基于稀疏样点的南方丘陵地区耕地土壤有效磷制图*

曹佳萍,张黎明,邱龙霞,邢世和,马 丹

(福建农林大学资源与环境学院/土壤生态系统健康与调控福建省高校重点实验室 福州 350002)

土壤有效磷是表征土壤磷素营养丰缺和环境质量优劣的重要因子,其空间分布受到外界环境(如气象、地形和植被等)和土壤内部理化性质(如土壤pH 等)的影响而存在变异性,快速而准确地预测区域表层土壤中有效磷含量和制作空间分布图对于肥力监测、农业可持续发展和生态环境保护具有重要意义。

传统的土壤有效磷含量分析与制图需要采集大量的土壤样点,往往费时、费力、成本高,还会增加生态环境风险,而且面向较大区域的制图精度较低。卫星遥感图像可反映土壤表层信息而被用于数字土壤制图研究,很多卫星遥感图像可免费获取,且遥感数据空间覆盖具有连续性,作为二次数据源可提高稀疏样点土壤属性的制图效率,利用卫星遥感图像联合其他环境变量成为稀疏土壤样点的较大区域数字土壤制图的重要手段。Cambule 等仅通过60组实测样本和Landsat TM、气象、地形、母质等数据信息,实现Limpopo 国家公园(10 410 km)土壤有机碳储量估算; 庞龙辉等利用MODIS 等数据和205 个稀疏样点实现青海省(72.23×10km)全氮、有机碳等土壤属性预测; Henderson 等借助Landsat TM 影像、地形、气象数据,仅通过2124 个样点实现澳大利亚全境(769.2×10km)表层土壤有效磷含量预测。与常用于土壤属性预测制图的Landsat 数据相比,Sentinel-2 数据具有更高的空间分辨率和3个红边波段。随着遥感数据空间分辨率的提高,土壤属性制图精度越高,而且红边波段在土壤属性如有机质和全氮预测方面具有明显的优势。因此,利用Sentinel-2 数据可能会提高稀疏样点的土壤属性制图精度,利用卫星遥感数据辅助有限土壤样点的数字土壤制图可能是未来土壤属性制图的重要研究方向之一。

国内外利用遥感数据间接获取与土壤属性密切的地表光谱信息,结合地形、气象等成土环境因子辅助预测表层土壤属性的相关研究,主要集中在土壤有机碳或全氮的预测,常用的预测方法包括线性回归模型、地统计模型和机器学习模型。目前土壤磷元素制图多采用地统计插值方法,且研究区多为基于充足采样点的平坦地区,如Mohamed等通过普通克里格插值实现埃及西北海岸土壤有效磷含量预测(采样密度1.54 个点∙km),Shen 等通过联合植被和地形变量的协同克里格插值实现黑龙江4 个黑土区(采样密度为0.99～64.52 个点∙km)土壤全磷预测。地统计模型应用于土壤属性制图较广,但其预测结果依赖于样本数量和空间自相关性,当实际样本不满足二阶平稳假设或内蕴假设时,会造成预测结果置信度降低,限制了其在样本稀疏的复杂地貌区土壤属性制图的应用。而随机森林(Random Forest,RF)等机器学习模型通过充分挖掘土壤属性与环境因子之间的关系,在采样点稀疏、空间自相关弱的情况下也能做出稳定预测,且RF相对于大多数统计模型具有处理高维度数据、共线性不敏感和防止过度拟合等优势。王茵茵等研究证明了RF 在复杂地貌区土壤有机质预测的有效性; 姜赛平等通过联合地形因子、归一化植被指数和土壤类型等辅助因子的RF 模型,实现基于160个采样点的热带地形复杂区海南岛(32 900 km)土壤有机质含量空间预测。然而,目前运用协同多源环境变量的RF 方法预测土壤磷素研究较少,尤其是在稀疏采样的中国南方丘陵地区土壤有效磷数字制图效果仍不清楚。

中国南方丘陵地区地形起伏较大,耕地田块面积小,分布比较零散,较小区域内或邻近田块的土壤有效磷含量的差异较大,相较于平坦地区采样点布设难度大,获取数量易受到限制,导致该区域耕地土壤有效磷制图精度较低,绘制难度大。在样点有限的情况下,如何快速准确地实现南方丘陵地区耕地土壤有效磷制图成为一个重要的研究课题。因此,本文以典型南方丘陵区福建省县域耕地面积最大的建瓯市为研究区,利用96 个稀疏土壤样点属性、Sentinel-2 光谱数据、气象和地形数据作为输入变量,通过皮尔逊相关分析及后向剔除法筛选环境因子,构建并对比分析不同环境变量组合和土壤有效磷之间的RF 模型,筛选最优组合以预测建瓯市耕地表层土壤有效磷含量与空间分布图,以期为南方丘陵地区耕地土壤磷元素的精准管理与环境评估提供科学依据。

1 材料与方法

1.1 研究区域概况

建瓯市位于福建省北部(图1),总面积为4233 km,2018年初耕地面积为40 470.7 hm。属中亚热带海洋性季风气候,无霜期平均为276.6 d,年均温为18.7 ℃,年均降水量为1662.9 mm,年均日照为1812.7 h。主要地形为东南沿海典型低山丘陵区,地势东南高、西南低,四周环山,中部为河谷平原、丘陵和山间盆谷,海拔为76～1821 m。土壤类型有水稻土、红壤、黄壤、潮土和紫色土,其中全市耕地总面积的97.65%为水稻土。主要粮食作物为水稻(),种植制度以一年两熟为主。

图1 研究区范围及土壤采样点分布图Fig.1 Map of the study area and soil sampling points distribution in the study area

1.2 数据来源与预处理

研究区97 个耕地表层(0～20 cm)土壤样点的理化属性数据来源于国家农业农村部2017年末耕地质量监测与评价样点数据,样点采集按照密度控制、均匀性和代表性原则,在选定样点的耕地地块均匀随机地采集10～15 个耕层土样混合后用四分法留取1.5 kg 样品,采样时记录样点的地理坐标、高程等信息。土壤有效磷采用碳酸氢钠浸提-钼锑抗比色法测定,土壤pH 采用酸度计法测定。剔除遥感影像上微量云层影响的1 个采样点,共96 个土壤样点参与建模(图1)。其他空间数据包括:1)研究区土壤pH 栅格数据,从2017年福建省3634 个土壤pH 实测数据插值获取的10 m×10 m 栅格数据中掩膜提取,数据来源及测定方法同上; 2)研究区耕地矢量图斑(图2),从农业部耕地质量调查与评价项目获取的建瓯市1∶50 000 土地利用现状数据库中提取。

图2 建瓯市行政区划及耕地管理单元Fig.2 Administrative division and cultivated land management unit of Jian’ou City,Fujian Province,China

本研究选取的预测变量包括土壤pH、气象变量、地形变量和遥感变量。气象变量包括研究区年均降水量(MAP)和年均温(MAT),来源于世界气象数据库1 km×1 km 的1970−2000年月平均降水量(1−12月)和月平均气温(1−12月)栅格数据。地形变量包括高程(DEM)、地形湿度指数(TWI)等,从ALOS卫星PALSAR 空间分辨率为12.5 m 的数字高程模型中提取。遥感变量包括红边波段(B6)、增强植被指数(EVI)和第一主成分(PCA1)等,从2017年12月建瓯市4 景10 m 分辨率的Sentinel-2 数据提取。Sentinel-2 数据预处理主要包括辐射定标、大气校正、图像镶嵌与裁剪、几何精校正和主成分分析,其中辐射定标和大气校正在SNAP 软件处理,将遥感图像的DN 值转化为地表反射率; 几何精校正、主成分分析和相关植被指数获取在ENVI 5.3 中完成,Sentinel-2 几何精校正以精校正的SPOT 影像为参考影像,误差控制在1 个像素以内。参考数字土壤制图相关文献,将获取的地形及气象数据通过最邻近元法重采样至10 m 空间分辨率,该方法相对于其他尺度转换方法减少了数据因重采样带来信息损失,地形数据重采样结果通过采样时获取的高程数据修正误差。所有辅助建模数据统一到西安80 坐标系,检查与土壤样点属性空间匹配的一致性,无误后进行空间属性连接。

为进一步简化模型输入,建模前需对辅助预测因子进行优选。先通过皮尔逊相关分析保留与土壤有效磷相关性显著的因子,进一步通过后向剔除法,依据建模时将每个因子依次排除模型后均方根误差(RMSE)的增减对变量进行筛选,RMSE 增加则保留因子,反之剔除,最终保留8 个参与建模的辅助因子(表1)。

表1 土壤有效磷建模辅助变量Table 1 Auxiliary variables of soil available phosphorus modeling

1.3 随机森林模型

RF 是将多棵相互没有关联的决策树组成集成决策树的算法。每棵决策树在构建过程中通过bootstrap 方法随机抽取约2/3 样本子集,并使用这些子集组建回归树,所有决策树预测结果的均值为最终的预测结果。未被抽取的样本则构成袋外样本,进一步计算袋外误差,其计算方法与交叉验证类似。因此,RF 模型不需要单独进行交叉验证。此外,预测变量的相对重要性通过置换变量时的平均预测精度估算。RF 建模在Python scikit-learn 库中Random Forest Regressor 包实现,决策树的数量与决策树的最大深度是两个关键参数,决策树的数量设定范围为100～1000,根据模型精度选择最优值,决策树的最大深度一般设置为所选环境因子数量的1/3。

1.4 模型精度验证

在总样本集中随机选取训练集和验证集,训练集用于土壤有效磷的建模,验证集用于评价模型精度,训练集和验证集的样本数量比例为9∶1。选取决定系数()、平均绝对误差(MAE)和RMSE 对模型精度进行验证评价,越接近1,MAE 和RMSE 越小,表明模型精度越高。

2 结果与分析

2.1 土壤有效磷含量统计分析

表2 为建瓯市表层土壤(0～20 cm)有效磷含量统计分析结果。其中土壤样本总计96 个,土壤有效磷含量范围为4.42～211.94 mg∙kg,平均值为54.04 mg∙kg,

表2 建瓯市耕地表层土壤(0～20 cm)有效磷含量统计分析Table 2 Statistical analysis of available phosphorus content in surface soil (0−20 cm) of cultivated land in Jian’ou City,Fujian Province,China

标准差为44.53 mg∙kg,变异系数为82.39%。训练集与验证集土壤有效磷含量平均值与总样本相差较小,分别为53.93 mg∙kg和55.06 mg∙kg,同时3 个样本组的变异系数范围为75.92%～83.57%,均为中等变异。

表3 为土壤有效磷含量与环境变量的相关性分析结果。土壤有效磷含量与年均温(MAT,=0.357,<0.01)、红边波段(B6,=0.292,<0.01)、第一主成分(PCA1,=0.278,<0.01)、增强植被指数(EVI,=0.252,<0.05)显著正相关,与年均降水量(MAP,=−0.366,<0.01)、高程(DEM,=−0.336,<0.01)、pH(=−0.268,<0.01)和地形湿度指数(TWI,=−0.216,<0.05)显著负相关。在筛选的所有变量中,气象变量(MAP、MAT)与土壤有效磷的相关性最高,高程(DEM)次之,红边波段(B6)、第一主成分(PCA1)、pH 和增强型植被指数(EVI)紧随其后,地形湿度指数(TWI)与土壤有效磷的相关性最低。这表明在南方丘陵地区县市域尺度土壤有效磷含量与气象和地形变量关系甚为密切,其次地表信息也是影响土壤有效磷含量的重要因素。

表3 建瓯市耕地表层土壤(0～20 cm)有效磷含量与环境因子的相关性分析Table 3 Correlation analysis of available phosphorus content and environmental factors in surface soil (0−20 cm) of cultivated land in Jian’ou City,Fujian Province,China

2.2 环境变量的相对重要性

构建基于全部环境变量的RF 模型时,通过多次迭代RF 模型取平均值得到预测土壤有效磷过程中变量的相对重要性分值(图3),气象变量、地形变量、遥感变量和土壤pH 的相对重要性分值依次为30.64%、30.38%、22.87%和16.11%,结果表明对于南方丘陵地区耕地土壤有效磷含量的空间分布主要受气象变量、地形变量和土壤pH 的综合影响,而且气象和地形变量的影响显著高于遥感反映的地表信息。从单个因子看,年均温(MAT)对南方丘陵地区耕地土壤有效磷预测结果的贡献最大,可解释22.17%的土壤有效磷含量的空间分布; 土壤pH、地形湿度指数(TWI)和高程(DEM)对南方丘陵地区耕地土壤有效磷预测结果的贡献较大,分别可解释16.11%、15.51%和14.87%的土壤有效磷含量的空间分布; 增强植被指数(EVI)、第一主成分(PCA1)和红边波段(B6)的贡献相对较低,分别可解释8.26%、7.73%和6.88%的土壤有效磷含量的空间分布。

图3 全部环境变量下环境因子对预测土壤有效磷空间分布的相对重要性Fig.3 Relative importance of environmental factors for estimation of spatial distribution of soil available phosphorus content under total environmental variables

2.3 土壤有效磷含量预测模型及精度评价

为了研究不同变量对土壤有效磷的预测效果,分别对气象变量、地形变量、遥感变量和土壤pH进行不同的组合建立RF 模型以预测土壤有效磷含量的空间分布。模型A 为所有变量的组合,包括地形变量、气象变量、遥感变量和土壤pH,模型B、D 和E 为均包含遥感变量的组合模型,模型C 为不包含遥感变量的土壤pH、地形变量和气象变量组合(表4)。研究结果表明基于全变量组合(模型A)构建的RF 模型预测精度最高(验证集为0.59,MAE 为19.04 mg∙kg,RMSE 为25.26 mg∙kg),模型可以解释研究区59%的土壤有效磷含量空间分布差异。此外,训练集与验证集的相差很小,说明模型没有过拟合或者欠拟合,稳定性较好。其次是包括气象变量、地形变量和遥感变量的模型E,再次为模型B 和D,不包含遥感变量组合(模型C)预测精度最 低(验 证 集=0.36,MAE=22.66 mg∙kg,RMSE=31.71 mg∙kg),加入遥感变量的组合(模型A),明显提高,MAE 和RMSE 误差明显下降,说明引入Sentinel-2 遥感变量可以提高有效磷含量的预测精度,而且结果表明引入包括地形变量、气象变量、遥感变量和土壤pH 的全部变量的RF 模型可基于稀疏样点有效地预测丘陵区土壤有效磷含量。

2.4 土壤有效磷空间分布预测

根据拟合的5 种RF 预测模型得到典型南方丘陵地区福建省建瓯市耕地表层土壤(0～20 cm)有效磷含量的空间分布图(图4)。在5 种RF 预测模型下土壤有效磷空间分布规律具有一定相似性,呈中西部含量高、东南部含量低的分布趋势,各模型在东南部及北部地区预测值较为一致,主要集中在小于30 mg∙kg的区间,中西部区域预测差别较为明显,其中模型C (图4c)和模型D (图4d)制图显示中西部区域预测值分别集中分布在60～70 mg∙kg和50～60 mg∙kg区间。与此相比,模型A (图4a)、模型B (图4b)和模型E (图4e)预测分布图在中西部区域分级变化更明显,空间表达差异更显著,但总体来看,模型A预测结果对局部刻画最为细致,且模型精度验证效果最好(表4)。同时模型E 预测土壤有效磷空间分布与模型A 差异极小(图4f),大多数区域土壤有效磷的差异值不超过5 mg∙kg左右,考虑到土壤pH 等土壤属性数据获取难度较大,在缺乏该变量时完全可以考虑采用模型E 预测土壤有效磷含量的空间分布。

表4 5 种环境变量组合下表层土壤(0～20 cm)有效磷的随机森林预测结果Table 4 Performance of random forest under five combinations of environmental variables for estimation of topsoil (0−20 cm) available phosphorus content

图4 建瓯市耕地土壤有效磷含量空间分布预测图Fig.4 Prediction resultes of spatial distribution of soil available phosphorus (SAP) content of surface soil (0−20 cm) of cultivated land in Jian’ou City,Fujian Province,China

进一步对最优模型(模型A)预测的土壤有效磷空间分布格局进行分析,研究区土壤有效磷含量范围为20.10～124.14 mg∙kg,平均值为44.22 mg∙kg,变异系数为40.29%。从空间分布统计来看(表5),福建省建瓯市耕地表层土壤有效磷含量高(≥70 mg∙kg)的区域面积为3695.0 hm,占耕地总面积的9.13%,主要分布于建瓯市中部的东游镇、东峰镇和西北部的徐墩镇等乡镇。耕地表层土壤有效磷含量较低(<40 mg∙kg)的区域面积为16 722.3 hm,占耕地总面积的41.32%,主要分布于建瓯市南部的迪口镇、玉山镇和西部的房道镇等乡镇。耕地表层土壤有效磷含量中高值(40～70 mg∙kg)区域面积为20 053.4 hm,占耕地总面积的49.55%,主要分布于建瓯市中部的东峰镇、西部的南雅镇和西北部的徐墩镇等地区。相关研究表明土壤中过量的有效磷含量易增加生态环境风险,研究区土壤有效磷含量高于40 mg∙kg的区域面积为23 748.4 hm,占耕地总面积的58.68%,主要分布于中西部东峰镇、徐墩镇、南雅镇和东游镇等乡镇。总体来看,福建省建瓯市耕地表层土壤有效磷含量较为丰富,中西部各乡镇含量相对较高,东南部区域含量相对较低。空间分布规律与高程、年均降水量变化规律相反,与年均温变化一致(表6)。地势相对较低、年均降水量较低、年均温较高的中西部河谷平原和盆地区土壤有效磷含量高; 地势相对较高、年均降水量较高、年均温较低的东南部山地区土壤有效磷含量低。

表5 建瓯市耕地土壤有效磷含量空间分布面积及其比例统计Table 5 Statistics of spatial distribution area and proportion of soil available phosphorus content of cultivated land in Jian’ou City,Fujian Province,China

表6 按照建瓯市土壤有效磷含量的气象和地形变量统计Table 6 Descriptive characteristics of topography and climate conditions described by soil available phosphorus content in Jian’ou City,Fujian Province,China

3 讨论

3.1 基于稀疏样点的土壤有效磷含量预测方法

近年来,很多研究利用遥感变量、气象变量和地形变量预测土壤属性,然而很少利用优于30 m的高空间分辨率的遥感数据,利用红边波段作为预测因子的研究则更少,主要是因为较难获取高空间分辨率的遥感数据,而且具有红边波段的遥感数据较少。Henderson 等通过Landsat TM (30 m)、气象、地形等预测土壤有效磷为0.35。本研究引入空间分辨率为10 m 的Sentinel-2 多光谱变量,结果表明加入Sentinel-2 遥感变量后土壤有效磷的预测精度显著提高(模型A:=0.59),而且红边波段是有效预测土壤有效磷含量空间分布的重要变量之一。相关研究也证明引入高空间分辨率的卫星遥感数据可提高土壤属性预测精度。Gholizadeh 等验证了Sentinel-2 遥感数据提高耕地土壤属性的制图精度,红边波段也被证实可以提高土壤属性预测精度。在未来的数字土壤制图研究中,可以考虑使用更多的红边波段和更高空间分辨率的遥感数据。

在土壤样点有限的情况下,利用Sentinel-2 数据结合其他环境数据作为辅助变量建立预测福建省建瓯市土壤有效磷含量的RF 模型,模型的稳定好,预测精度较高,说明RF 在土壤属性制图研究中受采样点数量的影响较小,这与刘明杰等在稀疏样本下基于RF 方法实现土壤有机质预测的结论一致。所有模型训练集与验证集基本一致,进一步验证了随机森林模型不易过拟合的优势。在土壤有效磷含量的空间分布预测中也取得较好的效果,表明RF模型可用于稀疏采样的土壤有效磷含量的预测制图。

本研究基于南方典型丘陵地区稀疏的土壤样点数据,结合全部变量(包括Sentinel-2 遥感数据、气象变量、地形变量和土壤pH)建立的RF 模型A 在所有变量组合模型中取得最佳的预测效果。Wang等也证明基于全部环境变量的RF 模型预测土壤有机碳比其他组合模型效果好。徐剑波等预测南方丘陵县域(广东省高州市)土壤有效磷含量,采样点为100 时,MAE 为22.66 mg∙kg,RMSE 为30.97 mg∙kg。与其相比本研究加入辅助环境变量后基于稀疏样点土壤有效磷预测精度提升明显(MAE=19.04 mg∙kg,RMSE=25.26 mg∙kg)。不包含遥感变量的模型C 预测精度最低(验证集=0.36,MAE=22.66 mg∙kg,RMSE=31.71 mg∙kg),加入遥感变量后模型A 预测精度明显提高(从0.36 提升至0.59),MAE 和RMSE 明显下降(RMSE 降低了20.34%),进一步证明了遥感光谱信息在土壤属性预测的重要性,这与许多学者研究结论一致。本研究结果表明Sentinel-2 遥感数据结合其他环境变量作为二次数据源可以实现稀疏样点的土壤属性制图,这与de Carvalho 等研究结论一致。

3.2 变量相对重要性讨论

筛选的最佳RF 模型(模型A)变量相对重要性结果显示年均温、土壤pH、地形湿度指数和高程是影响南方丘陵地区福建省建瓯市稀疏样点土壤有效磷含量空间分布的最重要因子,它们的重要性分值累计达68.66%。研究区土壤有效磷含量空间分布基本上可以用遥感变量(22.87%)、气象变量(30.64%)和地形变量(30.38%)解释。遥感波段反射率和光谱信息可以反映地表的土壤和植被生长状况,从而可以直接或间接地反映土壤物理化学性质; 作为二次数据源使用还可以弥补样点数量的不足,提高制图精度。Shen 等研究表明在平坦地区遥感影像提取的亮度指数为土壤全磷的最优预测变量之一,而本研究中3 个遥感变量相对重要性均偏低,这可能是因为南方丘陵地区耕地田块小,图斑破碎,一个土壤样点对应的光谱信息为不同田块的混合光谱信息,造成研究误差进而影响建模中的重要性。虽然遥感变量增强植被指数、第一主成分和红边波段单因子重要性较低,但累计分值达22.87%,仍是影响土壤有效磷含量空间分布的重要变量。3 个因子中,增强植被指数和第一主成分相对重要性略高于B6 红边波段,这是因为增强植被指数等相对于单波段一定程度可以减少大气等外部干扰因素,提高土壤属性的预测精度。此外,红边波段是绿色植物生长状况的敏感性波段,可间接地反映土壤养分情况,研究表明红边波段是土壤有机质的最佳预测波段之一,本研究中B6 红边波段重要性分值仅有6.88%,未达到预期效果,但其制图潜力值得进一步挖掘。

气象变量和地形变量是南方丘陵地区土壤有效磷含量空间分布最重要的影响因素,这与杨之江等研究结论一致。气象变量中年均温(22.17%)是影响建瓯市土壤有效磷含量空间分布的最重要因子,詹秋丽等也认为年均温与福建省土壤有效磷含量分布显著相关。因为丘陵地区的地形起伏大,受水平及垂直地带差异影响年均温差异明显(约7.68 ℃),年均温可能是主要通过影响成土过程中含磷矿物风化速率及土壤中微生物活性等间接影响土壤磷素的有效性,从而影响土壤有效磷的含量。而年均降水量(8.47%)主要通过土壤淋溶作用影响土壤有效磷含量的空间分布,年均降水量越多,土壤淋溶作用越强,导致土壤中有效磷的流失。地形变量主要通过支配地表径流影响土壤磷流失及通过影响水热再分配两方面对土壤有效磷含量的空间分布产生影响。地形变量中地形湿度指数反映了地表径流和土壤水分含量状况,地势低的地方,地表径流流失的有效磷含量越少,土壤磷素更容易积累,研究表明地形湿度指数为土壤有效磷预测模型中的重要影响因子(15.51%),与前人研究结论一致。

仅考虑单一因子,土壤pH (16.11%)是除了年均温外最重要的因子,与王燕等在江苏省金坛区土壤有效磷含量的预测研究结论相吻合。研究表明土壤pH 是通过影响土壤磷素吸附固定作用从而影响土壤磷素有效性。土壤pH 越低,酸性越强,磷素被铁、铝氧化物吸附固定作用越大,以磷酸盐的形态存在,此外农业管理中使用的磷肥也易被大量吸附固定,从而增加土壤中有效磷的含量; 反之,pH 越大,土壤呈碱性,磷素易被土壤中的钙吸附固定而大多数以难溶解的无机磷的形态存在,从而导致有效磷的含量减少。

3.3 土壤有效磷含量的空间分布

典型南方丘陵地区福建省建瓯市土壤有效磷含量总体较为丰富,呈现中西高、东南低的分布趋势。高值区主要分布在年均降水量低,且年均温高的中西部低海拔区域,与其他亚热带丘陵地区土壤有效磷含量空间分布研究规律一致。中西部河谷平原与盆地地区,年均温较高加快了矿物风化速率和脱硅富铁铝作用,且地形相对平坦,年均降水量较少,施肥中磷素不容易淋失,故有效磷含量较高; 东南部地貌以山地为主,降水量较多,通过地表径流加剧了土壤磷素的流失,而且年均温较低限制土壤母质含磷矿物的风化速率导致东南部山地土壤的有效磷含量较低。此外,超过一半以上的地区土壤有效磷含量高于40 mg∙kg,超过该阈值则易增加从土壤中淋失到地下水并进一步迁移至地表水体中的磷,不利于农业可持续发展与环境保护。因此,在未来的农业施肥管理中应根据不同区域精准制定合理的磷肥施用量。

4 结论

本研究基于实测稀疏土壤样点,以Sentinel-2 遥感数据、气象、地形和土壤pH 作为输入变量,利用皮尔逊相关性分析及后向剔除法筛选参与建模的环境因子,比较不同环境变量组合的RF 模型预测效果,筛选最佳的环境变量组合预测土壤有效磷含量(验证集=0.59,MAE=19.04 mg∙kg,RMSE=25.26 mg∙kg),绘制典型南方丘陵地区福建省建瓯市耕地表层(0～20 cm)的土壤有效磷含量空间分布图。结果显示增加Sentinel-2 遥感变量能显著提高模型的拟合效果和预测精度,利用Sentinel-2 遥感数据联合气象、地形和土壤pH 的全部变量的RF 模型预测精度最高,可作为稀疏采样点下南方丘陵地区耕地表层土壤有效磷含量的有效预测方法。气象变量和地形变量是解释典型南方丘陵地区福建省建瓯市耕地土壤有效磷空间分布的主要变量,遥感变量是影响其土壤有效磷分布的重要变量。本研究可为快速而准确地绘制其他县市尺度的表层土壤属性空间分布图提供借鉴。本研究为基于稀疏样点的南方丘陵地区土壤有效磷制图提供了方法上的尝试,但也存在一定的应用局限。在建模因子的选择方面,受数据的可获取性限制本研究探讨的辅助变量有限,在未来研究中应该考虑在模型中加入施肥等人为管理措施、成土母质等因素,进一步提高制图精度。此外,在数据预处理方面,为了统一辅助数据的空间分辨率与土壤有效磷样点数据进行尺度匹配,将气象数据和地形数据重采样至10 m 空间分辨率,但这可能会带来一定的数据误差,尤其是目前可获取的气象数据相对粗糙,如何进行辅助数据降尺度以更好地满足空间匹配要求值得进一步探究。