采样密度对土壤有机质空间变异解析的影响

范曼曼，吴鹏豹，张欢，魏晓，陈富荣，高超*

采样密度对土壤有机质空间变异解析的影响

范曼曼1，吴鹏豹1，张欢1，魏晓1，陈富荣2，高超1*

（1. 南京大学地理与海洋科学学院，江苏 南京 210046；2. 安徽省地质调查院，安徽 合肥 230001）

确定合理的采样密度以便更有效地揭示土壤属性的空间变异，是提高土壤质量评价工作准确性的前提。本文以合肥市北部地区为例，从5 207个土壤采样点（采样密度为1个/km2）中重复20次随机抽取不同采样密度的六个样本子集（对应采样密度分别是0.8个/km2、0.56个/km2、0.39个/km2、0.28个/km2、0.19个/km2、0.13个/km2），采用地理信息系统（GIS）技术和地统计学方法，研究采样密度对土壤有机质（SOM）空间变异解析的影响。结果表明：上述不同采样密度下，有机质含量的均值差异不显著，各样本对总体均具有较强的代表性。土壤有机质表现出中等的空间相关性，采样密度为0.28个/km2时探测到的SOM含量变异结构中结构性组分比例最高。采样密度小于0.28 个/km2时，则局部细节信息被过滤，不能准确充分地表现其空间变异特征。在研究区的这种自然地理条件和土地利用方式下，若评价目的主要针对土壤肥力质量，揭示土壤有机质空间变异的最佳采样密度应为0.28个/km2。若是针对区域土壤碳汇潜力，则大约22 km2布置一个采样点即可获得预期的效果。

土壤有机质；采样密度；普通克里格；地统计学；半方差函数

范曼曼， 吴鹏豹， 张欢， 魏晓， 陈富荣， 高超. 采样密度对土壤有机质空间变异解析的影响［J］. 农业现代化研究， 2016，37（3）: 594-600.

Fan M M， Wu P B， Zhang H， Wei X， Chen F R， Gao C. Effect of sampling density on spatial variability analysis of soil organic matter［J］. Research of Agricultural Modernization， 2016， 37（3）: 594-600.

地统计学常被用于土壤属性的空间变异建模以及评价其空间不确定性，被认为是最精确的空间预测方法之一［6-8］。目前运用地统计学和GIS相结合的方法［9-11］，除从空间预测的角度，研究区域土壤属性在不同预测方法下的空间分布规律［12-13］，并分析自然及人为因素的影响［14-16］，也用于分析采样密度对有效揭示土壤属性空间变异的影响［17-21］。

土壤有机质（soil organic matter，SOM）是土壤质量的关键指示因子，又是地球表层重要的碳库［22］。揭示SOM的空间变异特征及分布规律，可为土壤肥力精准管理及土壤碳汇潜力估算提供合理依据［23］。本文以合肥市北部地区SOM含量为例，以高密度土壤采样数据为数据源，设置不同密度的样点子集，每个样点子集进行20次重复抽样，基于20次重复抽样的描述性统计特征、空间变异结构及分布特征，再结合空间预测精度的分析，探讨确定区域土壤质量评价工作中合理的采样密度。

1 材料与方法

1.1 研究区概况

研究区位于合肥市北部（116°40′-117°53′E，31°30′-32°28′N），主要包括合肥市区及所辖肥东县、肥西县和长丰县的部分地区，总面积约5 247 km2（图1）。研究区属暖温带半湿润—北亚热带湿润季风气候，四季分明，年均气温15.2 ℃，年均降水量900-1 100 mm。地貌特征以丘陵和平原为主，山地局部分布。受区域地理、地质环境及成土条件和成土过程的影响，研究区内成土母质以晚更新世下蜀黄土为主，土壤类型以水稻土和黄褐土为主，粗骨土、紫色土次之，砂姜黑土、黄棕壤、石灰岩土、石质土、潮土零星分布。土地利用方式以水旱轮作地为主，耕作制度主要为稻—麦（油菜）轮作。

1.2 样品采集与分析

土壤样品（0-20 cm）采集于2003年。基于1 km ×1 km地理网格，采样密度为1个/km2，共采集表层土壤样品5 207个。样品带回实验室自然风干后，其处理方法及SOM含量测定均参照鲁如坤［24］方法进行。

图1 研究区位置Fig.1 Location of the study area

1.3 数据处理与空间制图

利用SPSS 17.0分析土壤有机质的基本统计特征，检验数据是否符合正态分布。以ArcGIS 10.2为平台，将采样点数据加载到ArcGIS10.2中，生成样点矢量分布图（图2）。在地统计分析模块中进行重复随机抽样，确定合适的半变异函数模型，然后通过普通克里格插值得到SOM的空间分布，并采用独立验证进行精度检验。

为了探究采样密度对土壤有机质空间变异的影响，利用ArcGIS 10.2地统计分析模块的生成子集的功能，从5 207个样点中随机抽取80%（4 200个采样点）作为一个样点子集，剩余的20%（1 007个样点）作为检验样点，作为独立数据集来验证评价插值的效果。然后将4 200个样点随机均匀去掉30%的样点，剩下的样点再次按此法进行抽稀，依次类推，生成得到六组不同样点数，重复以上步骤20次。以其中一组为例，得到各样点子集以及检验样点空间分布如图1。本文采用重复随机抽样的方法，这是因为单次随机抽样具有很大的随机性，可能导致土壤性质空间变异性结构表达的不确定性增大，而重复随机抽样能降低一定的不稳定性，提高空间预测结果的可靠性。

比较插值效果的验证方法通常有交叉验证和独立数据集验证。前者是分别把每一个样点作为检验点，假设此点含量值未知，用其他样点数据插值预测该样点数值。后者是从全部样点抽取部分样点作为独立数据集，不重复地将剩余的样点作为模拟数据集，把独立数据集中的每一个样点作为检验点。前者是比较模拟值与测定值的较为快速和廉价的方法，但在许多情况下并不能描述空间模拟误差，而后者可以避免交叉验证的缺点，因此本文采用独立数据集验证的方法，选择均方根误差（RMSE）和检验样点的实测值与预测值的相关系数（R）两个指标来评价插值的精度，从而确定合理采样密度。其中，RMSE越小，R越大，表明空间预测结果越准确［25］。

图2 研究区样点分布图Fig. 2 Location of sampling sites in the study area

2 结果与分析

2.1 采样密度对土壤有机质含量统计结果的影响

对表层土壤有机质含量数据进行K-S正态检验，结果表明各样本数据符合正态分布。基于20次重复随机抽样的平均统计结果可知（表1），4 200个样点的耕层SOM含量最低为1.4 g/kg，最高为49.6 g/kg，平均含量为17.3 g/kg。经单因素方差分析（LSD法），与其余样点子集平均含量的差异不显著（P＞0.05），表明各样点子集均具有很强的代表性，降低采样密度对获得研究区SOM基本统计信息影响较小。SOM的变异系数随采样密度的降低由25.3%增至26.5%，属中等程度变异。

2.2 采样密度对表征土壤有机质空间变异结构影响

土壤属性的空间变异，受各种结构性和随机性因素的共同控制［12］。拟合精度较高的半方差函数模型是分析土壤属性空间变异结构的关键，是进行精确Kriging插值的基础［26］。每种采样密度的半方差函数拟合结果均采用20次抽样推断的平均变异结构表征，结果见表2、图3。表2中，C0+C是基台值，反映变量的总变异程度；C0是块金值，反映由随机性因素引起的变异；C是结构方差，表示由结构性因素引起的变异。因而，C0/（C0+C）比值越大，表明随机性因素如灌溉、施肥、耕作等人为活动的影响越明显；反之，结构性因素如成土母质、气候、生物、地形等自然因素的影响占主要地位［27］。一般小于25%、25%-75%和大于75%分别表示强烈、中等和较弱的空间相关性［28］。

表1 不同采样密度下SOM的描述性统计Table 1 Descriptive statistics of SOM contents at different sampling densities

表2 不同采样密度下SOM含量的半方差模型及其参数Table 2 Semivariance models and parameters of SOMcontents at various sampling densities

本研究的C0/（C0+C）比值均在25%-75%之间，表现出中等的空间相关性。说明在本研究区内，SOM的空间变异受结构性因素和随机性因素共同影响。同时，样点数量为2 058个、1 450个（对应的采样密度分别是0.39个/km2、0.28个/km2）时，C0/（C0+C）比值均低于4 200个（采样密度为0.8 个/km2）样点下的43.78%，且采样密度为0.28 个/km2时比值最小，探测到的结构性连续组分比例最高。这表明较大的采样密度并不一定有利于识别SOM含量的结构性连续组分，优化布置采样点的位置可能比单纯增大样点密度更易识别SOM的空间变异结构特征。赵业婷等［5］指出，土壤样点的优化布置可能较单纯地增加采样点的数量更为重要。海南等［29］认为，适当地减少样点数量能降低与采样方案所反映的SOM含量变异尺度不匹配的样点对变异结构推断的影响，均与本文的研究结果一致。

从图3可以看出，当采样密度大于0.28个/km2时，SOM含量的半方差函数模型拟合效果均较好。当采样密度小于0.28个/km2时，随着采样密度的减小，SOM含量的半方差函数模型拟合效果越来越差。各向同性下，各个样点子集的最佳拟合模型为稳定模型。变程反映了变量空间自相关范围的大小，不同样点数量下拟合的SOM含量变程均大于9 km，空间连续性范围较大。从总体情况来看，采样密度为0.28个/km2就可较好地模拟出有机质的空间结构特征。

2.3 采样密度对土壤有机质空间分布特征解析的影响

从每种样点密度下20次重复抽样的数据中选取较接近平均情况的样点子集，采用基于20次抽样推断的各样点子集的半变异参数平均值进行普通克里格插值，得到研究区不同采样密度下SOM的空间分布图（图4）。可以看出，当参与插值的样点数量分别为4 200个、2 940个、2 058个和1 450个时，研究区SOM含量呈现出相似的总体分布格局：有机质含量较高（20.13-49.65 g/kg）、中等含量（16.72-20.13 g/kg）及含量较低（1.38-16.72 g/kg）的土壤分布呈复域格局，岛状分布较为明显。SOM含量较高的土壤零星分布于研究区北部、西南及东部区域。中等含量的土壤广泛分布于研究区内，所占面积最大。含量较低的土壤，在研究区中部出现连片分布。当样点数量减少到1 010个和707个时，出现明显的局部高估现象，表现的空间信息相对较简单，空间细节特征无法被准确表达。可见，研究区SOM空间预测时样点数量应控制在1 010个（对应样点密度0.19个/km2）以上。

2.4 采样密度对土壤有机质空间预测精度的影响

图3 不同采样密度下SOM含量半方差图Fig. 3 Semivariograms of SOM contents based on different sampling densities

图 4 不同采样密度下克里格预测的SOM空间分布图Fig. 4 Spatial distribution of SOM contents by kriging at different sampling densities

从图5独立验证的结果来看，随样点密度的减小，预测值与实测值间的相关系数R逐渐减小，RMSE逐渐增大，但当样点数量从1 010降至707个时，R开始增大，RMSE开始减小，违背了R与RMSE的变化规律，这说明707个样点即采样密度为0.13个/km2已不能够保证SOM空间预测的可靠性。样点数从4 200个降至2 940个、从2 940个降至2 058个、从2 058个降至1 450个、从1 450个降至1 010个时R的降幅分别为15.2%、22.3%、13.3%、29.9%。RMSE的 增 幅 分 别 是20.4%、11.5%、4.90%、6.63%，R的降幅和RMSE的增幅均在样点数量从2 058降至1 450个时最小。一般土壤采样密度越大，所得结果越能准确揭示土壤属性空间变异的信息，但考虑到土壤样品采集和分析费用及工作周期，故需在成本与预测精度之间寻找一个切合点。因此，1 450个样点即采样密度为0.28 个/km2可以准确表征SOM的空间变异状况，而且比较经济，其结果基本上能够满足区域土壤肥力质量评价和管理的需要。

另外，合理的土壤采样密度还应当根据评价工作的目的确定。结合表1中不同采样密度下的SOM含量统计结果可知，采样密度不断降低，对研究区SOM的平均值和标准差几乎没有影响。实际上，对训练子集进一步抽稀，至样点数为243个，即大约22 km2布置一个采样点（0.046个/km2）时，研究区SOM的均值和标准差仍基本未变。说明如果评价目的是针对区域土壤碳汇的潜力，则较稀的采样密度就能获得预期的效果，无需过多的投入。

图5 不同采样密度下Kriging插值精度的比较Fig. 5 Accuracy comparison of Kriging interpolation at different sampling densities

3 结论

1）采样密度大于0.13个/km2时，不同采样点密度下，研究区SOM含量的均值、标准差等描述统计结果差异不大，说明各样本对总体均有较强的代表性。但是，采样密度小于0.13个/km2时，不能保证SOM空间预测的可靠性。

2）不同采样密度下，研究区SOM的分布大都具有较好的半方差结构，表现出中等的空间相关性。采样密度为0.28个/km2时，探测到的SOM含量变异结构中结构性组分比例最高，进一步加大采样密度并不一定利于识别SOM含量的结构性连续组分。采样密度降至0.19个/km2和0.13个/km2时，局部细节信息被过滤，不能准确地表现其空间变异特征。

3）空间预测精度方面，预测值与实测值间的相关系数R随采样密度的降低而降低，均方根误差RMSE随采样密度的降低而增加，R的降幅和RMSE的增幅均在采样密度从0.39个/km2降至0.28 个/km2时最小。综合考虑预测精度要求和工作成本，在研究区的这种自然地理条件和土地利用方式下，对SOM空间变异情况进行预测时，采样密度应控制在0.28个/km2以上，才能满足区域土壤肥力质量评价和管理工作的需要。若评价目的是针对区域土壤碳汇的潜力，则大约22 km2布置一个采样点就能获得预期的效果，无需过多的投入。

［1］ Hu K L， Wang S Y， Li H， et al. Spatial scaling effects onvariability of soil organic matter and total nitrogen in suburbanBeijing［J］. Geoderma， 2014， 226/227: 54-63.

［2］ Qu M K， Li W D， Zhang C R， et al. Comparison of three methodsfor soil fertility quality spatial simulation with uncertaintyassessment［J］. Soil Science Society of America Journal， 2013，77（6）: 2182-2191.

［3］ 程道全， 巫振富， 刘晓冰， 等. 样点密度对土壤有机质空间预测结果的影响——以河南封丘县土壤为例［J］. 土壤通报，2013， 44（4）: 844-850.Cheng D Q， Wu Z F， Liu X B， et al. Infuences of sample densityon spatial prediction of soil organic matter content: A case studyfrom Fengqiu County， Henan Province［J］. Chinese Journal of SoilScience， 2013， 44（4）: 844-850.

［4］ 李洪建， 高玉凤， 严俊霞， 等. 不同取样尺度下亚高山草甸土壤呼吸的空间变异特征［J］. 环境科学， 2014， 35（11）: 4313-4320.Li H J， Gao Y F， Yan J X， et al. Spatial heterogeneity of soil respiration in a subalpine meadow at different sampling scales［J］.Environmental Science， 2014， 35（11）: 4313-4320.

［5］ 赵业婷， 常庆瑞， 李志鹏， 等. 基于Cokriging 的耕层土壤全氮空间特征及采样数量优化研究［J］. 土壤学报， 2014， 51（2）: 415-422.Zhao Y T， Chang Q R， Li Z P， et al. Study on spatial distribution of total nitrogen in arable soil layer and optimization of number of soil samples for the study based on cokriging［J］. Acta Pedologica Sinica， 2014， 51（2）: 415-422.

［6］ 徐大兵， 邓建强， 刘冬碧， 等. 整治区植烟土壤养分空间变异及肥力适宜性等级评价［J］. 应用生态学报， 2014， 25（3）: 790-796.Xu D B， Deng J Q， Liu D B， et al. Nutrient spatial variability of tobacco soil restoration area and fertility suitability level evaluation［J］. Chinese Journal of Applied Ecology， 2014， 25（3）: 790-796.

［7］ 杜书立， 葛翠萍， 付微， 等. 三江平原耕地土壤有机质时空分布特征——以富锦市为例［J］. 农业现代化研究， 2014， 35（6）: 810-813. Du S L， Ge C P， Fu W， et al. Spatial and temporal distribution of soil organic matter in croplands of Sanjiang Plain: A case study at Fujin County［J］. Research of Agricultural Modernization， 2014， 35（6）: 810-813.

［8］ Qu M K， Li W D， Zhang C R， et al. Effect of land use types onthe spatial prediction of soil nitrogen［J］. GIScience & Remote Sensing， 2012， 49（3）: 397-411.c

［9］ 上官魁星， 吴金水， 周脚根， 等. 县域尺度土壤有机碳储量估算的样点密度优化［J］. 土壤学报， 2014， 51（1）: 41-48. Shangguan K X， Wu J S， Zhou J G， et al. Optimum density of sampling for estimation of soil organic carbon stock at a county scale［J］. Acta Pedologica Sinica， 2014， 51（1）: 41-48.

［10］ Sun W X， Zhao Y C， Huang B， et al. Effect of sampling density on regional soil organic carbon estimation for cultivated soils［J］. Journal of Plant Nutrition and Soil Science， 2012， 175（5）: 671-680.

［11］ Zhang S W， Huang Y F， Shen C Y， et al. Spatial prediction of soil organic matter using terrain indices and categorical variables as auxiliary information［J］. Geoderma， 2012， 171/172: 35-43.

［12］ Liu Y L， Guo L， Jiang Q H， et al. Comparing geospatial techniques to predict SOC stocks［J］. Soil and Tillage Research， 2015， 148: 46-58.

［13］ 龙军， 张黎明， 沈金泉， 等. 复杂地貌类型区耕地土壤有机质空间插值方法研究［J］. 土壤学报， 2014， 51（6）: 1270-1281. Long J， Zhang L M， Shen J Q， et al. Spatial interpolation of soil organic matter in farmlands in areas complex in landform［J］. Acta Pedologica Sinica， 2014， 51（6）: 1270-1281.

［14］ 杨顺华， 张海涛， 郭龙， 等. 基于回归和地理加权回归Kriging的土壤有机质空间插值［J］. 应用生态学报， 2015， 26（6）: 1649-1656. Yang S H， Zhang H T， Guo L， et al. Spatial interpolation of soil organic matter using regression kriging and geographically weighted regression kriging［J］. Chinese Journal of Applied Ecology， 2015， 26（6）: 1649-1656.

［15］ Yang F S， Su S Z， Zhang J J， et al. Spatial variation of soil organic matter in gully bed with the seabuckthorn flexible dam: A case study of EG1 in Zhun-Ge-Er County of Inner Mongolia， China［J］. Advanced Materials Research， 2015， 1073/1074/1075/1076: 619-627.

［16］ 赵明松， 张甘霖， 王德彩， 等. 徐淮黄泛平原土壤有机质空间变异特征及主控因素分析［J］. 土壤学报， 2013， 50（1）: 1-11. Zhao M S， Zhang G L， Wang D C， et al. Spatial variability of soil organic matter and its dominating factors in Xu-Huai alluvial plain［J］. Acta Pedologica Sinica， 2013， 50（1）: 1-11.

［17］ 苏晓燕， 赵永存， 杨浩， 等. 不同采样点数量下土壤有机质含量空间预测方法对比［J］. 地学前缘， 2011， 18（6）: 34-40. Su X Y， Zhao Y C， Yang H， et al. A comparison of predictive methods for mapping the spatial distribution of soil organic matter content with different sampling densities［J］. Earth Science Frontiers， 2011， 18（6）: 34-40.

［18］ 孙志英， 赵彦锋， 张化楠， 等. 基于地图直接对比的土壤空间表达尺度效应研究——以封丘土壤属性制图为例［J］. 生态学报， 2014， 51（4）: 781-794. Sun Z Y， Zhao Y F， Zhang H N， et al. Study on effect of scaling on soil spatial expression based on direct comparison of maps: A case of soil attribute mapping in Fengqiu County， Henan Province， China［J］. Acta Pedologica Sinica， 2014， 51（4）: 781-794.

［19］ Zhang Z Q， Yu D S， Shi X Z， et al. Priority selection rating of sampling density and interpolation method for detecting the spatial variability of soil organic carbonin China［J］. Environmental Earth Sciences， 2015， 73（5）: 2287-2297.

［20］ Weidorf D C， Zhu Y. Spatial variability of soil properties at Capulin Volcano， New Mexico， USA: Implications for sampling strategy［J］. Pedosphere， 2010， 20（2）: 185-197.

［21］ 齐雁冰， 常庆瑞， 刘梦云， 等. 县域农田土壤养分空间变异及合理样点数确定［J］. 土壤通报， 2014， 45（3）: 556-561. Qi Y B， Chang Q R， Liu M Y， et al. County-scale spatial variability of soil nutrient distribution and determination of reasonable sampling density［J］. Chinese Journal of Soil Science， 2014， 45（3）: 556-561.

［22］ Marchetti A， Piccini C， Francaviglia R， et al. Spatial distribution of soil organic matter using geostatistics: A key indicator to assess soil degradation status in Central Italy［J］. Pedosphere， 2012，22（2）: 230-242.

［23］ Guo P T， Li M F， Luo W， et al. Digital mapping of soil organic matter for rubber plantation at regional scale: An application of random forest plus residuals kriging approach［J］. Geoderma，2015， 237/238: 49-59.

［24］ 鲁如坤. 土壤农业化学分析方法［M］. 北京: 中国农业科技出版社， 2000. Lu R K. Analytical Methods for Soil and Agro-chemistry［M］. Beijing: China Agricultural Science and Technology Press， 2000.

［25］ 赵倩倩， 赵庚星， 姜怀龙， 等. 县域土壤养分空间变异特征及合理采样数研究［J］. 自然资源学报， 2012， 27（8）: 1382-1391. Zhao Q Q， Zhao G X， Jiang H L， et al. Study on spatial variability of soil nutrients and reasonable sampling number at county scale［J］. Journal of Natural Resources， 2012， 27（8）: 1382-1391.

［26］ 冯娜娜， 李廷轩， 张锡洲， 等. 不同尺度下低山茶园土壤有机质含量的空间变异［J］. 生态学报， 2006， 26（2）: 349-356. Feng N N， Li T X， Zhang X Z， et al. The spatial variability of the content of organic matter in hilly tea plantation soils with different sampling scales［J］. Acta Ecologica Sinica， 2006， 26（2）: 349-356.

［27］ 艾尤尔·亥热提， 王勇辉， 海米提·依米提. 艾比湖湿地土壤碱解氮的空间变异性分析［J］. 土壤， 2014， 46（5）: 819-824. Ghayrat G， Wang Y H， Yimid H. Spatial variability of soil available nitrogen in Ebinur Lake wetland［J］. Soils， 2014， 46（5）: 819-824.

［28］ Wang Y Q， Zhang X C， Zhang J L. Spatial variability of soil organic carbon in a watershed on the Loess Plateau［J］. Pedosphere，2009， 19（4）: 486-495.

［29］ 海南， 赵永存， 田康， 等. 不同样点数量对土壤有机质空间变异表达的影响研究［J］. 土壤学报， 2015， 52（4）: 783-791. Hai N， Zhao Y C， Tian K， et al. Effect of number of sampling sites on characterization of spatial variability of soil organic matter［J］. Acta Pedologica Sinica， 2015， 52（4）: 783-791.

（责任编辑：王育花）

Effect of sampling density on spatial variability analysis of soil organic matter

FAN Man-man1， WU Peng-bao1， ZHANG Huan1， WEI Xiao1， CHEN Fu-rong2， GAO Chao1，*
（1. School of Geographic and Oceanographic Sciences， Nanjing University， Nanjing， Jiangsu 210046， China； 2. Anhui Institute of Geological Survey， Hefei， Anhui 230001， China）

Determination of a rational sampling density can facilitate revealing spatial variability of soil attributes effciently， which is the premise of improving the accuracy of soil quality assessment. By using geographic information system （GIS） and geostatistics methods， this paper examined the effects of sampling density on spatial variability analysis of soil organic matter （SOM）. In the study area of Northern Hefei City in China， 6 data subsets （the corresponding sampling densities were 0.8 per km2， 0.56 per km2， 0.39 per km2， 0.28 per km2， 0.19 per km2， and 0.13 per km2， respectively） were repeatedly selected for 20 times at random from the whole 5207 sampling sites for spatial variability analysis. The results indicated that the mean concentrations of SOM had no signifcant differences among various sampling densities， illustrating that sampling densities at different scales were all representative for the mean value of SOM. SOM in the study area exhibited a medium spatial dependence. The structural component was relatively high at the sampling density of 0.28 per km2， and did not increase evidently with further increasing sampling density. When the density was below 0.28 per km2， some partial detailed information was filtered and the characteristics of spatial variability could not be accurately expressed. With regarding to the natural geography and land use conditions in the study area， the optimal sampling density to detect SOM spatial variability is suggested to be 0.28 per km2to evaluate soil fertility quality. If for estimating the potential capacity of soil carbon sink， then one sampling point per 22 km2can be able to meet the requirement and acquire the expected effect.

soil organic matter； sampling density； ordinary kriging； geostatistics； semivariance function

土壤是不均匀变化的连续体，土壤属性值具有明显的空间变异性［1］。获得详细准确的土壤属性的空间分布信息，是土壤质量评价的基础［2］。采样密度的大小对土壤属性及其空间变异信息获取的精度与定量表达的程度具有决定性影响。理论上，采样密度越大，空间插值预测的误差越小。采样密度过低，插值精度难以保证。但过高的采样密度会耗费较多的人力、物力和财力，且工作周期较长［3-5］。如何在区域性土壤质量评价工作中确定合理的采样密度，前人已开展了一些研究。由于评价目的和评价指标各异，研究区自然地理条件和人类活动影响程度不同，已有的研究方法和所得结论仍需要在更多不同的地区得到检验。目前，相关研究工作正受到国内外学者的重视。

Land and Resource Survey （1212010310305）.

GAO Chao， E-mail: chgao@nju.edu.cn.

29 June， 2015；Accepted 24 February， 2016

S158

A

1000-0275（2016）03-0594-07

10.13872/j.1000-0275.2016.0045

国土资源大调查项目（1212010310305）。

范曼曼（1991-），女，河南周口人，硕士，主要从事区域环境质量演变研究，E-mail：943389517@qq.com；通讯作者：高超（1962-），男，安徽六安人，教授，主要从事土地利用变化的环境效应、环境污染物表生行为、区域环境质量演变研究，E-mail：chgao@nju.edu.cn。

2015-06-29，接受日期：2016-02-24