王 燕,瞿明凱,陳 劍,楊蘭芳,黃 標,趙永存

?

基于GWRK的土壤有效磷空間預測及其超標風險評估

王 燕1,2,瞿明凱2*,陳 劍2,楊蘭芳1,黃 標2,趙永存2

(1.湖北大學資源環(huán)境學院,湖北 武漢 430062；2.中國科學院南京土壤研究所土壤環(huán)境與污染修復重點實驗室,江蘇 南京 210008)

以江蘇省金壇區(qū)土壤有效磷的空間預測為例,構建地理加權回歸克里格(GWRK)模型,即采用地理加權回歸(GWR)來量化土壤有效磷與主要土壤因子(即:土壤全磷、土壤pH值和土壤有機質)之間的局部空間關系,并結合局部回歸殘差的插值結果來預測土壤有效磷的空間分布狀況.GWR結果顯示主要土壤因子對土壤有效磷含量的影響程度隨空間位置的變化而變化.同時,采用獨立驗證樣本對比GWRK模型和普通克里格(OK)模型的空間預測精度.結果顯示,GWRK預測結果具有更低的平均絕對誤差(MAE)、均方根誤差(RMSE)和更高的Pearson相關系數(shù)(),且較OK預測結果的相對提高指數(shù)(RI)為19.61%.此外,根據(jù)GWRK預測結果,對金壇區(qū)土壤有效磷含量的超標風險進行了評估.結果表明土壤有效磷含量超過其環(huán)境安全閾值(40mg/kg)的區(qū)域集中分布在金壇區(qū)北部,其面積為175.58km2,約占金壇區(qū)總面積的18%.因此,GWRK模型能有效評估區(qū)域土壤元素有效量空間分布狀況,且GWR局部空間回歸系數(shù)能為區(qū)域土壤元素有效量的調控提供更精確空間決策支持.

土壤有效磷；空間變異性；地理加權回歸克里格；空間非平穩(wěn)性；超標風險

磷是植物生長所必需的營養(yǎng)元素,也是導致農(nóng)業(yè)面源污染發(fā)生的關鍵限制因子[1-3].精確評估土壤有效磷的空間分布格局,是準確掌握區(qū)域農(nóng)業(yè)面源污染狀況的關鍵.目前,地統(tǒng)計學方法,如普通克里格(OK)常被用于區(qū)域土壤屬性的空間預測[4].該方法利用樣本數(shù)據(jù)及其空間自相關性來預測未知點的屬性值[5],其預測結果具有線性、無偏和最優(yōu)的特點[6-7].而與土壤元素全量不同的是,土壤元素有效量通常受到多種土壤因子的影響,如土壤元素全量、土壤pH值和土壤有機質等.因此,土壤元素有效量往往較對應元素全量具有更強的空間變異性[8].這些因素的影響同時也增加了對土壤元素有效量精確空間預測的難度.為提高土壤屬性的空間預測精度,調查者通常采用的方法是增加土壤樣本密度.然而,這種方法會極大增加土壤調查和分析測試的成本[9].近年來出現(xiàn)的地理加權回歸克里格(GWRK)模型結合了地理加權回歸(GWR)和普通克里格(OK)2種空間預測模型[10],已經(jīng)在遙感[11]、農(nóng)業(yè)[12]和氣象[13]等領域有較好的應用.其中,GWR模型常用于探索主要土壤因子對土壤元素有效量的空間非平穩(wěn)影響[14-15].由于次要因子通常并未納入到GWR模型中,因此其局部回歸殘差往往不具有完全的隨機性. GWRK模型通常采用OK對其回歸殘差進行預測來反映這部分次要因子的影響[10].

在農(nóng)業(yè)土壤中,除了土壤全磷,還有多個環(huán)境因子影響土壤有效磷的累積[16-17].土壤pH值是影響土壤磷素生物有效性的最重要因子之一,在不同的pH值條件下,土壤磷的存在形態(tài)各異,其生物有效性差異較大[18].土壤有機質的礦化可為土壤提供部分磷素,且有機質對土壤磷的吸附解析過程有著復雜的影響,進而影響土壤磷素的生物有效性[19].因此,本研究選取土壤全磷、土壤pH值和土壤有機質三個主要影響因子來建立與土壤有效磷的GWR局部空間回歸模型,并結合GWR產(chǎn)生的確定性趨勢項與其局部回歸殘差的插值結果來預測土壤有效磷的空間分布狀況.本研究的最終目的是揭示主要影響因子對土壤元素有效量的空間非平穩(wěn)影響,并將這種局部影響納入到土壤元素有效量的空間預測之中,進而構建一種適用于區(qū)域土壤元素有效量的精確空間預測方法,為區(qū)域土壤元素有效量的調控及超標風險區(qū)域的劃定提供更精確的空間決策信息.

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域位于江蘇省常州市金壇區(qū)(北緯31°33′~31°53′,東經(jīng)119°17′~119°44′)(圖1).該區(qū)域地勢西高東低.西部為丘陵山區(qū),屬茅山山脈的一部分.中東部為低圩洼地和高亢平原,地勢平坦,是太湖平原的一部分.境內河流縱橫,湖蕩水面廣闊,東南部的洮湖是江蘇省十大淡水湖之一.金壇區(qū)屬亞熱帶季風氣候區(qū),年平均氣溫為15.3℃,年平均降水量為1063.5mm,光照充足,無霜期長.水田為該區(qū)域主要的土地利用類型;旱地與林地占少部分,主要分布在西部低山丘陵區(qū).主要糧食作物為水稻,該區(qū)域也是太湖地區(qū)重要的糧食生產(chǎn)基地之一.

1.2 樣品采集與分析

采集土壤樣點259個(圖1).采樣時間為2016年5月底,即小麥收割后到水稻栽種前的未施肥時間段,以最大程度避免當季施肥對土壤有效磷含量的影響.每個樣本點采用GPS定位并詳細記錄其周圍景觀信息.在各采樣點周圍100m2范圍內采集4~5處表層(0~20cm)土樣,均勻混合后縮分至1~2kg裝袋.樣品在實驗室常溫風干后去除雜質及碎石,磨細,選取部分用瑪瑙研體研磨后過100目篩,用于土壤理化性質的測定.

本研究測定的土壤指標為土壤pH值、土壤有機質、土壤全磷和土壤有效磷.土壤有機質的測定采用重鉻酸鉀比色法;土壤pH值采用玻璃電極法測定;土壤全磷的測定采用HClO4–H2SO4法;土壤有效磷采用碳酸氫鈉浸提-鉬銻抗比色法測定.具體測定方法參見文獻[20].

圖1 金壇區(qū)及土壤樣本點的空間位置

1.3 研究方法

1.3.1 地理加權回歸克里格(GWRK) GWRK法是GWR與OK這2種模型的結合,即GWR確定性趨勢項與其局部回歸殘差項的OK預測結果之和.本研究中,GWRK模型可表示為:

其中:

GWR的核心是空間權重矩陣[21],它通過選取不同的空間權重函數(shù)來量化樣本數(shù)據(jù)之間的空間關系.由于本研究的樣本點密度并非均勻(圖1),因此選擇自適應高斯函數(shù)作為空間權重函數(shù),它能根據(jù)校準位置周圍的樣本密度來調整帶寬參數(shù),其公式可表示為:

式中:d為第個樣本點到預測點的距離;w為樣本位置相對于預測位置的權重;為帶寬參數(shù),控制觀測點空間自相關性的范圍及衰減模式.本研究采用Akaike信息標準來確定最優(yōu)帶寬和權重函數(shù),進而計算得到其空間局部回歸系數(shù).具體的GWR和OK方法參考[4,22].

1.3.2 評價方法 在259個樣本點中隨機抽取20%樣本(52個)作為獨立驗證點(圖1).計算驗證點處實測值與預測值之間的平均絕對誤差(MAE)、均方根誤差(RMSE)及Pearson相關系數(shù)(),進一步計算其相對提高指數(shù)(RI)來檢驗2種方法的預測精度.其中MAE和RMSE計算方法如下:

GWRK預測結果相對于OK預測結果的相對提高指數(shù)(RI)為:

1.4 數(shù)據(jù)處理

本研究土壤有效磷的等級劃分參照國家第二次土壤普查養(yǎng)分分級標準[24],其環(huán)境安全閾值設為40mg/kg[25].常規(guī)統(tǒng)計分析在SPSS 19.0中完成;地理加權回歸分析采用GWR 4.0;地統(tǒng)計分析在GS+ 9.0中完成;空間出圖采用ArcGIS 9.2.

2 結果與討論

2.1 土壤有效磷與主要土壤因子的統(tǒng)計特征

研究區(qū)土壤pH值、土壤有機質、土壤全磷及有效磷的描述性統(tǒng)計量見表1.該區(qū)域土壤樣本點有效磷含量在1.71~174.74mg/kg之間,平均值為30.52mg/kg,總體上呈富磷狀態(tài)[25],說明金壇區(qū)土壤有效磷在地表已產(chǎn)生一定程度的累積.土壤有效磷的變異系數(shù)為97.84%,屬強變異程度,這與前人研究結果一致[26].而土壤全磷、土壤pH值及SOM均處于中等程度的變異水平.

表1 土壤有效磷與主要土壤因子的描述性統(tǒng)計量(N = 259)

2.2 土壤有效磷與主要土壤因子之間的空間非平穩(wěn)關系

由GWR得到的土壤有效磷與主要土壤因子(即:土壤全磷、土壤pH值和土壤有機質)之間的局部空間回歸關系如圖2所示.GWR回歸系數(shù)隨著空間位置的變化而變化,即主要土壤因子對土壤有效磷含量的影響程度存在空間非平穩(wěn)性.回歸系數(shù)可以解釋這3個主要土壤因子對土壤有效磷含量的局部空間影響.正的回歸系數(shù)代表正相關,負的回歸系數(shù)代表負相關.回歸系數(shù)絕對值的大小反映該因子對土壤有效磷影響的強烈程度[14].本研究中,土壤全磷對土壤有效磷的影響呈正相關(圖2b),即土壤全磷含量越高,土壤中磷的有效性越大[18].而土壤pH值對土壤有效磷的影響呈負相關,且在研究區(qū)東部和西部影響更為強烈(圖2c).土壤有機質對土壤有效磷的影響較為復雜,在研究區(qū)西部,有機質與土壤有效磷表現(xiàn)為負的相關性,而在北部、中部及南部則表現(xiàn)為正的相關性(圖2d).

土壤中的磷按其存在形態(tài)可分為有機態(tài)磷和無機態(tài)磷,而能被植物吸收利用的磷為無機態(tài)磷[27].大量研究表明,無機磷在土壤中有多種存在形態(tài),不同形態(tài)之間的轉化及其生物有效性受土壤全磷、土壤pH值及土壤有機質等多種因素的影響[28-29].土壤pH值影響磷在土壤中的存在形態(tài)[30].在酸性土壤中,無機磷酸鹽與鐵鋁結合,形成各種鐵鋁磷化合物;而在堿性條件下,土壤磷受到鈣的固定,主要以Ca-P的形式存在[31].不同形態(tài)的無機磷有效性差異很大,以Fe-P、Al-P及Ca2-P的生物有效性最高[32].有機質是影響土壤磷素生物有效性的一個重要因子,一方面,土壤有機質在分解過程中產(chǎn)生的有機酸、腐殖酸等物質與磷酸根競爭表面吸附位點,從而減少礦物對磷的吸附沉淀[33].但在另一方面,土壤有機質在形成過程中螯合的鐵鋁可形成穩(wěn)定的“Al-有機質-P”絡合物及“Fe-有機質”絡合物,增加土壤對磷的吸附[34],從而降低土壤磷素的有效性.因此,有機質可提高或降低土壤磷素的生物有效性[35],這與本研究的結果一致(圖2d).這些主要土壤因子(即:土壤全磷、土壤pH值和土壤有機質)空間變異性影響土壤無機磷不同形態(tài)之間的轉化及生物有效性,同時也是導致土壤有效磷含量產(chǎn)生強烈空間變異性的重要原因.

圖2 土壤有效磷與主要土壤因子之間的GWR回歸系數(shù)分布

2.3 土壤有效磷的空間變異特征

半方差函數(shù)提供了一個描述研究變量空間自相關結構的工具[36].金壇區(qū)土壤有效磷及GWR殘差的半方差函數(shù)模型參數(shù)如表2所示.土壤有效磷及GWR殘差的半方差函數(shù)分別用指數(shù)及高斯模型能夠較好的擬合.參數(shù)0/(0+)常被用于定義變量空間自相關程度的一個標準,低于25%和高于75%分別對應于強的空間自相關性和弱的空間自相關性[37].表2顯示,金壇區(qū)土壤有效磷的0/(0+)值為75.58%,其空間自相關性較弱.GWR殘差的0/(0+)值為28.69%,表明該殘差存在中等程度的空間自相關性.同時,GWR殘差的Moran's值(0.14)(圖3)也顯示其殘差具有一定程度的空間聚集性.這些均表明,其他因子對土壤有效磷含量存在一定程度的影響,這些影響體現(xiàn)在GWR殘差的空間自相關性中.且值得注意的是,GWR殘差值較高的區(qū)域主要位于金壇區(qū)北部(圖3),可能的原因在于在該部分子區(qū)域中,除了納入GWR分析的3主要影響因子外,可能還存在其它未知因子也對土壤有效磷含量存在較強影響.因此,有必要采用OK來對其回歸殘差的空間分布進行預測.

圖3 樣本點處土壤有效磷與主要土壤因子之間的GWR殘差

表2 土壤有效磷與主要土壤因子之間GWR殘差值的半方差模型參數(shù)

2.4 土壤有效磷的空間分布

OK及GWRK預測的土壤有效磷空間分布如圖4所示.2種方法預測得到的土壤有效磷總體上具有類似的空間分布格局,主要表現(xiàn)為西部低山丘陵區(qū)土壤有效磷含量較低,而中東部及北部平原區(qū)土壤有效磷含量較高.但從預測效果來看,GWRK方法產(chǎn)生的預測圖斑更加細碎化,而OK方法產(chǎn)生的預測圖明顯比GWRK預測圖平滑.平滑效應是克里格插值中的一個顯著特性,導致實際的高低值區(qū)域被低估或者高估[38].從空間預測范圍來看,GWRK方法預測的土壤有效磷含量在研究區(qū)北部出現(xiàn)明顯的高值區(qū),與實測值的空間變化范圍(1.71~174.74mg/kg)更為接近.

圖4 OK和GWRK 2模型預測的土壤有效磷空間分布

2.5 預測精度評價

驗證點處實測值與預測值之間的平均絕對誤差(MAE)、均方根誤差(RMSE)及Pearson相關系數(shù)()如表3所示.GWRK預測結果較OK預測結果具有更低的MAE、RMSE和更高的,且GWRK相對于OK預測結果的相對提高指數(shù)(RI)為19.61%.說明采用GWRK模型能顯著提高金壇區(qū)土壤有效磷的空間預測精度.

由于土壤元素有效量受到的影響因素較全量更多,因此其空間變異程度也較全量更為劇烈.傳統(tǒng)的地統(tǒng)計學方法,如OK,通過半方差函數(shù)來量化土壤屬性的空間自相關程度,以此來對其空間分布進行預測.然而,在空間變異劇烈的情況下,采用單一的半方差函數(shù)往往難以對土壤元素有效量與主要影響因子之間的空間相關關系進行有效描述.同時,這也降低了傳統(tǒng)克里格地統(tǒng)計學方法對土壤元素有效量空間預測的精度.本研究構建GWRK模型用于區(qū)域土壤元素有效量的空間預測,即選取主要影響因子來建立與土壤元素有效量的GWR局部空間回歸模型,并結合局部回歸殘差的空間自相關性來對土壤元素有效量進行更精確的空間預測.本研究選取的這些輔助因子(即:土壤全磷、土壤pH值和土壤有機質)需要有現(xiàn)成數(shù)據(jù).然而,這些因子也是土壤調查中的基本指標項,有效利用這些屬性信息,采用GWRK模型即可獲得較常用的OK方法更高的空間預測精度.傳統(tǒng)的協(xié)同克里格方法也可以利用輔助樣本信息來提高目標屬性的空間預測精度.然而,協(xié)同克里格需要大量的異位樣本,這也極大的增加了土壤調查和分析測試的成本.從這個意義上來說,GWRK模型對區(qū)域土壤元素有效量的空間預測具有一定的實用性,為區(qū)域土壤元素有效量的調查評估提供了一個有效的空間預測制圖方法.且GWR局部回歸系數(shù)的可視化為區(qū)域土壤元素有效量的精確調控提供了一個有效的空間參考依據(jù).如在本研究中,土壤pH值對土壤有效磷的影響在金壇區(qū)東、西部較其它子區(qū)域更為強烈(圖2c),因而在東、西部適當提高土壤pH值可能會較其它子區(qū)域更容易減小土壤有效磷的累積;在金壇區(qū)北部及中部,土壤有機質與土壤有效磷含量存在較為顯著的正相關關系(圖2d),因此,相對于其它子區(qū)域,在金壇區(qū)北部及中部減少土壤有機肥的施用能更有效的降低土壤有效磷的累積量.

表3 OK和GWRK2種模型的精度評價指標對比

2.6 土壤有效磷超標風險評估

土壤有效磷水平的高低在一定程度上反映土壤磷素向水體淋失的風險程度.金壇區(qū)土壤有效磷超標風險評價如圖5所示.該區(qū)域土壤有效磷含量由西南向東北呈梯級遞增趨勢,在西部的低山丘陵區(qū),土壤有效磷含量總體上低于20mg/kg,土壤磷素淋失風險較低.而土壤有效磷含量超過其環(huán)境安全閾值(40mg/kg)的區(qū)域主要位于金壇區(qū)北部及東北部,其面積為175.58km2,約占金壇區(qū)總面積的18%.由于該子區(qū)域距離金壇區(qū)主城區(qū)較近,菜地為主要的土地利用類型,土壤人為干擾強烈,施肥量大,從而導致土壤磷素在地表的大量累積.該子區(qū)域土壤磷素具有較高的淋失風險,應對其重點調控.另外,在洮湖北部,土壤有效磷含量超過其環(huán)境安全閾值(40mg/kg)的區(qū)域也有小面積的分布,對洮湖水環(huán)境的安全構成了一定程度的威脅,應引起足夠的重視.

圖5 金壇區(qū)土壤有效磷空間分布等級

3 結論

3.1 本研究構建GWRK模型用于金壇區(qū)土壤有效磷與主要土壤因子(即:土壤全磷、土壤pH值和土壤有機質)之間的空間非平穩(wěn)關系評估及其含量的空間預測.地理加權回歸(GWR)分析表明,主要土壤因子對金壇區(qū)土壤有效磷含量的影響程度隨著空間位置的變化而變化.

3.2 GWRK和OK 2模型精度對比顯示,GWRK模型預測的土壤有效磷具有更低的平均絕對誤差(MAE)、均方根誤差(RMSE)和更高的Pearson相關系數(shù)(),且較OK預測結果的相對提高指數(shù)(RI)為19.61%.

3.3 金壇區(qū)土壤有效磷含量超過其環(huán)境安全閾值(40mg/kg)的區(qū)域集中分布在金壇區(qū)北部及東北部,其面積為175.58km2,約占金壇區(qū)總面積的18%.該子區(qū)域土壤有效磷具有較高的淋失風險,應予以重點調控.

[1] Lin C, Ma R H, Xiong J F. Can the watershed non-point phosphorus pollution be interpreted by critical soil properties? A new insight of different soil P states [J]. Science of the Total Environment, 2018,628– 629:870–881.

[2] Chien S H, Sikora F J, Gilkes R J, et al. Comparing of the difference and balance methods to calculate percent recovery of fertilizer phosphorus applied to soils: a critical discussion [J]. Nutrient Cycling in Agroecosystems, 2012,92(1):1–8.

[3] 劉建玲,廖文華,張作新,等.磷肥和有機肥的產(chǎn)量效應與土壤累積磷的環(huán)境風險評價[J]. 中國農(nóng)業(yè)科學, 2007,40(5):959–965. Liu J L, Liao W H, Zhang Z X, et al. The response of vegetable yield to phosphate fertilizer and organic manure and environmental risk assessment of phosphorus accumulated in soil [J]. Scientia Agricultura Sinica, 2007,40(5):959–965.

[4] Goovaerts P. Geostatistics for natural resources evaluation [M]. New York: Oxford Univ. Press, 1997:437–438.

[5] Zhang X Y, Sui Y Y, Zhang X D, et al. Spatial variability of nutrient properties in black soil of northeast China [J]. Pedosphere, 2007,17(1): 19–29.

[6] Webster R, Oliver M A. Statistical methods in soil and land resource survey [M]. London: Oxford University Press, 1990:497–498.

[7] Saito H, Mckenna A, Zimmerman D A, et al. Geostatistical interpolation of object counts collected from multiple strip transects: Ordinary Kriging versus finite domain Kriging. Stochastic Environmental Research and Risk Assessment, 2005,19(1):71–85.

[8] Berndtsson R, Bahri A, Jinno K. Spatial dependence of geochemical elements in a semiarid agricultural field: Geostatistical properties [J]. Soil Science Society of America Journal, 1993,57(5):1323–1329.

[9] 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 Plant Nutrition and Soil Science. 2012,175:671–680.

[10] Harris P, Fotheringham A S, Crespo R, et al. The use of geographically weighted regression for spatial prediction: An evaluation of models using simulated data sets [J]. Mathematical Geosciences, 2010,42(6): 657–680.

[11] Pereira R, Melfi A, Montes C, et al. Downscaling of ASTER Thermal Images Based on Geographically Weighted Regression Kriging [J]. Remote Sensing, 2018,10(4):633.

[12] Muhammad I, Alfred S, Zurita-Milla R. Using geographically weighted regression kriging for crop yield mapping in West Africa [J]. International Journal of Geographical Information Science, 2015,29(2): 234–257.

[13] Szymanowski M, Kryza M, Spallek W. Regression based air temperature spatial prediction models: An example from Poland [J]. Meteorologische Zeitschrift, 2013,22(5):577–585.

[14] Qu M K, Li W D, Zhang C R, et al. Spatial assessment of soil nitrogen availability and varying effects of related main soil factors on soil available nitrogen [J]. Environmental Science: Processes and Impacts, 2016,18(11):1449–1457.

[15] 楊順華,張海濤,陳家贏,等.平原丘陵過渡帶土壤有機碳空間分布及環(huán)境影響[J]. 中國環(huán)境科學, 2015,35(12):3728–3736. Yang S H, Zhang H T, Chen J Y, et al. The spatial variability of soil organic carbon in plain-hills transition belt and its environmental impact [J]. China Environmental Science, 2015,35(12):3728–3736.

[16] Cao N, Chen X, Cui Z, et al. Change in soil available phosphorus in relation to the phosphorus budget in China [J]. Nutrient Cycling in Agroecosystems, 2012,94(2/3):161–170.

[17] Meng C, Liu H, Wang Y, et al. Response of regional agricultural soil phosphorus status to net anthropogenic phosphorus input (NAPI) determined by soil pH value and organic matter content in subtropical China [J]. Chemosphere, 2018,200:487–494.

[18] 王永壯,陳 欣,史 奕.農(nóng)田土壤中磷素有效性及影響因素[J]. 應運生態(tài)學報, 2013,24(1):260–268. Wang Y Z, Chen X, Shi Y. Phosphorus availability in cropland soils of China and related affecting factors [J]. Chinese Journal of Applied Ecology, 2013,24(1):260–268.

[19] 展曉瑩,任 意,張淑香,等.中國主要土壤有效磷演變及其與磷平衡的響應關系[J]. 中國農(nóng)業(yè)科學, 2015,48(23):4728–4737. Zhan X Y, Ren Y, Zhang S X, et al. Changes in olsen phosphorus concentration and its response to phosphorus balance in the main types of soil in China [J]. Scientia Agricultura Sinica, 2015,48(23):4728– 4737.

[20] 魯如坤.土壤農(nóng)業(yè)化學分析方法[M]. 北京:中國農(nóng)業(yè)科技出版社, 2000. Lu R K. Analytical method of soil and agronomic chemistry [M]. Beijing: China Agricultural Science and Technology Press, 2000. (In Chinese)

[21] Páez A, Uchida T, Miyamoto K. A general framework for estimation and inference of geographically weighted regression models: 1. location-specific kernel bandwidths and a test for locational heterogeneity [J]. Environment and Planning A, 2002,34(5):883–904.

[22] Fotheringham A S,Brunsdon C,Charlton M. Geographically Weighted Regression: The analysis of spatially varying relationships [M]. UK: John Wiley and Sons, Chichester, 2002.

[23] Zhang R, Warrick A W, Myers D E. Improvement of the prediction of soil particle size fractions using spectral properties [J]. Geoderma, 1992,52(3/4):223–234.

[24] 全國農(nóng)業(yè)技術推廣總站.農(nóng)業(yè)技術推廣工作手冊[M]. 北京:中國農(nóng)業(yè)出版社, 1990:177. National agricultural technology extension station. 1990. Handbook on agricultural technology extension [M]. Beijing: China Agricultural Press, 1990:177. (In Chinese)

[25] 魯如坤.土壤磷素水平和水體環(huán)境保護[J]. 磷肥與復肥, 2003,18(1):4–6. Lu R K. The phosphorus level of soil and environmental protection of water body [J]. Phosphate and Com pound Fertilizer, 2003,18(1):4–6.

[26] 王淑英,胡克林,路 蘋,等.北京平谷區(qū)土壤有效磷的空間變異特征及其環(huán)境風險評價[J]. 中國農(nóng)業(yè)科學, 2009,42(4):1290–1298. Wang S Y, Hu K L, Lu P, et al. Spatial variability of soil available phosphorus and environmental risk analysis of soil phosphorus in Pinggu County of Beijing [J]. Scientia Agricultura Sinica, 2009,42(4): 1290–1298.

[27] 孫桂芳,金繼運,石元亮.土壤磷素形態(tài)及其生物有效性研究進展[J]. 中國土壤與肥料, 2011,2:1–9. Sun G F, Jin J Y, Shi Y L. Research advance on soil phosphorus forms and their availability to crops in soil [J]. Soil and Fertilizer Sciences in China, 2011,2:1–9.

[28] Bezerra R P M, Loss A, Pereira M G, et al. Phosphorus fractions and correlation with soil attributes under no-tillage and crop-livestock integration systems in Cerrado of Goias [J]. Semina Ciências Agrárias, 2015,36(3):1287–1306.

[29] Olson B M, Bremer E, Mckenzie R H, et al. Phosphorus accumulation and leaching in two irrigated soils with incremental rates of cattle manure [J]. Canadian journal of science, 2010,90(2):355–362.

[30] Devau N, Cadre E L, Hinsinger P, et al. Soil pH controls the environmental availability of phosphorus: experimental and mechanistic modelling approaches [J]. Applied Geochemistry, 2009, 24(11):2163–2174.

[31] Devau N, Hinsinger P, Cadre E L, et al. Fertilization and pH effects on processes and mechanisms controlling dissolved inorganic phosphorous in soils [J]. Geochimica Et Cosmochimica Acta, 2011, 75(10):2980–2996.

[32] Xiang C Y, Ma Y M, Tian X P, et al. Effects of long term culture and fertilization on the contents of forms of phosphorus and their availability in albic soil [J]. Acta Agronomica Sinica, 2005,31(1): 48–52.

[33] Braschi I, Ciavatta C, Giovannini C, et al. Combined effect of water andorganic matter on phosphorus availability in calcareous soils [J]. Nutrient Cycling in Agroecosystems, 2003,67(1):67–74.

[34] 王艷玲,章永輝,何園球.紅壤基質組分對磷吸持指數(shù)的影響[J]. 土壤學報, 2012,49(3):552–559. Wang Y L, Zhang Y H, He Y Q. Effect of soil matrix components on phosphate sorption index in red soil[J]. Acta Pedologica Sinica, 2012,49(3):552–559.

[35] Zhang H, Schroder J L, Fuhrman J K, et al. Path and multiple regression analyses of phosphorus sorption capacity [J]. Soil Science Society of America Journal, 2005,69(1):96–106.

[36] Paz-Gonzaez A, Taboada Castro M T, Vieira S R. Geostatistical analysis of heavy metals in a one-hectare plot under natural vegetation in a Serpentine Area [J]. Canadian Journal of Soil Science, 2001, 81(4):469–479.

[37] Cambardella C A, Moorman T B, Parkin T B, et al. Field-Scale Variability of Soil Properties in Central Iowa Soil [J]. Soil Science Society of America Journal, 1994,58(5):1501–1511.

[38] Lark R M, Webster R. Geostatistical mapping of geomorphic variables in the presence of trend [J]. Earth Surface Processes and Landforms, 2010,31(7):862–874.

Spatial prediction and standard-exceeding risk assessment of soil available phosphorus based on geographically weighted regression kriging.

WANG Yan1,2, QU Ming-kai2*, CHEN Jian2, YANG Lan-fang1, HUANG Biao2, ZHAO Yong-cun2

(1.Faculty of Resource and Environmental Science, Hubei University, Wuhan 430062, China；2.Key Laboratory of Soil Environment and Pollution Remediation, Institute of Soil Science, Chinese Academy of Science, Nanjing 210008, China)., 2019,39(1)：249~256

In this study, geographically weighted regression kriging (GWRK) model was established to predict the spatial distribution pattern of soil available phosphorus in Jintan County, Jiangsu Province. Geographically weighted regression (GWR) was first used to quantify the local spatial regression relationships between soil available phosphorus and its three main influencing factors (i.e., soil total phosphorus, soil pH, and soil organic matter). And then the final prediction value of GWRK is the sum of the GWR prediction value and the regression residuals value interpolated by ordinary kriging (OK). In this study 52 independent verification samples were used to compare the prediction accuracy of the GWRK model and the traditional OK model. Finally, the standard-exceeding risk of the soil available phosphorus was assessed based on the results generated by the GWRK model. The GWR analysis showed that the relationships between soil available phosphorus and its three main influencing factors (i.e., soil total phosphorus, soil pH, and soil organic matter) were spatial non-stationary, with local regression coefficient changing with spatial position. Model comparison showed that the GWRK prediction result had lower mean absolute error (MAE), root mean square error (RMSE) and higher Pearson correlation coefficient (). In addition, the relative improvement index (RI) of GWRK over OK was 19.61%. The risk assessment results showed that the 175.58km2areas was divided into the risk area of the soil available phosphorus content exceeded the Environmental safety threshold (40mg/kg), which accounted for about 18% of the whole area. Therefore, the GWRK model could effectively assess the spatial distribution pattern of available content of the soil elements. And the local regression coefficient of GWR could provide more accurate spatial decision support for the regulation of soil elements available content at a regional scale.

soil available phosphorus；spatial variability；geographically weighted regression kriging；spatial non-stationarity；standard-exceeding risk

X825,X144

A

1000–6923(2019)01-0249-08

王 燕(1992–)女,甘肅隴西人,碩士研究生,主要研究方向為區(qū)域土壤及環(huán)境風險評估.

2018–05–21

國家科技支撐計劃課題(2015BAD06B02-2)

* 責任作者, 副研究員, qumingkai@issas.ac.cn