复合指纹法定量示踪西南岩溶洼地小流域泥沙来源

雷 珊, 魏兴萍,2

(1.重庆师范大学 地理与旅游学院, 重庆 401331; 2.三峡库区地表过程与环境遥感重庆市重点实验室, 重庆 401331)

中国西南岩溶地区是我国主要的生态环境脆弱区之一，与黄土高原一样，该地区的水土流失问题十分严重。同时，岩溶洼地小流域作为一个独立的侵蚀产沙单元，开展岩溶洼地小流域泥沙来源研究，对于查明洼地泥沙的来源，研究土壤侵蚀过程，发挥着重要的作用。因此研究洼地泥沙来源，对于有针对性地实施洼地水土流失治理，以及岩溶洼地小流域水环境的污染来源，有重要意义。国内外针对流域的泥沙来源研究已经有了一定的基础，从最早开始的小区观测[1-2]、资料分析[3]、遥感制图等[4]传统研究方法，到直接从泥沙入手的指纹识别技术的兴起，学者们对于流域泥沙的研究兴趣从未消失。早期的指纹识别技术主要是从地球理化属性、矿物元素、矿物磁性等作为“示踪因子”取得了较好的研究结果[5];泥沙颗粒颜色、植物孢粉、稳定同位素、大气沉降核素等[6-8]相继被用以示踪泥沙来源，指纹识别因子种类不断丰富。20世纪90年代后，Collins等[9]提出，采用多个“示踪”因子，通过非参数检验和判别分析等方法，组合在一起形成复合指纹因子，再通过模型进行泥沙来源计算，在国内外地区都得到了较好的应用。近期，国外一些学者在研究中不断优化模型的研究方法[10-11]，在混合模型的计算中进一步考虑了泥沙粒径和有机质含量等因素的修正，并利用不同混合模型进行对比研究，优化了混合模型拟合结果。

国内关于复合指纹识别技术的研究主要集中在非岩溶地区。郭进等[12]在三峡库区开展流域(河流)泥沙来源研究，查明入塘、河、库泥沙通量，定量解析了塘库表层沉积泥沙来源;周慧平等[13]通过研究泥沙来源来探讨颗粒态磷的来源得出农田、林地、矿山及道路施工用地的泥沙贡献率和颗粒态磷的输出贡献百分比;周曼等[14]在南方红壤区利用复合指纹技术研究不同降雨特征下林地、茶园、矿区、耕地的泥沙贡献百分比。杨明义等[15]在陕北选定的汇水区内采集土壤样品中17种物质的分析得出，洪水携带的总泥沙有33.7%来自主沟道，60.0%来自坡地果园，3.0%来自小块的坡耕地以及3.3%来自支沟道。

西南岩溶地区与黄土高原一样是一个脆弱的生态环境，水土流失危害严重，危险着长江、珠江水系的防洪和水土资源的保护。岩溶地区由于立地条件独特、产流产沙特殊，不能直接引用非岩溶地区的研究成果。重庆岩溶小流域的土壤侵蚀常常伴随岩溶地区和非岩溶地区，目前，岩溶洼地泥沙来源贡献规律不清、土地利用变化对岩溶地区泥沙来源、沉积耦合响应关系认识不清，不利于岩溶地区开展水土保持工作。本研究拟在重庆选建有水库的无落水洞发育的岩溶洼地小流域，对小流域源地土壤和水库沉积物取样研究，探明岩溶洼地泥沙来源比例。为采取有效的水土保持措施，增强岩溶地区水源涵养、水土保持等生态功能，以及小流域综合治理提供科学依据。

1 材料与方法

1.1 研究区概况

研究区地点位于重庆市西北部青木关岩溶槽谷区(图1)，北纬29°37′37″—29°38′2″，东经106°16′8″—106°17′2″。研究区岩溶洼地是一个位于劳动村的封闭洼地，洼地内有一座水库，洼地泥沙沉积于水库内。劳动水库建于20世纪70年代，90年代开始荒废，水库停止开发，至今沉积有50 a左右。劳动水库长约276.17 m，宽约212.49 m，面积大约有0.033 km2，洼地面积约0.74 km2。青木关岩溶槽谷区属长江上游亚热带湿润季风气候区，四季分明，气候温和，降雨量充足，初夏多雨，常伏旱，秋多连绵阴雨，无霜期长等特点。多年平均气温为17.9℃，极端最高温度为42.2℃，极端最低温度为-3℃。根据气象局提供的55 a(1959—2013年)降雨资料统计，区域内多年平均降雨量1 047.5 mm，最大年降雨量1 534.2 mm(1968年)，最小年降雨量625.9 mm(1961年)。

图1 研究区地貌和地层

重庆岩溶地区的水土流失往往伴随着非岩溶地区水土流失，根据重庆市水文地质幅和实地考察，研究区内存在两种不同的地质岩性，岩溶洼地沉积泥沙主要来自两个侵蚀产沙区即碎屑岩区和碳酸盐岩区。

1.2 样品采集与处理

将劳动水库溶洼地内的土壤泥沙来源底地分为碳酸盐岩表层土壤(碳酸盐岩坡耕地、林地以及撂荒地)、深层土壤(沟道和裂隙)、碎屑岩表层土壤(林地和撂荒地)，坡耕地和林地采取直线布设，以线控制面;坡耕地、林地撂荒地土样采集时，首先利用不锈钢铲去掉表土层枯枝落叶，然后使用不锈钢铲轻轻采集2—5 cm厚土壤表层，放置于编织袋上，去除石块等大块杂质、混匀，四分法取1地装入样品袋，尽量避免破坏土壤的结构。深层土壤选取碳酸盐岩汇水区岩缝裂隙剖面裂隙土以及主要沟道沟壁。根据各源地面积比，研究地共取样41个，碳酸盐岩表层土壤19个，深层土壤11个，碎屑岩表层土壤11个(图2)。

图2 采样点分布

1.3 测定指标与试验方法

采集样品去除枯枝落叶、作物根系及粗砾石，经过自然风干，人工磨细过2 mm干筛，样品进行分装标记备试。指纹因子间属性差异越大，最佳指纹因子组合之判别能力越强，实验室分析内容包括一系列不同理化属性的指标因子:指标包括TN，TP，AP，AK，SOM，χfd，χlf，χhf，χ，K，Na，Ca，Mg，Cu，Zn，Ba，Sr，Fe，Mn，Si，Al，Li，Be，Co，As，Rb，Ag，Cd，In，Cs，Tl，Pb，Bi，U，V，Cr，Ti，Ni。

土壤磁化率采用BartingtonMS2磁化率仪仪器对土壤样品进行测试，磁化率仪的低频磁化率(0.47 kHz)和高频磁化率(4.7 kHz)进行测试，并计算结果。土壤养分元素测定指标及测定方法主要参考中国农业出版社出版的郑必昭主编的《土壤分析技术指南》。土壤地球元素采用ICP-7700(电感耦合等离子体光谱仪)处理。

1.4 研究内容与方法

(1) 指纹因子的筛识别与筛选。首先在实验室测定各潜在泥沙来源地土壤地球化学特性，并对已测定的指标在SPSS数据统计分析中进行Kruskal-Wallis H检验，从而评价各单一指纹因子是否有区别源地的能力[16]。Kruskal-Wallis H检验是用于推断样本来自的多个独立总体分布是否存在显著差异，其检验前提是，零假设所有泥沙来自于同一个潜在泥沙来源地，若p<0.05，则组间呈现显著性差异，零假设被拒绝[17]，表明该因子可用于区别泥沙来源，从而依次逐步确定初选指纹因子。其次对初选因子在SPSS中进行多元逐步判别分析，在基于Wilks ′Lambda最小化的基础上，确定最佳指纹因子组合[18]。

(2) 岩溶洼地沉积泥沙来源分析。在确定最佳指纹组合因子后，利用多元混合模型定量计算各潜在泥沙来源地沉积泥沙贡献值[19]，计算得出不同泥沙源地的泥沙相对贡献率。多元混合模型函数表示:

(1)

0≤Ps≤1

(2)

(3)

式中:Ci是洼地泥沙指纹因子i的浓度;Ps是泥沙来源地s的泥沙贡献百分比;Ssi是泥沙来源地中指纹识别因子i的平均浓度;m是泥沙来源地的数量;n是指纹识别因子的数量。在限制公式(2—3)的情况下使得公式(1)函数值为最小的情况下可得各泥沙源地对应的贡献百分比。

(3) 计算得出各源地泥沙贡献百分比后，利用拟合优度(GOF)检验)的方法对模型的准确性进行检验。

2 结果与分析

2.1 潜在泥沙来源地土壤性质及指纹因子筛选

将试验所测的指标包括TN，TP，AP，AK，SOM，χfd，χlf，χhf，χ，K，Na，Ca，Mg，Cu，Zn，Ba，Sr，Fe，Mn，Si，Al，Li，Be，Co，As，Rb，Ag，Cd，In，Cs，Tl，Pb，Bi，U，V，Cr，Ti，Ni按表层土壤、深层土壤、碎屑岩土壤3种泥沙来源地进行无参数Kruskal-Wallis H-test统计分析检验，检验结果见表1。

表1 泥沙来源地指纹识别因子的Kruskal-Wallis H-test统计分析检验结果

从上面因子中，可以看出除:Co，Rb，Ti，Na，Si，Al，SOM，TP对应的p值大于显示水平0.05，其他因子的p值均小于0.05，故拒绝因子来自同一泥沙来源地的原假设，即这些因子在不同泥沙来源地间具有显著性差异。

2.2 最佳指纹因子组合确定

2.2.1 最佳指纹因子的构建 首先对3种泥沙来源地中的30种显著差异性指纹因子进行组间均值的均等性检验，根据表2结果显示:显著性差异的因子在均值的均等检验中，除Bi，Ca，Mg，Ak的Sig值大于显著水平0.05，其他因子均小于0.05，共计26种指纹因子均等性检验Sig<0.05，其中Li，Ag，In，Cs，Tl，U，V，Cr，Ni，Cu，Zn，Fe，Mn，χhf，χld，χ共16种因子Sig<0.010具体结果见表2。由此可知，3种泥沙来源地中，表层土壤、深层土壤、碎屑岩土壤Li，Be，As，Pb，Ag，Cd，In，Cs，Tl，U，V，Cr，Ni，Cu，Zn，K，Ba，Sr，Fe，Mn，TN，AP，χhf，χld，χ，χfd等因子具有显著性差异特征，故说明这些显著性因子可以进行多元判别分析。

表2 泥沙来源地初筛因子组均值的均等性的检验

将Kruskal-Wallis检验中刷选出的不同泥沙来源地间具有显著性差异的指标，进入多元判别分析，找出最佳复合指纹组合，采用逐步多元判别分析法，其最终得到最佳因子结果见表3。

表3 泥沙来源地最佳组合指纹因子

从表3可知:最终从这30种因子中筛选，找到了最佳因子组合，其中U，χhf，AP，Mn的累积判别率分别为63.4%，68.3%，73.2%，82.9%，总累积判别率高达82.9%，累积判别率大于80%，属于可接受范围。

2.2.2 判别函数的建立 表4是3种泥沙来源地逐步判别分析后的最佳指纹因子Fisher判别函数系数表，该函数以判别函数值最大的一组进行归类为中心思想，给出了碳酸盐岩表层土壤、深层土壤、碎屑岩表层土壤3个线性分类函数的系数，从而构成3种泥沙来源地的判别函数。

表4 泥沙来源地Fisher判别函数系数

把潜在泥沙来源地样品值代入3个判别方程，即可对该样品进行判断。其中哪个潜在泥沙源地的Y值最大，该样品判别分组就是其对应的分组。下为判别函数:

Y碎屑岩表层土壤=-5.379+0.042U+0.581Mn+

0.312AP+0.025χhf

Y碳酸盐岩表层土壤=-14.245+0.061U+1.345Mn+

0.482AP+0.058χhf

Y深层土壤=-14.31+0.105U+0.797Mn+

0.484AP+0.027χhf

2.2.3 判别结果与分析 通过对劳动水库洼地小流域所采集的泥沙来源地土壤样品进行分类，初始分组中的样本量进行预测分组，对比分析预测组和实际组之间的差异，从而得出不同分组样本归类判别正确率，若正确判别率高于70%，则具有较好判别效果[20]。当有3种泥沙来源地的多元判别分析时，共有U，Mn，AP，χhf,4种单一指纹因子组成最佳指纹因子组合。同时，在这4种最佳因子组合下，3种来源地的预测组与实际组的判别结果如下。由表5复合指纹因子判别结果可知，碳酸盐岩表层土壤、深层土壤和碎屑岩表层土壤3个初始分组，并建立了具有这3种分类的41个样本总体。其中第一组碳酸盐岩表层土壤共有样本量19个，第二组深层土壤样本量11个，第三组碎屑岩表层土壤样本量11个。在SPSS分析过程中，泥沙来源地表层土壤的19个样本量，共计有16个预测组的样本量与实际组一致，即碳酸盐岩表层土壤样品有84.2%的正确判别率;深层土壤中11个样本量，共计有8个预测组的样本量与实际组一致，其中有1组误判为碎屑岩表层土壤，2组误判为碳酸盐岩表层土壤，即深层土壤样品有72.7%的正确判别率;在深层土壤的误判率要高于其他源地，最主要的原因深层土壤是沟道、裂隙土，成土木质跟碳酸盐岩和碎屑岩有非常大的关联性。而在碎屑岩表层土壤的分析过程中，11个样本中有10个实现了正确分类，1组误判为深层土壤，也就是说，碎屑岩土壤的正确判别率为90.9%。总体上而言，在U，Mn，AP，χhf4种指纹因子组合下，3种泥沙源地的正确判别率达82.6%。完全符合组合指纹法应用的要求。因此这4种因子可以作为判别该区泥沙来源的最佳指纹因子组合。3种泥沙源地分类判别中，碳酸盐岩表层土壤、深层土壤、碎屑岩表层土壤分别产生15.8%，27.3%，9.1%的错误判别率，这也完全符合组合指纹法应用要求，错误判别率低于30%，因此U，Mn，AP，χhf4种因子可以作为判别该区泥沙来源的最佳指纹因子组合。

表5 泥沙来源地复合指纹因子判别结果 %

2.3 岩溶洼地小流域泥沙来源分析

根据最佳指纹组合在沉积泥沙样品和泥沙来源地中的浓度，在符合公式(2—3)的条件下，使公式(1)最小时得到劳动水库洼地的沉积泥沙，来自不同源地的侵蚀泥沙贡献比。

由表6可以看出，3种泥沙来源地贡献百分比均值分别为:碳酸盐岩表层土壤(50.2%)、深层土壤(11.6%)、碎屑岩表层土壤(38.2%)。各潜在泥沙源地中表层土壤的泥沙贡献率最高，碎屑岩表层土壤、深层土壤次之。其中碳酸盐岩表层土壤的泥沙贡献百分比是深层土壤的4.3倍、碎屑岩表层土壤的1.3倍，主要是因为碳酸盐岩区中表层土壤占地面积较大，土层薄，植物根系不发达，地表裸露面积大，一旦降雨，极易产生径流，土壤侵蚀极其严重。同时，由表可知，深层土壤的泥沙贡献率是3种来源地最小的，主要是因为岩溶洼地裂隙的发育，一部分土壤通过地下裂隙漏失，最终到达洼地底部的土壤较少，并且由于洼地面积较小，降雨季节分配差异较大，沟道发育不完全，携带的泥沙流入洼地底部沉积较少，因此在3种潜在泥沙来源地中，深层土壤贡献较少。碎屑岩表层土壤由于土层深厚，植被覆盖率高，而植被有拦蓄水源的功能，因此碎屑岩表层土壤的泥沙贡献率低于碳酸盐岩的表层土壤。

表6 3种泥沙来源地泥沙贡献百分比

2.4 可信度检验

为了验证复合指纹识别技术探讨泥沙来源结果的可靠性，可信度检验采用拟合优度检验和相对平均误差分析两种计算方式来进行模型验证。

(1) 拟合优度检验主要是通过下式计算:

当计算结果GOF>0.8时，即表明多元混合模型计算结果具有合理性。根据上式计算可得，岩溶洼地小流域的GOF值为0.83,GOF值均大于0.80。因此，该多元混合模型拟合是有效的。

(2) 相对平均误差。相对平均误差是按判定的泥沙贡献率混合流域各源地土壤样，充分混合均匀后，用最优化混合模型计算出的单个洼地沉积泥沙样中的元素浓度和实际样品中的元素浓度相比的平均误差。误差小于20%，基本上可以判断结果可信。表中3种来源地的误差值为13.9%，其结果小于20%，因此认定结果是可信的。

表7 相对平均误差统计

3 结 论

(1) 从38种因子中初步筛选出30种因子复合判别条件，通过多元逐步判别分析，基于Wilks ′Lambda最小化的基础上，找到了最佳指纹因子组合，其中U，χhf，AP，Mn的累积判别率分别为63.4%，68.3%，73.2%，82.9%，总累积判别率高达82.9%，说明指纹法可用于岩溶洼地小流域泥沙来源研究。

(2) 利用多元混合模型得出泥沙来源地贡献百分比均值分别为:碳酸盐岩表层土壤(50.2%)、深层土壤(11.6%)、碎屑岩表层土壤(38.2%)，其中碳酸盐岩表层土壤的泥沙贡献百分比是深层土壤的4.3倍、碎屑岩表层土壤的1.3倍，且多元混合模型优度拟合检验值为0.83，相对平均误差13.9%，进一步说明岩溶洼地碳酸盐岩地区土壤流失严重，远高于碎屑岩表层土壤。

复合指纹法在岩溶洼地小流域的成功应用，为研究岩溶洼地小流域水土流失过程提供了新的手段。但是本研究仅对典型沉积洼地进行研究，在今后的研究中，需进一步丰富研究类型，以期建立岩溶洼地小流域水土流失研究的理论体系。