楊順華，張海濤*，陳家贏，畢生斌，田 雪，章 清，郭 龍，柳 琪，譚駿峰，吳煜晨（.華中農(nóng)業(yè)大學資源與環(huán)境學院，湖北 武漢 40070；.德宏州土壤肥料工作站，云南 芒市 678400；.武漢大學資源與環(huán)境科學學院，湖北 武漢 40070）

平原丘陵過渡帶土壤有機碳空間分布及環(huán)境影響

楊順華1，張海濤1*，陳家贏1，畢生斌2，田 雪1，章 清1，郭 龍3，柳 琪1，譚駿峰1，吳煜晨1（1.華中農(nóng)業(yè)大學資源與環(huán)境學院，湖北 武漢 430070；2.德宏州土壤肥料工作站，云南 芒市 678400；3.武漢大學資源與環(huán)境科學學院，湖北 武漢 430070）

為定量分析景觀過渡帶中土壤有機碳空間分布及環(huán)境影響，將環(huán)境因子納入空間自回歸模型與地理加權回歸模型分析比較，并以普通最小二乘回歸模型作對照.結果表明:土壤性質指標中，容重及有效鐵與土壤有機碳存在極顯著相關關系；地形及區(qū)位因子中，緯度、高程、坡度、粗糙度等穩(wěn)定性因素與土壤有機碳存在極顯著相關關系；土壤有機碳的局部集聚性多發(fā)生在核心景觀過渡帶；空間回歸模型的擬合優(yōu)度均優(yōu)于普通最小二乘回歸模型，估計值的空間自相關變化趨勢與實測值一致，殘差的空間模式顯著減弱；能夠靈活調整權函數(shù)與帶寬的地理加權回歸模型能夠更好地分析土壤有機碳的空間變異.模型評價方面，GWR-1和GWR-2的殘差平方和較OLS分別降低了20.717%和8.799%； SLM、SEM、GWR-1、GWR-2的AIC值較OLS分別減小了5.108、5.391、19.887和11.751.除本身存在的空間自相關外，模型中土壤性質指標及環(huán)境因子能大幅解釋土壤有機碳的異質性.本研究引入輔助變量，運用空間回歸模型分析了平原丘陵過渡帶土壤有機碳的空間變異，可為生態(tài)恢復、環(huán)境變化指示及研究區(qū)典型柑橘區(qū)的區(qū)劃提供依據(jù).

土壤有機碳；過渡帶；空間自相關；空間異質性；空間自回歸；地理加權回歸

土壤有機碳（SOC）是土壤中較為活躍的組分，適量的土壤有機碳對改善土壤質量具有良好的作用［1］.此外，土壤碳庫是全球碳循環(huán)中重要的碳源與碳匯［2］，據(jù)估計，土壤中的碳含量約是大氣的1.5倍到3倍［3］，其含量變化對于大氣二氧化碳及其帶來的全球氣候變化具有重要影響［4］，因此，定量分析土壤有機碳的空間變異已成為土壤改良與氣候變化研究的重要議題.

由于土壤屬性具有空間依賴性、空間異質性等空間數(shù)據(jù)的本質特征，要實現(xiàn)對土壤連續(xù)屬性（土壤水分、有機碳等）的可靠預測十分困難.已有學者運用反距離加權法［5］、樣條函數(shù)法［6］、多元線性回歸模型［7］、神經(jīng)網(wǎng)絡模型［8-9］等進行了土壤屬性空間變異的研究.這類計量地理學方法在土壤屬性研究上給出了很多有益的參考，但較少考慮對空間過程、空間自相關等理論與方法的運用.另一方面，基于區(qū)域化變量理論的地統(tǒng)計方法，如普通克里格［10］，以變異函數(shù)為工具且能夠對預測結果有很好的數(shù)學解釋，是一種滿足無偏最優(yōu)條件的空間預測模型，近年來得到了大量的實踐應用，但是該方法很少考慮環(huán)境因子對因變量的解釋作用，制圖效果也較為平滑.為更加準確地模擬土壤屬性的空間依賴性與空間異質性并進行空間預測，學者們從不同角度提出了一些顧及空間特性的技術來克服傳統(tǒng)的反距離加權法、克立格法等的缺陷.空間自回歸模型［11-14］（SAR）在回歸模型的基礎上引入了能夠描述空間自相關的項，即能夠表示空間單元之間空間鄰接關系的權重矩陣，較大地提高了預測精度，模型的這一特點使得土壤屬性的空間自相關性在建模時得到了考慮.地理加權回歸模型［15-18］（GWR）是一種局部線性回歸模型，其主要思想是將采樣點的空間位置嵌入到回歸參數(shù)中，使得回歸模型可以隨著采樣點空間位置的變化而變化，吸收了多元線性回歸模型對輔助變量［17-19］的利用，這是從空間異質性的角度來模擬土壤屬性的空間分布.上述模型分別從空間自相關和空間異質性的角度來建立土壤屬性的預測模型，克服了傳統(tǒng)方法的許多不足，相關研究多運用在經(jīng)濟地理、土地利用等領域，但在平原丘陵過渡帶土壤屬性空間變異的對比研究中仍鮮見報道.

生態(tài)系統(tǒng)中，過渡帶是生態(tài)交錯帶的近義詞，景觀過渡帶糅合了兩側相對均質的景觀之間的特征，是景觀單元間物質流、能量流及物種流顯著變化的區(qū)域，具有高度景觀異質性，且對環(huán)境變化具有高度敏感性［20］，因此，有必要對過渡帶土壤有機碳空間變異及其影響因素進行研究.本研究從土壤屬性的空間特性出發(fā)，選取南方典型平原丘陵過渡帶為研究對象，引入環(huán)境變量的解釋作用，運用空間自回歸模型與地理加權回歸模型分別從土壤有機碳的空間自相關性和空間異質性兩個角度進行建模預測，探測了土壤有機碳的空間自相關性與空間異質性，比較了兩種模型在擬合優(yōu)度和預測精度上的差異，驗證了模擬后殘差的空間自相關，以期為獲取可信的平原丘陵過渡區(qū)土壤有機碳及其環(huán)境影響信息提供更合適的方法參考，為氣候變化提供指示依據(jù).

1 材料與方法

1.1 研究區(qū)概況

圖1 研究區(qū)概況及采樣點分布Fig.1 The study area and sample sites

宜都市位于江漢平原向鄂西山地的過渡地帶，地處東經(jīng)111°05'～111°36'，北緯30°05'～30°36'之間，土地總面積2357km2.屬亞熱帶季風氣候，雨熱同期，四季分明，多年平均溫度16.7℃，多年平均降雨量1235.4mm.地形復雜，西南部地勢高峻，高程250～800m，約占總面積的40%；東部丘陵起伏，海拔50～250m，沿長江及清江出口坡度較緩，形成平畈（圖1）.土壤類型多樣，以黃棕壤土類、石灰?guī)r性土、紫色土類為主.研究區(qū)屬湖北省重要的農(nóng)產(chǎn)品區(qū)，特色農(nóng)產(chǎn)品有宜都蜜柑和宜紅茶.

1.2 數(shù)據(jù)源及預處理方式

1.2.1 土壤屬性數(shù)據(jù)的獲取 樣品采集于2013年12月和2014年1月期間.利用研究區(qū)1:10 000比例尺地形圖，在多次實地踏勘及預采樣的基礎上，選取一個兼有平原、丘陵等地貌類型的過渡區(qū)域，綜合考慮地形、土地利用、植被覆蓋等環(huán)境信息進行布點，采集土壤表層（0～20cm）樣點500個，并用DGPS記錄采樣點經(jīng)緯度及高程.土壤有機碳含量與其他土壤理化性質具有相互作用，因此本研究嘗試將采樣點位置的pH、有效鐵（AI）、容重（BD）及礫石度等指標作為輔助變量納入預選環(huán)境指標集，各指標測定方法如下:土壤有機碳的測定采用重鉻酸鉀—外加熱法；土壤pH的測定采用水浸提—電位法；土壤有效鐵的測定采用DTPA浸提—原子吸收光譜法；土壤容重和礫石度的測定采用環(huán)刀法.以上各指標的測定方法見文獻［21］.

1.2.2 環(huán)境變量的獲取 根據(jù)文獻分析結果和專業(yè)知識，提出了一系列可能影響土壤有機碳含量與空間分布的環(huán)境因子組成預選指標集合［22］，包括坡度（Slope）、坡向（Aspect）、海拔高程（Elevation）、粗糙度（Roughness）、曲率（Curvature）、坡度變率（SOS）、徑流強度指數(shù)（SPI）、沉積物運移指數(shù)（STI）、歸一化植被指數(shù)（NDVI）、含鐵礦物指數(shù)（FMI）、離河床最短距離（DIST）、地形濕度指數(shù)（TWI）.以上環(huán)境變量使用30m的DEM（下載自http://datamirror.csdb.cn/ admin/datadem Main.jsp）和Landsat8多光譜影像（空間分辨率30m，成像時間為2013年12月4日）在ArcGIS 10.0軟件和ENVI 5.0軟件中提取.

1.3 研究方法

1.3.1 空間自相關分析 空間自相關性是空間數(shù)據(jù)的特殊性質，空間上近鄰的空間單元的相似性將導致二階效應，即空間自相關.Tobler的地理學第一定律指出:空間上距離相近的地理事物的相似性比距離遠的事物相似性大.Moran［23］于1950提出的Moran's I指數(shù)是當前最常用的空間自相關統(tǒng)計量.Moran's I指數(shù)的變化范圍為（-1，+1），如果空間過程是不相關的，則I值接近于0，當I值為正時，則空間過程是正相關的，當I值為負時，則空間過程是負相關的.其公式如下:

式中:yi和yj分別為第i和j個單元上的觀測值；y為所有觀測單元的均值；Wij為量測觀測單元之間鄰接關系的權重矩陣.

1.3.2 空間異質性分析 空間異質性是空間數(shù)據(jù)的另一個特殊性質，異質性源于觀測單元在不同地理位置具有地方性的獨特性質，表示空間數(shù)據(jù)的變化具有空間非平穩(wěn)性.假設空間過程非平穩(wěn)能更為真實地解釋地理問題的實質.Matheron定義的變異函數(shù)［24］公式為:

式中:γ（h）為變異函數(shù)；z（x）為空間位置x處的屬性值；z（x+h）為x+h處的值；E｛［z（x）-z（x+h）］2｝為采樣間隔為h時樣本值方差的數(shù)學期望.可通過變異函數(shù)及擬合的理論半方差圖得到的基臺值（Co+C）、塊金值（Co）、各向異性比（K（h））和分數(shù)維（D）描述空間異質性程度.

1.3.3 空間自回歸模型 空間自回歸模型由Anselin［25］于1980年提出，其一般形式為:

式中:y為因變量；X為解釋變量；ρ是需要估計的回歸參數(shù)；W1、W2是根據(jù)空間單元的鄰接關系或距離計算得到的加權矩陣； β為解釋變量的回歸系數(shù)；u為隨機誤差項；ε為白噪聲；σ2為ε的方差項；I為單位矩陣.當上述部分參數(shù)取不同值時，可以得到不同的空間自回歸模型:當ρ≠0且λ=0時，稱空間滯后模型（SLM），該模型考慮了模型中因變量本身的空間相關性；當ρ=0且λ≠0時，稱空間誤差模型（SEM），該模型假設空間自回歸模型中的殘差項存在空間自相關.

1.3.4 地理加權回歸模型 一般的線性回歸模型公式可表示為:

式中: y為因變量；x為解釋變量；βo為截距；βi為用最小二乘法估計的回歸系數(shù)；p為解釋變量的數(shù)量；ε為誤差項.

地理加權回歸模型［15］是普通線性回歸模型的延伸，模型將空間數(shù)據(jù)的地理位置嵌入到回歸參數(shù)中，其一般形式為:

式中（ui，vi）為第i個采樣點的地理坐標；βj（ui，vi）是第i個采樣點處的第j個回歸系數(shù)；εi為第i個采樣點處回歸方程的誤差項.GWR模型核心參數(shù)為權函數(shù)和帶寬，本研究中的權函數(shù)將在高斯（Gauss）函數(shù)法和bi-square函數(shù)法間進行調試，帶寬統(tǒng)一采用修正的赤池信息量準則（AICc）尋找最優(yōu)帶寬.

1.3.5 模型評價與精度驗證指標 為比較模型之間的擬合優(yōu)度，選取Akaike信息量準則［26］、LIK和SC［27］三個指標作為評價標準，其公式可表示為:

2 結果與分析

2.1 土壤有機碳的描述統(tǒng)計

使用箱線圖［28］識別并剔除了11個異常值.在檢驗了有機碳含量不符合正態(tài)分布的基礎上，對研究區(qū)有機碳（SOC）數(shù)據(jù)取自然對數(shù)（lnSOC）后進行K-S檢驗，漸進顯著性P值為0.091＞0.05，接受原假設，故認為實驗數(shù)據(jù)服從正態(tài)分布，適合進行空間回歸和地統(tǒng)計分析.對剔除了異常值后的SOC和lnSOC分別進行描述統(tǒng)計，變異系數(shù)顯示研究區(qū)土壤有機碳屬中等程度變異，結果見表1.

表1 研究區(qū)土壤有機碳的描述性統(tǒng)計特征Table 1 The descriptive statistic of soil organic carbon

2.2 土壤有機碳的空間自相關分析

空間自相關是空間數(shù)據(jù)的特殊性質，對SOC進行空間自相關檢驗，是使用空間回歸模型的前提.分別對SOC進行全局及局部空間自相關［28］（LISA）檢驗.當距離閾值設為600m時，SOC的全局Moran's I指數(shù)為0.114.采用泰森多邊形的方式生成點的多邊形（圖2）進行局部空間自相關分析，“高-高”集聚區(qū)多集中在地勢起伏大的西南地區(qū)，“低-低”集聚區(qū)多集中在地勢平坦的東部地區(qū)，而“高-低”和“低-高”集聚區(qū)則散布在“高-高”和“低-低”集聚區(qū)之間，東部平原向西南山地演變的核心過渡地帶是土壤有機碳累積和發(fā)生空間變異的重點區(qū)域.

2.3 土壤有機碳及殘差的異質性分析

土壤有機碳的空間變異可分為結構性部分和隨機部分，可用變異函數(shù)中的塊基比來度量.C/（Co+C）表示結構性部分引起變異占總變異的比例，反之則表示隨機部分占總變異的比例.由表2可知，土壤有機碳的總空間異質性中隨機性部分為11.5%，這部分變異主要存在小尺度上，結構性部分為88.8%，主要存在于500～2000m的中尺度上.分數(shù)維D表示變異函數(shù)曲線的曲率大小，其值越大，由結構性部分引起的空間異質性越高.此處以GWR-1模型說明估值模型在減少殘差空間自相關性方面的作用.GWR-1估值結果的理論半方差模型為指數(shù)模型，結構性變異部分占92.7%，分數(shù)維為1.940，較lnSOC均有所下降；GWR-1殘差的理論半方差模型為純塊金模型，結構性部分變異約為0，說明殘差基本不存在自相關.

圖2 土壤采樣點的泰森多邊形圖及土壤有機碳含量的局部空間集聚Fig.2 Thiessen polygons map and local spatial cluster map of soil organic carbon content

表2 土壤有機碳及殘差的變異函數(shù)理論模型主要參數(shù)Table 2 Semivariance parameters of ln-transformed SOC （lnSOC） and regression residuals

2.4 土壤有機碳的空間變異及影響因素

2.4.1 普通最小二乘（OLS）擬合 為避免多重共線性對模型造成不穩(wěn)定的影響，在16個預選輔助變量與土壤有機碳的Pearson相關分析的基礎上，選取與土壤有機碳具有顯著相關性的8個指標（表3）進行逐步回歸分析，使用OLS進行參數(shù)估計，最終擬合的模型為lnSOC=62.945-0.730×BD+ 2.413×粗糙度+0.002×AI-2.028×緯度，R2=0.214，P= 0.000，最后使用的輔助變量為土壤容重、地表粗糙度、有效鐵及緯度.由表3可知，盡管刪除了8個與土壤有機碳不顯著相關的環(huán)境因子，但緯度、高程、坡度、粗糙度、沉積物運移指數(shù)、有效鐵、容重及離河道最近距離仍能從區(qū)位、地形、地表侵蝕、土壤自身性質等方面解釋過渡區(qū)復雜的空間異質性，說明不同于相對均質的平原或丘陵區(qū)，過渡區(qū)土壤有機碳同時受多種類型環(huán)境因子的影響.

表3 土壤有機碳與環(huán)境因子的Pearson相關性分析Table 3 Correlations analysis between topographical factors and SOC

2.4.2 空間自回歸（SAR）模型擬合 為比較不同自回歸模型對土壤有機碳空間變異的擬合能力，選取空間滯后模型和空間誤差模型建立變量間的回歸模型，自變量與上述最小二乘線性回歸模型一致，具體參數(shù)擬合結果如表4.空間自回歸模型與傳統(tǒng)線性回歸模型都是全局模型，從擬合結果來看，SLM和SEM的回歸參數(shù)都達到了顯著（P＜0.05）或極顯著（P＜0.01）水平，SLM的常數(shù)項較OLS有所下降，除緯度外，SLM和SEM的回歸系數(shù)變化不大.由表4可知，在模型中加入了空間自回歸項之后，SLM和SEM的回歸系數(shù)都較OLS有所減小.擬合優(yōu)度方面，SLM和SEM的LIK變化不大，SEM的SC值較SLM有所減小且其回歸系數(shù)的P值更加顯著，因此SEM的擬合優(yōu)度略優(yōu)于SLM，說明殘差中仍存在一定的空間自相關.

表4 空間自回歸模型的參數(shù)估計結果Table 4 Parameter estimation of spatial autoregression model

表5 GWR模型的參數(shù)設置Table 5 Parameter setting of geographically weighted regression model

2.4.3 地理加權回歸（GWR）模型擬合 GWR模型最重要的兩個參數(shù)是權函數(shù)和帶寬，為比較不同參數(shù)設置對模型精度的影響，分別設置了兩種不同的GWR模型，解釋變量與上述兩個模型保持一致，具體參數(shù)設置結果見表5.

2.5 模型評價

以OLS模型擬合結果為參照，選取不同的精度評價指標對各模型的擬合結果進行對比，結果見表6.由表6可知，在樣本數(shù)量及輔助變量一致的情況下，模型決定系數(shù)范圍為0.214～0.328，樣點測量值與估計值的相關系數(shù)范圍為0.462～0.612，與前人得到的結果一致［29］；殘差平方和方面，GWR-1和GWR-2較OLS分別降低了20.717%和8.799%，SLM和SEM也有降低；AIC方面，SLM、SEM、GWR-1、GWR-2較OLS分別減小了5.108、5.391、19.887和11.751，以上差值均大于臨界值3，說明空間回歸模型更適合分析土壤有機碳的空間變異，通過設置合適的模型參數(shù)，作為局部回歸模型的GWR明顯提高估值精度.

表6 各模型擬合優(yōu)度比較Table 6 Comparison of goodness of fit of the models

由圖3可知，所有變量的空間自相關性隨著距離的增加呈逐漸下降的趨勢，符合地理學第一定律；SOC和lnSOC的空間自相關曲線基本重合，說明數(shù)據(jù)變換不影響土壤屬性的空間自相關性變化規(guī)律；所有模型估計值的空間自相關性較SOC有提高，增長最大的為GWR-1的估計值，最小的為SEM的估計值，但自相關性隨距離降低的趨勢與SOC大致相同；所有模型估計值殘差的Moran's I在-0.05～0.05之間變化，且當距離達到5km時，除OLS殘差和GWR-1殘差外，殘差已完全不存在空間自相關，表明OLS模型擬合后殘差的自相關性得以消除.

圖3 不同模型擬合后的Moran's I指數(shù)Fig.3 Spatial autocorrelation of SOC and residuals

3 討論

經(jīng)典的回歸方法以獨立同分布假設為前提，移植到土壤有機碳等空間連續(xù)數(shù)據(jù)的空間變異分析中來時往往忽略了空間數(shù)據(jù)的空間自相關性與空間異質性，而土壤有機碳含量不僅受自身內(nèi)部因素影響，還與其鄰近區(qū)域的土壤有機碳含量有關，并且土壤有機碳在研究區(qū)域的局部變化是不一致的，因此必須顧及空間數(shù)據(jù)的性質來選取合適的空間數(shù)據(jù)分析方法研究土壤有機碳的空間變異.本研究選取的采樣區(qū)位于平原丘陵過渡的交錯帶，土壤類型多樣，土地利用類型豐富，土壤有機碳變異性強.研究表明，空間局部自相關指數(shù)LISA顯示土壤有機碳在研究區(qū)內(nèi)存在空間自相關，局部區(qū)域存在“高-高”集聚，另外，利用回歸模型模擬后，回歸殘差的空間自相關明顯降低且低于OLS的殘差，說明引入了模擬空間自相關和空間異質性思想的空間回歸模型能夠較好地模擬土壤有機碳的空間特性，提高模型的預測精度.

模型擬合后，OLS的殘差仍然存在一定的空間自相關，而SLM和SEM的殘差基本上不存在明顯的空間模式，表明空間自回歸模型的模擬結果要優(yōu)于經(jīng)典的線性回歸模型.雖然空間回歸模型能更好地擬合空間自相關引起的變異，但其仍是一種全局回歸模型，而空間數(shù)據(jù)很少具有平穩(wěn)性，研究區(qū)復雜的局部景觀必將導致局部范圍上的空間異質性.為此，本文引入GWR從空間異質性的角度進行回歸建模，GWR的最大特點是可以依靠靈活的權函數(shù)變換將樣點的空間位置嵌入回歸系數(shù)，回歸參數(shù)可以隨空間位置的變化而變化，符合環(huán)境因子對土壤有機碳的影響機制，為定量分析土壤有機碳的空間變異提供了更多有價值的信息.本研究中的空間自回歸模型設置了空間誤差模型和空間滯后模型，而通過設置不同的核函數(shù)建立了兩種GWR模型，結果顯示GWR的擬合優(yōu)度各指標均較空間回歸模型和OLS有較大幅度的提高，說明空間土壤有機碳的空間變異來源不僅僅來源于自身的空間自相關，還應考濾土壤有機碳的空間異質性.而研究中GWR-1的殘差仍存在一定的空間自相關，若通過合理設置模型參數(shù)并結合克里格法優(yōu)化估值殘差，相信能大幅消除這類誤差，提高預測精度.

土壤有機碳與環(huán)境因子具有協(xié)同效應，其積累變化與空間變異受諸多環(huán)境因子的影響，比較結果顯示選取與土壤有機碳顯著相關的環(huán)境因子作為自變量能顯著提高模型的解釋能力，然而自變量間多重共線性的存在導致不能將所有具有顯著相關關系的環(huán)境變量納入模型，本文采用逐步回歸部分地解決了該問題，但這種選取方式舍棄了部分環(huán)境信息，如果能選取更好的方法解決多重共線性問題，相信能更好地模擬有機碳的空間變異.另外，環(huán)境因子的選擇仍是一個具有爭議的問題，結合了專家知識、統(tǒng)計學方法［30］及景觀特征的篩選過程將是提高模型解釋力的一種重要途徑.

平原丘陵過渡帶土壤表層有機碳空間變異不僅受自然因素的影響，還受人類活動的劇烈干擾.研究表明，平原地區(qū)有機碳集聚現(xiàn)象多為“低-低”集聚，丘陵地區(qū)多為“高-高”集聚，核心交錯帶的“高-高”集聚現(xiàn)象尤為明顯，表明人類活動降低了平原地區(qū)的土壤有機碳累積，丘陵地區(qū)土地覆被度高，地表沖刷較弱，利于土

壤有機碳的原始累積，而核心交錯區(qū)表層土壤有機碳人為影響適中，原始積累量豐富、穩(wěn)定.對此，由于人類活動加大了土壤有機碳隨機性變異的比例，加快了平原地區(qū)土壤有機碳的消耗，其土壤應做重點保肥以提高質量；平原丘陵交錯區(qū)暴露的土壤有機碳適合研究區(qū)柑橘、紅茶等農(nóng)產(chǎn)品的生產(chǎn)，可作為農(nóng)產(chǎn)品生產(chǎn)加工基地選址的優(yōu)先區(qū)域；典型丘陵區(qū)土壤可作為柑橘、紅茶種植生產(chǎn)的后備資源區(qū).然而，人類活動的干擾加上本身受多種環(huán)境因子的影響，平原丘陵過渡帶的生態(tài)穩(wěn)定性存在進一步削弱的可能，過渡帶生態(tài)系統(tǒng)及其異質性對環(huán)境變化的響應將是一個值得重點研究的問題.

4 結論

4.1 分別從分析土壤有機碳的空間自相關和空間異質性的角度出發(fā)，通過使用空間自回歸模型和地理加權回歸模型研究了土壤有機碳的空間分布及其影響因素，結果表明:研究區(qū)土壤有機碳含量范圍為3.900～69.400g/kg，屬中等變異，土壤有機碳存在空間自相關性與異質性并存在局部集聚性，“高-高”、“高-低”、“低-高”集聚區(qū)多出現(xiàn)在地形起伏較大處，而“低-低”集聚區(qū)則主要分布在平原區(qū)；土壤有機碳含量與緯度和容重成負相關，與高程、坡度、粗糙度、沉積物運移指數(shù)、有效鐵、距河流最近距離成正相關，土壤有機碳空間分布同時受土壤性質、地形因子、區(qū)位因素控制.

4.2 空間回歸模型能遵循空間數(shù)據(jù)的規(guī)律及環(huán)境協(xié)同效應，基本消除了模型殘差的空間自相關，與OLS相比能大幅提高估值精度，更適合定量分析土壤有機碳的空間變異及其影響因素；通過比較精度評價指標，地理加權回歸模型的判決系數(shù)R2、相關系數(shù)r更高，AICc、殘差平方和RSS更低，更適合土壤有機碳空間變異的分析及預測.

4.3 東部平原向西南山地演變的核心過渡地帶是土壤有機碳累積和發(fā)生空間變異的重點區(qū)域，其有機碳空間變異及環(huán)境因子變化可作為環(huán)境變化的指示.

［1］王清奎，汪思龍，馮宗煒，等.土壤活性有機質及其與土壤質量的關系 ［J］. 生態(tài)學報， 2005，25（3）:513-519.

［2］邱莉萍，張興昌，程積民.土地利用方式對土壤有機質及其碳庫管理指數(shù)的影響 ［J］. 中國環(huán)境科學， 2009，29（1）:84-89.

［3］Wang S， Huang M， Shao X， et al. Vertical distribution of soil organic carbon in China ［J］. Environmental Management， 2004， 33（1）:S200-S209.

［4］Lal R. Global potential of soil carbon sequestration to mitigate the greenhouse effect ［J］. Critical Reviews in Plant Sciences， 2003， 22（2）:151-184.

［5］Yao X， Fu B， Lu Y， et al. Comparison of four spatial interpolation methods for estimating soil moisture in a complex terrain catchment ［J］. PloS One， 2013，8（1）:e54660.

［6］張鐵嬋，常慶瑞，劉 京.土壤養(yǎng)分元素空間分布不同插值方法研究以榆林市榆陽區(qū)為例 ［J］. 干旱地區(qū)農(nóng)業(yè)研究， 2010（2）: 177-182.

［7］Qiu Y， Fu B， Wang J， et al. Spatial prediction of soil moisture content using multiple-linear regressions in a gully catchment of the Loess Plateau， China ［J］. Journal of Arid Environments， 2010，74（2）:208-220.

［8］李啟權，王昌全，岳天祥，等.基于神經(jīng)網(wǎng)絡模型的中國表層土壤有機質空間分布模擬方法 ［J］. 地球科學進展， 2012，27（2）: 175-184.

［9］李啟權，王昌全，張文江，等.基于神經(jīng)網(wǎng)絡模型和地統(tǒng)計學方法的土壤養(yǎng)分空間分布預測 ［J］. 應用生態(tài)學報， 2013（2）:459-466.

［10］石淑芹，曹祺文，李正國，等.區(qū)域尺度土壤養(yǎng)分的協(xié)同克里格與普通克里格估值研究 ［J］. 干旱區(qū)資源與環(huán)境， 2014（5）:109-114.

［11］Drukker D M， Egger P， Prucha I R. On two-step estimation of a spatial autoregressive model with autoregressive disturbances and endogenous regressors ［J］. Econometric Reviews， 2013，32（5/6）: 686-733.

［12］Kazar B M， Celik M. Spatial autoregression （SAR） model: Parameter estimation techniques ［M］. Springer Science and Business Media， 2012.

［13］Kelejian H H， Prucha I R. Specification and estimation of spatial autoregressive models with autoregressive and heteroskedastic disturbances ［J］. Journal of Econometrics， 2010，157（1）:53-67.

［14］Meek D W， Prueger J H， Sauer T J， et al. A note on recognizing autocorrelation and using autoregression ［J］. Agricultural and Forest Meteorology， 1999，96（1-3）:9-17.

［15］Brunsdon C， Fotheringham A S， Charlton M E. Geographically weighted regression: A method for exploring spatial nonstationarity ［J］. Geographical Analysis， 1996，28（4）:281-298.

［16］Du S， Wang Q， Guo L. Spatially varying relationships between land-cover change and driving factors at multiple sampling scales［J］. Journal of Environmental Management， 2014，137:101-110.

［17］Mishra U， Riley W J. Alaskan soil carbon stocks: Spatial variability and dependence on environmental factors ［J］. Biogeosciences， 2012，9（9）:3637-3645.

［18］Wang K， Zhang C R， Li W D， et al. Mapping soil organic matter with limited sample data using geographically weighted regression ［J］. Journal of Spatial Science， 2014，59（1）:91-106.

［19］張素梅，王宗明，張 柏，等.利用地形和遙感數(shù)據(jù)預測土壤養(yǎng)分空間分布 ［J］. 農(nóng)業(yè)工程學報， 2010，26（5）:188-194.

［20］傅伯杰，邱 揚，陳利頂.景觀生態(tài)學的原理及應用 ［M］. 北京:科學出版出版社， 2011.

［21］鮑士旦.土壤農(nóng)化分析 ［M］. 北京:中國農(nóng)業(yè)出版社， 2005.

［22］Meersmans J， De Ridder F， Canters F， et al. A multiple regression approach to assess the spatial distribution of soil organic carbon（SOC） at the regional scale （flanders， belgium） ［J］. Geoderma， 2008，143（1）:1-13.

［23］Moran P A. Notes on continuous stochastic phenomena ［J］. Biometrika， 1950，37:17-23.

［24］Matheron G. Principles of geostatistics. Economic geology ［J］，1963，58（8）:1246-1266.

［25］Anselin L. Estimation Methods for Spatial Autoregressive Structures ［M］. Regional Science Dissertation and Monograph Series， Cornell University， Ithaca， NY， 1980.

［26］Akaike H. A new look at the statistical model identification ［J］. Automatic Control， IEEE Transactions on， 1974，19（6）:716-723.

［27］Schwarz G. Estimating the dimension of a model ［J］. The Annals of Statistics， 1978，6（2）:461-464.

［28］Williamson D F， Parker R A， Kendrick J S. The box plot: A simple visual method to interpret data ［J］. Annals of Internal Medicine， 1989，110（11）:916-921.

［29］Sumfleth K， Duttmann R. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators ［J］. Ecological Indicators， 2008，8（5）: 485-501.

［30］瞿明凱，李衛(wèi)東，張傳榮，等.基于受體模型和地統(tǒng)計學相結合的土壤鎘污染源解析 ［J］. 中國環(huán)境科學， 2013，33（5）:854-860.

The spatial variability of soil organic carbon in plain-hills transition belt and its environmental impact.

YANG Shun-hua1， ZHANG Hai-tao1*， CHEN Jia-ying1， BI Sheng-bin2， TIAN Xue1， ZHANG Qing1， GUO Long3， LIU Qi1， TAN Jun-feng1， WU Yu-chen1（1.College of Resource and Environment， Huazhong Agricultural University， Wuhan 430070，China；2.Soil and Fertilizer Work Station of Dehong State， Mangshi 678400， China；3.School of Resource and Environmental Science， Wuhan University， Wuhan 430070， China）. China Environmental Science， 2015，35（12）：3728～3736

In this study， the relationships between environmental variables and SOC were analysed using spatial autoregression （SAR） and geographically weighted regression （GWR） to quantitatively model the spatial variability of SOC and its environmental impact， comparing with ordinary least square （OLS） regression. The results demonstrated strong correlations between SOC and auxiliary variables. As to soil properties， bulk density and available iron played significant roles. As to topography factors and location factors， latitude， elevation， slope and roughness were the most important affecting factors. Local clustering of soil organic carbon occurred mostly on core transition zone. Plus， SAR model has a better goodness of fit than OLS regression and its estimated value showed a similar trend with the observated values of SOC. Additionally， weak spatial patterns were detected after modeling. Thanks to the flexibility to adjust the weighting function and the bandwidth， GWR model has a better detection of spatial variability of SOC than the others. On model assessment， the residual sum of squares of GWR-1 and GWR-2 were reduced by 20.717% and 8.799%， comparing with OLS's， respectively； the AIC values of SLM、SEM、GWR-1、GWR-2 were reduced by 5.108、5.391、19.88 and 11.751， respectively. In addition to the spatial autocorrelation， soil properties and environmental factors can significantly explain the heterogeneity of SOC.The auxiliary variables and spatial regression model used here indicated the variability of SOC may propose a certain basis for further exploring the synergies and quantitative analysis of SOC. This study may pave a way for ecological restoration， indicating changes in the environment and the planning of the typical citrus area.

soil organic carbon；transition belt；spatial autocorrelation；spatial heterogeneity；spatial autoregression；geographically weighted regression

X144，S151.9

A

1000-6923（2015）12-3728-09

楊順華（1990-），男，湖南永州人，碩士研究生，主要從事資源環(huán)境信息技術與應用研究.發(fā)表論文2篇.

2015-05-06

國家自然科學基金項目（41371227，41101192）；中央高?；究蒲袠I(yè)務費專項資金項目（2013JC016）

* 責任作者， 副教授， zht@mail.hzau.edu.cn