基于TM影像和地形数据的土壤有机质空间分布

李润林++姚艳敏

摘要：在GIS技术的支持下，选择遥感影像波段和地形因子，建立有机质空间分布预测模型，采用回归克里格方法，预测吉林省舒兰市有机质的空间分布。结果表明，在9个辅助因子中波段4、波段5、波段7、高程、坡度和坡度变率与土壤有机质相关性显著，而与波段1和波段2的相关性不显著。因此，在回归分析中选择波段4、波段5、波段7、高程、坡度和坡度变率作为预测土壤有机质的辅助因子。有机质空间分布呈渐变趋势，由西向东逐渐减少。预测检验精度表明，回归克里格能够提高有机质空间分布预测精度，是一种有效的空间分布插值方法。

关键词：地统计学；土壤有机质；空间变异；GIS

中图分类号：S159 文献标识码：A 文章编号：0439-8114（2014）02-0312-04

Spatial Distribution of Soil Organic Matter Based on TM Image and Terrain Attributes

LI Run-lin1，2，YAO Yan-min3

（1.Lanzhou Scientific Obseration and Experiment Field Sation， Ministry of Agriculture for Ecological System in Loess Plateau Areas， Lanzhou 730050，China；2.Lanzhou Institute of Husbandry and Pharmaceutical，Chinese Academy of Agricultural Sciences， Lanzhou 730050，China；

3. Institute of Agricultural Resources and Regional Planning， Chinese Academy of Agricultural Sciences/ Key Laboratory of Agri-informatics， Ministry of Agriculture， Beijing 100081，China）

Abstract： The distribution of the soil organic matter can provide reliable and useful information for sustainable land management and land use planning. Regression kriging with environmental predictors was used to predict the distribution of soil organic matter in shulan city， Jilin province. The results showed that elevation， gradient， rate of gradient， Band 4， Band 5，Band 7 were significantly correlated with soil organic matter. Band 1 and Band 2 had no significant correlation with soil organic matter. Therefore， band 4， band 5， band 7， elevation， slope， slope of slope were used as auxiliary variables to predict soil organic matter in the regression analysis. Results of precision assessment showed that regression Kriging significantly improved the accuracy and it could be an effective method for evaluating the spatial distribution of soil organic matter.

Key words： geo-statistics； soil organic matter； spatial variability； GIS

土壤是一个时空连续的变异体，有机质的空间变异特征具有很强的空间异质性，主要受成土母质、气候、地形、成土过程以及一些人为因素的影响。随着地统计学的发展，土壤的空间异质性分析方法在不断扩展与更新，地统计学能够很好地揭示各属性变量在空间上的分布变异和相关特征[1，2]。运用地统计学方法分析土壤有机质空间变异特征，有助于了解土壤特性的空间变异性，对此进行深入的土壤研究具有重要意义。

研究表明[3，4]，定量化的环境因子与土壤属性之间存在很好的相关性，可以用来预测土壤属性。随着3S技术的发展，调查者越来越注重利用辅助变量来指导土壤制图和土壤属性分布的相关研究。数字地形、遥感影像、土壤属性等辅助数据被大量应用于土壤属性的空间预测[5-9]。传统的空间预测方法比较适合于地理环境比较均一的区域，这种理想的环境在实际中比较少见，常见的研究区域是地形复杂、土壤异质性强、人为活动干扰强的环境。

近年来，通过辅助变量以提高目标变量估测精度的方法已有很多，包括传统的多元线性回归方法、协同克里格法和回归克里格法等。Kay等[10]采用回归克里格法预测了水稻土景观尺度土壤属性的空间分布；Endre等[11]以MODIS数据和DEM以及衍生数据为辅助数据，采用回归克里格方法对匈牙利土壤有机质空间分布进行了预测。张素梅等[12]以TM数据和DEM以及衍生数据为辅助数据，采用逐步回归克里格方法对吉林省安农县土壤有机质和全氮分布进行预测。Hengl等[13]研究结果表明，利用回归克里格法和数字高程模型（Digital elevation model，DEM）数据预测土壤有机质土壤耕层深度的空间分布图均比普通克里格法更详细更准确。姜勇等[14]利用辅助变量对污染土壤锌分布的克里格估值研究表明，回归克里格估值效果明显优于普通克里格和协同克里格法。邱乐丰等[15]利用回归克里格法所得土壤肥力的精度明显高于普通克里格，其平均预测误差和预测均方根误差分布为0.028和0.108。回归克里格法是将普通克里格法与回归模型相结合而形成的一种混合方法。研究表明，运用回归克里格方法进行土壤特性的空间分布预测，考虑影像土壤分布的环境因素，同时结合地统计学，可以提高土壤特性空间分布的预测精度[16，17]。

本研究以吉林省舒兰市为研究对象，以地形数据和遥感数据为辅助变量，运用回归Kriging 方法分析该区土壤有机质空间分布，以期为农业生产合理布局和土壤肥力的培育提供参考，为土壤制图和精准农业提供依据。

1 材料与方法

1.1 研究区概况

1.2 数据收集

2010年7月，对土壤样品采集区实行格网嵌套布点，在研究区选取样点344个，样点取0～20 cm的土壤表层，每一采样点周围选取5个点，以5个点的平均值为该样点的最终数据，同时使用GPS仪记录采样点地理坐标，以及各采样田块的基本信息，从而最终生成研究区的样点分布图（图1），随后将采集的样品分别装于采集袋中，带回实验室，去除杂物，风干，磨碎，过2 mm筛（分析测量时根据测定指标再过不同规格的筛），分别装于广口瓶中，土壤有机质含量采用重镉酸钾容量法测定。遥感影像采用舒兰市2010年5月2日Landsat TM 7，选取每个采样点所对应的遥感影像波段（波段1、波段2、波段3、波段4、波段5、波段7）的亮度值，亮度值是遥感影像记录地物的灰度值，而且不同采样点在遥感不同波段上表现出亮度值不同。地形数据通过中国科学院计算机网络中的科学数据中心网站（http：dataminirror.csdb.cn）下载的Aster gdem（30 m）数据转换而来。通过Arc GIS10的空间分析工具来获取样点处的高程、坡度和坡度变率的信息。

1.3 研究方法

1.3.1 回归克里格 有机质是地理环境中一种地理要素，在分析有机质分布过程中势必要考虑地理环境，而地理环境是一个复杂的系统，其中存在很多随机的不确定因素。对这些不确定的因素常采用趋势性和随机性来描述。

回归克里格方法在分析地理现象的空间分布规律和影响因素时，它既能考虑主要影响因素也能考虑随机因素，既模拟其空间分布趋势也模拟不确定性。

利用SPSS软件进行环境因子和土壤有机质的回归方程拟合，得到最优的土壤有机质空间分布线性回归模型。运用 GS+软件对回归预测值和残差值进行半方差分析，得到最优的半方差模型。然后在GIS 软件平台下分别对土壤有机质多元回归的回归预测值和残差值进行普通克里格插值，同时运用GIS的空间分析功能把两者的插值结果进行空间加和运算，得到土壤有机质的空间分布结果。

1.3.2 预测精度检验 采用回归克里格预测方法的均方根误差（RMSERK）相对于参考方法的均方根误差（RMSER）减少的百分数（RMSSE）表示预测精度的提高程度。RMSSE值为正表明回归克里格方法比参照方法的预测精度高，值越大说明预测精度提高得越多。相反，如果RMSSE值为负说明回归克里格方法预测精度低于参照方法。

2 结果与分析

2.1 土壤有机质的数据分析

土壤样点中经常存在一些异常值，异常值会影响半方差函数的稳定性，因此需要剔除。运用域值识别法，剔除样点中的异常值。然后用SPSS统计软件进行有机质的统计分析，结果见表1。由表1可见，有机质的含量在0.95%～6.13%之间，平均值为2.54%，偏度和峰度较大，表明其变化范围较大。变异系数表示土壤特性的空间变异性大小，有机质的变异系数为32%，属于中等变异。

由表2可知，土壤有机质与环境因子之间存在着显著的相关性。有机质与TM影像（波段4、波段5和波段7）的亮度值存在极显著负相关性，表明影像亮度值低的地方有机质高。有机质与高程之间极显著负相关，说明海拔高的地方有机质低。有机质与坡度、坡度变率的显著负相关性说明研究区的地形起伏影响有机质的变化。其他因子与土壤有机质的相关性不显著，因此选择波段4、波段5、波段7、高程、坡度、坡度变率与有机质进行回归分析。

2.2 土壤有机质的回归分析

从有机质多元回归分析模型看出，拟合方程的决定系数不高，有机质最优模型的决定系数为0.3。以往的研究中也出现这种结果，如张素梅等[12]在安农县的有机质预测中，有机质最优模型决定系数为0.22。

2.3 有机质的回归预测模型

2.3.1 半方差模型 土壤有机质多元回归预测方程的回归预测值及残差的半方差模型如图2和表3。由表3可知，有机质回归值的空间自相关性很强，基台效应值为0.419，而残差值的基台效应值为0.500，空间自相关性为中等。有机质预测值和残差的变程为65 100 m和33 000 m，这是因为环境因子在较大尺度上表现出相似性，因此拟合的回归值和残差值也将具有较大范围的空间自相关性。

2.3.2 土壤有机质的空间分布 根据半方差模型，对有机质的回归预测值和残差进行普通克里格插值，将插值结果进行空间加和运算得到有机质的空间分布结果，见图3。从图3可以看出有机质的分布呈渐变趋势，由西向东逐渐减少。其中一些高值区集中在西部，中部的有机质含量最低。

2.4 精度分析

选择常用的插值方法（协同克里格和普通克里格方法）作为参照，用以说明回归克里格方法在本研究中对土壤有机质的预测精度，利用公式（1）计算，结果如表4所示。回归克里格相对于两种参照方法精度均显著提高。相对于协同克里格提高的精度用（RMSSECK）表示；相对于普通克里格提高的精度用（RMSSEUK）表示。回归克里格方法相对于协同克里格和普通克里格提高的精度分别为62%和 41%，提高幅度非常显著。

3 讨论

土壤有机质的空间分布与环境因素密切相关，相关分析表明高程、坡度、坡度变率与土壤有机质呈显著负相关，这是因为随着海拔的升高，降雨侵蚀强度变大，土壤养分易于流失，从而导致海拔高的地方土壤有机质含量相对较低。不同坡度具有不同的水热分配条件和物质运移堆积特点，同时坡度又和土地利用密切相关。本研究以舒兰市的遥感影像作为数据元，在研究区的大部分耕地处于裸露状态，因此遥感影像（波段4、波段5和波段7）波段亮度值与有机质呈极显著负相关性。遥感数据和地形数据可以很好反映土壤要素的空间分布，能够用于预测地理要素的空间分布。回归克里格方法对土壤有机质空间分布的预测精度相对参考方法得到大幅度提高，该方法是提高土壤有机质空间分布预测精度的有效方法。并且随着GIS和遥感技术的发展，DEM 和遥感数据的精度会不断提高，将进一步提高回归克里格方法的预测精度。

4 结论

本文以吉林省舒兰市为研究对象，在回归克里格插值方法的理论框架下，利用地形因子、遥感影像数据与该市土壤有机质值进行多元回归方程拟合，运用普通克里格插值方法对线性回归的预测结果和残差结果进行空间分布模拟，进而得到回归克里格插值方法的土壤有机质空间分布图。

1）在所选择的环境因子中，波段4、波段5、波段7、高程、坡度、坡度变率与土壤有机质空间分布关系密切，是预测土壤有机质分布的最优因子。舒兰市土壤有机质空间分布呈渐变趋势，由西向东逐渐减少。

2）相比协同克里格和普通克里格插值方法，回归克里格方法对土壤养分空间分布的模拟精度最高，表明该方法可有效提高土壤养分空间分布预测精度。

参考文献：

[1] 连 纲， 郭旭东，傅伯杰，等.黄土丘陵沟壑区县域土壤有机质空间分布特征及预测[J].地理科学进展，2006，25（2）：113-122.

[2] 路 鹏，彭佩钦，宋变兰，等.洞庭湖平原区土壤全磷含量地统计学和GIS分析[J].中国农业科学，2005，38（6）：1204-1212.

[3] MCKENZIE N J， AUSTIN M P. A quantitative Australian approach to medium and small scale surveys based on soil stratigraphy and environmental correlation[J]. Geoderma，1993， 57（4）：329-355.

[4] ODEHA I O A， MCBRATNEY A B， CHITTLEBOROUGH D J. Spatial prediction of soil properties from landform attributes derived from a digital elevation model[J]. Geoderma，1994，63（3/4）：197-214.

[5] 连 纲，郭旭东，傅伯杰，等. 基于环境相关法的土壤属性空间分布特征研究-以黄土丘陵沟壑区小流域为例[J].地理科学，2008，28（4）：555-558.

[6] 孙孝林，赵玉国，赵 量，等.应用土壤-景观定量模型预测土壤属性空间分布及制图[J].土壤，2008，40（5）：837-842.

[7] 张发升，曲 威，尹光华，等.基于多光谱遥感影像的表层土壤有机质空间格局反演[J].应用生态学报，2010，21（4）：883-888.

[8] 李欣宇，宇万太，李秀珍.基于TM影像的表层土壤有机碳空间格局[J].生态学杂志， 2008，27（3）：333-338.

[9] 刘焕军，赵春江，王纪华，等.黑土典型区土壤有机质遥感反演[J].农业工程学报，2011，27（8）：211-215.

[10] KAY S， RAINER D. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators[J].Ecological Indicators，2008（8）：485-501.

[11] ENDRE D， LUCA M， THIERRY N， et al. A regional scale soil mapping approach using integrated AVHRR and DEM data [J]. International Journal of Applied Earth Observation and Geoinformation，2001，3（1）：30-42.

[12] 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，2010，26（5）：188-194.

[13] HENGL T，HEUVELINK G B M，STEIN A. A generic frame work for spatial prediction of soil variables based on regression-kriging[J]. Geoderma，2004，120（1/2）：75-93.

[14] 姜 勇，李 琪，张晓珂，等. 利用辅助变量对污染土壤锌分布的克里格估值[J]. 应用生态学报，2006，17（1）：97-101.

[15] 邱乐丰，杨 超，林芬芳，等.基于环境辅助变量的拔山茶园土壤肥力空间预测[J].应用生态学报，2010，21（12）：3099-3104.

[16] STACEY K F， LARK R M， WHITMORE A P， et al. Using a process model and regression kriging to improve predictions of nitrous oxide emissions from soil[J]. Geoderma，2006，135（1/2）：107-117.

[17] SIMBAHAN G C， DOBERMANN A， GOOVAERTS P， et al. Fine-resolution mapping of soil organic carbon based on multivariate secondary data[J]. Geoderma，2006，132（3/4）：471-489.

4 结论

本文以吉林省舒兰市为研究对象，在回归克里格插值方法的理论框架下，利用地形因子、遥感影像数据与该市土壤有机质值进行多元回归方程拟合，运用普通克里格插值方法对线性回归的预测结果和残差结果进行空间分布模拟，进而得到回归克里格插值方法的土壤有机质空间分布图。

1）在所选择的环境因子中，波段4、波段5、波段7、高程、坡度、坡度变率与土壤有机质空间分布关系密切，是预测土壤有机质分布的最优因子。舒兰市土壤有机质空间分布呈渐变趋势，由西向东逐渐减少。

2）相比协同克里格和普通克里格插值方法，回归克里格方法对土壤养分空间分布的模拟精度最高，表明该方法可有效提高土壤养分空间分布预测精度。

参考文献：

[1] 连 纲， 郭旭东，傅伯杰，等.黄土丘陵沟壑区县域土壤有机质空间分布特征及预测[J].地理科学进展，2006，25（2）：113-122.

[2] 路 鹏，彭佩钦，宋变兰，等.洞庭湖平原区土壤全磷含量地统计学和GIS分析[J].中国农业科学，2005，38（6）：1204-1212.

[3] MCKENZIE N J， AUSTIN M P. A quantitative Australian approach to medium and small scale surveys based on soil stratigraphy and environmental correlation[J]. Geoderma，1993， 57（4）：329-355.

[4] ODEHA I O A， MCBRATNEY A B， CHITTLEBOROUGH D J. Spatial prediction of soil properties from landform attributes derived from a digital elevation model[J]. Geoderma，1994，63（3/4）：197-214.

[5] 连 纲，郭旭东，傅伯杰，等. 基于环境相关法的土壤属性空间分布特征研究-以黄土丘陵沟壑区小流域为例[J].地理科学，2008，28（4）：555-558.

[6] 孙孝林，赵玉国，赵 量，等.应用土壤-景观定量模型预测土壤属性空间分布及制图[J].土壤，2008，40（5）：837-842.

[7] 张发升，曲 威，尹光华，等.基于多光谱遥感影像的表层土壤有机质空间格局反演[J].应用生态学报，2010，21（4）：883-888.

[8] 李欣宇，宇万太，李秀珍.基于TM影像的表层土壤有机碳空间格局[J].生态学杂志， 2008，27（3）：333-338.

[9] 刘焕军，赵春江，王纪华，等.黑土典型区土壤有机质遥感反演[J].农业工程学报，2011，27（8）：211-215.

[10] KAY S， RAINER D. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators[J].Ecological Indicators，2008（8）：485-501.

[11] ENDRE D， LUCA M， THIERRY N， et al. A regional scale soil mapping approach using integrated AVHRR and DEM data [J]. International Journal of Applied Earth Observation and Geoinformation，2001，3（1）：30-42.

[12] 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，2010，26（5）：188-194.

[13] HENGL T，HEUVELINK G B M，STEIN A. A generic frame work for spatial prediction of soil variables based on regression-kriging[J]. Geoderma，2004，120（1/2）：75-93.

[14] 姜 勇，李 琪，张晓珂，等. 利用辅助变量对污染土壤锌分布的克里格估值[J]. 应用生态学报，2006，17（1）：97-101.

[15] 邱乐丰，杨 超，林芬芳，等.基于环境辅助变量的拔山茶园土壤肥力空间预测[J].应用生态学报，2010，21（12）：3099-3104.

[16] STACEY K F， LARK R M， WHITMORE A P， et al. Using a process model and regression kriging to improve predictions of nitrous oxide emissions from soil[J]. Geoderma，2006，135（1/2）：107-117.

[17] SIMBAHAN G C， DOBERMANN A， GOOVAERTS P， et al. Fine-resolution mapping of soil organic carbon based on multivariate secondary data[J]. Geoderma，2006，132（3/4）：471-489.

4 结论

本文以吉林省舒兰市为研究对象，在回归克里格插值方法的理论框架下，利用地形因子、遥感影像数据与该市土壤有机质值进行多元回归方程拟合，运用普通克里格插值方法对线性回归的预测结果和残差结果进行空间分布模拟，进而得到回归克里格插值方法的土壤有机质空间分布图。

1）在所选择的环境因子中，波段4、波段5、波段7、高程、坡度、坡度变率与土壤有机质空间分布关系密切，是预测土壤有机质分布的最优因子。舒兰市土壤有机质空间分布呈渐变趋势，由西向东逐渐减少。

2）相比协同克里格和普通克里格插值方法，回归克里格方法对土壤养分空间分布的模拟精度最高，表明该方法可有效提高土壤养分空间分布预测精度。

参考文献：

[1] 连 纲， 郭旭东，傅伯杰，等.黄土丘陵沟壑区县域土壤有机质空间分布特征及预测[J].地理科学进展，2006，25（2）：113-122.

[2] 路 鹏，彭佩钦，宋变兰，等.洞庭湖平原区土壤全磷含量地统计学和GIS分析[J].中国农业科学，2005，38（6）：1204-1212.

[3] MCKENZIE N J， AUSTIN M P. A quantitative Australian approach to medium and small scale surveys based on soil stratigraphy and environmental correlation[J]. Geoderma，1993， 57（4）：329-355.

[4] ODEHA I O A， MCBRATNEY A B， CHITTLEBOROUGH D J. Spatial prediction of soil properties from landform attributes derived from a digital elevation model[J]. Geoderma，1994，63（3/4）：197-214.

[5] 连 纲，郭旭东，傅伯杰，等. 基于环境相关法的土壤属性空间分布特征研究-以黄土丘陵沟壑区小流域为例[J].地理科学，2008，28（4）：555-558.

[6] 孙孝林，赵玉国，赵 量，等.应用土壤-景观定量模型预测土壤属性空间分布及制图[J].土壤，2008，40（5）：837-842.

[7] 张发升，曲 威，尹光华，等.基于多光谱遥感影像的表层土壤有机质空间格局反演[J].应用生态学报，2010，21（4）：883-888.

[8] 李欣宇，宇万太，李秀珍.基于TM影像的表层土壤有机碳空间格局[J].生态学杂志， 2008，27（3）：333-338.

[9] 刘焕军，赵春江，王纪华，等.黑土典型区土壤有机质遥感反演[J].农业工程学报，2011，27（8）：211-215.

[10] KAY S， RAINER D. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators[J].Ecological Indicators，2008（8）：485-501.

[11] ENDRE D， LUCA M， THIERRY N， et al. A regional scale soil mapping approach using integrated AVHRR and DEM data [J]. International Journal of Applied Earth Observation and Geoinformation，2001，3（1）：30-42.

[12] 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，2010，26（5）：188-194.

[13] HENGL T，HEUVELINK G B M，STEIN A. A generic frame work for spatial prediction of soil variables based on regression-kriging[J]. Geoderma，2004，120（1/2）：75-93.

[14] 姜 勇，李 琪，张晓珂，等. 利用辅助变量对污染土壤锌分布的克里格估值[J]. 应用生态学报，2006，17（1）：97-101.

[15] 邱乐丰，杨 超，林芬芳，等.基于环境辅助变量的拔山茶园土壤肥力空间预测[J].应用生态学报，2010，21（12）：3099-3104.

[16] STACEY K F， LARK R M， WHITMORE A P， et al. Using a process model and regression kriging to improve predictions of nitrous oxide emissions from soil[J]. Geoderma，2006，135（1/2）：107-117.

[17] SIMBAHAN G C， DOBERMANN A， GOOVAERTS P， et al. Fine-resolution mapping of soil organic carbon based on multivariate secondary data[J]. Geoderma，2006，132（3/4）：471-489.