豫西典型烟田土壤颗粒组成的空间变异性分析

江厚龙，王新中，刘国顺，胡宏超，刘清华

（1.河南农业大学烟草学院，国家烟草栽培生理生化研究基地，郑州 450002；2.重庆烟草科学研究所，重庆 400715；3.云南省烟草公司大理州公司，云南 大理 671000；4.河南省烟草公司平顶山分公司，河南 平顶山 467000）

土壤是由大小和性状不同颗粒组成的时空连续变异体，在不同尺度上均具有一定程度的空间变异性。Fisher统计学原理对其空间变异性进行描述，忽视了样点间的空间相关性。随着地统计学的快速发展和广泛应用，逐渐成为能有效揭示变量在空间上的分布、变异和相关的优良方法[1-4]。Facchinelli等[5]利用GIS方法研究了意大利皮埃蒙特区土壤重金属变异性，并绘制重金属含量分布图；Kheir等[6]基于GIS技术研究了黎巴嫩土壤锌空间分布状况；Kravchenko等[7]研究农田管理对土壤表层矿物态碳的空间变异性影响；Motaghian等[8]利用地统计学方法研究了伊朗半干旱区土壤渗透率。贾艳红等[9]利用地统计学方法研究了黑河下游地下水波动带的土壤盐份空间变异性特征；师荣光等[10]采用地统计学方法对江苏农业区土壤砷含量的空间变异性进行了分析；马宁远等[11]应用地统计学方法研究了外来入侵有害生物烟粉虱危害新疆棉田的时空动态、种群分布面积变化与扩散趋势，并依此对昆虫种群的扩散模型进行了模拟。

烟草是我国重要的经济作物，对质量有着较为严格的要求。土壤保肥和供肥能力对烟田肥料管理和烟草质量起着至关重要的影响，特别是氮、磷和钾肥[12]。研究土壤颗粒组成空间分布特征有利于对烟田进行科学管理，为生产出优质烟叶提供科学依据。土壤颗粒组成影响其持水性、通透性、保水和保肥能力，决定着土壤物理、化学和生物学过程。其空间变异性是农户确定施肥量和施肥时期的重要依据。地统计学方法也适用于土壤颗粒空间特征的研究，He等[13]利用这种技术研究了土壤质地的三维空间分布特征，Jia等[14]定量分析了荒漠区土壤颗粒的空间变量情况，高俊等[15]研究农田土壤颗粒组成及其剖面分层的各向异性和趋势效应，黄冠华等[16]研究了土壤颗粒的分形特征，黄绍文等[17]利用地统计学研究了土壤养分与土壤颗粒组成间的关系。由于受到各种因素的影响，土壤颗粒组成的空间分布常呈现显著的趋势特征、空间自相关性和异向性分布。目前未见系统分析土壤颗粒组成的空间自相关性、趋势性和各向异性的报道。

本研究旨在利用地统计学方法和GIS技术，以平顶山地区典型烟田土壤为研究对象，定量分析了土壤颗粒组成的趋势性、空间相关性和各向变异性，并在此基础上绘制土壤颗粒组成的空间局部插值图，探讨土壤颗粒组成的结构性及其对土壤供肥能力的影响，为烟田精准施肥提供理论基础。

1 材料与方法

1.1 研究区域概况

研究区位于平顶山市郏县的典型烟田（113°17′8″N、33°53′5″E），面积约为 87 hm2，土壤成土母质为由花岗岩类风化剥蚀形成石英砂、黏土矿物、微量元素和稀土元素等组成。该区属暖温带大陆性季风气候，光照充足，四季分明。年均气温14.6 ℃，无霜期220 d左右，≥10 ℃的活动积温为4734.9 ℃，年日照时数2232.2 h。年均降雨量680 mm，7—9月份降雨量占全年的70%左右，属“丘陵干热少雨区”，高温与多雨同步。

1.2 样品采集与分析

研究于2007年3月整地施肥前用100 m间隔的“网格法”取耕层（0～20 cm）土壤样品81个，每样点GPS定位其坐标，每点坐标在ArcGIS中转换为大地坐标，以便于地统计分析（图1）。采样时以网格点为圆心，5 m为半径的范围内采集10钻充分混合为该点的混合样本。土样经自然风干，磨碎、过筛，采用比重计法测定土壤颗粒组成[18]。按国际制标准，将土壤颗粒划分为砂粒（0.02～2 mm）、粉粒（0.002～0.02 mm）、黏粒（＜0.002 mm）3个等级。

图1 试验区土壤采样点分布图Fig.1 Soil sampling points and boundary of study area

1.3 数据处理

本研究利用 SPSS13.0进行异常值剔除、描述性统计和正态分布检验，应用GS+和ArcGIS 9.0软件进行地统计分析。

2 结果与讨论

2.1 土壤颗粒组成的描述性统计

对土壤颗粒组成数据进行统计特征分析是建立变异模型的前提和基础。利用SPSS软件对81个采样点的颗粒组成数据进行了常规统计分析，结果见表1。

由表1可知，根据Cohran[19]方法计算研究区域的合理取样数。结果表明，本研究取 81个样品在95%置信区间条件下能满足试验要求。变异系数（CV）分析可以看出，研究区域土壤颗粒组成各成份均属于中等变异程度[20]，变异系数为黏粒 ＞ 砂粒 ＞ 粉粒。而陈洪松等[21]的研究表明，砂粒的变异系数最大，黏粒次之，粉粒最小，三者均属弱变异性，且最大变异系数为9.6%。

由于常规统计是反映整块地的总体情况，掩盖了具体位置的变异信息，因此，有必要进一步进行地统计学分析[22]。由偏度、峰度和Kolmogorov—Smirnov（P＞0.05）检验可知，土壤颗粒组成的3种成分测定数据均符合或近似符合正态分布的要求（表1）。因此，数据满足地统计学分析要求。

2.2 土壤颗粒组成的趋势分析

土壤颗粒组成的空间分布主要受成土母质和气候条件的影响，往往呈现出明显的趋势特征。因此，有必要对土壤颗粒组成做趋势面分析。趋势面分析（Trend analysis）能将研究区平面上的点转化为以属性值为高度的三维图，然后将属性值按两个方向投影到与地图平面垂直相交的平面上。它反映了某种属性在空间区域上变异的主体特征，揭示了属性空间变异的总体规律。分析时利用空间抽样数据来拟合一个数学曲面以反映空间分布的变化情况。它可以分为趋势面和偏差两大部分[23]，其中趋势面反映了空间数据总体变化趋势，受全局性、大范围的因素影响。

图2为土壤颗粒组成的趋势效应图。图中X轴表示正东方向，Y轴表示正北方向，Z轴表示各点实测值的大小。从图2可以看出，机械组成呈现出一阶、二阶甚至多阶趋势。为了更准确地模拟短程随机变异，在半方差分析时将去除这些趋势，但在Kriging插值结果中将恢复趋势性，以获取有切合实际的插值结果[24]。

表1 土壤颗粒组成的描述性统计Table 1 Descriptive statistics of soil particle composition

图2 土壤颗粒组成的趋势效应Fig.2 Trend analysis of soil particle composition

由图2可知，黏粒从西向东呈逐渐上升的趋势，而从北向南呈逐渐下降趋势，从西南向东北方向表现出先降后升趋势，呈现“U”字形；而由东南向西北方向呈逐渐降低趋势。砂粒由西向东呈先降低而后略微升高趋势；从西南向东北方向为先升后降，而呈倒“U”字形；由东南向西北则呈现出先降后升趋势。粉粒在东西和南北方向均呈略微下降趋势，由西南向东北方向呈直线下降，由东南至西北方向呈略升而后略降趋势。

2.3 土壤颗粒组成的空间自相关性分析

Moran’s I可以定量描述变量的空间相关性程度[25]。本研究运用 GS+软件中 Moran’s analysis 模块对土壤颗粒组成的 Moran’s I进行分析。由图 3可知，黏粒、砂粒和粉粒的空间自相关性具有相似的变化趋势，滞后距较小的点对呈显著的空间自相关性；随着滞后距的增大，空间自相关系数逐渐向负方向增长，呈现出负空间自相关性，表现简单的斑块状分布。

黏粒的空间自相关性变化比较明显，当步长在0～400 m范围内，步长与Moran’s I值呈现较强的正相关关系，且空间自相关程度随步长增大而降低；步长在400 m左右出现零值，表现出零相关；步长超过400 m后出现负相关关系，且在530 m左右负相关关系稳定，相关性不再随步长增加而变化。砂粒的Moran’s I值的变化趋势与黏粒相似，但零值和平稳点出现较黏粒早，说明砂粒的空间自相关性较黏粒小。粉粒的 Moran’s I值变化较前两者弱，步长在0～280 m范围时，步长越小，相关性越强，当步长大于280 m时，Moran’s I值几乎为零，说明当步长大于280 m时，粉粒的空间自相关关系消失。

Moran’s I分析表明，黏粒、砂粒和粉粒均在一定范围内存在着空间自相关关系。黏粒的空间自相关性较其他两种强，且自相关性变化剧烈；砂粒次之；粉粒空间自相关性最弱，自相关距离最短。由此可知，黏粒的结构性最好，空间自相关性最强；砂粒次之；粉粒的结构性最差，空间自相关性弱。

2.4 各向异性下半方差函数分析

半方差函数在各个方向上区域化变量变异性不同称为各向异性。各向同性是相对的，各向异性是绝对的[26]。就区域化变量而言，半方差函数不仅与步长有关，而且还与方向有关[27]。由表2知，黏粒、砂粒在45°、90°和135°方向上；粉粒在12°和135°方向上的各项异性比均接近1或为1，说明他们在这些方向上的差异性不明显；黏粒和砂粒在12°方向上的差异性均较大；而粉粒则在 90°和 45°方向上的差异性均较大，尤其是在 90°方向上。总体来看，该研究区域内的土壤颗粒组成在各方向上的变异性较小，这可能与该区相同的成土母质、气候条件、耕作制度、农事操作和田间管理有关。

图3 土壤颗粒组成的Moarn’s I系数Fig.3 Moran’s for soil particle composition indices

表2 土壤颗粒组成各向异性半方差函数理论模型及相关参数Table 2 Theoretical models and corresponding parameters for anisotropic semivariogram of soil particle composition

2.5 各向同性下半方差函数分析

地统计学中的各向同性是指在计算变异函数时不区分方向，只要在步长范围内的点均可参与计算。为了揭示该区域土壤颗粒组成的空间分布状况，将土壤颗粒组成的变异函数列入表3，图4为去除趋势效应时的变异函数图。由表3可知，砂粒和黏粒为球状模型，粉粒为指数模型，其决定系数分别为0.99、0.99和0.97，残差分别为0.69、7.44和1.03，因此拟合效果较好；他们的变异函数曲线比较平稳，说明在整个尺度上各种生态过程同等重要[28]。刘付程等[24]研究表明，砂粒和粉粒为指数模型，黏粒为球状模型。

表3 土壤颗粒组成半方差函数理论模型及有关参数Table 3 Theoretical models and corresponding parameters for semivariogram of soil particle composition

图4 土壤颗粒组成半方差函数理论模型Fig.4 Experimental and model-fitted semivariograms of soil particle composition

Li等[29]认为，空间异质性主要有两部分组成：随机部分和自相关部分。块金值表示随机部分的空间异质性，是由试验误差和小于取样尺度引起的变异，较大的块金方差值表明较小尺度上的某种过程不容忽视；基台值表示系统内总变异；块金系数表示随机因素引起的变异占系统总变异的比例；从结构性因素角度来看，块金系数可以表示系统变量的空间相关性程度。

由表3可知，三者均有较大的块金值和基台值，说明试验误差和小尺度引起的变异较大，且总变异也较大。砂粒、黏粒和粉粒的块金系数分别为19.19%、18.76%和 43.82%，说明砂粒和黏粒具有较强的空间相关性和较好的结构性；粉粒具有中等空间相关性，且结构性较差；三者空间相关性主要由结构性因素引起的，人为因素只能减弱空间相关性，使其朝均一化方向发展[30]。刘作新等[31]研究表明，砂粒和粉粒的块金系数较小（0.21%和0.22%），黏粒的块金系数较大（21.3%）。综合分析显示，分维数与块金值及块金系数呈现正比例关系，与空间自相关性呈现反比例关系。

2.6 Kriging插值分析

土壤属性在空间分布上既具有随机性，又具有相关性。经典统计学不能分析其空间分布和空间变异结构。随着地统计学的发展，将 Kriging插值法引入到土壤特性空间变异性研究，使得土壤特性研究变得简单化。

为了更直观地了解土壤颗粒组成的空间分布和变化特征，本研究利用 Kriging最优内插法绘制了土壤颗粒组成空间分布图（图5）。从图中可直观地了解土壤颗粒组成的不同粒级土粒含量的空间分布特征。结果表明，土壤砂粒、粉粒和黏粒含量均呈现较明显的渐变性分布规律。土壤砂粒含量以北部较高，西南部较低；粉粒和黏粒含量的分布与砂粒的分布基本呈相反的趋势。根据黏粒含量，土壤颗粒组成可分为砂土类、壤土类（黏粒含量＜15%）、粘壤土类（15%＜黏粒含量＜25%）和粘土类（黏粒含量＞25%）[18]。因此，该区域土壤颗粒组成包括壤土和粘壤土两类，壤土占了研究区域土壤的绝大部分，粘壤土仅在西南角有小块分布。

图5 土壤颗粒组成的空间分布图Fig.5 Contour maps of soil particle composition

3 结 论

黏粒和砂粒的最优半方差函数模型为球状模型，粉粒为指数模型。砂粒和黏粒具有强烈的空间相关性和较好的结构性，粉粒具有中等空间相关性，且结构性较前两者差。黏粒的趋势效应最强，空间变异性最大；砂粒空间变异性不大，具有一定的趋势效应；粉粒的趋势效应不明显，三者的各向异性均不明显。

Kriging插值显示，该区域砂粒含量以北部较高，西南部较低；粉粒和黏粒含量的分布与砂粒的分布基本呈相反的趋势；该区壤土占了绝大部分面积，黏壤土仅在西南角有小块分布。

[1]Burgess T M, Webster R.Optimal interpolation and isarithmic mapping of soil properties, I, The semi-variogram and punctual kriging [J].J.Soil Sci.,1980, 31: 333-341.

[2]Webster R.Quantitative spatial analysis of soil in the field[J].Advance in Soil Science, 1985, 3:1-70.

[3]Mckinion J M, Willers J L, Jenkins J N.Spatial analyses to evaluate multi-crop yield stability for a field [J].Comput.Electron.Agric, 2010, 70: 187-198.

[4]Fu W J, Hubert Tunney, Zhang C S.Spatial variation of soil nutrients in a dairy farm and its implications for site-specific fertilizer application [J].Soil and Tillage Research, 2009, 1-9.

[5]Facchinelli A, Sacchi E, Mallen L.Multivariate statistical and GIS-based approach to identify heavy metal sources in soils [J].nvironmental Pollution, 2001, 114(3):313-324.

[6]Kheir R B, Greve M H, Abdallah C, et al.Spatial soil zinc content distribution from terrain parameters: A GIS-based decision-tree model in Lebanon [J].nvironmental Pollution, 2009, 158: 520-528.

[7]Kravchenko A N, Hao X M.Management practice effects on spatial variability characteristics of surface mineralizable [J].Geoderma, 2008, 144: 387-394.

[8]Motaghian H R, Mohammadi J.Predictive infiltration rate mapping with improved soil and terrain predictors [J].Journal of Applied Sciences, 2009, 9(8): 1562-1567.

[9]贾艳红，赵传燕，南忠仁，等.黑河地下水波动带土壤盐份空间变异性研究[J].土壤学报，2008，45（3）：420-430.

[10]师荣光，赵玉杰，周启星，等.苏北优势农业区土壤砷含量空间变异性研究[J].农业工程学报，2008，24（1）：80-84.

[11]马宁远，王惠卿，张伟，等.基于地统计学的新疆棉田烟粉虱（Bemisia tabaci（Gennadius）危害动态与时空分布[J].生态学报，2008，28（6）：2654-2662.

[12]刘国顺.烟草栽培[M].北京：中国农业出版社，2003.

[13]He Y, Hu K L, Chen D L, et al.Three dimensional spatial distribution modeling of soil texture under agricultural systems using a sequence indicator simulation algorithm[J].Comput.Electron.Agric, 2009: 1-8.

[14]Jia X H, Li X R, Zhang J G, et al.Analysis of spatial variability of the fractal dimension of soil particle size of Ammopiptanthus mongolicus’desert habitat[J].Environ Geol, 2009, 58: 953-962.

[15]高俊，黄元仿，李保国.农田土壤颗粒组成及其剖面分层的空间变异分析[J].植物营养与肥料学报，2003，9（2）：151-157.

[16]黄冠华，詹卫华.土壤颗粒的分形特征及其应用[J].土壤学报，2002，39（4）：490-497.

[17]黄绍文，金继运，杨俐苹，等.粮田土壤养分的空间格局及其与土壤颗粒组成之间的关系[J].中国农业科学，2002，35（3）：297-302.

[18]鲍士旦.土壤理化分析[M].北京：中国农业出版社，2000.

[19]Cochran W G.Sampling Techniques [M].New York: John Wiley ＆ Sons, 1977.

[20]王绍强，朱松丽，周成虎.中国土壤土层厚度的空间变异性特征[J].地理研究，2001，20（2）：161-169.

[21]陈洪松.坡面尺度土壤特性的空间变异[J].水土保持通报，2004，24（6）：45-48．

[22]陈义强，刘国顺，习红昂.微尺度下烟田铁的空间变异性及其烟叶铁的相关分析[J].生态学报，2009，29（3）：1448-1458.

[23]Trangmar B B, Yost R S, Uehara G.Application of geostatistics to spatial studies of soil properties[J].Adv.Agron., 1985, 38: 44-94.

[24]刘付程，史学正，潘贤章，等.苏南典型地区土壤颗粒的空间变异特征[J].土壤通报，2003，34（4）：246-250.

[25]Cliff A D, ORD J K.Spatial Processes: Models and Applications [M].London: Poin limited, 1981: 6-46.

[26]王政权.地统计学及其在生态学中的应用[M].北京：科学出版社，1999.

[27]李保国.分形理论在土壤科学中的应用[J].土壤学进展，1994，22（1）：1-9.

[28]Burrough P A.Multiscale sources of spatial variability in soil variation [J].Soil Sci., 1983, 34: 577-579.

[29]Li H, Reynolds J F.On definition and quantification of heterogeneity[J].Oikos, 1995, 73: 280-284.

[30]苏永中，赵哈林.科尔沁沙地农田沙漠化演变中土壤颗粒分形特征[J].生态学报，2004，24（1）：71-75.

[31]刘作新，唐力生.褐土机械组成空间变异等级次序地统计学估计[J].农业工程学报，2003，19（3）：27-32．