羅 梅，郭 龍，張海濤，汪善勤，梁 攀

基于環(huán)境變量的中國土壤有機碳空間分布特征*

羅 梅，郭 龍?，張海濤，汪善勤，梁 攀

（華中農業(yè)大學資源與環(huán)境學院，武漢 430070）

研究中國土壤有機碳（Soil Organic Carbon，SOC）的空間分布特征對SOC儲量估算以及農業(yè)生產管理具有重要意義。以全國第二次土壤普查2 473個土壤典型剖面的表層（A層）SOC含量為研究對象，探尋地形、氣候和植被等環(huán)境因素對SOC空間異質性分布的影響；以普通克里格法為對照，利用地理加權回歸、地理加權回歸克里格、多元線性回歸和回歸克里格模型建立SOC空間預測模型；并分別繪制了中國SOC的空間分布預測圖。結果表明：（1）SOC含量與年均降水量、年均溫、歸一化植被指數、高程以及地形粗糙指數呈極顯著相關關系；（2）平均絕對估計誤差、均方根誤差、平均相對誤差和皮爾遜相關系數等模型驗證指標表明地理加權回歸的預測精度優(yōu)于其他模型，可以更好地繪制SOC在大尺度上的空間分布特征；（3）較高SOC含量主要分布在研究區(qū)東北部、西南部以及東南部，而西北部SOC含量普遍偏低。本文以期從大尺度上探討土壤屬性與環(huán)境變量之間的相關關系，為全國土壤屬性的空間制圖提供一定的解決方案和思路。

中國土壤有機碳；環(huán)境變量；地理加權回歸；多元線性回歸

碳是陸地生態(tài)系統最活躍的元素之一。土壤有機碳（Soil Organic Carbon，SOC）含量及其變化在全球碳循環(huán)和大氣二氧化碳濃度變化中起著非常重要的作用[1-2]。地球上的碳平衡是由大氣碳庫、陸地系統碳庫和海洋碳庫三者相互作用的結果[3]。研究表明土壤是陸地系統碳庫中最大的碳庫且周轉時間最慢，據估計當前的全球土壤有機碳庫介于1 395～2 200 Pg之間[3-7]，是大氣碳庫或陸地植被碳庫的2倍至3倍。同時SOC作為土壤質量的關鍵指標，在土壤物理、化學和生物過程中均起著相當重要的作用[7]。為此從大尺度上探討SOC的空間分布特征及其與環(huán)境因素之間的相關關系，對整體上掌握中國的土壤肥力狀況及其在全球氣候調節(jié)中所起的作用以及碳庫估算具有重要意義。

SOC含量和周轉率主要受土壤形成因素的影響，這些因素相互作用且具有時空差異性，為此SOC表現出很強的空間異質性[8]，導致SOC的空間分布特征復雜且不確定。目前估算SOC含量的方法主要有兩大類，一是測量和乘法，二是土壤景觀模型[9]。其中土壤景觀模型主要以區(qū)域插值模型、回歸擬合模型和機器學習三種模型應用較多，綜合考慮了SOC的空間變異性和依賴性以及各種環(huán)境因素的影響[9]。自20世紀50年代以來，我國研究人員進行了大量的野外調查，包括全國兩次土壤普查，匯集了大量土壤數據資料用來了解和掌握中國土壤屬性的空間分布特征[10]。一些研究人員對我國SOC儲量和不同尺度下SOC空間分布特征進行了諸多探索性研究，嘗試去捕捉SOC在空間和時間上影響的局部和全局變化[11]。許多輔助變量已被用于構建區(qū)域和國家尺度的SOC空間模型[12-14]。

為定量探索SOC與環(huán)境因子之間的關系，從而有效繪制SOC的空間分布，克里格法和回歸模型得到了廣泛的應用。普通克里格（Ordinary Kriging，OK）是常用的插值方法之一，但是其難以融合輔助變量的解釋作用。多元線性回歸（Multiple Linear Regression，MLR）和回歸克里格（Regression Kriging，RK）是全局回歸模型，主要限制在于其假設目標與解釋變量之間的關系在整個空間內是同質性的[15]。趙永存等[16]運用MLR、RK和泛克里格預測河北省SOC密度的空間分布發(fā)現RK預測效果最好。Watt和Palmer[17]采用RK較好地估算了新西蘭表層土壤的碳氮比。地理加權回歸（Geographically Weighted Regression，GWR）作為繪制土壤屬性的局部回歸模型，不僅考慮了研究目標的空間異質性和變異性，還考慮了解釋變量之間的空間不穩(wěn)定關系[18]。Scull[19]利用氣候因子作為自變量，發(fā)現GWR較MLR能更好地預測包括SOC在內的幾種土壤屬性。地理加權回歸克里格（Geographically Weighted Regression Kriging，GWRK）是GWR的擴展，可以捕獲GWR估計殘差的空間分布特征和趨勢[20]。Liu等[21]比較了幾種空間預測模型，認為GWRK是繪制SOC密度的有效模型，局部模型較全局模型的預測結果更加合理。

本文選擇中國土壤表層（A層）有機碳作為研究對象，以氣候、植被和地形因子作為輔助變量，利用多種預測模型（OK、MLR、RK、GWR以及GWRK）探討SOC與環(huán)境變量在大尺度上的相關關系，定量評價不同模型的建模結果，尋找最優(yōu)的預測模型并進行空間制圖，以期為土壤屬性在國家尺度上的精確預測制圖和分析土壤屬性的空間分布特征提供一定的參考，從而更好地服務于區(qū)域尺度碳庫估算和農業(yè)生產管理。

1 材料與方法

1.1 土壤數據

本文所采用的土壤基礎數據來自全國第二次土壤普查時采集的土壤數據，這些數據資料匯總于《中國土種志》（共6卷）。據此，本文整理了共2 473個土壤典型剖面的數據庫，包括各個剖面的采樣地點、土壤類型和土壤的理化性質，以及海拔和坡度等地形地貌，年均溫和年降水量等生境條件和土地利用類型等信息。由于表層土壤的性質對于外界環(huán)境各類變化的響應更為直接，表層SOC含量的變化最明顯，由此本文選擇表層（A層）SOC作為研究對象。該數據對于采樣位置描述缺乏經緯度，但是可以準確到村莊，同時在國家尺度上采用克里格插值等方法，該位置誤差對預測精度的影響有限[22]。由此根據土壤剖面位置描述并結合海拔、年均降水量、年均溫和年積溫等記錄進行定位，獲取樣點數據坐標。去掉無A層土壤有機質數據記錄的典型剖面和剔除異常值之后，隨機抽取70%的剖面點共1 675個作為建模集，其余30%共718個樣點作為驗證集，數據樣點的空間分布如圖1所示。

1.2 環(huán)境變量

環(huán)境變量的選擇主要遵循相關性和可獲得原則，即所選環(huán)境變量的空間變化能反映土壤屬性的空間差異性，而且其易獲得并有利于定量化[23]。本文選擇氣候、植被和地形因子作為輔助SOC預測的環(huán)境變量。預選環(huán)境變量分別為年均降水量、年均溫、≥10℃年積溫、高程、坡度、坡向、歸一化植被指數（Normalized Difference Vegetation Index，NDVI）、地形位置指數（Topographic Position Index，TPI）、地形粗糙指數（Terrain Ruggedness Index，TRI）以及地形濕度指數（Topographic Wetness Index，TWI）（圖2）。

本文的氣候數據來自中國農業(yè)科學院農業(yè)資源與農業(yè)區(qū)劃研究所，是基于全國1915個站點的氣象數據，時間區(qū)間為建站到1996年。將以上數據經整理和預處理，最后利用反距離加權平均法內插出空間分辨率500m的年均溫、年均降水量、≥10℃年積溫等柵格數據。NDVI數據來源于“中國西部環(huán)境與生態(tài)科學數據中心”（http://westdc.westgis. ac.cn），下載GIMMS植被指數數據集并進行投影、掩膜等預處理。全國DEM由來自中國科學院計算機網絡信息中心國際科學數據鏡像網站（http://www. gscloud.cn）的STRM地形數據拼接而成，利用ArcGIS10.2和SAGA6.3提取和計算坡向、坡度、TPI、TRI以及TWI。

1.3 多元線性回歸

MLR是經典的最小二乘法回歸模型，能夠定量地刻畫各個輔助變量對于土壤屬性的影響程度，被廣泛用于土壤屬性的預測和其影響因子的研究中。選用多元逐步線性回歸方法，既保證與SOC顯著相關的輔助變量進入回歸模型又能避免多重共線性[24-25]。利用建模集在SPSS中進行逐步回歸模擬，構建SOC與環(huán)境變量之間的線性回歸模型。

圖1 土壤典型剖面點空間分布圖

1.4 回歸克里格

RK為基于MLR模型得到趨勢項與殘差項，再用OK對殘差進行插值，最后將二者相加得到RK結果。RK不僅綜合了自變量對因變量的解釋作用，還在一定程度上對隨機性變異進行了解釋[26]。

1.5 地理加權回歸

GWR是一種繪制例如SOC等土壤屬性預測圖的局部回歸方法。GWR是基于將空間位置嵌入回歸參數所表示的局部平滑思想，通過局部加權最小二乘法對采樣點進行建模[21]。

最佳帶寬分配是此方法的關鍵部分。本文選擇了最大似然原則確定的Akaike信息準則（akaike information criterion，AIC）以確定最佳帶寬，核類型選擇Fixed即固定距離法，用“高斯核”來解決各局部回歸分析的空間環(huán)境。

1.6 地理加權回歸克里格

GWRK模型是對GWR模型的延伸與擴展，其將GWR模型得到的殘差采用OK插值，再將殘差插值結果與GWR擬合的趨勢相加。GWRK充分考慮了空間非平穩(wěn)性和殘差的空間自相關[27]。

1.7 模型驗證與評價方法

建模集用于構建不同的SOC預測模型，驗證集用于評估不同模型的模擬精度，評價指標包括平均絕對誤差（MAE）、平均相對誤差（MRE）、均方根誤差（RMSE）以及皮爾遜相關系數（）。MAE、MRE以及RMSE是預測精度的量度，值越小說明預測方法的結果越精確。

2 結 果

2.1 SOC含量的描述性統計特征及其與環(huán)境變量的相關性

如表1所示，SOC含量平均值為22.28 g·kg–1，從1.62 g·kg–1變化至223.88 g·kg–1。SOC含量的變異系數高達96.10%，表明變異幅度極大，為極強的空間異質性。SOC含量的偏度和峰度分別為3.18和15.97，呈正偏態(tài)分布特征。將原始SOC數據進行對數轉換（lnSOC），轉換后偏度和峰度為–0.11和–0.18，Kolmogorov-Smirnov（K-S）檢驗進一步證明轉換后數據符合正態(tài)分布特征（>0.05）。

利用所提取的環(huán)境變量與SOC進行相關分析。在地形因子中，坡度（0.22）、高程（0.18）、坡向（0.04）以及TRI（0.25）與SOC呈顯著正相關（< 0.01），TPI（–0.08）和TWI（–0.09）與SOC呈顯著負相關；在氣候因子中，年均降水量（0.12）與SOC呈顯著正相關，年均溫（–0.11）、≥10℃年積溫（–0.12）與SOC呈顯著負相關；NDVI（0.25）與SOC呈顯著正相關。其中NDVI和TRI與SOC相關性最高，坡向與SOC相關性最弱。

圖2 環(huán)境變量空間分布圖

表1 土壤有機碳含量及其對數轉換后的基本描述統計特征

注：SOC：土壤有機碳；lnSOC：對數轉換后的土壤有機碳。Note：SOC：soil organic carbon；lnSOC：soil organic carbon after logarithmic transformation.

2.2 GWR和MLR模型構建

由表2可知，最終進入MLR模型的解釋變量為高程、年均降水量、年均溫、TRI和NDVI，各個解釋變量的方差膨脹因子（Variance inflation factor，VIF）均小于7.5，解釋變量之間不存在多重共線性現象，值和值表明解釋變量與SOC之間存在著顯著的相關關系。從標準系數可以看出，模型中各環(huán)境變量對SOC影響程度從大到小依次為年均降水量、年均溫、NDVI、高程、TRI。MLR模型的決定系數2= 0.186，表示環(huán)境變量可以解釋SOC含量18.6%的變化。以便對比，選用相同的環(huán)境變量應用于GWR模型。

GWR模型的決定系數2= 0.259，表明模型對因變量的解釋度可達25.9%，高于MLR。越小的殘差平方和表明模型的擬合效果越好。MLR模型的殘差平方和為6.25×105，而GWR模型的殘差平方和為5.68×105，少于MLR模型。由此可以看出GWR具有較MLR更好的擬合性能。

2.3 SOC含量的空間結構特征

根據Cambardella等[28]對空間自相關性程度的劃分，模型的塊基比<25%表明所研究的土壤屬性具有強烈的空間自相關性；介于25%～75%之間為中等空間自相關性；>75%為弱空間自相關性。OK的半變異函數采用高斯函數進行最優(yōu)擬合（表3），變程為69.67 m，塊金值為0.08，基臺值為1.05，塊基比為7.62%，說明SOC具有強烈的空間自相關。

殘差是SOC含量測量值與模型預測值之間的差異。將GWR和MLR預測所得的殘差進行OK插值，分別得到它們的殘差空間分布圖（圖3）。由表3所示，MLR和GWR殘差擬合的半變異函數均為高斯模型，兩者塊基比分別為9.52%和10.56%，表明均有強烈的空間自相關性，前者空間自相關性較后者強，再通過交叉驗證中GWR殘差的均方根小于MLR殘差，其平均值也更接近于0，均表明GWR較MLR具有更高的精度。MLR擬合后的殘差范圍由圖3可知，殘差負值主要分布在中西部，表明預測值高于觀測值；正值主要分布在東北部和西南部，表明預測值低于觀測值。GWR殘差的空間分布模式與MLR殘差類似。但是，兩者也存在細微差異。GWR殘差的最小值和最大值分別為–42.26 g·kg–1和184.08 g·kg–1，而MLR殘差范圍為–42.55 g·kg–1～183.81 g·kg–1，同時GWR模型殘差在極值范圍的圖斑面積均小于MLR殘差。

表2 多元線性回歸模型系數的基本統計特征

表3 GWR、MLR殘差及SOC的半方差函數參數

圖3 GWR和MLR土壤有機碳殘差的空間分布

2.4 不同模型預測精度比較

基于驗證集，以OK為對照，利用MAE、MRE、RMSE和來評估模型的模擬精度，結果如表4所示。驗證結果表明，GWR的MRE、MAE和RMSE值最小，值最高，因此GWR模型的預測精度最高。GWRK的MRE、MAE和RMSE值分別為0.850、12.336和19.035，僅大于GWR模型，值為0.460僅小于GWR模型，表明其預測精度只低于GWR。五種模型中，OK的MRE、MAE和RMSE均高于其余模型，值低于其余模型，精度最低。

2.5 SOC的空間分布特征

圖4是基于OK、MLR、RK、GWR、GWRK五種模型得到的中國SOC空間分布預測專題圖。從研究區(qū)域的空間結構和變化趨勢來看，五幅分布圖在整體上表現出相似的SOC空間分布特征，同時在局部地區(qū)又表現出一定的差異性。從整體分布來看，SOC的空間分布具有明顯的帶狀結構特征。SOC含量較高值分布在研究區(qū)東北部的平原、西南部以及東南部的離散地區(qū)，而西北部SOC含量普遍偏低。在局部細節(jié)上，五幅分布圖存在著明顯的差異性。GWR和GWRK預測得到的SOC含量范圍大于MLR和RK，前者更能反映SOC的真實情況。對于SOC含量較高值分布的區(qū)域，較GWR和MLR相比，RK和GWRK模型預測的圖斑面積明顯較大。在東北部MLR模型預測的SOC含量普遍低于其余四個模型。這主要是由于OK僅考慮了土壤采樣點的空間自相關性，MLR忽略了輔助變量的空間自相關性，GWR同時考慮了土壤采樣點和輔助變量的空間異質性，而RK和GWRK不僅考慮了區(qū)域環(huán)境變量的空間變異性，還考慮了GWR和MLR的殘差。通過RK和GWRK分布圖可以發(fā)現，研究區(qū)西部的高原與沙漠地區(qū)出現突變情況，主要原因在于這些地區(qū)因采樣難度大且數據缺乏，殘差插值效果不佳。

表4 OK、MLR、GWR、GWRK、RK五種模型的精度評價指標比較

3 討 論

3.1 環(huán)境變量與SOC之間的空間非平穩(wěn)性

本文選用地形、氣候和植被因子作為環(huán)境變量應用于GWR模型。不同環(huán)境變量回歸系數的空間分布如圖5所示，不同環(huán)境變量對SOC的影響在不同地理位置上可能有所不同。其中具有最大絕對系數值的是NDVI，其次是年均溫和TRI。NDVI與SOC在中部和東部地區(qū)呈負相關，西部呈正相關，NDVI對SOC的影響由西部向東南部遞減。NDVI直接反映植被生長狀況的優(yōu)劣，而植被是SOC的重要來源之一[29]，影響著SOC儲量及其動態(tài)平衡[30]，同時良好的地表覆蓋還能減少侵蝕的發(fā)生，防止SOC流失。年均溫與SOC在西北部和中部呈正相關，其余區(qū)域呈負相關，這可能是因為較低的溫度更利于SOC的積累。氣候影響植被的分布和生長，同時也是制約凋落物分解的主要因素，與SOC輸入和分解緊密相關。溫度主要通過提高凈初級生產力以增加輸入土壤中的凋落物數量，提高SOC含量和通過促進微生物活動、土壤呼吸從而加速SOC分解、增加SOC分解量兩方面來影響SOC[31]。TRI與SOC在西北部盆地區(qū)域呈正相關，其余區(qū)域呈負相關。土壤屬性的空間變異受多種因子的控制，而地形作為五大成土因素中的重要因素，能調節(jié)熱量和物質的再分配[32-33]，對SOC分布起重要作用[34-35]。其余環(huán)境變量系數表明其對SOC空間變化的影響較弱。截距是回歸模型的常數項，范圍為–31.18～48.42。盡管回歸系數在一定程度上體現了對應環(huán)境因素對SOC的影響，但是在大尺度上氣候、植被以及地形因素在時間和空間上是復雜多變且相互作用的，再加上樣點在沙漠和高原地區(qū)數據稀少和整體分布不均等樣本局限性，SOC空間分布的不確定性仍然存在。

3.2 SOC預測精度差異性對比

本文以OK模型為對照，使用GWR、MLR、RK和GWRK模型結合地形、植被和氣候因子預測中國SOC含量的空間分布，結果表明GWR是相對合適的模型。GWR技術包含權重函數的MLR變體，不僅考慮了SOC的空間異質性和變異性，還考慮了環(huán)境變量之間的關系[24]。GWR被發(fā)現是用于宏觀地理土壤研究的優(yōu)秀工具[19]。Wang等[36]對比了GWR和MLR在土壤有機質空間預測方面的差異，認為GWR能更準確地預測土壤有機質的空間分布和更多細節(jié)。文中GWR下的SOC空間分布圖也較MLR更加精細。Zhang等[14]調查了GWR方法在愛爾蘭模擬SOC空間分布中的應用，認為GWR減小了空間插值的平滑效果，為SOC分布圖提供了一種很有前途的方法。OK直接利用建模樣本進行插值，雖然充分利用樣點自身結構特征，但其并未考慮與SOC變化密切相關的環(huán)境變量。MLR是通過對實測數據的統計分析來建模，數據量和數據精度均制約著預測精度。李啟權等[37]將MLR與HASM相結合的方法與OK比較，證明前者在模擬中國土壤有機質空間分布上相對有效。RK基于SOC與環(huán)境變量之間的關系建立全局回歸模型，還能利用樣點的空間自相關性進行OK插值，綜合考慮了結構性與隨機性[24]。Mishra和Riley[38]比較了簡單平均法和RK估計美國中西部SOC儲量的預測精度，發(fā)現RK能更準確地反映SOC儲量的異質性。GWRK是一種混合技術，通過充分考慮空間參數非平穩(wěn)性以及SOC與其他環(huán)境變量之間的關系，從而獲得GWR的優(yōu)點[21-39]，其殘差也可以通過OK插值作為空間隨機的一部分添加到估計的趨勢中[27]。Kumar等[27]采用GWRK模型研究美國賓夕法尼亞州的環(huán)境變量與SOC之間的關系，證明了GWRK在捕捉空間非平穩(wěn)性方面的優(yōu)越性。

圖5 GWR模型中環(huán)境變量系數的空間分布

本文研究區(qū)為國家尺度，范圍廣但樣點分布并不能保證均一性，特別是研究區(qū)西部的樣點相對于其他區(qū)域數量少且分布稀疏，再加上樣本數據和殘差的空間自相關，導致OK插值出來的殘差分布并不能真實反映SOC預測之后的殘差分布，由此，RK和GWRK預測的SOC結果在某些樣本數據少的區(qū)域效果不佳，從而嚴重影響了RK和GWRK的預測精度以及SOC的空間分布。同時實際采樣點坐標與本文所匹配的樣點位置存在誤差，這也是不確定性的來源。定量化研究環(huán)境變量與SOC之間的關系，環(huán)境變量的獲取非常關鍵。獲取環(huán)境變量需要廣泛應用DEM，而且其精度和空間分辨率均影響最終的分析結果[33]，如果使用更高分辨率的DEM和進一步研究更為詳盡的環(huán)境變量則更多殘差可能會被解釋。然后在充分分析SOC與環(huán)境變量作用機理的基礎上，選擇合適的方法估計SOC含量的空間分布，預測效果將進一步提高。

4 結 論

本文共使用了五種模型來估計SOC含量的空間分布，以地形因子（高程和TRI）、氣候因子（年均降水量和年均溫）和植被指數（NDVI）作為輔助變量，比較OK、MLR、RK、GWR和GWRK模型的建模結果。研究結果表明：（1）SOC及其環(huán)境變量在全國尺度上有很強的變異性，在研究區(qū)域內存在顯著差異性；（2）SOC與高程、TRI、NDVI、年均降水量以及年均溫呈極顯著相關關系；（3）在全國尺度上，較高SOC含量主要分布在東北部、西南部以及東南部區(qū)域，而西北部SOC含量普遍偏低；（4）GWR模型具有較好的擬合精度，預測結果優(yōu)于OK、MLR、RK和GWRK模型。

［1］ Davidson E A，Trumbore S E，Amundson R. Biogeochemistry-soil warming and organic carbon content. Nature，2000，408（6814）：789—790.

［2］ Zhao M S，Li D C，Wang S H. Variation of Soil Organic Carbon in Farmland of Anhui and Its Influencing Factors in The 30 Years from 1980 to 2010. Acta Pedologica Sinica，2018，55（3）：595—605. [趙明松，李德成，王世航. 近30年安徽省耕地土壤有機碳變化及影響因素. 土壤學報，2018，55（3）：595—605.]

［3］ Eswaran H，Vandenberg E，Reich P. Organic-carbon in soils of the world. Soil Science Society of America Journal，1993，57（1）：192—194.

［4］ Batjes N H. Total carbon and nitrogen in the soils of the world. European Journal of Soil Science，1996，47（2）：151—163.

［5］ Bohn H L. Estimate of organic-carbon in world soils. Soil Science Society of America Journal，1982，46（5）：1118—1119.

［6］ Post W M，Emanuel W R，Zinke P J，et al. Soil carbon pools and world life zones. Nature，1982，298（5870）：156—159.

［7］ Schlesinger W. Carbon storage in the caliche of arid soils：A case study from arizona. Soil Science，1982，133（4）：247—255.

［8］ Dai W，Huang Y. Relation of soil organic matter concentration to climate and altitude in zonal soils of china. Catena，2006，65（1）：87—94.

［9］ Thompson J A，Kolka R K. Soil carbon storage estimation in a forested watershed using quantitative soil-landscape modeling. Soil Science Society of America Journal，2005，69（4）：1086—1093.

［10］ Xie X L. Study on soil organic carbon stocks in national and regional scale using GIS. Nanjing：Nanjing Normal University，2004. [解憲麗. 基于GIS的國家尺度和區(qū)域尺度土壤有機碳庫研究，南京：南京師范大學，2004.]

［11］ Setia R，Smith P，Marschner P，et al. Introducing a decomposition rate modifier in the rothamsted carbon model to predict soil organic carbon stocks in saline soils. Environmental Science & Technology，2011，45（15）：6396—6403.

［12］ Liu F，Rossiter D G，Song X D，et al. A similarity-based method for three-dimensional prediction of soil organic matter concentration. Geoderma，2016，263：254—263.

［13］ Wang S H，Shi X Z，Zhao Y C，et al. Regional simulation of soil organic carbon dynamics for dry farmland in east china by coupling a 1：500 000 soil database with the century model. Pedosphere，2011，21（3）：277—287.

［14］ Zhang C S，Tang Y，Xu X L，et al. Towards spatial geochemical modelling：Use of geographically weighted regression for mapping soil organic carbon contents in ireland. Applied Geochemistry，2011，26（7）：1239—1248.

［15］ Kumar S. Estimating spatial distribution of soil organic carbon for the midwestern united states using historical database. Chemosphere，2015，127：49—57.

［16］ Zhao Y C，Shi X Z，Yu D S，et al. Different methods for prediction of spatial patterns of soil organic carbon density in HeBei province，China. Acta Pedologica Sinica，2005，42（3）：379—385. [趙永存，史學正，于東升，等. 不同方法預測河北省土壤有機碳密度空間分布特征的研究. 土壤學報，2005，42（3）：379—385.]

［17］ Watt M S，Palmer D J. Use of regression kriging to develop a carbon：Nitrogen ratio surface for new zealand. Geoderma，2012，183：49—57.

［18］ Brunsdon C，Fotheringham S，Charlton M. Geographically weighted regression - modelling spatial non-stationarity. Journal of the Royal Statistical Society Series D-the Statistician，1998，47：431—443.

［19］ Scull P. A top-down approach to the state factor paradigm for use in macroscale soil analysis. Annals of the Association of American Geographers，2010，100（1）：1—12.

［20］ 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. Mathematical Geosciences，2010，42（6）：657—680.

［21］ Liu Y，Guo L，Jiang Q，et al. Comparing geospatial techniques to predict soc stocks. Soil & Tillage Research，2015，148：46—58.

［22］ Zhao Y C，Xu X H，Hai N，et al. Uncertainty assessment for mapping changes in soil organic matter using sparse legacy soil data and dense new-measured data in a typical black soil region of china. Environmental Earth Sciences，2015，73（1）：197—207.

［23］ Yang S H. Study on the regional distribution of soil organic matter based on spatial regression model.Wuhan：Huazhong Agricultural University，2016. [楊順華. 基于空間回歸模型的土壤有機質區(qū)域分布特征研究，武漢：華中農業(yè)大學，2016.]

［24］ Yang S H，Zhang H T，Guo L，et al. Spatial interpolation of soil organic matter using regression Kriging and geographically weighted regression Kriging. Chinese Journal of Applied Ecology，2015，26（6）：1649—1656. [楊順華，張海濤，郭龍，等. 基于回歸和地理加權回歸kriging的土壤有機質空間插值.應用生態(tài)學報，2015，26（6）：1649—1656.]

［25］ Zhang G P，Guo P T，Wang Z Y，et al. Prediction of spatial distribution of soil nutrients in farmland in purple soil hilly region. Transactions of the CSAE，2013，29（6）：113—120. [張國平，郭澎濤，王正銀，等. 紫色土丘陵地區(qū)農田土壤養(yǎng)分空間分布預測. 農業(yè)工程學報，2013，29（6）：113—120.]

［26］ Jiang Y F，Sun K，Guo X，et al. Prediction of spatial distribution of soil properties based on environmental factors and neighboring information. Research of Environmental Sciences，2017，30（7）：1059—1068. [江葉楓，孫凱，郭熙，等. 基于環(huán)境因子和鄰近信息的土壤屬性空間分布預測. 環(huán)境科學研究，2017，30（7）：1059—1068.]

［27］ Kumar S，Lal R，Liu D. A geographically weighted regression kriging approach for mapping soil organic carbon stock. Geofisica Internacional，2012，189—190（6）：627—634.

［28］ Cambardella C A. Field-scale variability of soil properties in central iowa soils. Soilence Society of America Journal，1994，58（5）：1501—1511.

［29］ Li L，Yao Y F，Qin F C，et al. Analysis of factors affecting soil organic carbon density based on geographically weighted regression model. Science & Technology Review，2016，34（2）：247—254. [李龍，姚云峰，秦富倉，等. 基于地理加權回歸模型的土壤有機碳密度影響因子分析. 科技導報，2016，34（2）：247—254.]

［30］ Jarvis P，Rey A，Petsikos C，et al. Drying and wetting of mediterranean soils stimulates decomposition and carbon dioxide emission：The“birch effect”. Tree Physiology，2007，27（7）：929—940

［31］ Trumbore S E，Chadwick O A，Amundson R. Rapid exchange between soil carbon and atmospheric carbon dioxide driven by temperature change. Science，1996，272（5260）：393—396.

［32］ Liu F，Zhang G L，Sun Y J，et al. Mapping the three-dimensional distribution of soil organic matter across a subtropical hilly landscape. Soil Science Society of America Journal，2013，77（4）：1241—1253.

［33］ Lian G，Guo X D，Fu B J，et al. Prediction of the spatial distribution of soil properties based on environmental correlation and geostatistics. Transactions of the Chinese Society of Agricultural Engineering，2009，25（7）：237—242. [連綱，郭旭東，傅伯杰，等. 基于環(huán)境相關法和地統計學的土壤屬性空間分布預測. 農業(yè)工程學報，2009，25（7）：237—242.]

［34］ Bennie J，Huntley B，Wiltshire A，et al. Slope，aspect and climate：Spatially explicit and implicit models of topographic microclimate in chalk grassland. Ecological Modelling，2008，216（1）：47—59.

［35］ Wang L，Wang Q，Wei S，et al. Soil desiccation for loess soils on natural and regrown areas. Forest Ecology & Management，2008，255（7）：2467—2477.

［36］Wang K，Zhang C R，Li W D，et al. Mapping soil organic matter with limited sample data using geographically weighted regression. Surveyor，2014，59（1）：91—106.

［37］ Li Q Q，Yue T X，Fan Z M，et al. Study on method for spatial simulation of topsoil SOM at national scale in China. Journal of Natural Resources，2010，25（8）：1385—1399. [李啟權，岳天祥，范澤孟，等. 中國表層土壤有機質空間分布模擬分析方法研究. 自然資源學報，2010，25（8）：1385—1399.]

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

［39］ Du P Y，Zhang H T，Guo L，et al. Variation of Soil Organic Matter in Transition Zones and Its Influencing Factors. Acta Pedologica Sinica，2018，55（5）：1286—1295. [杜佩穎，張海濤，郭龍，等. 平原丘陵過渡區(qū)土壤有機質空間變異及其影響因素. 土壤學報，2018，55（5）：1286—1295.]

Characterization of Spatial Distribution of Soil Organic Carbon in China Based on Environmental Variables

LUO Mei, GUO Long?,ZHANG Haitao, WANG Shanqin, LIANG Pan

(College of Resource and Environment, Huazhong Agricultural University, Wuhan 430070, China)

Soil organic carbon content in China and its variation plays a very important role in the global carbon cycle and variation of atmospheric carbon dioxide concentration. The processes of soil formation, development and erosion are subject to impacts of the complex and volatile environmental factors in the surroundings of the soil, so soil organic carbon is of strong spatial variability and dependence.Based on the data of soil organic carbon contents in the surface layers of 2 473 soil profiles collected during the Second National Soil Survey, this paper explored influences of factors, like topography, vegetation and climate on spatial distribution of soil organic carbon; With the ordinary Kriging method as control, geographically weighted regression, geographically weighted regression Kriging, multiple linear regression and regression Kriging were used separately to modeling for spatial prediction of soil organic carbon; indices, like mean absolute estimation error (MAE), mean relative error (MRE), root mean square error (RMSE) and Pearson correlation coefficient(r)were used to evaluate performance of these models; and soil organic carbon spatial distribution prediction maps were drawn separately.Results show: (1) Soil organic carbon varied in the range from 1.62 g·kg–1to 223.88 g·kg–1in content and averaged to be 22.28 g·kg–1in the country. Its variation coefficient reached 96.10%, which indicates that organic carbon in the soil varies very sharply in range, and is of strong spatial heterogeneity; (2) Soil organic carbon content was significantly related to annual mean precipitation, ≥10℃annual accumulated temperature, elevation, slope, aspect, normalized difference vegetation index, annual average temperature, topographic wetness index, topographic position index and topographic roughness index. Among them, slope, elevation, aspect, topographic roughness index, annual average precipitation and normalized vegetation index were positively related, while topographic position index, topographic wetness index, annual average temperature and ≥10℃accumulated temperature were negatively related; (3) Multiple linear regression coefficients might reflect influences of the environmental variables on soil organic carbon globally, whereas the geographically weighted regression coefficient map might do clearly those of different environmental variables on soil organic carbon in different geographical locations; (4) The mean absolute estimation error, root mean square error, mean relative error and Pearson correlation coefficient of the model were used as model validation indices and indicated that the geographically weighted regression is higher than the other models in prediction accuracy, and hence can be used to plot soil organic carbon spatial distribution characteristics maps of large scales areas; and (5) Areas relatively high in soil organic carbon content were mainly distributed in the northeast and southwest of the studied region, and patches in the southeast, while areas relatively low were in the northwest.The geographically weighted regression is higher than the ordinary Kriging, multiple linear regression, regression Kriging and geographically weighted regression Kriging in prediction accuracy. In this paper, efforts have been made to explore correlations between soil properties and environmental variables on large scales in an attempt to provide certain solutions and ideas for soil properties spatial mapping.

Soil organic carbon; Environmental variable; Geographically weighted regression; Multiple linear regression

S159.2

A

10.11766/trxb201812110454

羅梅，郭龍，張海濤，汪善勤，梁攀. 基于環(huán)境變量的中國土壤有機碳空間分布特征[J]. 土壤學報，2020，57（1）：48–59.

LUO Mei，GUO Long，ZHANG Haitao，WANG Shanqin，LIANG Pan. Characterization of Spatial Distribution of Soil Organic Carbon in China Based on Environmental Variables[J]. Acta Pedologica Sinica，2020，57（1）：48–59.

* 湖北省自然科學基金項目（2018CFB372）、中國科學院水生植物與流域生態(tài)重點實驗室開放課題（Y852721s04）和國家自然科學基金項目（41471179）資助Supported by the Hubei Provincial Natural Science Foundation of China（No. 2018CFB372），Open Funding Project of the Key Laboratory of Aquatic Botany and Watershed Ecology，Chinese Academy of Sciences（No. Y852721s04）and the National Natural Science Foundation of China（No. 41471179）

，E-mail：guolong@mail.hzau.edu.cn

羅 梅（1996—），女，重慶永川人，碩士研究生，主要從事數字土壤制圖方面的研究。E-mail：luomei@webmail.hzau.edu.cn

2018–12–11；

2019–03–21；

2019–05–07

（責任編輯：檀滿枝）