结合最小数据集和改进灰色-TOPSIS的全国耕地土壤质量评价及影响因素研究

刘加敏 陈敏 刘洋 周广华 张郁

摘    要：探究耕地土壤质量的空间分布及影响因素，为指导农户行为及促进农业生态可持续发展提供理论依据，基于中国土壤数据集（HWSD V2.1），利用主成分分析构建耕地土壤质量评价的最小数据集，结合灰色-TOPSIS多目标评价模型，对全国（港澳台除外）耕地土壤质量进行评价，运用地理探测器探索外部因子（年平均降水、年平均温度、人口密度和GDP）对耕地土壤质量的影响程度。结果表明：（1）最小数据集能有效减少指标体系之间的相关性，改进灰色-TOPSIS方法一定程度上提高耕地土壤质量评估的准确性；（2）根据耕地土壤质量评价结果，将耕地质量分为5个等级，从全国范围来看，长江中下游区、华南区耕地土壤质量较好，而黄土高原区、青藏高原区、内蒙古高原区耕地土壤质量则较差；（3）从地理探测器结果来看，年平均温度与年平均降水量共同对耕地土壤质量的解释程度大的省份共有20个，远远大于其他两两因子共同对耕地土壤的解释程度，2个因素交互作用效果大于单因子对耕地土壤质量的影响。综上，年平均降水量和年平均温度是影响耕地土壤综合质量的主要因素。

关键词：最小数据集；灰色-TOPSIS；土壤质量评价；地理探测器

中图分类号：S158             文献标识码：A             DOI 编码：10.3969/j.issn.1006－6500.2024.05.013

Evaluation of National Arable Land Soil Quality and Influencing Factors by Combining Minimum Dataset and Improved Gray TOPSIS

LIU Jiamin1，2，3， CHEN Min1，2，3， LIU Yang1，2，3， ZHOU Guanghua1，2，3， ZHANG Yu1，2，3

（Guangzhou Urban Planning Survey and Design Research Institute Company Limited， Guangzhou， Guangdong 510060， China）

Abstract：In order to explore the spatial distribution and influencing factors of arable soil quality and provide a theoretical basis for guiding farmers' behaviour and promoting sustainable agroecological development. Based on the China Soil Dataset （HWSD V2.1）， the minimum dataset for the evaluation of arable soil quality was constructed using principal component analysis， and combined with the grey-TOPSIS multi-objective evaluation model， the soil quality of arable land in the whole country （except Hong Kong， Macao and Taiwan） was evaluated. Geo-detectors were used to explore the degree of influence of external factors （mean annual precipitation， mean annual temperature， population density and GDP） on the soil quality of arable land. The results showed that： （1） the minimum data set could effectively reduce the correlation between indicator systems， and the improvement of the grey-TOPSIS method improved the accuracy of the arable land soil quality assessment to a certain extent. （2） According to the results of arable land soil quality assessment， the quality of arable land was classified into five grades， and from a national perspective， the quality of arable land soil was better in the middle and lower reaches of the Yangtze River and in South China， while the quality of arable land soil was worse in the Loess Plateau Zone， the Qinghai-Tibet Plateau Zone， and the Inner Mongolia Plateau Zone. （3） From the results of the geodetector， the average annual temperature and average annual precipitation together explained the quality of arable soil to a greater extent in 20 provinces， which was much greater than that explained by the other two factors together， and the interaction effect of the two factors was greater than that of a single factor on the quality of arable soil. In conclusion， average annual precipitation and average annual temperature were the main factors affecting the comprehensive quality of arable soils.

Key words： minimum data set; gray-TOPSIS; soil quality assessment; geoprobe

土壤是人类生存发展的物质基础和重要的战略资源，而耕地土壤质量可以反映施肥和农作物营养元素吸收综合作用下土壤养分含量演变趋势[1]，是落实“藏粮于地、藏粮于技”战略、守住耕地红线、保障国家粮食安全的重要指标[2]。因此，开展对耕地土壤质量评价及探索影响耕地土壤质量因素的研究具有重要意义。

传统的耕地土壤质量评价方法在选取指标时，未考虑指标之间的相关性[3]且多采用主观性较强的层次分析法和模糊评价方法[4]，缺乏客观性。而改进灰色-TOPSIS多目标评价模型能改善这种不足。同时，耕地土壤质量评价研究尺度多聚焦于省级/地区、流域/集水区、景观/农场、田块、多尺度5个类别，目前关于国家尺度的研究均以土种为评价单元，并未有全国尺度的土壤质量分布特征的研究。

采用方差分析等传统统计方法进行影响因素分析需要满足很多假设的条件[5-7]，并且需要对数据进行预处理，很少考虑到数据的空间属性特征。王劲峰等[8]在利用空间方差理论构建了地理探测器模型，不仅能探测地理因素之间的空间相关性，还可以探测影响因子的交互作用。与传统统计学方法相比，地理探测器可以更加全面客观地分析土壤质量空间分布的特征和机理[9]。目前已有利用地理探测器探究影响土壤重金属空间分布的因子的研究[10-11]。因此，通过地理探测器能更加科学地分析影响土壤质量空间差异的因素。

1 材料与方法

1.1 研究区概况

我国的山脉大多呈东西走向或者东北—西南走向。我国西部有“世界屋脊”之称的青藏高原是我国地势的第一级阶梯。我国地势的第二级阶梯是内蒙古、新疆地区、黄土高原、四川盆地和云贵高原。我国地势的第三级阶梯多为平原和丘陵。全国主要有15种土壤类型，主要包含砖红壤、赤红壤、红黄壤、高山漠土等。我国由南向北土壤分布状况：砖红壤—赤红壤—红壤、黄壤—黄棕壤—棕壤—暗棕壤—漂灰土。我国由东向西土壤分布状况：黑土—灰褐土—栗钙土—棕钙土—灰漠土。我国主要的农业耕作区在东北平原、华北平原和长江中下游平原三大平原。除此以外，我国还有珠江三角洲、台湾西部平原等重要的农业耕作区。本研究将主要对全国（港澳台除外）的耕地土壤质量及影响因素进行研究。

1.2 数据来源

本研究主要包括的数据：全国土壤理化指标数据来源于世界土壤数据库（HWSD）的中国土壤数据集（v1.2），空间分辨率为1 km；土地利用现状数据来源于地理国情监测云平台，其空间分辨率为1 km；归一化植被指数数据：时间分辨率是15 d，空间分辨率是8 km，数据来源于国家青藏高原科学数据中心网站[12-13]；中国省级行政边界数据、年平均温度数据、年平均降水量数据、人口密度数据、GDP数据均来源于资源环境科学与数据中心。

1.3 研究方法

1.3.1 最小数据集的建立 最小数据集是对每个指标的统计特征和可变性以及不同指标之间的相关性进行了评估，评估结果用于确定从预选指标中筛选每个指标的必要性。如果存在数据冗余，用PCA对指标进行分组，只选取特征值≥1的分量。同一组分中负荷≥0.5的指标归为一组。如果指标在不同成分中的负荷≥0.5，则将该指标归入与其他指标相关性最低的一组。如果一个指标与同一组中其他指标相关，并且所有的相关性≤0.3，则将该指标分为单独的组。计算每个指标的向量范数值来筛选指标，范数值代表一个指标在所有组件中的综合负载。

式中，Nij是特征值≥1的所有元件中指示器i的综合载荷；Uik是元件k中指示器i的载荷；λk是元件k的特征值。

1.3.2 改进灰色-TOPSIS模型 灰色-TOPSIS法是多目标决策分析中常用的评价方法。但该方法在对喜好程度参数进行设定时存在一定的主观性，本研究通过先遍历灰色-TOPSIS法模型中的喜好程度参数，从不同参数下得到的评价结果中选出最符合实际情况的，作为最终的耕地土壤质量评价结果。其计算的过程参照王国振等[14-15]的研究方法，喜好程度参数遍历过程如下：

计算过程中，为更加量化观测样本与理想解之间的偏差，特引入逼近程度值Ri，即

Ri+=λ1di ++λ1ki +（2）

Ri-=λ1di -+λ2ki -（3）

式中，i=1，2，...，m；λ反映主观决策者的喜好程度，且λ1+λ2=1，对λ进行遍历（λ1=0.1，λ2=0.9；…；λ1=0.9，λ2=0.1）。

1.3.3 地理探测器 地理探测器是可以探测空间分异性、揭示其背后驱动力的一种统计学方法，其核心思想基于假设：假设某个解释变量对某个被解释变量有重要影响，则解释变量和被解释变量在空间分布规律上有一定的相似[8]。地理探测器的优势在于可以探测2个解释变量对被解释变量的交互作用。地理探测器包含4个探测器：因子探测、交互作用探测、风险区探测、生态探测。本研究主要使用因子探测和交互作用探测对解释变量与被解释变量进行相关性分析。

因子探测器：探测某因子X多大程度上解释了属性Y的空间分异性，用q值度量。表达式为：

式中，L为土壤质量及影响因素的分类数；Nh和N分别为类h和全区的样点量；σh 2和σ2分别为类h和全区的方差；q的值域为[0，1]，值越大表明影响因素对土壤质量空间差异的解释力越强；q值表示X解释了100×q%的Y。q值的一个简单变换满足非中心F分布：

式中，λ为非中心参数；Yh   为层h的均值。λ值可以检验q值是否显著。

2 结果与分析

2.1 建立最小数据集

通过PCA可以将指标分为5组，对各指标的Norm值进行计算，将组内中大于最大Norm值的90%的指标留下，最后选取了6个指标（碎石体积百分比、沙含量、容重、有机碳含量、交换性盐基、电导率）作为本次土壤质量评价的最小数据集（表1）。

2.2 耕地土壤质量评价

采用改进灰色-TOPSIS评价方法，结合《中国耕地质量等级调查与评定》[16]中我国耕地质量等级在空间上的变化规律（耕地从南到北，随着纬度的升高，等别总体上呈下降的趋势；从东到西，随着经度的降低，等别总体上呈下降的趋势；从西北到东南，等别总体上呈上升的趋势），利用排除法得到λ1=0.9，λ2=0.1时的耕地土壤质量评价结果，将其作为最终的评价结果，可以在一定程度上提高评估的准确性。最后，采用自然断点法将耕地土壤质量分为I-V等级，I级最优，V级最劣。

评价结果显示，耕地土壤质量较好的地区主要分布在东北地区、华中地区、华南地区和华东地区。东北地区中黑龙江西部及吉林西北部地区的土壤质量较好；华中地区中河南北部以及湖南西南部的耕地土壤质量较差，其中，耕地土壤质量最差的地区位于新疆和内蒙古，其次是西藏和青海，广西和海南局部地区土壤质量也较差，其他省份均处于中等甚至偏上水平。

2.3 耕地土壤质量影响因素分析

2.3.1 因子探测分析 通过裁剪、重分类、重投影、多值提取至点操作，对耕地土壤质量与人口密度、GDP、年平均温度和年平均降水量进行因子探测分析，各省的探测结果如表2所示。

各省份q（人口）范围为0.07%～17.35%，q（GDP）范围为0.07%～9.49%。其中，人口对耕地土壤质量解释程度较大的省份是宁夏、黑龙江，解释程度较低的是新疆、四川、重庆等。GDP对耕地土壤质量解释程度较大的省份是上海，解释程度较小的省份有新疆、甘肃和青海等。就社会经济因子而言，宁夏的人口因子对耕地土壤质量的解释程度最大，为17.35%，上海的GDP因子对耕地土壤质量的解释程度最大，为9.49%。

各省份q（温度）范围为0.1%～17.64%，q（降水）范围为0.34%～16.43%。其中，年平均温度对耕地土壤质量解释程度较大的省份是内蒙古、吉林和福建等，解释程度较低的是甘肃、重庆、云南和江西。年平均降水量对耕地土壤质量解释程度较大的省份有西藏、青海、宁夏和海南等，解释程度较小的省份有四川、重庆、山东和吉林。就气候因子而言，海南省耕地土壤质量受温度影响最大，解释程度达到17.64%，上海耕地土壤质量受降水影响最大，解释程度达到16.43%。

2.3.2 交互探测分析 对全国各省各因子进行交互探测分析，对交互得到的q值最大的因子进行统计，如表3所示。温度与降水共同对耕地土壤质量的解释程度大的省份共有20个，人口与降水解释程度大的省份共有9个，GDP与温度解释程度大的省份有1个，人口和温度解释程度大的省份有1个，GDP和降水解释程度大的省份有1个。因此，影响全国耕地土壤综合质量的因素主要有年平均降水量和年平均温度，同时2个因子交互作用均大于单因子对耕地土壤质量的影响。以温度与其他因子的交互探测分析为例：温度与降水对耕地土壤质量的解释程度相较于温度与其他因子而言最大，且2个因子相互作用对耕地土壤质量的解释程度比单因子大。相比于温度单独对耕地土壤质量的解释程度而言，各省中温度与其他因子共同对耕地土壤质量的解释程度均有或大或小的提升。其中提升最明显的是上海，说明上海的土壤质量与这2种因素有较强的相关性。因子相互作用对提升耕地土壤质量的解释程度最不明显的是四川，说明对于四川来说，温度和GDP共同作用对提升耕地土壤质量的解释程度影响较小。

综上所述，温度和降水因子相互作用对耕地土壤质量的解释程度比较大，是影响我国耕地土壤质量很重要的环境因子，且两个因子交互作用均大于单因子对耕地土壤质量的影响。

3 讨论与结论

3.1 讨论

耕地土壤质量的评价、空间显现和影响因素的识别是判别耕地土壤生产力和健康能力以及有针对性地改善耕地土壤环境的重要证据。本研究中，耕地土壤质量评价结果为V级的大多分布在新疆、内蒙古、青海、广西、海南等地，新疆和内蒙古的土壤质量明显比其他地区差。原因是新疆有很大面积的干旱土，内蒙古有漠土、干旱土、钙层土等，干旱土有机质含量低，矿化作用强，腐殖质含量低，除在有灌溉条件的干旱土区可以发展种植业外，其他大部分地区适宜发展畜牧业。西藏和青海的耕地土壤质量偏低，多为高山土。新疆和青海还有盐成土，盐成土受水资源和气候条件的限制，土壤性状不良，难以改良应用，农业经济效率低。华北部分省份土壤质量较差，主要为新成土，水土流失严重。

年平均降水量对耕地土壤质量解释程度较大的省份有西藏、青海等，解释程度较小的省份有四川、重庆等。从温度和降水量的q值的差值来看，共有14个省份的温度对土壤质量的解释程度小于降水量对土壤质量的解释程度，其余省份降水量的解释程度更大。由此可知，年平均温度和年平均降水量对土壤质量的解释程度差别不大。人口对耕地土壤质量解释程度较大的省份是宁夏、黑龙江，解释程度较低的是新疆、四川等。GDP对耕地土壤质量解释程度较大的省份是上海，解释程度较小的省份有新疆、甘肃等。就社会经济因子而言，宁夏的人口因子对耕地土壤质量的解释程度最大，为17.35%，上海的GDP因子对耕地土壤质量的解释程度最大，为9.49%。自然因素平均降水量和年平均温度共同对耕地土壤质量的解释程度大的省份共有20个，远远超过其他因素的两两交互作用，且2个因子相互作用对耕地土壤质量的解释程度比单因子大。

3.2 结论

（1）最小数据集的建立。通过各组计算的Norm值，在全国土壤理化性质10个指标选择了沙含量、容重、交换性盐基、有机碳含量、碎石体积百分比和电导率作为全国耕地土壤质量评价指标，可以有效促进耕地土壤质量评估的准确性。

（2）耕地土壤质量评价。耕地土壤质量评价结果为V级的大多分布在新疆、内蒙古、西藏和青海，耕地土壤质量较好的地区主要分布在东北地区、华中地区、华南地区和华东地区。

（3）影响因素分析。从地理探测器中的因子探测来看，影响耕地土壤综合质量的因素主要有年平均降水量和年平均温度。从因子交互探测结果来看，2个因子交互作用均大于单因子对耕地土壤质量的影响。

参考文献：

[1] 李超， 赵洋， 杨翠翠， 等. 基于耕地资源质量分类成果的东北地区耕地土壤条件空间分布特征[J/OL]. 土壤通报： 1-9[2023-12-09]. https：//doi.org/10.19336/j.cnki.trtb.2023072801. DOI： 10.19336/j.cnki.trtb.2023072801.

[2] 武岩， 刘宏金， 迟文峰， 等. 基于AHP-CRITIC法的耕地质量等级评价方法研究与实证[J/OL]. 中国土壤与肥料： 1-10[2023-12-09]. http：//kns.cnki.net/kcms/detail/11.5498.S.20230824.1427.002.html.

[3] 娄义宝， 史东梅， 蒋光毅， 等. 基于最小数据集的紫色丘陵区坡耕地耕层土壤质量评价[J]. 中国水土保持科学， 2019， 17（5）： 75-85.

[4] 邓远文， 江林香. 基于熵权-层次分析法的土壤质量综合评价——以甘洛县松树坪村为例[J]. 中国资源综合利用， 2023， 41（4）： 33-35.

[5] 罗由林， 李启权， 王昌全， 等. 川中丘陵县域土壤氮素空间分布特征及其影响因素[J]. 环境科学， 2015， 36（2）： 652-660.

[6] 方淑波， 崔曲， 庞慧焕， 等. 上海市城乡梯度上土壤重金属空间分布及其影响因素定量分析[J]. 环境科学学报， 2015， 35（12）： 3976-3984.

[7] 王合玲， 张辉国， 秦璐， 等. 新疆艾比湖流域土壤有机质的空间分布特征及其影响因素[J]. 生态学报， 2012， 32（16）： 4969-4980.

[8] 王劲峰， 徐成东. 地理探测器： 原理与展望[J]. 地理学报， 2017， 72（1）： 116-134.

[9] 张敏， 陈海， 史琴琴， 等. 黄土丘陵沟壑区耕层土壤重金属空间分异及影响因素[J]. 农业环境科学学报， 2019， 38（11）： 2465-2475.

[10] 肖武， 隋涛， 王鑫， 等. 巢湖流域典型农田土壤重金属污染评价与地理探测分析[J]. 农业机械学报， 2018， 49（7）： 144-152.

[11] 李雨， 韩平， 任东， 等. 基于地理探测器的农田土壤重金属影响因子分析[J]. 中国农业科学， 2017， 50（21）： 4138-4148.

[12] PINZON J E， TUCKER C J. A non-stationary 1981-2012 AVHRR NDVI3g time series[J]. Remote Sensing， 2014， 6（8）： 6929-6960.

[13] TUCKER C J， PINZON J E， BROWN M E， et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing， 2005， 26（20）： 4485-4498.

[14] 王国振， 卜崇峰， 冯伟. 基于灰色关联度的TOPSIS模型的 “丹治” 工程生态效益评价[J]. 水土保持通报， 2019， 39（5）： 189-193.

[15] 张霞， 郑郁， 王亚萍. 基于灰色关联度的TOPSIS模型在秦岭生态功能区水土保持治理效益评价中的应用[J]. 水土保持研究， 2013， 20（6）： 188-191.

[16] 程锋， 王洪波， 郧文聚. 中国耕地质量等级调查与评定[J]. 中国土地科学， 2014， 28（2）： 75-82， 97.