基于地統計學的植煙土壤碳氮含量空間變異性研究

摘要：有機碳和全氮含量是影響土壤肥力與作物產量的重要土壤因子，區域內土壤碳氮含量的分布情況直接影響作物生產。通過解析云南省保山市煙區土壤碳氮含量空間分布情況，為區域植煙土壤肥力改良和優質烤煙生產提供科學依據和數據支撐。對保山市5縣（區）72個植煙土壤點進行采樣，測定土壤容重、田間持水量、土壤含水量、土壤酸堿度、有效土層厚度、土壤全氮含量和土壤有機碳含量等7項指標，采用徑向基函數神經網絡模型和克里格法建立土壤碳氮含量與土壤理化因子間的相關關系，預測土壤有機碳含量和全氮含量的空間分布特征。土壤碳氮含量與理化指標間的相關性分析表明，土壤全氮含量與土壤容重、土壤pH值呈顯著負相關關系（Plt;0.05），相關系數分別為 -0.235、-0.170；土壤有機碳含量與田間持水量、土壤含水量呈極顯著正相關關系（Plt;0.01），相關系數分別為0.555和0.452；土壤有機碳含量與土壤pH值呈顯著正相關關系，相關系數為0.190；土壤有機碳含量與土壤容重呈極顯著負相關關系，相關系數為-0.636；土壤碳氮關系可用線性回歸方程y=10.69+4.37x（r2=0.137，n=72）表示；土壤平均全氮含量2.01 g/kg，土壤平均有機碳含量為33.60 g/kg，土壤平均碳氮比為16.71。徑向基函數神經網絡模型較多元回歸模型對驗證樣點土壤全氮含量和有機碳含量的預測值與實際觀測值的相關系數分別提高0.037和0.031，表明土壤理化因子與土壤碳氮含量之間的復雜關系能夠通過徑向基函數神經網絡模型更準確地描述出來；47個驗證點預測結果誤差分析表明，與普通克里格法和回歸克里格法相比，徑向基函數神經網絡模型和普通克里格法相結合的方法明顯減低了土壤有機碳和全氮含量預測結果的平均絕對誤差、均方根誤差和平均相對誤差。保山市5縣（區）土壤碳氮含量由北向南存在明顯差異，相關性分析結果表明，植煙區內的土壤理化因子對土壤有機碳含量和全氮含量的影響較大。因此，在烤煙生產上，應根據預測結果因地制宜，針對不同區域制定施肥方案，合理調控有機肥和氮肥的施用，保障烤煙高質量生產。

關鍵詞：地統計學；土壤碳氮含量；空間分布；徑向基函數神經網絡模型；變異性

中圖分類號：S572.06" 文獻標志碼：A

文章編號：1002-1302（2024）04-0231-08

收稿日期：2023-08-17

基金項目：云南省煙草公司科技計劃重點項目（編號：2020530000241021）；云南省科技計劃重大科技專項（編號：202202AE090015）。

作者簡介：周旭東（1999—），男，云南昆明人，碩士研究生，研究方向為資源利用與植物保護。E-mail：1018595481@qq.com。

通信作者：楊佩文，博士，研究員，主要從事土傳病害防控技術研究。E-mail：398036877@qq.com。

土壤有機碳和全氮是土壤質量、土壤肥力的物質基礎，是植物養分的重要來源和保障陸地生態系統可持續利用的關鍵因子［1-3］。然而，氣候變化、土地類型等自然條件以及土地利用、耕作管理等人為因素直接或間接地影響土壤碳氮的空間分布，導致土壤肥力區域分布不均勻、肥力指標區域間差異性大等問題，嚴重削弱了特定區域內土壤生產力的持續性［4-5］。研究植煙區土壤碳氮空間變異規律，準確預測其空間分布特征，對指導植煙區土壤養分管理，促進煙草產業持續健康發展具有重要意義。

隨著地統計學的飛速發展，農業生態系統中土壤養分與土壤理化性質、地形氣候條件等因素的相關性特征對全球碳氮循環的效應已成為當前研究熱點之一。開展區域土壤質量評價，分析預測土壤碳氮空間分布的變異性是土地資源可持續利用的重要組成部分。利用樣點數據進行空間插值分析，由于只考慮了土壤碳氮的空間自相關，不能很好地反映土壤碳氮與土壤物理指標和其他化學指標之間的關系，因而很難精確地揭示復雜環境下土壤碳氮的空間分布規律［6-7］。例如，利用普通克里格法、回歸克里格法和多元線性回歸法等方法對土地碳氮空間變化進行了大量的分析研究，并將其與土壤的空間自相關性及土壤理化指標之間的異相關性進行分析［8-11］。已有的研究結果顯示，不同類型的土壤物理指標與pH值、土壤碳氮含量之間存在顯著相關關系，而采用克里格法和多元線性回歸法無法較好地反映出不同的土壤物理指標與pH值、土壤碳氮含量之間的相互影響［12-13］。因此，如何準確確定土壤碳氮分布和土壤物理指標及pH值的變化關系，還需要進行更深入的研究。徑向基函數神經網絡模型是一種基于計算機模擬生物機制的分析方法，該方法利用較強的非線性計算能力和詳述性，建立并準確解釋目標變量與多元環境因子間的復雜非線性映射關系，已在土壤養分空間分布特征規律分析預測中受到廣泛應用［5，8，14-15］。

目前，國內關于土壤碳氮空間分布的研究主要集中在濕地、森林、草原、平原、河谷等陸地生態系統，對區域尺度下的植煙土壤碳氮空間分布特征規律尚未有系統研究。為此，本研究以云南省保山煙區為研究對象，基于土壤碳氮空間分布的相關性特征，結合土壤理化因子，采用徑向基函數神經網絡模型和克里格法系統分析該區域土壤有機碳和全氮的空間分布格局，以期為區域植煙土壤合理施肥、優質烤煙種植及可持續發展奠定基礎。

1 材料與方法

1.1 "研究區域概況

保山市位于云南省西部（98°25′～100°02′E，24°08′～25°51′N），地勢由西北向東南延伸傾斜，海拔535～3 780 m，屬低緯山地亞熱帶季風氣候，具有獨特的立體氣候條件，年平均氣溫15.5 ℃，年降水量700～2 100 mm。土壤類型主要有紅壤、紫色土、黃棕壤、石灰性土和水稻土，宜于優質烤煙生產。保山市是云南省重要的優質煙區之一，對于行業發展具有重要影響。據統計，2020年全市煙草種植總面積約2.83萬hm2，收購煙葉總量5.725萬t。

1.2 土壤樣品采集與分析測定

2021年4月在云南省保山煙區的基本煙田采用全球定位系統（GPS）定位技術進行定位取樣（98°28′42″～99°41′02″E，24°28′31″～25°33′06″N），采集點均種植烤煙達5年以上，共收集到代表性土壤樣本72份，采樣地海拔1 120～2 030 m（圖1）。在冬季作物收獲后采集土壤樣本，選取的樣本具有代表性和均勻性，并遵循全國耕地地力調查與質量評價相關操作技術規程。利用“Z”字形取樣法采集田塊0～20 cm的耕層土壤，每點取1.0～1.5 kg土樣混勻，用四分法取2 kg土樣裝入取樣袋送回。選用規格為高5 cm、容積 100 cm3 的環刀在0～20 cm耕層土壤取樣，每個取樣點5次重復，環刀樣扣蓋密封后帶回實驗室。

將取回的土壤樣本登記編號，風干去除雜質，研磨過篩后進行土壤養分含量測定。土壤pH值、有機碳含量、全氮含量、容重、田間持水量和土壤含水量的分析方法參照文獻［16］進行。

1.3 數據統計及研究方法

1.3.1 土壤碳氮儲量計算方法

土體碳氮儲量的計算公式為

Nmass=C×B×H×104 。 "（1）

式中：Nmass表示土壤中全氮或有機碳儲量， kg/hm2；C表示土壤全氮或有機碳質量分數，%；B表示土壤容重，kg/m3；H表示土層厚度，m。

1.3.2 人工神經網絡模型和地統計學方法

本研究以徑向基函數神經網絡模型為主要分析方法，徑向基函數神經網絡模型的輸入端變量為土壤容重、田間持水量、土壤含水量、土壤酸堿度和有效土層厚度5個土壤理化因子，輸出端變量為土壤有機質和全氮含量。以此來建立神經網絡模型，分析土壤理化因子與土壤有機質含量、全氮含量的相關關系，并且確定神經網絡模型各參數。

在回歸克里格法的應用下，對神經網絡模型的預測分析結果殘差進行半方差分析，旨在得出半方差模型的最優組合。在ArcMap 10.7中利用普通克里格法進行神經網絡模型預測結果的空間內插。將徑向基函數神經網絡模型預測結果與普通克里格法預測結果相疊加，得到土壤有機碳含量和全氮含量的空間分布預測結果。

1.3.3 對照方法

對照方法選用普通克里格法和回歸克里格法，對植煙區土壤有機碳和全氮含量的空間分布進行預測。預測結果與神經網絡模型和回歸克里格法相加得到的預測結果作對比。

1.3.4 精度驗證

土壤樣點中驗證點與建模點的抽取由ArcMap 10.7中的Create Subsets統計分析模塊完成，隨機抽取30%作為驗證點，共22個，70%作為建模點，共50個。選取平均絕對誤差（MAE）、平均相對誤差（MRE）和均方根誤差（RMSE）3個評價分析指標，評價分析建模點和驗證點的預測值與實際值。MAE、RMSE和MRE這3個評價值的大小直接決定預測結果的誤差，誤差越小、模擬精度越高，評價結果越精確。

采用Excel2016進行數據統計整理，采用ArcMap 10.7地統計軟件進行土壤全氮含量和土壤有機碳含量空間預測，SPSS 22.0進行數據分析，SigmaPlot 12.5 進行圖形繪制。

計算公式如下：

MAE=1n∑ni=1｜Z＾i-Zi｜；（2）

MRE=1n∑ni=1｜Z＾i-Zi｜×100%；（3）

RMSE=1n∑ni=1（Z＾i-Zi）2。（4）

式中：Z＾i表示第i 個樣點的預測值；Zi表示第i 個樣點的實際觀測值；n表示樣點數。

2 結果與分析

2.1 植煙區土壤理化性質及土壤養分特征分析

保山煙區土壤理化性質概況具體如表1所示。其中，土壤容重均值為1.23 g/cm3，值域范圍 0.86～1.50 g/cm3；田間持水量均值為40.34%，值域范圍26.67%～67.51%；土壤含水量均值為18.68%，值域范圍6.91%～51.44%；土壤pH值介于4.40～8.32之間，土壤平均pH值為6.37；有效土層厚度均值為19.27 cm，值域范圍10.00～32.50 cm。從5項土壤理化指標的變異程度看，土壤容重、田間持水量、土壤pH值和有效土層厚度的變異系數小于30.00%，為低等變異性；土壤含水量的變異系數為49.13%，介于30.00%～100.00%之間，為中等變異性。土壤理化指標數據正態性檢驗結果發現，土壤容重、田間持水量、土壤含水量、土壤酸堿度和有效土層厚度的偏度絕對值小于3，且峰度絕對值小于10，表明這5項土壤理化指標呈正態分布。

保山煙區土壤養分含量概況如表2所示，土壤平均全氮含量為2.01 g/kg，值域范圍0.69～4.77 g/kg，極差為4.08 g/kg；土壤平均有機碳含量為33.60 g/kg，值域范圍7.80～105.80 g/kg，極差為 98.00 g/kg；土壤平均碳氮比為16.71，值域范圍 1.41～51.18，極差為49.77；土壤平均氮儲量為4.68 kg/hm2，值域范圍1.42～14.05 kg/hm2，極差為12.63 kg/hm2；土壤平均碳儲量為45.08 kg/hm2，值域范圍11.89～138.96 kg/hm2，極差為 127.06 kg/hm2。從5項土壤養分指標的變異程度看，土壤全氮含量、有機碳含量、碳氮比、碳儲量和氮儲量的變異系數均在35.00%～100.00%之間，為中等變異性。5項土壤養分數據正態性檢驗結果顯示，土壤全氮含量、有機碳含量、碳儲量和氮儲量的偏度絕對值小于3且峰度絕對值小于10，表明這4項土壤養分指標呈正態分布，土壤碳氮比則呈偏態分布。

2.2 植煙區土壤碳氮相關性特征分析

植煙區土壤全氮含量和有機碳含量的分布頻率如圖2所示。可以看出，土壤全氮含量主要集中在0.69～2.73 g/kg，該含量范圍內的土壤全氮占土壤總樣本的61.24%，土壤全氮含量大于2.73 g/kg的土壤樣本占13.89%；土壤有機碳含量主要集中在7.8～49.8 g/kg，該含量范圍內的土壤有機碳占土壤總樣本的63.18%，其中以有機碳含量介于21.8～35.8 g/kg的占比最高，為34.57%，土壤有機碳含量介于7.8～21.8 g/kg的土壤樣本占14.37%，土壤有機碳含量大于49.8 g/kg的土壤樣本占9.32%。

根據土壤碳氮比高低，將土壤碳氮共濟關系分成3 種類型：5≤土壤碳氮比＜12、12≤土壤碳氮比≤18、土壤碳氮比＞18。將土壤碳氮比＜9或＞12作為土壤碳氮失衡類型，土壤碳氮比在9～12之間作為土壤碳氮平衡類型。植煙區72個土壤樣點數據中，土壤碳氮比小于12的有30個，大于18的有13個，分別占41.67%和18.06%，土壤碳氮比處于平衡類型的有29個，占40.28%。從土壤碳氮含量的相關關系（圖3）上看，土壤全氮含量和有機碳含量的關系呈顯著線性正相關，用線性回歸方程 y=10.69+4.37x（r2=0.137，n=72，Plt;0.05）表示。土壤全氮含量和土壤有機碳含量之間呈正相關關系，表明土壤全氮含量的變化規律總體上與有機碳含量相同，土壤碳氮含量之間出現協同變化關系。

基于72個樣點數據，分析植煙區土壤有機碳含量、全氮含量與土壤理化指標間的相關性（表3），結果發現，植煙區土壤全氮含量與土壤容重、土壤pH值呈顯著負相關關系（Plt;0.05），相關系數分別為-0.235和-0.170，表明土壤容重越大，土壤全氮含量越低，土壤pH值越低，土壤全氮含量越高；土壤有機碳含量與田間持水量、土壤含水量呈極顯著正相關關系（Plt;0.01），相關系數分別為0.555和0.452，土壤有機碳含量與土壤pH值呈顯著正相關關系，相關系數為0.190， 土壤有機碳含量與土壤容

重呈極顯著負相關關系，相關系數為-0.636，表明土壤容重越大，土壤有機碳含量越低，土壤田間持水量、含水量和pH值越高，土壤有機碳含量越高。土壤全氮含量和土壤理化性質間的相關性與土壤有機碳含量存在較大差異。相關性分析結果表明，植煙區內的土壤理化因子對土壤有機碳和全氮的含量影響較大。

2.3 土壤碳氮空間分布神經網絡預測及回歸預測

經逐步篩選，明確預測植煙區土壤全氮和土壤有機碳含量的最適網絡隱層節點數分別為12、8，利用該參數完成對植煙區土壤全氮含量和有機碳含量空間分布的神經網絡模型預測。同時，采用多元線性回歸法對植煙區土壤全氮和有機碳含量分布進行回歸預測，其中，土壤全氮含量線性回歸方程可表示為STN=8.279-3.809BD-0.045FMC+0.009WC-2.135ETL+0.073pH（F=1.419，Plt;0.01），土壤有機碳含量線性回歸方程可表示為 SOC=64.827-39.792BD+0.028FMC+0.296WC-8.396ETL-0.233pH（F=11.688，Plt;0. 01）。由表4可知，將徑向基函數神經網絡模型和多元線性回歸法對土壤全氮含量、有機碳含量的分析預測值與實際測定值進行相關性分析，結果表明，徑向基函數神經網絡模型對土壤有機碳含量、全氮含量的預測結果與實測結果的相關系數高于多元線性回歸法的分析結果。具體來說，徑向基函數神經網絡模型相較于多元線性回歸法，對土壤全氮含量和有機碳含量建模樣點的預測值與實測值的相關系數分別增加了0.059、0.051，驗證樣點的相關系數分別增加了0.037、0.031；進一步表明徑向基函數神經網絡模型能更有效地闡述土壤養分指標與多種環境因子間的復雜相關關系。

2.4 土壤碳氮含量半方差分析結果

由表5 可知，土壤有機質與全氮含量中各數據項模型為球狀，決定系數都在0.81以上，說明該模型具有較好的擬合程度，能夠準確體現各項指標的空間結構特征。從數據上可以直觀看出，土壤有機質含量與全氮含量塊金效應的平均值在0.78左右，變程為6.50和6.00，這說明全氮含量與有機質含量這2個指標具有較好的空間相關性，有一定的空間自相關范圍。回歸方程和神經網絡模型預測殘差分析的半方差結果得出，2個指標殘差的塊金效應和變程較原變量略微下降，表明其相較于原變量的空間結構特征變化不明顯。

2.5 土壤碳氮含量空間分布預測結果

從圖4的預測結果可以看出，整個保山市土壤有機質含量分布呈現出由北向南逐漸減少的趨勢，而土壤氮含量大致呈現出中間低，四周高的分布趨勢。3種預測方法所得到的結果基本一致，有機質和全氮高含量區與低含量區的位置和分布情況大致相同。使用普通克里格預測法（OK）預測有機質和全氮空間分布規律下，預測結果較為模糊，區域分布不明顯。在與回歸克里格法（RK）和徑向神經網絡模型結合普通克里格法（RBFNN_OK）相比較下，后者預測結果精確，區域有機質和全氮分布明顯，較為準確地體現出土壤營養的變化分布規律。

2.6 精度評價分析結果

由精度評價分析結果可知，OK這一種預測方法劣于RK和RBFNN_OK方法，且RBFNN_OK法對土壤有機質含量和全氮含量的預測精確度又明顯高于OK和RK（表6）。從3種方法對土壤碳氮含量的建模點擬合結果來看，OK與RK這2種方法對碳氮含量指標建模點的擬合誤差明顯高于RBFNN_OK法。從驗證點的預測精確度來看，OK與RK對土壤全氮含量預測結果的MAE、MRE、RMSE較RBFNN_OK分別上升15.3%、6.8%、6.3%和7.6%、3.2%、4.1%；OK與RK法對土壤有機質含量預測結果的MAE、MRE、RMSE較RBFNN_OK分別上升8.2%、8.9%、8.1%和4.5%、2.7%、0.4%。

3 討論

土壤有機碳和全氮在土壤肥效改良、土壤微生物群落調節、作物營養供給和生態環境改善等方面起著重要的作用。土壤pH值是影響土壤碳氮含量的指標之一，也是土壤質量變差的明顯表現形式；土壤pH值決定了特定區域內農田土壤肥力的大小，直接影響著土壤環境質量的改善和土壤保蓄能力的維持［16-18］。本研究中，不同區域尺度下植煙土壤pH值介于4.40～8.32之間，平均pH值 6.37；而pH值處于適宜煙草生長的5.50～6.50間的樣本量僅占總樣本的31.94%，土壤pH值大于7.0的樣本量占總樣本的38.89%。由表3可知，植煙區土壤pH值與土壤有機碳含量呈顯著正相關關系（r=0.190），但土壤pH值與土壤全氮含量呈顯著負相關關系（r=-0.170），這可能是由于施用的化學氮肥在硝化反應過程中產生了大量的H+和NO-3，從而降低了植煙區土壤的pH值［19］。現代農業生產中，施肥被認為是影響土壤碳氮含量的主要因素之一，且不同植煙區域施用肥料的種類及數量差異較大，一定程度上增加了土壤碳氮素的空間變異度，使得植煙區土壤碳氮含量空間分布特征和動態變化規律更加復雜［9，19］。有研究發現，由于絕大多數微生物對酸性較敏感，因而在某一特定區域內土壤微生物的各項生命代謝活動受土壤pH值高低的影響［20］。例如，土壤中的細菌、放線菌適宜定殖在中性或略偏堿性的環境中，當土壤pH值較低時其代謝活性會受到抑制，導致土壤有機碳的礦化速率降低；與此同時，當pH值較低時土壤中硝化微生物的生長繁殖受到限制，土壤養分的硝化反應亦會受抑制，影響土壤氮素循環［2，21-23］。

氣候環境條件在全球碳氮素生物地球化學循環過程中發揮著重要作用。一方面，全球氣候變化影響著土壤碳氮素的轉化和遷移，進而影響陸地生態系統植被的生物量和生產力，控制著土壤中碳氮素的持續輸入；另一方面，氣候環境通過調節土壤含水量、土壤溫度來影響微生物對土壤碳氮素的分解和轉化速率［24-27］。因此，土壤含水量和土壤溫度的綜合影響，決定了植煙區土壤碳氮素分布的地帶性特征。研究區植煙土壤田間持水量、土壤含水量均與土壤有機碳含量呈極顯著正相關關系，可能是保山煙區受低緯山地亞熱帶季風氣候影響，水熱條件充沛，因而土壤碳素轉化速率較快。研究表明，土壤團聚體和土壤有機碳含量受到土壤溫度和土壤水分變化的影響，同時，土壤有機碳的豐富程度與土壤含水量成反比［28］。湯潔等的研究也證明，土壤含水量的變化對土壤微生物的生物量和功能活性、維持土壤團聚體穩定性、改變土壤有機碳礦化速率等方面具有促進作用［29］。此外，不同的地形地貌、土壤類型、土地利用方式等因素對土壤碳氮空間分布特征規律具有一定的影響，后續研究還應進一步探索驗證，以實現提質增效和植煙土壤的可持續利用。

4 結論

從植煙區土壤全氮含量和有機碳含量關系上看，兩者呈顯著線性正相關關系，可用回歸方程y=10.69+4.37x（r2=0.137，n=72）表示，土壤平均碳氮比16.71，主要集中在6.54～19.94之間，占樣本總量的81.94%；土壤全氮平均含量2.01 g/kg，值域范圍 0.69～4.77 g/kg，土壤有機碳平均含量為33.60 g/kg，值域范圍7.80～105.80 g/kg，土壤全氮和有機碳含量豐富。土壤碳氮含量與土壤理化性狀相關性表明，土壤容重越大，土壤全氮含量越低，土壤pH值越低，土壤全氮含量越高；土壤容重越大，土壤有機碳含量越低，土壤田間持水量、含水量和土壤pH值越高，土壤有機碳含量越高。因此，在烤煙種植生產上，應當根據研究預測結果因地制宜，針對不同區域制定合理有效的施肥方案，合理調控有機肥和氮肥的施用。

參考文獻：

［1］Wang X Y，Yu D S，Wang C，et al. Variations in cropland soil organic carbon fractions in the black soil region of China［J］. Soil and Tillage Research，2018，184：93-99.

［2］Kuypers M M M，Marchant H K，Kartal B. The microbial nitrogen-cycling network［J］. Nature Reviews Microbiology，2018，16：263-276.

［3］李亞林，張旭博，任鳳玲，等. 長期施肥對中國農田土壤溶解性有機碳氮含量影響的整合分析［J］. 中國農業科學，2020，53（6）：1224-1233.

［4］余 逍，劉子琦，喻陽華，等. 黔西南石漠化區不同群落土壤碳氮磷垂直分異及化學計量特征［J］. 西南農業學報，2021，34（10）：2231-2239.

［5］李啟權，王昌全，張文江，等. 基于神經網絡模型和地統計學方法的土壤養分空間分布預測［J］. 應用生態學報，2013，24（2）：459-466.

［6］徐劍波，宋立生，彭 磊，等. 土壤養分空間估測方法研究綜述［J］. 生態環境學報，2011，20（增刊2）：1379-1386.

［7］楊奇勇，楊勁松，劉廣明. 土壤速效養分空間變異的尺度效應［J］. 應用生態學報，2011，22（2）：431-436.

［8］李啟權，王昌全，岳天祥，等. 基于神經網絡模型的中國表層土壤有機質空間分布模擬方法［J］. 地球科學進展，2012，27（2）：175-184.

［9］付傳城，章海波，涂 晨，等. 濱海蘋果園土壤碳氮空間分布及動態變化研究［J］. 土壤學報，2018，55（4）：857-867.

［10］Meersmans J，van Wesemael B，Goidts E，et al. Spatial analysis of soil organic carbon evolution in Belgian croplands and grasslands，1960-2006［J］. Global Change Biology，2011，17（1）：466-479.

［11］邱樂豐，楊 超，林芬芳，等. 基于環境輔助變量的拔山茶園土壤肥力空間預測［J］. 應用生態學報，2010，21（12）：3099-3104.

［12］楊煜岑，楊聯安，王 晶，等. 基于多元線性回歸模型的土壤養分空間預測：以陜西省藍田縣農耕區為例［J］. 土壤通報，2017，48（5）：1102-1113.

［13］Umali B P，Oliver D P，Forrester S，et al. The effect of terrain and management on the spatial variability of soil properties in an apple orchard［J］. CATENA，2012，93：38-48.

［14］Zhao Z Y，Yang Q，Benoy G，et al. Using artificial neural network models to produce soil organic carbon content distribution maps across landscapes［J］. Canadian Journal of Soil Science，2010，90（1）：75-87.

［15］王 慧，郭月峰，姚云峰，等. 不同土地利用方式下土壤碳氮磷化學計量特征［J］. 西南農業學報，2020，33（5）：995-1000.

［16］李 倩，李曉秀，吳會軍，等. 不同氣候和施肥條件下保護性耕作對農田土壤碳氮儲量的影響［J］. 植物營養與肥料學報，2018，24（6）：1539-1549.

［17］李 濤，于 蕾，萬廣華，等. 近30年山東省耕地土壤pH時空變化特征及影響因素［J］. 土壤學報，2021，58（1）：180-190.

［18］高 琳，龍懷玉，陳曉遠，等. 基于中國土壤系統分類土綱的河北省土壤有機碳和氮含量與密度對比分析［J］. 江蘇農業學報，2022，38（3）：657-665.

［19］張順濤，任 濤，周橡棋，等. 油/麥-稻輪作和施肥對土壤養分及團聚體碳氮分布的影響［J］. 土壤學報，2022，59（1）：194-205.

［20］徐仁扣. 土壤酸化及其調控研究進展［J］. 土壤，2015，47（2）：238-244.

［21］劉 霜，張心昱，楊 洋，等. 溫度對溫帶和亞熱帶森林土壤有機碳礦化速率及酶動力學參數的影響［J］. 應用生態學報，2018，29（2）：433-440.

［22］Moreau D，Bardgett R D，Finlay R D，et al. A plant perspective on nitrogen cycling in the rhizosphere［J］. Functional Ecology，2019，33（4）：540-552.

［23］張維理，Kolbe H，張認連. 土壤有機碳作用及轉化機制研究進展［J］. 中國農業科學，2020，53（2）：317-331.

［24］李 森，李 玲，樊 華，等. 川西北高寒沙地不同生態治理模式下土壤碳氮磷儲量及生態化學計量特征［J］. 應用生態學報，2020，31（8）：2567-2573.

［25］張旭博，孫 楠，徐明崗，等. 全球氣候變化下中國農田土壤碳庫未來變化［J］. 中國農業科學，2014，47（23）：4648-4657.

［26］仝金輝，胡業翠，杜章留，等. 廣西喀斯特移民遷入區土地利用變化對土壤有機碳和全氮儲量的影響［J］. 應用生態學報，2018，29（9）：2890-2896.

［27］妥 彬，田文斌，郭 超，等. 中國東部海島森林和灌叢土壤碳氮磷養分庫的緯度變化［J］. 應用生態學報，2019，30（8）：2631-2638.

［28］馬 芬，馬紅亮，邱 泓，等. 水分狀況與不同形態氮添加對亞熱帶森林土壤氮素凈轉化速率及N2O排放的影響［J］. 應用生態學報，2015，26（2）：379-387.

［29］湯 潔，婁 云，李 娜，等. 凍融作用下鹽堿水田土壤含水率和氮素對有機碳影響研究［J］. 生態環境學報，2012，21（4）：620-623.