壤質地、土壤類型與土地利用類型的分類下q統計量具有顯著性差異。研究區內土壤母質類型差異較小，而土壤質地的黏粒度越重則重金屬淋溶程度越低，同時土壤膠體的吸附能力也越強[34]，在一定程度上影響了土壤重金屬的遷移和擴散能力。土壤環境質量的特征向量PC1、PC2 在土壤質地各類型中皆具有顯著性差異，表明土壤質地對土壤環境質量空間分異有較好解釋力。因此，采用土壤質地的空間分層作為土壤采樣點預分類方案。

表4 不同影響因素分組下樣點主成分間分異檢驗結果Table4 Test results of soil samples in different groups

2.3 土壤環境質量分區

采用土壤質地類型分區（輕壤質、中壤質、砂壤質）將土壤采樣點初步分成3 類，作為高斯混合模型構建中研究區土壤環境質量主成分特征向量的初始類型，利用EM 算法對高斯混合模型中未知參數進行迭代求解，直到各子數據集符合正態分布概率最大。EM 算法對高斯混合模型（也稱為GEM 聚類）進行求解的終止條件為似然函數收斂。經過32 次EM 迭代運算后，土壤采樣點分成A、B、C 3 個種類，各類樣點數目分別為279、99、34。基于此，運用泰森多邊形劃分法構建包含土壤采樣點的土壤環境質量初步分區，結果如圖5（a）所示。參考河流、道路對初步分區中細碎圖斑進行適度調整，調整后的局部單元內部有多個類型空間分層時，將其歸為面積占優的空間分區類型，最終形成土壤環境質量分區[圖5（b）]。

為了進一步說明研究區環境質量分區合理性，本文查閱了影響土壤環境質量的文獻資料[35-36]（禽養殖業分布信息、河流道路空間分布數據、土壤類型數據、工礦企業空間分布等），并以呈現右偏態分布的土壤重金屬指標Pb 在各分區中統計分布為例展開說明，對三類區的環境質量特點及可能原因進行分析。（1）A 類環境質量區：區內土壤重金屬指標Pb 均值為14.06 mg·kg-1，方差為2.19 mg·kg-1，能通過正態分布檢驗，均值比較平穩。該區內土壤類型以潮土為主，面積占整個A 區面積的74.27%，土壤質地以輕壤質為主，占該子區域面積的50.80%，且與A 類分區具有較強的一致性，根據相關研究，輕質潮土上的腐殖質積累過程較弱[37]，河流影響區占該子區域的24%，區內人為因素影響較小，土壤環境質量相對穩定；（2）B類環境質量區：區內土壤重金屬指標Pb 均值為21.70 mg·kg-1，方差為3.72 mg·kg-1，比較平穩，能通過正態分布檢驗，但均值略高于A 類區，含量波動情況也略大于A類區。該區內同樣以輕壤質潮土為主，潮土面積占整個B 區面積的49.42%，輕壤質占該子區域面積的55.40%，相比A 區略有減少，區內水資源相對豐富，河流總數和水量較大，按河流灌溉可達性分析占整個區內面積的27%，該區域以農業種植為主，主要種植水果蔬菜，用地呈現出高生產資料投入與輪作頻率大的特征，同時區內農村居民地分布較多[38]，土壤中容易發生一定的重金屬累積；（3）C 類環境質量區：C 類區的土壤重金屬Pb均值和方差分別為27.97 mg·kg-1與18.91 mg·kg-1，變化波動較大，但也滿足正態分布檢驗。該區也以輕壤質潮土為主，潮土面積占整個C 區面積的65.17%，輕壤質占該子區域面積的50.80%，該區內工礦企業影響面積占該區49.4%，工礦企業用地面積相對較大，且子區域處于潮白河、箭桿河主要干道上，受河流影響面積占比高達48.1%，同時在2009 年前后禽類養殖業也較發達，糞便和飼料粉塵通過污水排放和大氣沉降對周邊產生影響，易造成重金屬聚集[39]。

3 討論

為了進一步說明聚類方法對土壤環境質量分區結果的影響，本文采用K-means 聚類分析、自組織特征映射神經網絡（Self-organizing feature maps，SOFM）聚類進行土壤樣點聚類方法的對比分析。具體聚類實驗時，也采用上文提到的基于土壤質地預分類的土壤樣點的PC1、PC2 特征向量作為聚類模型計算的輸入，分類數K統一設置為3。在K-means聚類時，選擇歐式距離為度量方式，直到沒有對象被重新分配給不同的聚類，整體誤差平方和局部最小為止；在SOFM聚類中，競爭層神經元個數依次設置為3，采用六角形拓撲結構，訓練次數為500，直到競爭型神經網絡取得最優解，聚類中心沒有再發生變化。初步聚類結果按A、B、C 3類標記到土壤樣點，采用泰森多邊形法構建土壤樣點初步分區，并依據河流、道路對細碎圖斑進行分區邊界微調。K-means 聚類下的A、B、C 類型點位數分別為244、56、112，在調整過程中有23.27 km2的B 類、12.55 km2的C 類調入A 類型，調整面積占總面積的2.8%；SOFM聚類下的A、B、C類型點位數分別為151、134、127，在調整過程中有16.13 km2的B類、46.88 km2的C 類調入A 類型，調整面積占總面積的7.73%，分區結果如圖6（a）、圖6（b）所示。

為比較3 種聚類分區結果的差異性，分別對各類型分區中的主成分進行統計分析，不同分區下主成分特征向量統計特征如表5 所示，通過比較各成分特征向量在不同子分區中的均值差異，其中以GEM 聚類分區中的差異最為明顯；且在本文的GEM 聚類分區中，成分特征向量在A、B、C 3種分區下均能滿足顯著性檢驗，能揭示受相同環境影響因素作用的可能性，而在SOFM 聚類分區中，主成分PC1 在A、C 類區中都不能通過顯著性檢驗，在K-means 聚類分區中，主成分PC2在B類區中不能通過顯著性檢驗。

表5 不同分區下主成分特征向量統計特征Table5 Statistical characteristics of principal component eigenvectors in different partitions

為進一步比較3 種聚類方法的分區結果的差異性，本文采用地理探測器探測分區結果分析土壤環境綜合質量的PC1、PC2 的解釋力。采用GMM 分區結果、SOFM分區、K-means分區中的類型數作為地理探測器中自變量PC 的分層數，PC1、PC2作為自變量，各分區下樣點綜合質量分異性結果如表6 所示，其中主成分PC1 在GEM 聚類分區與SOFM 聚類分區下具有顯著性差異，主成分PC2 僅在GEM 聚類分區方法下具有顯著性差異，而K-means聚類方法下的主成分均無顯著性差異。其可能原因是：SOFM 聚類是基于神經網絡訓練的分類，在各權向量分別向各個聚類模式群的中心位置靠攏時，容易受神經元排列的拓撲結構影響，導致權重分配不均[40]；針對土壤采樣點含量通常呈現右偏態分布的特性，K-means 聚類分析是以類與類之間的距離之和最小為約束的分類方法，只對各類的緊湊性進行約束，卻不是針對重金屬含量的分布特征進行劃分[41]；本研究中所采用的GEM 聚類方法是以多個高斯函數對右偏態分布的土壤環境質量進行描述，假設每個正態分布函數代表不同分類的重金屬含量，相同分類的采樣點具有同一數學期望和方差，將采樣點分成受不同環境因素作用的多個正態分布類型，GEM 聚類分析讓異類之間的差異性更大，同類之間的相似性更大，因而相比其他分層分區方法有著更好的空間分層異質性，使所得的分區結果與土壤環境質量空間分布具有高度一致性。

表6 不同分區方法下主成分間分異檢驗結果Table6 Test results of differentiation between principal components under different zoning methods

4 結論

（1）土壤重金屬含量是環境影響因素綜合作用的結果，基于高斯混合模型的聚類方法可用于區域環境質量分區。基于主要影響因素的土壤采樣點預分類策略，避免了土壤采樣點初始化分類的盲目性，有助于聚類結果的快速收斂，避免聚類結果陷入局部最優，環境質量分區的結果更接近客觀認知。該土壤環境質量分區方法兼顧了采樣點屬性特征與環境輔助變量信息，分區方法在應用中具有可推廣性，可為全國監測點的環境質量分區提供參考。

（2）以聚類分析的思想解析土壤環境質量空間分布具有良好的效果，基于高斯混合模型的聚類分區充分考慮工礦企業、河流、道路、土壤質地、土壤類型等不同影響的作用范圍和尺度特征，可準確客觀反映土壤環境質量分布的情況，是了解污染狀況、過程、格局的手段和方法。不同類型空間分類分級是進行精準管理的前提，準確的先驗分區可用于進一步指導布點監測調查。