孫冬曉 楊 旗 趙正勇 丁曉綱 朱航勇 李瑩瑩

（1.廣西大學(xué),廣西 南寧 530004；2.廣東省森林培育與保護(hù)利用重點(diǎn)實(shí)驗(yàn)室/廣東省林業(yè)科學(xué)研究院,廣東 廣州 510520）

土壤養(yǎng)分是土壤肥力的重要組成部分，主要包括有機(jī)質(zhì)（SOM）、全氮（TN）、全磷（TP）、全鉀（TK）、堿解氮（AN）、有效磷（AP）、速效鉀（AK），對植物生長具有重要的作用，也是衡量土壤質(zhì)量好壞的重要指標(biāo)[1-3]。了解土壤養(yǎng)分垂直方向上各土層的空間分布狀況，可為土壤養(yǎng)分管理、生態(tài)環(huán)境保護(hù)和治理提供依據(jù)[4]，為地下生態(tài)系統(tǒng)如微生物群落研究、土壤剖面深度對土壤生態(tài)系統(tǒng)結(jié)構(gòu)、功能與過程的影響等研究提供基礎(chǔ)材料[5]。

傳統(tǒng)上，通過野外樣點(diǎn)調(diào)查的方法來了解土壤養(yǎng)分空間分布，需要系統(tǒng)地或隨機(jī)地采集大量土壤樣品，不僅耗費(fèi)人力物力，而且需借助空間插值法才能生產(chǎn)空間分布圖。大量研究對空間插值法進(jìn)行了不斷優(yōu)化，使得預(yù)測精度逐漸提高，比如普通克里金、協(xié)同克里金、回歸克里金等方法[6-9]，但精度的高低仍然受樣點(diǎn)密度大小的限制。經(jīng)驗(yàn)?zāi)Ｐ偷姆椒軌蚶糜邢薜臉狱c(diǎn)估算土壤養(yǎng)分的空間分布，如地統(tǒng)計(jì)學(xué)方法、多元線性回歸方法、多元回歸樹等方法[7,10]，但需要提前假定土壤養(yǎng)分與預(yù)測因子之間存在某種固定的關(guān)系，而實(shí)際上兩者之間關(guān)系極其復(fù)雜且非線性[11-13]。為了解決該問題，人工神經(jīng)網(wǎng)絡(luò)模型逐漸發(fā)展起來，不需要提前預(yù)設(shè)輸入與輸出之間的關(guān)系，克服了假設(shè)條件對模型預(yù)測精度的干擾[14-17]，但大多數(shù)研究是將ANN 模型的預(yù)測能力與其它經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行對比與評價(jià)，而在模型輸入?yún)?shù)的選擇上缺乏系統(tǒng)性研究。另外，目前大多數(shù)研究僅基于表層土壤[6-7，14-18]，而深層次的空間分布狀況還不夠清楚。

基于上述兩個(gè)問題，本次研究建立新的能夠預(yù)測土壤養(yǎng)分各指標(biāo)含量分5 層（D1：0-20 cm、D2:20-40 cm、D3:40-60 cm、D4:60-80 cm、D5:80-100 cm）空間分布狀況的ANN 模型，并著重從模型輸入?yún)?shù)入手，篩選預(yù)測能力較強(qiáng)的最優(yōu)輸入變量組合，從而為以后研究土壤養(yǎng)分建模的模型輸入部分提供直接的選擇依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

云浮市位于廣東省中西部，22°22′～23°19′ N 和111°03′～112°31′ E 范圍內(nèi)，總面積為7 785 km2，其中5 915 km2是林地。氣候條件處于亞熱帶季風(fēng)區(qū)，夏季高溫多雨，冬季溫和少雨[19]。年平均溫度、降水量、光照時(shí)長分別為22.4℃、1 899.8 mm 和1 684.6 h[20]。地勢西南高東北低，主要地貌為丘陵，面積占30.7%。云浮樹種以杉木Cunninghamia lanceolata、相思、桉樹、馬尾松Pinus massoniana為主，經(jīng)濟(jì)樹種以毛竹Phyllostachys heterocycla、油茶Camellia oleifera居多。在氣候、地形和植被的共同作用下，云浮市土壤類型主要為紅壤、赤紅壤，占整個(gè)土壤面積的86%[21]，是中國南方森林紅壤區(qū)域的代表。

1.2 數(shù)據(jù)來源及預(yù)處理

1.2.1 土壤樣點(diǎn) 本研究所采用的385 個(gè)森林土壤樣點(diǎn)數(shù)據(jù)，來源于廣東省林業(yè)科學(xué)研究院2015 年開始的森林土壤樣點(diǎn)調(diào)查項(xiàng)目[20]。布點(diǎn)方法將隨機(jī)布點(diǎn)與專題布點(diǎn)相結(jié)合，使得樣點(diǎn)分布不僅隨機(jī)均勻而且能夠充分代表不同地形地貌水文植被狀況下的土壤養(yǎng)分狀況。取土樣時(shí)在每個(gè)布設(shè)樣點(diǎn)處挖深1 m 的剖面，并分5 層由下往上逐層取樣。土樣經(jīng)自然風(fēng)干后，磨碎過篩，采用常規(guī)方法測定土壤養(yǎng)分各指標(biāo)含量，見表1。

表1 土壤養(yǎng)分各指標(biāo)測定方法Table 1 Determination method of soil nutrient indexes

1.2.2 粗分辨率的土壤養(yǎng)分圖 粗分辨率的土壤養(yǎng)分圖，包括粗分辨率的SOM、TN、TP、TK、AN、AP 和AK 圖(CSOM、CTN、CTP、CTK、CAN、CAP、CAK)，能夠粗略反應(yīng)大尺度區(qū)域內(nèi)土壤養(yǎng)分含量的空間分布狀況，代表一定范圍內(nèi)土壤養(yǎng)分的平均值[22-23]。因此本研究采用粗分辨率土壤養(yǎng)分圖作為建模的基礎(chǔ)必要輸入數(shù)據(jù)，該圖摘自廣東省土壤調(diào)查隊(duì)編制的1 ∶2 800 000 萬比例尺的廣東省土壤地圖集，且已通過ArcGIS 轉(zhuǎn)化成為電子地圖集[21]。

1.2.3 DEM 衍生的地形水文數(shù)據(jù) 在小尺度上,DEM 衍生的地形水文數(shù)據(jù)能夠?qū)植康耐寥鲤B(yǎng)分空間變異進(jìn)行詳細(xì)反應(yīng)[11，14-15]。因此本研究采DEM 衍生的9 個(gè)地形水文參數(shù)作為模型輸入的候選參數(shù)，包括：坡度（Slope）、坡向（Aspect）、地形位置指數(shù)（TPI）、垂直坡位（VSP）土壤地形因素（STF）5 個(gè)地形參數(shù)和泥沙輸移比（SDR）、水流長度（FL）、水流流向（FD）、潛在太陽輻射（PSR）4 個(gè)水文參數(shù)作為建模的備選輸入變量,如表2。所采用的DEM 數(shù)據(jù)，空間分辨率為10 m，利用ArcGIS 中的空間分析工具處理獲得。

表2 模型輸入備選參數(shù)Table 2 Candidate parameters for model inputs

1.3 研究方法

1.3.1 人工神經(jīng)網(wǎng)絡(luò)模型建立 本研究建立了人工神經(jīng)網(wǎng)絡(luò)的黑箱模型去預(yù)測土壤養(yǎng)分各土層含量的空間分布狀況，采用Levenberg-Marquardt 算法訓(xùn)練該模型，其中輸出層包含一個(gè)節(jié)點(diǎn)：分別為預(yù)測得到的各土層SOM、TN、TP、TK、AN、AP 和AK 的含量；隱藏層的節(jié)點(diǎn)數(shù)目為2～10 個(gè)；輸入層由一個(gè)基礎(chǔ)必選輸入數(shù)據(jù)（即粗分辨率的土壤養(yǎng)分圖）和DEM 衍生的9 個(gè)候選地形水文參數(shù)組成，且粗分辨率的SOM、TN、TP、TK、AN、AP 和AK 圖，分別在建立各自指標(biāo)預(yù)測模型時(shí)作為必選的模型輸入?yún)?shù)。

1.3.3 ANN 模型精度評估 本研究所采用的模型精度評估指標(biāo)包括：均方差（RMSE）[24]、決定系數(shù)（R2）、相對整體精度（ROA±20%）。優(yōu)選的模型輸入組合表現(xiàn)為ROA±20%和R2值相對較高，RMSE 值相對較低。

2 結(jié)果與分析

2.1 各土層構(gòu)建的ANN 模型

本次研究所構(gòu)建預(yù)測土壤養(yǎng)分的ANN 模型精度如圖1，隨著模型輸入組合參數(shù)的增加而逐漸提高，然后趨于穩(wěn)定甚至略有下降。

整體分析所構(gòu)建的ANN 模型對土壤養(yǎng)分預(yù)測能力，差異較大，如表3。其中對AN 的預(yù)測能力最強(qiáng)，D1 至D5 層ROA±20%范圍達(dá)到0.81～0.90；其次是TK，ROA±20%達(dá)到0.69～0.72；SOM、AK、TP 的預(yù)測能力相當(dāng)，ROA±20%分別在0.60～0.67，0.58～0.65，0.55-0.72 之間，其中僅有對D4 層TP 預(yù)測精度達(dá)到0.72，其他均在0.55～0.67 范圍內(nèi)。預(yù)測能力相對較低的是TN 和AP，ROA±20%分別在0.37～0.46 和0.32～0.42 范圍內(nèi)。

從對土壤養(yǎng)分不同土層預(yù)測能力來看，如圖1，土壤養(yǎng)分各指標(biāo)整體上D1、D2、D3 層的預(yù)測能力高于D4、D5 層，但TP 的D5 層預(yù)測能力卻超過D1、D2 層，TK 的D4、D5 層的預(yù)測能力均超過前3 層，可能是TP、TK 在深層次的土壤中比較穩(wěn)定，有利于模型的擬合。另外，對TN、AN 不同土層之間的預(yù)測能力區(qū)分度較明顯。

圖1 不同參數(shù)組合構(gòu)建的ANN 模型精度ROA±20%變化Fig. 1 Accuracy (ROA±20%) change of ANN model constructed by combinations of different parameters

表3 各土層土壤養(yǎng)分預(yù)測模型精度及模型輸入?yún)?shù)最優(yōu)組合Table 3 Prediction accuracy of models and optimal combination of model input parameters of soil nutrients in each soil layer

2.2 模型輸入?yún)?shù)組合的篩選

本次研究所篩選出的土壤養(yǎng)分預(yù)測模型最優(yōu)輸入組合，整體分析D1 至D5 層，如表3，TPI 對土壤養(yǎng)分預(yù)測能力最強(qiáng)，在土壤養(yǎng)分各土層所篩選出的最優(yōu)輸入組合中出現(xiàn)次數(shù)最多，30 次；SDR，Slope，Aspect 預(yù)測能力次之，分別出現(xiàn)26，25，25 次；FL 和PSR 預(yù)測能力一般，分別出現(xiàn)19 和18 次；FD、STF、VSP 的預(yù)測能力相對較差，分別出現(xiàn)14、14、13 次。

從土壤養(yǎng)分不同指標(biāo)間分析，篩選出的最優(yōu)組合間存在差異。其中，預(yù)測SOM 的最優(yōu)組合中，TPI和Aspect 在D1 至D5 層均出現(xiàn)，Slope 和SDR 出現(xiàn)4 次，VSP 出現(xiàn)3 次；預(yù)測TN 的最優(yōu)輸入組合中，F(xiàn)D、Aspect、TPI 出現(xiàn)4 次，VSP 和Slope 均出現(xiàn)0 次；對于TP 的最優(yōu)輸入，SDR 在D1 至D5 中全部出現(xiàn)，Slope 和FL 出現(xiàn)4 次，PSR 出現(xiàn)3 次，VSP 出現(xiàn)0 次；對于TK 的最優(yōu)模型輸入比較穩(wěn)定，Slope、SDR、TPI、PSR 均出現(xiàn)5 次，F(xiàn)L 出現(xiàn)3 次，STF 出現(xiàn)0 次；對于AN，TPI 和Slope 出現(xiàn)5 次，Aspect和FL 出現(xiàn)4 次，STF、PSR 均出現(xiàn)3 次；AP 中，TPI 出現(xiàn)5 次，VSP、Aspect、SDR、STF 均出現(xiàn)4 次，Slope 和FL 出現(xiàn)3 次；AK 中，SDR 出現(xiàn)5 次，Slope、TPI、Aspect、VSP、FD 出現(xiàn)4 次。其余的情況僅出現(xiàn)1 次或2 次。

2.3 最優(yōu)輸入組合模型生產(chǎn)空間分布圖

利用篩選獲得的最優(yōu)輸入組合模型預(yù)測生產(chǎn)土壤養(yǎng)分的空間分布圖，以AN 為例，如圖2。預(yù)測值與實(shí)測值對比分析顯示，如表4 所示，就平均值和標(biāo)準(zhǔn)差整體分析，兩者基本一致，有略微的偏差。這是在布點(diǎn)取樣時(shí)，對天然林地調(diào)查難度大引起的，模型預(yù)測更能全面詳細(xì)反映土壤養(yǎng)分的空間變化。

圖2 最優(yōu)模型組合預(yù)測云浮森林土壤養(yǎng)分空間分布圖（以AN 為例）Fig. 2 Spatial distribution maps of AN in different soil layers predicted by the optimal model in Yunfu forest

表4 不同土層土壤養(yǎng)分預(yù)測值與實(shí)測值對比Table 4 Comparison between predicted and measured values of soil nutrient in different soil layers

3 結(jié)論與討論

3.1 本次研究篩選獲得的最優(yōu)模型輸入組合參數(shù)和生產(chǎn)的土壤養(yǎng)分空間分布圖共同顯示，整個(gè)土壤層中土壤養(yǎng)分SOM 和AN 均受Slope 和TPI 的影響較大，在Slope 大TPI 為山脊、上坡位時(shí)，SOM、AN 含量高，主要是由于在坡度大的山脊、上坡位地區(qū)，人類干擾少，土壤動物及土壤微生物活躍，使得SOM、AN 容易積累，與舒建英等[25]在江西省紅壤區(qū)森林土壤的研究結(jié)果一致。整個(gè)土壤層中土壤養(yǎng)分TN 受FD 和Aspect 的影響較大，兩者一致顯示，在北、西北、西方向時(shí)，TN 含量高，在東北、東、東南方向時(shí)，TN 含量低，主要是由于云浮市位于亞熱帶季風(fēng)性氣候區(qū),雨熱同期,全年風(fēng)向以東北風(fēng)為主,使得陽坡的徑流量較大,土壤侵蝕作用更明顯,從而導(dǎo)致陽坡土壤全氮更容易流失[24]，與陳涵兮等[26]的研究結(jié)果土壤全氮水平呈陰坡＞陽坡一致。整個(gè)土壤層中土壤養(yǎng)分TP、TK、AP 均受SDR 的影響較大，主要是由于3 種養(yǎng)分易溶于水，可隨水流在土壤中發(fā)生淋溶作用的緣故[26-27]，在SDR 值較小時(shí)，水流引起的泥沙輸移比率小，養(yǎng)分不易損失，含量高。整個(gè)土壤層中土壤養(yǎng)分AK 受Slope、SDR 和VSP 的影響較大，在Slope 和VSP 值大且SDR 值小時(shí)，AK 含量高，表明研究區(qū)在坡度大、垂直坡位大時(shí)，人類活動少，在此基礎(chǔ)上，SDR 小的水土流失不嚴(yán)重的地區(qū)，AK 容易積累，使得在這些區(qū)域AK 含量高。由此可以看出，人類活動及水土流失是引起土壤養(yǎng)分空間異質(zhì)性的主要原因。

3.2 所構(gòu)建的預(yù)測不同土層土壤養(yǎng)分的ANN 模型中，SOM、TP、TK、AN、AK 的模型預(yù)測準(zhǔn)確性較高，對AP、TN 的預(yù)測精度相對較低，可能是AP、TN 兩種土壤養(yǎng)分對本次研究中所采用的9 種地形水文參數(shù)的敏感性不強(qiáng)，需要進(jìn)一步研究其他能更大程度影響AP、TN 預(yù)測能力的模型輸入?yún)?shù)及組合。盡管預(yù)測TN、AP 的ANN 模型預(yù)測精度低于其他土壤養(yǎng)分指標(biāo)，但模型生產(chǎn)的空間分布圖卻在一定允許誤差范圍內(nèi)，相對準(zhǔn)確，其中TN 含量在D1 土壤層中的預(yù)測值為1.79 g/kg，與劉潘偉[28]在中國南方紅壤區(qū)森林表層0-20 cm 土壤研究獲得TN 平均值為1.63 g/kg 的結(jié)果基本一致。研究區(qū)AP 的實(shí)測值與預(yù)測值的平均值均顯示，AP 含量較低，同時(shí)與李小川等[20]對廣東省云浮市羅定市土壤速效磷含量測定的平均值2.23 mg/kg 接近。

因此，本次研究所篩選出的模型輸入?yún)?shù)最優(yōu)組合，數(shù)據(jù)容易獲取，可在相似的研究區(qū)推廣應(yīng)用，為以后土壤養(yǎng)分相關(guān)研究提供理論參考。同時(shí)，模型預(yù)測生產(chǎn)的土壤養(yǎng)分垂直分布地圖與粗分辨率的地圖相比，空間分辨率變大，擁有更詳細(xì)的土壤養(yǎng)分空間變化信息，能為精準(zhǔn)林業(yè)合理施肥提供基礎(chǔ)數(shù)據(jù)。