數字土壤制圖在土壤養分方面的研究綜述

李瑩瑩，趙正勇，楊 旗

(廣西大學 林學院，廣西 南寧 530004)

土壤是一種基本的自然資源，是人類農林業的基礎。土壤中儲存了大量的有機質(SOM)、堿解氮、速效磷、速效鉀等土壤養分，它們的循環過程和相互作用在調節植物生產力、固碳能力和生態系統穩定性方面起著關鍵作用，是維持陸地生態系統結構和功能的重要化學元素[1]。了解SOM、氮、磷、鉀等土壤養分的空間分布和儲量，對于研究土壤退化、生物多樣性缺失、氣候變化和制定土地管理計劃具有重要意義，是制定農業、林業、防洪、環境保護等決策的重要依據，也是可持續發展的必然要求[1-2]。

傳統的土壤養分空間分布研究方法是通過野外土壤樣點采樣，其結果過于依賴測量工作者自身的經驗知識[3]。同時，景觀中土壤性質是復雜和連續變化的，這使得傳統制圖的精度并不是很理想，而且這種方法需要大量的采樣數據，使得土壤調查非常費力、耗時且昂貴[4]。隨著土壤制圖的發展，一種高效、低成本的數字土壤制圖(digital soil mapping,DSM)技術應運而生，它可以根據少量的采樣數據和環境變量來估計區域土壤養分的分布[1,5]。DSM是對土壤養分的空間分布特征的反映，建立土壤特性和輔助數據之間的關系，并利用這些關系進一步來預測和繪制土壤特性空間分布[6-8]。此外，DSM也是一種基于環境協變量的預測性方法，因而又被稱為預測性土壤制圖[9]。與傳統土壤制圖相比，數字土壤制圖有成本低、速度快、精度高等優點。

DSM是一門成功的土壤科學分支學科，其研究成果十分豐富。本文基于土壤制圖的兩大關鍵理論基礎，詳細介紹了傳統土壤調查法、空間插值法、土壤-景觀模型法、遙感影像法等4種主要的土壤制圖的預測方法，并探討了DSM在迅速發展過程中所遇到的一些挑戰和問題，以及對今后土壤制圖的發展前景進行了展望。

1 土壤制圖的理論基礎

土壤圖是傳遞土壤屬性空間分布特征的圖形，主要用于描繪土壤屬性的空間差異性和制定合適的土地利用方案[2]。土壤制圖就是利用現場和實驗室觀測方法，結合空間和非空間土壤推理系統，創建空間土壤信息系統[10-11]。

DSM的第一個理論基礎是Jenny的土壤形成因子模型[12]。這一觀點由Dokuchaev于1883年首先提出，Jenny在1941年對其進行了進一步的闡述，將土壤形成因子模型定義為：S=f(cl，o，r，p，t，…)[12-14]。該模型認為，土壤是當地氣候、動植物、母巖類型和結構、地形和時間等因素相互作用的結果。這一經典模型被稱為“土壤科學的第一個基本定律”[12,14]。在Jenny之后，一些研究者試圖定量地形式化這個概念方程。例如，Taylor等總結了土壤制圖的各種方法，然后提出了一個Jenny的變式，S=f(S，c，o，r，p，a，n，…)[14-15]。它包括7個因素：土壤在某一點的其他特性(S)、氣候(c)、植被或動物群或人類活動(o)、地形(r)、母質(p)、年齡(a)、空間(n)，這個經驗方程表明土壤形成因子和土壤預測在空間和時間上都是明確的，是為了定量描述土壤和其他空間環境因子之間的關系，以將這些作為土壤空間預測函數[15]。

Jenny的土壤形成因子模型的另一個演變是繼Huggett的研究之后的土壤-景觀理論，后者認識到土壤-景觀發展的規律性[10,16]。如果在特定環境中發現了特定的土壤，那么在相似的環境中也會發現相似的土壤，并且環境組合越相似(無論它們相距多么遙遠)，其對應的土壤養分越相似，反之亦然[12,17,18]。這是DSM的第二個理論基礎[12]。這種土壤-景觀關系方法影響了許多傳統的土壤制圖方法。例如，克里格法將環境因子考慮到土壤制圖中來，發展了協同克里格和回歸克里格等。

因此，在預測土壤養分空間分布格局方面，選擇合適的環境變量(包括遙感和地形參數)作為模型輸入變量非常重要[8]。當然除了慎重選擇環境參數外，預測模型的開發、軟硬件和算法的進步對于土壤制圖也至關重要。

2 土壤制圖的方法

土壤制圖研究在過去30年中一直嘗試改進輸入(即土壤數據和協變量)和預測模型來提高制圖精度。數據(包括數據模型)在很大程度上代表了土壤的高度可變、連續性，正確管理空間數據是土壤制圖精度提高的重要方面。因此，為了解釋土壤的高變異性，研究者提出了各種土壤發生模型和開發了許多輸入參數，以下就制圖的參數輸入和預測模型方面介紹了一些主要的預測方法。

2.1 傳統土壤調查制圖

傳統的土壤調查是最基本的土壤測繪和調查形式，該方法包括3個步驟：第一步是土壤專家直接觀察和解譯輔助數據(航空影像、地質圖、植被圖等)和土壤剖面特征；第二步，將觀察得出的土壤屬性與環境之間的關系納入專家腦海中建立隱式經驗模型，用于推斷土壤變化；第三步是將經驗模型應用于調查區域，以預測未觀測場地的土壤變化，即將基于土壤-環境的經驗模型應用到航空照片上手工勾繪景觀單元邊界[11,19,20]。在一定程度上，這種制圖方式解決了當時對土壤信息的需求。但是，這種制圖方式往往很不可靠，原因有3個：首先，現場采樣的成本高，實際觀測到的區域很小，并且無法記錄土壤測量員在昂貴的實地測繪過程中積累的大部分知識[20-21]；其次，雖然傳統土壤調查隱含地吸收了土壤科學家的專業知識，但它們沒有利用現在廣泛使用的地理信息技術，往往帶有主觀性，對隱性知識過度依賴，導致制圖結果不夠科學客觀[22-23]；最后，土壤的空間變化是連續的，但傳統土壤圖中土壤被圖斑界線分割不能很好地表示土壤的連續變化[24]。

因此，土壤調查的最終成果是具有未知假設、不客觀、精度非常低的土壤圖。為解決這些問題，DSM技術應運而生，其在理論上類似于土壤調查(它們都使用土壤-環境關系的知識來進行推斷)，但所采用的方法通常會產生具有預測精度的土壤變異性的定量表達式，生成更能代表土壤景觀連續性的土壤圖[25]。顯然，土壤調查創新的一個方向是增加模型開發的客觀性和定量識別。

2.2 基于樣點數據的空間插值法制圖

土壤的性質在空間上通常是連續變化的，其空間變化可以用變異函數來量化[10]。空間插值則是使用變異函數來確定計算平均值時應用于數據的權重，通過已知點的空間信息對未知點的空間特征進行估計的一種制圖方法[26]。所得土壤圖更科學、精確，更能表示土壤的連續性。

Xie等[27]利用逆距離權值法、局部多項式法、普通克立格法和徑向基函數法對土壤重金屬的空間分布特征進行預測，結果表明：各種插值方法對土壤重金屬的預測均較理想。在中國山東省，張貝爾等[28]采用具有代表性的普通克里格、簡單克里格、反距離加權法和樣條函數插值法，對土壤質量進行評價時得出不同的插值方法對預測精度影響不大，但是采樣點數量會對預測精度影響顯著。張鐵嬋等[29]采用3種常用的空間插值法對5種土壤養分元素進行空間插值，插值表明在采樣點密度大的地區，插值精度很好，在樣點稀疏的地區插值效果就較差。另外，石小華等[30]對土壤速效鉀進行插值研究時，同樣得出在采樣稀疏區模型精度不大理想，插值結果受采樣密度的影響較大的結果。因此，雖然空間插值比起傳統土壤調查更為精確科學，更能表示土壤的連續性，但其精度過于依賴樣點數據，還不是一個很理想的制圖方法。

空間插值法也遭到了一些學者的批評，他們認為空間插值法是一種全球性的技術而不是局部的，不僅沒有考慮到土壤發生過程的知識，還假設空間自相關，這在土壤形成因素發生突變的復雜地形區可能不是一個好的制圖方法[11,31]。并且，這些插值方法過分依賴采樣數據，需要大量密集的數據點，其精度過分依賴采樣點的密度、原始數據點的分布，以及受土壤測量工作者實地經驗影響的數據質量[32]。因此，在一個大范圍或地形復雜的研究區域內，這種制圖方法很不適用，且野外土壤調查通常耗時、昂貴，使用密集采樣方法來預測土壤養分的空間分布特征是不現實的[32-34]。要解決這些問題必須要依賴更先進的土壤理論和地理信息技術。

2.3 基于土壤-景觀模型的空間制圖

20世紀80年代以來，在Huggett提出的土壤-景觀理論基礎上和地理信息系統的發展，人們根據目標土壤特性和環境協變量的關系建立各種模型來預測土壤養分空間分布，對于樣點數據的依賴減少了。期間，地形、植被和氣候因子被廣泛地應用于模型輸入，地形變量主要從數字高程模型(DEM)衍生出來，是最廣泛應用的環境因子。

2.3.1 線性統計模型 主要有基于經典統計學的線性回歸模型和回歸克里格、協同克里格法。Moore等[35]使用線性回歸來模擬土壤特性(SOM、pH值、土壤質地)和地形屬性(坡度、坡向和地形濕度指數)，模型解釋了這些土壤性質的大部分變化。Wang等[36]發現地形是影響埃塞俄比亞中部高地區域SOC和土壤全氮(STN)含量空間變化的主要因素。孫孝林等[37]在皖南宣城的丘陵地帶建立了線性回歸模型來預測表層土壤有機質的空間分布特征，證明從DEM中提取的地形因子與表層土壤有機質有著顯著相關性。此外，黃安等[38]在陜西省藍田縣采用克里格法和多元線性回歸模型預測土壤有機質的含量，結果表明：多元線性回歸模型比克里格插值法預測效果好。統計模型克服了空間插值法生成的土壤圖沒有充分體現土壤連續變化的不合理斑塊，使得制圖結果更加符合現實中土壤養分隨著環境變化而變化的漸變特征[39]。

統計方法確實以定量的方式證明了地形分析可以用來預測土壤屬性。但是，線性統計方法大多受到土壤和地形屬性之間假定的線性關系、正態分布數據的假設、高質量數據要求的限制[32,40]。并且，土壤屬性與各環境因子之間的關系更多的是非線性過程，土壤本身存在很大的變異性[41]。標準統計程序不夠靈活，不足以與各種潛在的數據源，如專家知識進行強有力的整合。采用統計方法的研究大部分是在小尺度景觀中進行的。因此，為了在更大規模和更多樣化的環境中進行制圖，需要開發更高效、更具普遍性的方法。

2.3.2 非線性機器學習法 依賴歸納法的數據驅動機器學習方法已被廣泛應用：例如，Minasny和McBratney使用人工神經網絡(ANN)預測土壤物理性質[42-43]；Bui和Moran使用分類樹預測土壤和地表地質類別[44-45]；Henderson等[46]使用決策樹生成各種土壤性質圖。楊琳等[47]在黑龍江省嫩江縣內采用了模糊C均值聚類和多元線性回歸法進行表層SOM的研究，結果表明：樣點數據較少的情況下，模糊C均值聚類比多元線性回歸方程效果好，表明機器學習法可以較好地解決土壤與環境之間復雜的非線性關系。范曉暉[48]建立了回歸樹模型和多元線性回歸模型用于研究廣西南寧市高峰林場中桉樹人工林的SOC含量，結果表明，回歸樹模型的預測精度和穩定性都比多元線性回歸好，她還認為地形因子與有機碳之間的非線性關系比線性強[49]。Taghizadeh等[50]利用人工神經網絡、支持向量回歸、K最近鄰、隨機森林、回歸樹模型和遺傳規劃等6種數據挖掘技術，比較它們在1 m深度的SOC橫向和垂直變化的有效性，結果表明：ANN對4個深度的SOC預測是該地區土壤有機碳含量預測的最佳方法，同時發現，土壤表面的預測效果比在深度上更好，這表明地下SOC變化的預測需要其他輔助變量，而尋找合適的協變量來解釋深層SOC仍然是一個挑戰。

大多數DSM研究使用地形屬性作為主要預測變量。然而，在地勢較低的平原地區，地形因子通常不會隨空間上的土壤條件變化而變化，以至于他們不能有效地用于土壤制圖中[51]。繪制這些地區土壤性質的變化圖仍然是一個巨大挑戰。隨著衛星遙感技術的迅速發展，遙感已經成為一種強有力的工具，為解決大規模準確預測土壤養分空間分布格局開辟了新的數據源，先進衛星傳感器獲取的高分辨率遙感圖像為這一思想的實現提供了基礎數據[52]。遙感數據為在地形變異較小的地區建立土壤變異的環境協變量提供了一條有效的途徑。

2.4 基于遙感數據的空間制圖

隨著傳感器創新、軟硬件功能的進步，記錄著更多土壤信息的多光譜和高光譜傳感器豐富了土壤養分制圖的數據集[53]。遙感技術的進步，改變了長期以來過度于依賴地形變量的制圖方法。以往研究表明，具有實時信息的遙感數據可以與采樣數據相結合，可以快速和準確地對土壤養分進行頻繁的監測和評估，拓寬研究范圍，是一種有前途的輔助數據源[54-56]。

劉峰[57]、Zhu[58]等在黑龍江省利用MODIS遙感影像數據獲取了土壤的空間分布。Wang等[59]基于氣候(MAT、MAP)、地形(海拔、坡度、坡向、剖面曲率、平面曲率、地形濕度指數)和遙感變量(B3、B4、B5、NDVI)基礎上，繪制了遼寧省旅順市表層土壤(0～20 cm)STN含量的分布圖。精度評估表明，結合所有環境變量的隨機森林模型具有最佳的預測性能，其次是僅僅利用遙感數據的隨機森林模型，而僅使用地形和氣候變量的隨機森林模型表現最差，但僅包含遙感變量的模型精度與使用所有變量的模型精度不相上下。最后得出，在所有協變量模型中，TSN的分布主要由遙感變量(48%)解釋，其次是地形變量(36%)和氣候變量(16%)。Wang等[1]之后又利用9個遙感變量：B3、B4、B5、DVI、EVI、RVI、NDVI、RDVI、SAVI對東北森林生態系統SOC和STN分布進行預測。研究結果表明，在所有遙感環境變量中，SAVI和NDVI是預測SOC和STN重要性最高的因子。一些研究也指出了利用遙感數據繪制SOC的重要性。例如，在丹麥日德蘭半島，Pouladi等[60]利用NDVI、SAVI、DVI、RVI和地形相關變量預測表層SOC含量，他們發現這些遙感變量解釋了89%的SOC空間變化，并且當采樣點足夠密集時，沒有必要在模型構建中引入其他環境變量。因此，隨著衛星遙感技術的迅速發展，遙感已經成為一種強有力的工具，為解決大規模準確預測土壤養分空間分布格局開辟了新的數據源。同時，遙感數據還具有成本低、速度快、精度高等優點[61]。

3 存在問題與展望

3.1 存在問題

盡管數字土壤制圖為滿足土壤信息的各種需求正在走向成熟，但新的理論、方法和應用，特別是在高度異質和人為影響的環境下仍然存在挑戰，并需要在未來解決。

(1)模型處理大變量集能力差。Brungard等[63]研究表明，使用土壤學專業知識對協變量進行先驗預選可能會降低土壤類別預測的準確性。但由于受到目前地理信息技術和土壤理論知識水平等的影響，在最近許多的DSM研究中，只選擇了相關協變量的一小部分來創建預測模型，都使用了相對較小的(不超過30個)協變量集。但是我們通常認為DSM技術受益于大量的協變量[63]。因此，DSM模型的建立面臨著處理非常大的協變量集的挑戰。

(2)可用的模型參數少。基于成土因素學說和土壤-景觀模型，我們清晰地知道了土壤和環境之間的關系。但是，影響土壤的條件非常復雜，并且這些條件沒有絕對值，因此很難用數值表示；并且有些因素的數據很少，有些因素則沒有任何數據，如時間因素[9,12]。因此，亟需加大力度開發更多的可用數據源以及土壤理論。盡管如此，我們還是希望這些困難能隨著時間的推移而克服，使土壤科學真正成為一門嚴謹的科學。

(3)模型推廣性差。現有的模型甚至是人工智能模型，只能反映小區域內局部環境與土壤的關系，因為這些模型往往是利用小區域采集的現場樣本來構建和校準的。研究區的原始模型應用到與研究區環境條件相似的地區可能具有較高的精確度，但在與研究區環境條件有顯著偏差的地區其精度往往就不是很理想[32,43]。因此，有必要設計更優越的模型來處理土壤與環境的非線性關系，用以高分辨率和高精度模擬土壤性質和過程。

(4)遙感數據的局限性。對于地形起伏小、范圍廣的研究區，遙感影像發揮了非常重要的作用。但是，遙感圖像受大氣等因素影響較大，選取的遙感圖像空間分辨率和時間分辨率都會對制圖精度造成影響。此外，當涉及大面積區域時，遙感數據的價格往往是一個限制因素。因此，要實現大尺度、高精度的制圖，遙感技術是一個重要的突破口。

3.2 展望

綜上所述，近10年來DSM的發展主要有以下趨勢。(1)從小區域到大區域。由于探索性和實驗性的目的，早期的研究多在小范圍內進行，國家和區域尺度的少之又少。隨著3S技術的發展，最近的研究已經紛紛轉向較大的區域，探討各種DSM方法在大尺度上的適用性[64]。例如，劉京等[65]以新疆伊犁表層SOC為研究對象，提出了基于樣點“個體代表性”推測土壤養分，合理地利用了質量不是很好的采樣點數據，在樣點數據上進行了突破。

(2)從簡單到復雜的景觀。簡單景觀是指只有一兩個環境因素控制土壤格局，土壤-環境關系幾乎是線性的；復雜景觀是指3個或3個以上的環境因素,土壤-環境關系是非線性的、非平穩的[62-63]。對于前者，即使是線性回歸也能很好地解釋協變量(如地形屬性)與土壤變量之間的關系。但對于后者，必須使用機器學習算法來模擬土壤變化。

(3)從二維到多維。傳統的二維土壤圖通常只是顯示表層土壤養分的空間分布，不足以表達土壤的深度，甚至是顏色、紋理、光譜、溫度和濕度等信息。因此，在土壤建模中需要開發更多的虛擬現實技術。Mulder等[66]開發了一個繪制土壤主要性質(黏土、沙土、pH值、SOC、陽離子交換量和土壤深度等)的自動程序，其精度大多在合理范圍內，為法國提供了第一個全球土壤圖。

(4)從樣點數據到遙感數據。隨著衛星遙感技術的迅速發展，遙感已經成為一種強有力的工具。為解決大規模準確預測土壤養分空間分布格局開辟了新的數據源[53-54]。Wang等[67]以多光譜遙感數據、地形、氣候等12個環境變量為基礎，結合增強回歸樹模型，預測表層SOC含量，結果表明：在自然植被較密集的森林生態系統進行土壤養分預測的關鍵環境變量是遙感數據。