基于遥感数据的孝义市土壤有机碳空间格局

张红丽，张吴平，冀美蓉，权腾

（山西农业大学 资源与环境学院，山西 太谷030801）

土壤有机碳作为土壤肥力以及环境质量状况的重要特性，是制约土壤理化性质的关键因素，保持土壤中充足的有机碳是土地可持续利用和作物高产的先决条件［1，2］。土壤有机碳空间格局的研究既是土地资源可持续利用的基础，又对研究土壤碳循环和全球气候变化相互作用具有重要意义。地统计学方法已经被证明是分析土壤特性空间分布特征及其变异规律的有效方法之一［3］，但其较少考虑到影响土壤有机碳空间分布的过程因素，无法全面模拟环境因子对土壤有机碳分布的影响，而且地统计方法耗时耗力，具有一定的不确定性［4］。遥感技术具有信息量大、周期短、效率高等优势，加快了土壤有机碳空间格局的研究步伐，但由于实际中受到植被覆盖等地面条件的限制，使得遥感技术测定的结果精度较低；地统计学方法虽然受到可获取性和时限性等的影响，但其具有较强的空间分析功能。二者结合可取长补短，充分发挥各自优势，使测定结果与实际更吻合。为此本文运用遥感技术与地统计学相结合的方法，在县域尺度上，对孝义市土壤有机碳空间格局进行了分析。并运用地统计方法印证基于遥感技术测定的土壤有机碳空间格局，使结果更符合实际情况，从而为田间的精确灌溉、精准施肥以及其他的农田精准管理提供更加高效科学的依据。

1 材料和方法

1．1 研究区概况

孝义市位于吕梁山脉中段东麓，晋中盆地西南隅。其地理坐标为东经111°21′～111°56′，北纬36°56′～37°18′。北与汾阳市毗邻，南与灵石县相连，西与交口县接壤，西北与中阳县相依，东南与介休市隔汾河相望。境域东西直线最长处为46km，南北直线最宽处为26．55km。总面积为948 km2，其中耕地面积占总面积的35．6%。地形由西北向东南呈现缓倾单斜态势。西部是石灰岩干石山区，中部是黄土丘陵区和台塬区，东部是平原区，海拔高度在731～1716m之间。孝义市属于暖湿带大陆性半干旱半湿润气候。孝义市年均气温10．1℃，年均日照2640．7h，年均降雨量486mm，其中年均降小雨63天，降中雨9天，降大雨3天。年均积雪深度6．5cm。全年平均无霜期为190天，霜冻期为10月上旬到次年4月中旬。

1．2 样品采集与数据处理

2008年冬在孝义市均匀采集表层（0～20cm）土壤样品200个，同时利用GPS记录样点坐标，并测定其土壤有机碳含量，将测定的采样点地理数据导入ArcGIS9．3中，生成土壤有机碳点状矢量分布图，并校正坐标，建立样点属性数据库。地理数据与属性数据间以采样点编号作为主键，将二者有机的结合起来。将制作好的分布图转换为．shp后缀格式，在ArcGIS 9．3中对数据进行正态性检验。为提高遥感影像测定土壤有机碳含量的精度，选取研究区影像来自国家资源遥感卫星中心2008年12月18日的中巴影像图，由于此时期的农作物已经收割完毕，多数土壤裸露，是遥感影像灰度值与地面对应点土壤有机碳含量实测值相关性较好的时期，也是土壤有机碳受植被覆盖影响较小的季节，有利于提高遥感影像测定土壤有机碳含量的精度。并对中巴影像进行了几何校正和辐射校正，将影像和基础地理数据投影转化，统一采用 WGS＿1984地理坐标系，最后用孝义市矢量图对遥感影像进行裁剪。研究区及样点空间分布如图1所示。

1．3 研究方法

1．3．1 研究技术路线

本研究综合运用了遥感、传统统计学、地统计学等相关学科的理论知识对土壤有机碳的空间格局进行分析研究，采用的技术路线如图2所示。

图1 研究区及样点空间分布情况Fig．1 Illustration spatial distribution of study area and samples

图2 技术路线图Fig．2 Illustration of method in this study

1．3．2 遥感技术测定法

将遥感影像解译后，对影像的B1～B5波段进行3×3中值滤波，达到平滑图像的目的，然后在ENVI中提取样本对应点在各波段上的灰度值。从实测的200个地面样点中选取100个点，在SAS软件中采用相关分析、多元逐步回归分析对土壤有机碳含量与遥感影像光谱值及其数学变换形式进行分析，建立土壤有机碳含量预测模型。通过相关分析发现土壤有机碳与（B1）2、（B3）2和 NDVI存在显著的相关性。将实测100个样点的土壤有机碳含量作为因变量，（B1）2、（B3）2和 NDVI作为自变量进行多元逐步回归分析［5］，得到回归方程：

从有机碳含量和遥感变量组的多元回归模型得知，方程的F值为5．01，p＜0．05，r2＝0．38。用剩余100个样点对模型进行验证，并计算其误差系数，验证结果表明模型的预测结果较为理想，基本可以满足土壤有机碳空间格局研究中对模型拟合精度的要求。最后在ArcGIS中将消除人为建筑的（B1）2、（B3）2和 NDVI波段为自变量代入模型计算得到孝义市土壤有机碳空间格局如图3所示。

图3 遥感技术测定土壤有机碳空间格局Fig．3 Spatial distribution of soil organic carbon estimated by RM data

1．3．2．1 计算碳储量

根据测定的孝义市有机碳密度分布，分乡统计得出孝义市土壤有机碳储量分布，其对土壤碳循环研究具有重要意义。通过计算得出土壤有机碳储量分布，见图4。

图4 土壤碳储量分布Fig．4 The spatial distribution results of soil organic carbon Storage

1．3．3 地统计学的原理与方法

1．3．3．1 半方差函数

地统计学是研究具有随机性和结构性，或空间相关性和依赖性的自然现象的一门科学［6］。它是以区域化变量理论为基础，以半方差函数为工具的一种数学方法，其基本原理与方法在许多文献中都有较详细的描述［7］。半方差函数可以描述土壤性质的空间变异，反映出不同距离观测值的空间自相关程度，是研究土壤特性空间变异的关键，同时也是估计空间布局的基础［8］，其表达式为：

r（h）－距离为h的半方差函数；h－ 样本距离；N（h）－距离为h的“样本对”数；Z（xi）和Z（xi＋h）－区域化变量Z（x）分别在空间位置xi和xi＋h的实测值［9］。

1．3．3．2 土壤有机碳的统计特征值

对100个样本有机碳含量的观测数据进行描述性统计，结果见表1。

表1 土壤有机碳含量统计特征值Table 1 Statistical characters of soil organic carbon

从表1可以看出，所取样本土壤有机碳的变异系数为1．69，属于强变异性。由于土壤有机碳的传统统计分析方法只能概括出土壤有机碳变化的全貌，而不能反映其局部的变化特征，即只能在一定程度上反映样本的总体，不能定量刻画出有机碳的独立性和相关性、随机性和结构性。为解决这些问题，必须采用半方差函数拟合及空间插值进一步分析和探讨土壤有机碳的空间变异结构［10］。

1．3．3．3 半方差函数拟合及空间插值

在 ArcGIS9．3中以 Geostatisical Analyst地统计分析模块对采样点数据进行正态分布检验，表明土壤有机碳含量符合正态分布，满足空间统计学克立格方法分析土壤有机碳空间特性的前提，可以使用地统计学方法进行空间分析。将样本数据代入地统计分析模块，选用球状模型进行半方差函数拟合，得到研究区土壤有机碳含量的半方差函数模型，结果见表2。

表2 土壤有机碳的半方差球状模型Table 2 The Parameters of statistical model for the soil organic carbon

利用地统计分析模块中的克里格插值方法生成土壤有机碳含量插值结果图，然后将插值结果图与孝义市行政辖区图进行空间叠加，得到整个孝义市土壤有机碳含量的空间分布插值图，如图5所示。

2 结果与分析

2．1 表层土壤有机碳空间分布格局

由遥感技术测定的土壤有机碳空间格局看出，孝义市土壤有机碳存在着明显的趋势效应，表现为从西到东逐渐升高的趋势。具体来讲，土壤有机碳的空间分布为东部平原区含量最高，中部黄土丘陵区和台塬区次之，西部石灰岩干石山区最低。这是由于研究区域地势西北向东南呈现缓倾单斜态势。西部山区侵蚀强度较大，坡度较陡，砂岩母质裸露，而且乡镇的农机装备比较薄弱，保护性耕作技术推广较迟缓，使得土壤有机碳含量最低；中部黄土丘陵区地形破碎，受人为因素耕作、施肥等影响，加上河流等结构性因素造成了土壤有机碳含量较高；东部平原区以亚粘土、碳酸盐型粘土为主，水土流失较少，使得该区土壤有机碳含量最高。

图5 土壤有机碳空间分布插值图Fig．5 The spatial distribution results of soil organic carbon by the geostatistics

遥感技术测定法是利用地面土壤有机碳实测点与遥感影像对应像元灰度值间的相互关系来预测其他像元点有机碳的含量，受样点分布的影响小，所以在生成的土壤有机碳空间格局中斑块的梯度效应不明显，而在局部细节表达上较高［11］。但由于近年来全市森林覆盖度的增加，导致在具有一定植被覆盖度的地区土壤有机碳测定的结果精度较低，这是由于植被覆盖对于测定土壤有机碳空间格局的影响较大。植被覆盖度的变化主要取决于地形条件的差异，地势较低的平地和沟谷，由于人为活动较频繁，对植被的干扰程度大，植被覆盖度低且两期间的变化较大；而山区的地形条件限制了对土地的大规模利用，使得植被覆盖度相对较高，两期间的变化也较小［12］。

2．2 地统计方法分析土壤有机碳的空间格局

运用地统计学方法测定的土壤有机碳空间格局与遥感技术基本一致，由土壤有机碳的空间分布插值图可以看出，有机碳含量呈现出明显的斑块状和片状的梯度变化。通过地统计分析结果显示，土壤有机碳含量的块金效应为43%，介于25%～75%之间，说明其具有中度的空间相关性，表明孝义市土壤有机碳含量的变化是结构性因素（自然过程）和随机性因素（人为过程）共同作用的结果［13］。

自然因素是土壤有机碳空间变异的内部驱动力，它有利于土壤有机碳空间变异结构性的加强和相关性的提高，尤其在较大的尺度水平上表现更明显；而人为因素是土壤有机碳变异的外部影响因素，表现出较大的随机性，它一般对有机碳空间变异的相关性和结构性有削减作用，使得土壤空间分布朝着均一化发展［14～15］。地统计学方法较少考虑影响土壤有机碳空间分布的过程因素，而且由于部分区域样点分布不均匀以及样点过少，使得随机因素对插值结果的影响有所增加，降低了模型的精度，导致模拟结果不能全面准确地反映土壤有机碳的空间格局，所以只利用地统计学方法研究土壤有机碳的空间格局也有一定不足之处［11］。

2．3 遥感技术和地统计方法相结合分析土壤有机碳的空间格局

将遥感技术效率高、信息量大等显著优势与地统计学方法较强的空间分析功能结合起来分析土壤有机碳空间格局，二者取长补短，充分发挥各自优势。运用地统计方法验证基于遥感技术测定的土壤有机碳空间格局，结果显示，两种方法测定的土壤有机碳空间格局基本一致，但在细节表达上有所不同。这是由于在实际中受植被覆盖等地面条件的限制，使得测定结果有一定误差。

从两种方法结合来分析土壤有机碳空间格局可知，孝义市有植被覆盖的西部山区也有一定含量的土壤有机碳。这是由于近年来保护性耕作技术的推广应用，有效地增加了西部山区土壤有机碳的含量，提高了土壤的蓄水量，减少了土壤的流失，培肥地力，这些与实际情况更为相符。使用地统计方法验证遥感技术测定的结果，消除了平滑效应，从而提高了测定土壤有机碳空间格局的细节表达精度，二者的结合为提高土壤有机碳空间分布的预测精度提供了一种科学有效的方法。

3 结论

运用遥感技术与地统计学相结合的方法研究了孝义市土壤有机碳的空间格局。

1）遥感技术在测定土壤有机碳空间格局方面具有信息量大、周期短、效率高等显著优势，从遥感技术测定的土壤有机碳空间格局可知，土壤有机碳存在着从西到东逐渐升高的趋势效应，土壤有机碳斑块的梯度效应并不明显，但由于孝义市西部山区长青植被分布较多，导致在西部地区测定的土壤有机碳分布的精度较低。

2）使用地统计方法研究土壤有机碳空间格局时，测得土壤有机碳样本数据呈正态分布。土壤有机碳的块金效应为0．43，表明在变程范围内具有中等的空间相关性。从克里格插值图可知，运用地统计方法测定的土壤有机碳空间格局与遥感技术基本一致，但其插值图中呈现出明显的斑块状和片状的梯度变化。而且由于部分区域样点分布的不均匀，导致随机因素对插值结果产生影响，降低了模型的精度。所以只用地统计方法研究土壤有机碳的空间格局也有一定的不足之处。

3）运用遥感技术和地统计学相结合的方法来测定土壤有机碳空间格局，即用地统计方法所得土壤有机碳插值结果验证遥感法对土壤有机碳的测定结果，最终显示两种方法测得土壤有机碳空间格局基本一致。从二者结合的角度分析土壤有机碳空间格局，进一步提高了孝义市土壤有机碳测定的精度，使得测定结果与实际情况更为相符。

［1］耿元波，董云社，孟维奇．陆地碳循环研究进展田［J］．地理科学进展，2000，19（4）：297－306．

［2］刘守赞，郭胜利，白岩．黄土高原沟壑区梁坡地土壤有机碳质量分数与土地利用方式的响应明［J］．浙江林学院学报，2005，22（5）：490－494．

［3］杨劲松，姚荣江，刘广明，等．黄河三角洲地区土壤盐分的空间变异性及其Cokriging估值［J］．干旱区研究，2006，23（3）：439－445．

［4］张素梅，王宗明，张柏，等．利用地形和遥感数据预测土壤养分空间分布［J］．农业工程学报，2010，5，26（5）：188－194．

［5］Bhatti AU，Bakhsh A，Afza1M，et a1．Spatial variability of soil properties and wheat yields in an irrigated field［J］．Communications in soil Science and Plant Analysis，1999，30（9－10）：1279－1299．

［6］张一扬，周冀衡，杨虹琦，等．基于地统计与 GIS的土壤有机碳空间变异性研究［J］．青岛农业大学学报，2008，25（1）：48－52．

［7］任春颖，张柏，王宗明，等．松嫩平原西部土壤有机碳空间变异研究［J］．干旱区研究，2008，9．25（5）：5．

［8］王政权．地统计学及在生态学中的应用［M］．北京：科学出版社，1999：1－3．

［9］张淑娟，何勇，方慧．基于 GPS和 GIS的田间土壤特性空间变异性的研究［J］．农业工程学报，2003，3，19（2）：39－44．

［10］倪俊，杨良华，雷能忠．基于 GIS的舒城县土壤养分综合评价［J］．皖西学院学报，2008，10，24（5）：153－156．

［11］李欣宇，宇万太，李秀珍．遥感与地统计方法在表层土壤有机碳空间格局研究中的应用比较［J］．农业工程学报，2009，3，25（3）：149－151．

［12］李苗苗，吴炳方，颜长珍，等．密云水库上游植被覆盖度的遥感估算［J］．资源科学，2004，7，26（4）：154－159．

［13］苏伟，聂宜民，胡晓洁，等．利用Kriging插值方法研究山东龙口北马镇农田土壤养分的空间变异［J］．安徽农业大学学报，2004，31（1）：76－81．

［14］沈掌泉，周斌，孔繁胜，等．应用广义回归神经网络进行土壤空间变异研究［J］．土壤学报，2004，41（3）：471－475．

［15］S Han，S M Schneider，R G Evans．Evaluating cokriging for improving soil nutrient sampling efficiency［J］．Transactions of the ASAE，2003，46（3）：845－849．