南方丘陵区土壤有机质空间插值模型及采样点密度对农用地分等精度的影响——以福建省龙海市为例

范胜龙，林晓丹，涂 凯，汤俊红，林翔程，黄炎和

（1.福建农林大学资源与环境学院，福建 福州 350002；2.福建省国土资源勘测规划院，福建 福州350002）

南方丘陵区土壤有机质空间插值模型及采样点密度对农用地分等精度的影响
——以福建省龙海市为例

范胜龙1，林晓丹1，涂 凯1，汤俊红1，林翔程2，黄炎和1

（1.福建农林大学资源与环境学院，福建 福州 350002；2.福建省国土资源勘测规划院，福建 福州350002）

研究目的：分析南方丘陵区土壤有机质的采样点密度和空间插值模型对农用地分等精度的影响。研究方法：以福建龙海市为研究区，对设计的8种格网密度和6种结合不同类型信息的插值模型所得农用地分等结果进行比较研究。研究结果：（1）结合不同类型信息的克里格空间插值模型对于土壤有机质含量及农用地分等成果（自然质量等）具有显著差异，土壤有机质含量和农用地分等成果的精度与格网密度呈正相关。其中结合地貌和土壤信息的空间插值方法（KDMTR）对于农用地分等成果有最好的预测效果；（2）如果仅需考虑获取较高精度的土壤有机质含量信息时，按2 km×2 km的样点密度并结合KDMTR法进行空间插值，为最高效的样点布设和数据处理方式；（3）在开展县级农用地分等时，如果仅需考虑获取农用地分等结果时，土壤采样点密度对农用地分等精度影响较小，但结合不同类型信息的空间插值方法对农用地分等成果精度影响显著。采用KDMTR法并按3.5 km×3.5 km的格网密度布设土壤调查样点，为最高效的样点布设和空间插值模型。研究结论：南方丘陵区在开展县级农用地分等工作时，采用的空间插值模型对农用地分等成果的精度产生显著影响而土壤采样点布设的格网密度对农用地分等成果的精度影响较小。

土地评价；农用地分等；土壤有机质；样点布设；空间插值模型

土壤有机质是土壤重要属性之一［1］，在保持土壤肥力、提高土壤质量及作物产量等方面起着重要作用［2-3］，而且土壤有机质含量与土壤质量存在极强的正相关关系［4］，是农用地分等因素中的必选分等因素［5］，也是有关土壤理化性质的最重要因素。土壤样点的高效布设是减少采样误差和提高采样效率的重要途径［6］。外界的人为活动和自然生态过程会导致区域内土壤有机质具备较强的空间变异特征［7］，准确掌握其空间变异特征是实现资源高效可持续利用的重要依据。目前，地统计学方法被大量用于土壤性质的空间预测［8-11］。研究表明，土壤采样点密度和空间插值模型对土壤有机质空间变异特征的表征具有重要影响［12-14］。当前国内相关研究还未就上述两种因素对县级农用地分等精度的影响进行相关研究。因此，研究土壤有机质采样点密度及空间插值模型对农用地分等精度的影响，对提高农用地分等工作效率、降低工作成本以及提高分等精度等具有重要意义。

南方丘陵区广泛分布于长江以南各省，其耕地呈“鸡爪”型沿山间溪流向山谷延伸，具有图斑破碎、土壤理化性质复杂多变的特点。本文以福建省龙海市为研究区，采用6种结合不同类型信息的克里格插值模型分别对8种格网密度下的土壤采样点有机质含量数据进行空间插值，研究不同格网密度和结合不同类型信息的克里格插值模型所得土壤有机质含量预测结果对农用地分等成果精度的影响，可为提高农用地分等工作的效率和精度提供科学依据。

1　材料与方法

1.1试验区概况

本文以福建漳州龙海市（县级市）为研究区，地理位置为东经117°29′—118°14′、北纬24°11′—24°36′，总面积约1289.72 km2。市域内北、西、南三面环山，中部为九龙江冲积平原，东南临海，北部的丘陵地带属于戴云山脉，西南部丘陵地带属于博平岭，耕地多分布在中部平原及南北山谷两侧溪流地带。土壤形成受成土母质影响较大，呈现随海拔升高的垂直分布规律及受成土条件变化的影响而呈区域性分布规律。依据福建省第二次的土壤普查资料，其土壤类型可以分为16个亚类，52个土属，6个土类，70个土种，耕地土壤主要为：水稻土、潮土、滨海风沙土和滨海盐土等土壤类型。

1.2研究方法

1.2.1土壤样品采集及测定方法 为研究土壤采样点密度及其空间插值方法对农用地分等成果精度的影响，本文采用常用的土壤采样点布设方法——格网法［15-16］，在试验区范围布设0.5 km×0.5 km（X0.5）、1 km×1km（X1）、1.5 km×1.5 km（X1.5）、2 km×2 km（X2）、2.5 km×2.5 km（X2.5）、3 km×3 km（X3）、3.5 km×3.5 km（X3.5）、4 km×4 km（X4）共8种密度格网叠套于龙海市1∶10000土地利用现状图上采集土壤样点，并设计了结合地貌信息的克里格方法（KDM）、结合地类信息的克里格方法（KDL）、结合土壤类型信息的克里格方法（KTR）、结合地貌—土壤信息的克里格方法（KDMTR）、结合地类—土壤信息的克里格方法（KDLTR）5种结合类型信息的方法和直接采用耕层土壤有机质含量数据进行的普通克里格插值法（KYJZ）共6种插值方法。研究区共布设1133个样点。

采样点尽量选择靠近格网中心的耕地图斑上，在样点附近20 m范围内的耕地表层（0—20 cm）土壤上多点（5个）混合取样，用4分法取大约1kg土样作为该样点的土壤样品。运用手持GPS确定样点坐标，记录各样点的编号、利用现状、地貌特征及灌排条件等相关信息。土壤样品经过自然风干、研磨和过筛等措施后，采用常规的重铬酸钾氧化滴定法测定土壤有机质含量。各样点格网密度布设、采集和处理的方法均一致。此外，为验证不同格网及处理方法进行农用地分等的结果精度，在全市范围布设258个样点作为验证点。

1.2.2结合不同类型信息的克里格空间插值模型 利用布设的8种不同的样点密度所得样点，采用设计的6种结合类型信息的克里格法分别对土壤有机质含量进行空间预测。结合类型信息的空间插值模型将每一个样点的土壤有机质含量值z（xkj）分为相同类型均值μ（tk）和残差r（xkj）之和。用公式表示为：

式1中，z（xkj）是样品的土壤有机质含量；μ（tk）为相同类型样品的均值；r（xkj）是样品土壤有机质含量与其相同类型样品的均值之差，称为“残差”。

将残差作为一个新的区域变量r（xkj）进行普通克里格插值，空间插值利用ArcGIS软件中的地统计分析模块完成。样点的土壤有机质含量预测值Z*（xkj）为类型均值μ（tk）与残差观测值r*（xkj）之和：

本文中，KTR法、KDMTR法和KDLTR法中的土壤类型均划分到土属级别。土壤类型资料来自于第二次土壤普查成果中的1∶50000土壤图和《龙海土壤》；土地利用现状资料来源于龙海市2012年度土地利用变更调查数据库；地貌划分来源于福建省农用地分等成果更新项目成果中的指标区图。

1.2.3不同格网密度和空间插值模型对土壤有机质空间分布表征和农用地分等成果精度的影响研究 根据

上述数据处理方法分别进行分类克里格插值，得到研究区土壤有机质空间分布图。为探明土壤有机质预测值对农用地分等成果的影响，将研究布设的258个验证点读取的预测值与实测值，依据《农用地分等规程》（TD/ T1004-2003）分别计算得到验证样点的自然质量分、自然质量等指数和自然质量等别的实测值和预测值。农用地分等所需的标准耕作制度分区、基准作物、指定作物、光温、气候生产潜力指数，指标区、分等因素指标体系及权重、指标分值及分级，指定作物最大产量、最大产量—成本指数、产量比系数依据《福建省农用地分等成果更新技术方案》和《龙海市农用地分等成果更新》成果所定方法与数值确定。为检验结合不同类型信息的空间插值模型对土壤有机质含量预测和农用地分等成果精度的影响，运用SPSS统计软件将验证样点的预测值与实测值分别进行配对样本t检验，研究基于不同格网密度和结合不同类型信息空间插值模型下的土壤有机质含量和农用地分等成果的预测值和实测值（验证点）之间是否具有显著差异。通过验证点实测值与预测值的均方根误差（RMSE），对土壤有机质含量和农用地分等成果的预测精度进行验证，研究满足精度要求的数据处理方法及所需格网密度。

2　结果与分析

2.1不同空间插值模型和样点密度下预测值与真实值的差异性

为了验证不同的格网密度和空间插值模型预测的土壤有机质含量对农用地分等成果是否存在显著差异，本文运用SPSS统计软件对各种密度及插值模型下所得农用地分等成果（自然质量分、自然质量等指数、自然质量等别）与验证样点采用实测值计算所得结果进行配对样本t检验。

根据表1可知，当格网密度大于或等于2.5 km×2.5 km时，除KDL法和KYJZ法外，其余各种插值模型在各密度等级上的土壤有机质空间预测效果良好，均不存在显著性差异（显著性＞0.10）；当格网密度小于或等于3 km×3 km时，各种空间插值模型的土壤有机质含量预测值与实测值之间出现无规律的显著性差异，表明此时随着格网密度的下降，由于样点数过少，已经不适用于南方丘陵区的土壤有机质的空间预测。

表1　土壤有机质含量预测值与实测值配对样本t检验Tab.1 The paired samples t-test signifcant analysis of SOC

由表2—表4可知，就格网密度与各种插值模型对农用地分等成果（自然质量分、自然质量等指数和自然质量等别）的影响而言，当格网密度大于或等于1 km×1 km时，各空间插值模型在各密度等级下的农用地分等成果的预测值和实测值均不存在显著性差异，表明当格网密度大于或等于1 km×1 km时，由于样点数目充足，采用何种数据处理方法在南方丘陵区进行农用地分等区别并不明显；当格网密度小于或等于1.5 km×1.5 km时，基于各空间插值模型的农用地分等成果的预测值和实测值之间陆续出现显著性差异，表明不同样点密度和空间插值模型将对农用地分等成果产生影响，且各种方法对自然质量分、自然质量等指数和自然质量等别的影响不一致，未呈现明显规律性。但总体上KTR法、KDM和KDMTR在农用地分等成果预测上表现更加可靠，其中KDMTR法最好，格网密度的变化不会引发预测效果的突变。表明结合地貌和土壤信息的空间插值模型对于农用地分等成果有更好的预测效果。

2.2不同采样点密度和空间插值模型对土壤有机质含量及农用地分等成果预测精度的影响

为进一步研究不同的采样点密度和空间插值模型对土壤有机质含量预测和农用地分等成果（自然质量分、自然质量等指数、自然质量等别）精度的影响，采用均方根误差（RMSE）来评价其预测精度的高低，并获取适合试验区的最优格网密度和空间插值模型（图1）。

表2　自然质量分预测值与实测值配对样本t检验Tab.2 The paired samples t-test signifcant analysis of nature quality score

表3　自然质量等指数预测值与实测值配对样本t检验Tab.3 The paired samples t-test signifcant analysis of physical quality grade index

表4　自然质量等别预测值与实测值配对样本t检验Tab.4 The paired samples t-test signifcant analysis of physical quality grade

图1　不同格网密度和空间插值模型表征土壤有机质含量和农用地分等成果的预测精度Fig.1 The accuracy prediction of SOC and agricultural land gradation within different density grids and spatial interpolation methods

由图1可知，不同的格网密度和空间插值模型对土壤有机质和农用地分等成果的精度产生不同程度的影响。随着格网密度的减小，不同插值模型的土壤有机质含量、自然质量分和自然质量等指数的均方根误差均在整体上出现不断增大的趋势，而自然质量等别的均方根误差则没有规律性。土壤有机质含量和农用地分等成果的均方根误差均在格网密度为0.5 km×0.5 km时均值最小，相较于4 km×4 km的格网密度，土壤有机质含量的均方根误差均值降幅达59%，农用地分等成果的均方根误差均值降幅达37%，表明无论采用哪种空间插值模型，土壤有机质含量和农用地分等成果的精度与格网密度呈正相关。根据表5可知，各种空间插值模型中，KDMTR法的均方根误差均值最小，说明KDMTR法进行的农用地分等成果精度最高。

进一步分析样点密度对KDMTR法所得土壤有机质含量和农用地分等成果精度的影响可知（表6），在KDMTR法中，不同的格网密度对土壤有机质的预测精度产生较为明显的影响，0.5 km×0.5 km的预测精度较4 km×4 km的预测精度提高了约1倍。总体而言，土壤有机质的预测精度与格网密度呈正相关，样点数越多，预测精度越高。其中，格网密度从1 km×1 km—2 km×2 km及从2.5 km×2.5 km—4 km×4 km的均方根误差均值都处于同一水平。因此，土壤有机质含量预测较为高效的样点布设密度应为2 km×2 km。

KDMTR法中，就格网密度对农用地分等成果精度的影响而言，各格网密度下的均方根误差值相差并不大，就自然质量分、自然质量等指数自身的数量级而言，预测精度的差异可忽略不计，认为格网密度对农用地分等成果的精度影响很小。造成上述现象的原因主要是：虽然土壤有机质含量是影响农用地（耕地）质量的重要因素，但农用地分等过程中的分级赋值法及多因素综合评价法中权重的存在，致使数据总体上迅速聚集，离散程度大幅降低，缩小了预测精度对分等成果的差异性。分级赋值规则及权重弱化了土壤有机质在农用地分等评价体系中的相关性。结合前面的差异性分析结果，采用KDMTR法进行数据处理时，最高效的样点密度应为3.5 km×3.5 km。

综上，在开展农用地分等工作时，如果需考虑获取较高精度的土壤有机质含量信息时，按2 km×2 km的样点密度并结合KDMTR法布设土壤调查样点，为最高效的样点布设和数据处理方式；如果仅需获取农用地分等结果时，按3.5 km×3.5 km的样点密度并结合KDMTR法布设土壤调查样点，为最高效的样点布设和数据处理方式。

表5　不同空间插值模型下土壤有机质含量和农用地分等成果的预测精度Tab.5 The mean RMSE of SOC and agricultural land gradation in different spatial interpolation methods

表6　KDMTR法不同样点密度下土壤有机质含量和农用地分等成果的预测精度Tab.6 The mean RMSE of SOC and agricultural land gradation of KDMTR in different sample density

3　结论

结合不同类型信息的克里格空间插值模型对于土壤有机质含量及农用地分等成果（自然质量等）具有显著差异。各种数据处理方法中，总体上KTR法、KDM和KDMTR在农用地分等成果预测上表现更加可靠，其中KDMTR法为最好的数据处理方法，表明结合地貌和土壤信息的空间插值方法对于农用地分等成果有最好的预测效果。

无论采用哪种空间插值模型，土壤有机质含量和农用地分等成果的精度与格网密度呈正相关。当土壤采样点布设的格网密度大于或等于1 km×1 km时，研究所采用的不同空间插值模型对农用地分等成果的精度无显著影响。

如果需考虑获取较高精度的土壤有机质含量信息时，按KDMTR法结合0.5 km×0.5 km的样点密度布设土壤调查样点，为精度最高的样点布设和数据处理方式；采用KDMTR法结合2 km×2 km的样点密度布设土壤调查样点，为最高效的样点布设和数据处理方式。

在开展县级农用地分等时，如果仅需考虑获取农用地分等结果时，土壤采样点密度对农用地分等精度影响较小，但结合不同类型信息的空间插值方法对农用地分等成果精度影响显著。采用KDMTR法并按3.5 km×3.5 km的格网密度布设土壤调查样点，为最高效的样点布设和空间插值模型。

（

）：

［1］Burke I C， Laurenroth W K， Coffin D P. Recovery of soil organic matter and N mineralization in semiarid grasslan： Implications for the conservation reserve Program［J］ . Ecological Applications， 1995， （5）： 793 - 801.

［2］Gregorich E G， Carter M R， Angers DA， et al. Towards a minimum data set to assess soil organic matter quality in agricultural soils［J］ . Canadian Journal of Soil Science， 1994， 74（4）： 367 - 385.

［3］ Stevenson F J， Cole M A. Cycles of soil carbon， nitrogen， phosphorus， sulfur， micronutrients［M］ . John Wiley & Sons Inc， USA， 1999.

［4］Janzen HH， Campbell CA， Ellert BH， et al. Soil organic matter dynamics and their relati-onship to soil quality［A］ . Gregorich， EG，Carter MR， editors. Soil Quality for Crop Production and Ecosystem Health［M］ . Amsterdam： Developments in Soil Science 25，Elsevier， 1997： 277 - 291.

［5］ 中华人民共和国国土资源部.农用地分等规程（TD/T1005-2003）［M］ .北京：中国标准出版社，2003.

［6］ 陈怀满. 环境土壤学［M］ . 北京：科学出版社，2005：488 - 497.

［7］Li Y. Can the spatial prediction of soil organic matter contents at various sampling scales be improved by using regression kriging with auxiliary information？［J］ . Geoderma， 2010， 59： 63 - 75.

［8］Knotters M， Brus D J， Voshaar J H O. A comparison of kriging， co-kriging and kriging combined with regression for spatial interpolation of horizon depth with censored observations［J］ . Geoderma， 1995， 67： 227 - 246.

［9］Bourennane H， King D， Couturier A. Comparison of kriging with external drift and simplelinear regression for predicting soil horizon thickness with different sample densities［J］ . Geoderma， 2000， 97： 255 - 271.

［10］赵永存，史学正，于东升，等.不同方法预测河北省土壤有机碳密度空间部分特征的研究［J］ .土壤学报，2005，42（3）：379 - 385.

［11］连纲，郭旭东，傅伯杰，等.黄土高原县域土壤养分空间变异特征及预测——以陕西省横山县为例［J］ .土壤学报，2008，（4）：577 - 584.

［12］ 唐国勇，黄道友，黄敏，等. 红壤丘陵景观表层土壤有机碳空间变异特点及其影响因子［J］ .土壤学报，2010，47（4）：753 - 759.

［13］ 范胜龙，刘友兆.不同布点密度条件下土壤有机碳的空间变异特性研究［J］ .土壤通报，2012，43（3）：668 - 673.

［14］Wu J，Norvell W A， Hopkins D G，et al. Improved prediction and mapping of soil copper by kriging with auxiliary data for cationexchange capacity［J］ . Soil Science Society of America journal，2003，67（3）：919 - 927.

［15］SMITH J L， HALVORSON J J， HARVEY J B. Spatial relationships of soil microbial biomass and C and N mineralization in a semiarid shrub-steppe ecosystem［J］ . Soil Biology & Biochemistry， 1994， 26： 1151 - 1159.

［16］Schöning I， Totsche K U， KögelKnabner I. Small scale spatial variability of organic carbon stocks in litter and solum of a forested Luvisol［J］ . Geoderma，2006， 136： 631 - 642.

（本文责编：陈美景）

The Infuence of Spatial Interpolation Model and Sampling Density of Soil Organic Matter in the Farmland Quality Evaluation Accuracy in Hilly Region of South China： A Case Study of Longhai City， Fujian Province

FAN Sheng-long1， LIN Xiao-dan1，TU Kai1， TANG Jun-hong1， LIN Xiang-chen2， HUANG Yan-he1
（1. College of Resource and Environment Science， Fujian Agriculture and Forestry University， Fuzhou 350002， China；2. Land Surveying and Planning Department of Fujian Province， Fuzhou 350002， China）

The purpose of this paper is to research spatial interpolation model and sampling density's effects onquality evaluation accuracy in hilly region of south China. The paper compares different evaluation results according to eight kinds of grid density based on grid sampling of soil organic matter and six classification methods in Longhai City of Fujian Province. The results show that： 1）Combination of different information of kriging interpolation models have significant differences on soil organic matter and the result of farmland classification（natural quality）， soil organic matter and the result of farmland classification show positively correlated with grid density of soil sample. Spatial interpolation method which combined with topography and soil information（KDMTR）has the best prediction for farmland quality evaluation. 2）If accurate information of soil organic matter content should be in consideration， the efficient sampling point layout is grid sampling based on the topography and soil types， and the best grid size is about 2 km×2 km. 3）If only farmland quality evaluation result at the county level should be in consideration， the density of soil sampling points has small effects on the accuracy of farmland quality evaluation result， but the combination of different information space interpolation method has significant effects on the accuracy of farmland quality evaluation result. The best spatial interpolation model is Kriging interpolation based on the topography and soil types and the most efficient sampling point layout is grid sampling with grid size of 3.5 km×3.5 km. The paper concludes that obviously effect can be noticed by spatial interpolation model to evaluate farmland quality， yet the density of sampling has small effect at the county level in hilly region of south China.

land assessment； farmland quality evaluation； soil organic matter； sampling point layout； spatial interpolation models

F301.2

A

1001-8158（2015）10-0065-08

10.11994/zgtdkx.2015.10.009

2015-03-24

2015-09-26

福建省自然科学基金资助项目（2015J01624）。

范胜龙（1976-），男，福建永定人，博士，副教授。主要研究方向为土地质量评价、土地资源可持续利用。E-mail： fsl@fafu.edu.cn

黄炎和（1962-），男，广东饶平人，博士，教授。主要研究方向为土壤侵蚀与治理、土地资源可持续利用。E-mail： yanhehuang@163.com