蘆倩，趙維俊，黃鑫

（1. 甘肅農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，甘肅 蘭州 730070；2. 甘肅省祁連山水源涵養(yǎng)林研究院，甘肅 張掖 734000；3. 甘肅農(nóng)業(yè)大學(xué)管理學(xué)院，甘肅 蘭州 730070）

土壤在人類生活及各項農(nóng)業(yè)生產(chǎn)活動中發(fā)揮著不可替代的作用，是重要的自然資源。人們通過傳統(tǒng)的土壤調(diào)查認(rèn)識土壤，獲取土壤信息，并且借助常規(guī)繪圖工具完成土壤制圖。這種方法不僅工作周期長，而且耗費(fèi)大量人力，無法保證數(shù)據(jù)時效性，使制圖準(zhǔn)確性受到影響。近年來，隨著信息技術(shù)、地理信息系統(tǒng)及遙感技術(shù)、衛(wèi)星導(dǎo)航定位技術(shù)的快速發(fā)展，數(shù)字土壤制圖逐漸表現(xiàn)出其優(yōu)良的制圖能力。數(shù)字土壤制圖是基于土壤?景觀模型，借助地理信息系統(tǒng)中的空間分析方法和數(shù)學(xué)規(guī)則，模擬出土壤類型和不同屬性在空間上的分布情況［1］。根據(jù)土壤?景觀模型相關(guān)理論及五大成土因素理論，土壤的性質(zhì)與氣候、地形、母質(zhì)、時間、生物等因素密不可分，因此數(shù)字制圖將這些環(huán)境因素作為協(xié)同變量，輔助制作土壤類型圖、土壤性質(zhì)圖等。

數(shù)字土壤制圖研究發(fā)展迅速，基于環(huán)境協(xié)同變量構(gòu)建的土壤類型或土壤性質(zhì)制圖模型層出不窮。諸如神經(jīng)網(wǎng)絡(luò)模型［2-3］、廣義線性模型［4-5］、分類回歸樹模型［6］等。趙明松［7］基于地理加權(quán)回歸方法構(gòu)建土壤有機(jī)質(zhì)空間模型，發(fā)現(xiàn)該模型在大尺度區(qū)域更具優(yōu)勢，并且相較傳統(tǒng)的全局回歸模型，建模結(jié)果精度更高。任麗［8］等選擇隨機(jī)森林模型對蘋果區(qū)土壤有機(jī)質(zhì)含量進(jìn)行預(yù)測，發(fā)現(xiàn)該方法在研究區(qū)適用。楊煜岑［9］等人通過多元線性回歸預(yù)測方法，將研究區(qū)不同的環(huán)境影響因子進(jìn)行篩選建模，最終對土壤養(yǎng)分進(jìn)行了空間預(yù)測，并得到較為理想的結(jié)果。過往的研究也表明神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建結(jié)果不易解釋，不能得到較為理想的結(jié)果。廣義線性模型的使用主要考慮土壤屬性和環(huán)境因子在非正態(tài)分布狀態(tài)下。決策樹的基本思想是分類與回歸。它可以依據(jù)樣本數(shù)據(jù)通過建立分類規(guī)則來構(gòu)建決策樹模型。韓浩武等［10］通過決策樹算法構(gòu)建了土壤?環(huán)境關(guān)系模型，基于模型實現(xiàn)了研究區(qū)的土壤類型預(yù)測，結(jié)果精度較傳統(tǒng)土壤圖有明顯提升。決策樹算法眾多，如ID3，C5.0，CART 等，可提供多種選擇進(jìn)行研究，其分類精度高，可讀性強(qiáng)，而且速度較快。因此被廣泛應(yīng)用在各個領(lǐng)域，如水質(zhì)監(jiān)測［11］、生態(tài)環(huán)境預(yù)測［12-14］、土壤屬性制圖［14-16］等。此外還有支持向量機(jī)、專家知識模型等方法運(yùn)用在數(shù)字土壤制圖中。

研究選擇在祁連山排露溝流域開展。長久以來，該流域土壤調(diào)查工作大多基于傳統(tǒng)的土壤調(diào)查方法，對土壤類型的分布研究多利用地形圖及航片等資料進(jìn)行判讀，制圖方法耗時耗力，制圖精度不高。但土壤類型的研究一方面可以讓人們直觀認(rèn)識其空間分布狀況，另一方面影響著研究區(qū)土地利用、植被恢復(fù)和水土流失等。因此只有明確表達(dá)土壤類型在空間上的分布情況，才能夠有效開展土壤資源的科學(xué)規(guī)劃。本研究在研究區(qū)進(jìn)行野外土壤采樣，利用數(shù)字土壤制圖方法繪制高精度土壤分類圖，打破傳統(tǒng)土壤制圖方法的局限性，保證土壤數(shù)據(jù)的時效性，提高制圖精度?；诟叻直媛蔬b感影像數(shù)據(jù)及研究區(qū)數(shù)字高程模型，提取遙感光譜指數(shù)和地形因子等環(huán)境協(xié)同變量，采用C5.0決策樹算法、CART決策樹算法及支持向量機(jī)方法對研究區(qū)土壤類型分別進(jìn)行高精度數(shù)字土壤制圖，并對制圖結(jié)果進(jìn)行評價對比，旨在探索適用于研究區(qū)的數(shù)字土壤制圖模型，為研究區(qū)土壤調(diào)查提供新的技術(shù)手段，對流域植被恢復(fù)和水源涵養(yǎng)提供空間數(shù)據(jù)支持和科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況和數(shù)據(jù)來源

排露溝流域（N 38°32′～38°33′，E 100°17′～100°18′，）位于祁連山中段西水林區(qū)，海拔在2 600～3 800 m 之間，縱坡比降1∶4.2，流域面積2.71 km2。該區(qū)屬大陸性高寒山地森林草原氣候。根據(jù)祁連山西水生態(tài)站多年統(tǒng)計資料顯示，該流域年均氣溫-0.6～2.0 ℃；年均降水量291.3～453.8 mm，多集中在5～9 月；年均蒸發(fā)量1 081.7 mm；年均日照時數(shù)1 895 h；日輻射總量110.28 kW/m2；年均相對濕度60%［17］。研究中用到的DEM 數(shù)據(jù)來源于國家青藏高原科學(xué)數(shù)據(jù)中心，是從大野口流域1 m 分辨率的DEM裁剪獲得。國產(chǎn)“高分二號（GF-2）”遙感影像數(shù)據(jù)分辨率為1 m，其不僅具有優(yōu)越的空間分辨率，而且定位精度準(zhǔn)確，對于排露溝流域這種小尺度研究區(qū)，選擇高分辨率影像尤為重要。本次研究中遙感影像成像時間為2015年12月3日。

排露溝流域土壤類型主要有山地栗鈣土、山地森林灰褐土和亞高山灌叢草甸土3類。在流域海拔2 700～3 300 m的陰坡和半陰坡區(qū)域，分布著建群種青海云杉，其土壤類型為山地森林灰褐土。草地主要分布在2 700～2 900 m的陽坡和半陽坡，土壤類型為山地栗鈣土。流域高海拔3 300～3 800 m 的土壤類型多為亞高山灌叢草甸土。本次研究對流域內(nèi)不同植被類型下的土壤進(jìn)行采樣。為了力求采樣點(diǎn)分布均勻，并保證采樣的合理性，首先基于研究區(qū)GF-2 數(shù)據(jù)對流域植被采用面向?qū)ο蟮母叻直媛蔬b感影像分類方法進(jìn)行分類。該方法能夠最大程度地基于圖像信息和目標(biāo)劃分地理對象，同時借助于光譜統(tǒng)計特征、圖像形狀、大小、影像紋理、空間關(guān)系等眾多因素，進(jìn)行高精度的對象分類。分類操作在eCogni?tion 8.7軟件中完成，多次試驗后，在影像分割時確定波段權(quán)重全為1，分割尺度為100，形狀指數(shù)0.2，緊致度因子0.5。光譜差異分割進(jìn)一步對相鄰分割對象進(jìn)行光譜特征分析，最終設(shè)定光譜差異最大值為70，有效避免了“過分割”現(xiàn)象。特征參數(shù)選擇歸一化植被指數(shù)NDVI和改進(jìn)后的歸一化水體MNDWI進(jìn)行特征計算，最終借助面向?qū)ο笞钹徑▽⒅脖活愋头譃榍嗪Ｔ粕?、灌叢、草地及裸巖四種類型，如圖1所示。因高海拔地區(qū)地形復(fù)雜，常用的規(guī)則網(wǎng)格采樣法實施起來難度較大，根據(jù)植被空間分布圖和DEM數(shù)據(jù)，借助研究區(qū)《土壤志》等數(shù)據(jù)材料，采用非等間距不規(guī)則網(wǎng)格布點(diǎn)法，在不同高程、坡向上均進(jìn)行了樣點(diǎn)采集，并通過手持GPS記錄了樣點(diǎn)經(jīng)緯度。其中，青海云杉林下共采集45個山地灰褐土類型樣點(diǎn)；草地35個，為山地栗鈣土類型樣點(diǎn)；灌叢33個，為亞高山灌叢草甸土類型樣點(diǎn)，共計113個采樣點(diǎn)，其中80 個用于土壤類型制圖，33 個用于制圖結(jié)果驗證。圖1為樣點(diǎn)分布圖。

圖1 采樣點(diǎn)的空間分布Figure 1 Spatial distribution of sampling points

1.2 傳統(tǒng)土壤類型圖

排露溝流域面積較小，過去的研究中形成了大量的野外土壤調(diào)查文檔數(shù)據(jù)，有關(guān)土壤類型空間制圖的研究較少，因此研究區(qū)沒有形成傳統(tǒng)的土壤類型分布圖。為了便于和后續(xù)研究中基于機(jī)器學(xué)習(xí)產(chǎn)生的土壤類型預(yù)測圖進(jìn)行對比，所以對研究區(qū)野外土壤類型采樣點(diǎn)進(jìn)行空間插值，基于克里金插值方法得到的圖2作為傳統(tǒng)土壤類型圖，將在下文中和其他預(yù)測方法結(jié)果進(jìn)行對比。

圖2 傳統(tǒng)土壤分類Figure 2 Conventional soil map

1.3 環(huán)境協(xié)同變量信息生成

不同的環(huán)境條件造就了各異的土壤屬性。數(shù)字土壤制圖中，影響土壤環(huán)境差異的地理變量可以輔助預(yù)測土壤性質(zhì)的空間變化，這些變量即為環(huán)境協(xié)同變量［1］。母質(zhì)、氣候、生物和地形等因素都能夠作為環(huán)境協(xié)同變量。土壤母質(zhì)信息一般較難獲得，因此研究中用地貌信息代替［1］。由于排露溝流域尺度較小，因此沒有考慮氣候因素，認(rèn)為其影響是均質(zhì)的，研究中主要借助地形因素來體現(xiàn)局域氣候?qū)ν寥腊l(fā)育的影響。生物因素在文中主要通過流域內(nèi)的植被來綜合反映。綜上，本次研究中環(huán)境協(xié)同變量的選擇主要從影響土壤空間變化的強(qiáng)度及信息獲取的難易程度這兩方面考慮。首先，基于排露溝流域DEM 數(shù)據(jù)提取相關(guān)地形要素。包括高程、坡度、坡向、平面曲率、剖面曲率和地形濕度指數(shù)（TWI）。其次，根據(jù)GF-2 裁剪出的研究區(qū)遙感影像，計算遙感光譜指數(shù)。其中遙感光譜指數(shù)中的紋理特征能夠表現(xiàn)研究對象自身的屬性，所以在影像分類中起到關(guān)鍵的作用。環(huán)境協(xié)同變量的具體選取情況見表1。

表1 環(huán)境協(xié)同變量的選取Table 1 Selection of environmental covariates

1.4 基于C5.0算法構(gòu)建決策樹模型

1.4.1 環(huán)境協(xié)同變量篩選 根據(jù)采樣點(diǎn)的空間分布情況，提取各個采樣點(diǎn)上的環(huán)境協(xié)同變量信息，制作樣本集。根據(jù)圖3環(huán)境協(xié)同變量信息發(fā)現(xiàn)，流域內(nèi)高差較大，且坡度坡向變化明顯。平面曲率和剖面曲率也呈現(xiàn)出較大的地表變率，因此流域內(nèi)地表物質(zhì)運(yùn)動過程明顯，從而使土壤性質(zhì)的空間異質(zhì)性顯著［18］。地形濕度指數(shù)反映了土壤水分的空間分布狀態(tài)，距離研究區(qū)水系越近，其值越大。NDVI則表明流域內(nèi)植被覆蓋度較高。在眾多環(huán)境協(xié)同變量中如何篩選出作用顯著的變量還需要繼續(xù)探討。研究中通過逐步回歸方法分析環(huán)境協(xié)同變量的重要性，其分析思路是判定全部變量對土壤類型的貢獻(xiàn)大小，并按貢獻(xiàn)大小順序逐個代入回歸方程，其中作用不顯著的變量有可能被淘汰。為了保證新引入的變量參與判定，每一次進(jìn)入方程計算后都要進(jìn)行F檢驗，這樣不斷判定直到確定出各個變量的重要性。該過程借助Clementine 軟件完成環(huán)境因子篩選，如表2，最終選出高程、均值、地形濕度指數(shù)、二階矩和NDVI5種環(huán)境協(xié)同變量深入挖掘探索。

表2 環(huán)境協(xié)同變量重要性值Table 2 The important value of environmental covariates

圖3 環(huán)境協(xié)同變量篩選Figure 3 Environmental covariates selection

1.4.2 數(shù)據(jù)挖掘 研究選用C5.0算法進(jìn)行決策樹模型構(gòu)建，其構(gòu)建方法可以從單一模型或者Boost模型入手。Boost 模型［19］的最大優(yōu)勢在于建模時能夠?qū)颖具M(jìn)行正確和錯誤的劃分，并且予以賦值，在完成多個模型建立后，根據(jù)加權(quán)投票的結(jié)果，判定出精度最高的模型，而且可以對模型結(jié)果進(jìn)行測試驗證。但是在模型構(gòu)建時，并不能完全使用其形成的規(guī)則，還要對其改進(jìn)，這就需要對決策樹進(jìn)行剪枝修正，再次建模，直到模型可信度達(dá)到70%以上，即可停止建模。本次研究根據(jù)排露溝流域的相關(guān)土壤資料，結(jié)合基于C5.0算法構(gòu)建的決策樹模型，修剪建模規(guī)則，得到如表3的土壤分類推理規(guī)則。根據(jù)該規(guī)則進(jìn)行土壤類型數(shù)字制圖，如圖4-A所示。

表3 推理規(guī)則Table 3 Inferenced rules

圖4 不同制圖方法下排露溝流域的土壤分類Figure 4 Soil classification map of Pailugou watershed with different mapping methods

1.5 基于CART算法構(gòu)建分類決策樹模型

分類決策樹，是以樹形結(jié)構(gòu)對研究對象進(jìn)行分類。在構(gòu)建樹的過程中，需要選擇不同的變量作為構(gòu)建節(jié)點(diǎn)，其中葉節(jié)點(diǎn)用來表示劃分完成的一個類。通過分類決策樹進(jìn)行分類時，首先完成訓(xùn)練集的組成，這其中包括不同變量的屬性和即將分類的類別，然后基于CART 算法建立各個變量之間的規(guī)則，最后確定出變量屬性和類別的關(guān)系，即可完成分類。

CART算法構(gòu)建決策樹模型的核心是進(jìn)行特征選擇和剪枝?；谏鲜鲅芯恐械?5 個環(huán)境協(xié)同變量，通過CART算法選擇最優(yōu)變量組合，并形成決策規(guī)則。通過自變量標(biāo)準(zhǔn)化重要性分析，最終篩選出高程、坡向、信息熵（entroy）3個自變量。CART規(guī)則樹如圖5所示，可以看出，該規(guī)則樹將土壤類型作為根節(jié)點(diǎn)，高程變量將其分為2個子節(jié)點(diǎn)，分別為高程小于等于3 271.05 m和大于3 271.05 m，且在后者劃分出部分亞高山灌叢草甸土。然后又基于坡向?qū)η罢哌M(jìn)一步劃分，在坡向值小于等于121.338°處劃分出部分山地森林灰褐土，并對坡向大于121.338°處再次以坡向值劃分，此時，當(dāng)坡向值小于等于315.443 5°時，得到部分山地栗鈣土。坡向值大于315.443 5°時，根據(jù)影像的信息熵（entroy）進(jìn)行劃分，在該值小于等于1.783時，劃分出部分灰褐土，大于1.783時得到部分栗鈣土。同時在構(gòu)建過程中，為了防止過度擬合，研究中選擇分割樣本驗證方法，隨機(jī)選擇70%作為訓(xùn)練樣本用來構(gòu)建模型，剩余30%則用來檢驗。最終分類結(jié)果如圖4-B所示。

圖5 CART規(guī)則樹Figure 5 CART decision tree

1.6 基于支持向量機(jī)算法構(gòu)建分類模型

支持向量機(jī)（Support Vector Machine，SVM）是一種機(jī)器學(xué)習(xí)算法。SVM支持線性可分，即在二維空間上，2類點(diǎn)可以被一條直線完全分開，從二維擴(kuò)展到多維空間，SVM 力求尋找能夠把2類樣本分開的最大間隔，即最優(yōu)超平面，這時兩類樣本被劃分至該超平面兩側(cè)，即便距離超平面最近的兩側(cè)樣本點(diǎn)也被距離最大化。SVM可以通過核函數(shù)進(jìn)行分類，本次研究選擇了核函數(shù)中的徑向基方法，該方法中參數(shù)眾多，其中懲罰因子C，在理論上表現(xiàn)出模型的精度隨著C 值的增大而提高，但是也不能使該值過大，否則易造成模型的過度擬合，導(dǎo)致模型性能降低。支持向量機(jī)算法中參數(shù)的確定需要經(jīng)過多次遍歷優(yōu)化后方可獲得，研究中經(jīng)過多次試驗，最終獲取的最優(yōu)參數(shù)組合中，C值取值15。建模結(jié)果如圖4-C所示。

2 結(jié)果與分析

2.1 制圖結(jié)果與分析

通過圖4可以看出，不同制圖方法下，在流域海拔3 300～3 700 m的亞高山地帶，土壤類型主要是亞高山灌叢草甸土。在流域海拔2 600～3 300 m 的陰坡區(qū)域，土壤類型多為山地森林灰褐土。在流域海拔2 700～3 000 m 的陽坡區(qū)域，分類結(jié)果存在差異：圖4-A 中該區(qū)域土壤類型主要以山地栗鈣土居多，伴隨少量山地森林灰褐土；圖4-B 中該區(qū)域則主要是山地栗鈣土；圖4-C 中該區(qū)域分布有山地栗鈣土和亞高山灌叢草甸土。

2.2 精度評價

本次研究通過均勻采樣選擇的33 個野外采樣點(diǎn)對不同制圖方法下的土壤圖進(jìn)行精度評價，結(jié)果（表4）表明基于C5.0決策樹制圖結(jié)果精度明顯高于采樣點(diǎn)插值的結(jié)果。為進(jìn)一步驗證3種機(jī)器算法的制圖結(jié)果，通過混淆矩陣計算得到的Kappa系數(shù)、生成精度和用戶精度實現(xiàn)，結(jié)果如表5所示。由精度評價結(jié)果可以看出，C5.0 決策樹分類方法總體精度為89%，Kappa 系數(shù)為0.83；CART 決策樹分類方法總體精度為83%，Kappa系數(shù)為0.78；支持向量機(jī)分類方法總體精度為57%，Kappa 系數(shù)為0.52。由此可見，C5.0和CART 決策樹分類方法得到的土壤分類結(jié)果較為滿意，而支持向量機(jī)方法分類結(jié)果較差。

表4 不同制圖方法下驗證點(diǎn)精度比較Table 4 Comparison of the validation point accuracy among different mapping methods

表5 精度評價Table 5 Accuracy evaluation

對比3種不同方法的精度評價結(jié)果，從整體上來看，3種方法下各土壤類型的空間分布具有明確的相似性，C5.0決策樹的分類結(jié)果較CART 決策樹結(jié)果的圖斑數(shù)量更多，圖上細(xì)節(jié)也更為清晰。盡管支持向量機(jī)分類結(jié)果圖斑數(shù)增多，但是分類結(jié)果較差，在流域陽坡地帶出現(xiàn)了較多的亞高山灌叢草甸土，和傳統(tǒng)土地調(diào)查的結(jié)果有一定出入。生產(chǎn)精度方面，C5.0 算法和CART 算法分類結(jié)果中，3 種土壤類型的精度均比較高，支持向量機(jī)分類精度較低。用戶精度方面，支持向量機(jī)分類精度較差。綜上，3種方法都基于高清遙感影像獲取的環(huán)境協(xié)同變量進(jìn)行土壤?景觀模型構(gòu)建，并借助構(gòu)建的模型對推理預(yù)測土壤類型的空間分布狀態(tài)，但由于選取的數(shù)據(jù)挖掘算法不同，提取的環(huán)境協(xié)同變量也存在一定的差異，因此得到了不同的制圖輸出。通過精度評價，基于C5.0算法構(gòu)建的決策樹模型應(yīng)用在排露溝流域的土壤分類圖結(jié)果最佳。

3 討論

數(shù)字土壤制圖通常要經(jīng)過選擇環(huán)境變量、采集樣點(diǎn)、構(gòu)建模型及驗證評價4個步驟。環(huán)境變量的選擇要能夠充分表達(dá)土壤的空間變化并且易于獲取。Scull、Razakamanarivo、Sarkar［20-22］等人均采用了地形因子或土地利用信息作為環(huán)境變量來對土壤相關(guān)性質(zhì)做空間預(yù)測。本次研究從地形因子和遙感光譜指數(shù)兩方面入手，共選取高程、坡度、坡向及影像紋理特征等15個變量作為環(huán)境協(xié)同因子分析建模。建模過程中對變量重要性進(jìn)行了分析，盡管引入了遙感光譜指數(shù)，但在最終選取的變量中遙感光譜指數(shù)參與度不如地形因子，在未來的研究中可以考慮將土壤理化性質(zhì)作為環(huán)境協(xié)同變量參與制圖。

本次研究中，土壤采樣點(diǎn)的選擇盡可能保證均勻分布在流域各個位置，但是受到流域地形的客觀條件限制，采樣點(diǎn)的典型性和一般性還有待繼續(xù)探索。

研究中模型的選擇主要考慮的是基于機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘的方法。這種方法主要探討土壤類型和環(huán)境因子的關(guān)系，并建立相應(yīng)的規(guī)則預(yù)測空間分布狀況［23-27］。由于研究區(qū)面積較小，學(xué)者對土壤類型的分類研究大多基于傳統(tǒng)野外調(diào)查數(shù)據(jù)［28-30］，較少分析流域土壤類型的空間分布。本文比較了3種不同的基于機(jī)器學(xué)習(xí)的土壤類型空間制圖方法，發(fā)現(xiàn)C5.0 算法對土壤類型的預(yù)測精度更高，更準(zhǔn)確地表現(xiàn)了土壤類型與各環(huán)境協(xié)同變量間的關(guān)系，清晰直觀地反映了流域土壤的空間分布狀況，后續(xù)研究還可以探索其他數(shù)字制圖方法，討論流域土壤類型的多樣性，為流域在植被恢復(fù)、水源涵養(yǎng)等方面的研究提供空間數(shù)據(jù)支持。

4 結(jié)論

本文基于決策樹C5.0算法、CART 決策樹算法及支持向量機(jī)方法分別構(gòu)建土壤分類模型，并將其應(yīng)用在祁連山排露溝流域。得到結(jié)論是，對比3種土壤類型分類方法，C5.0 決策樹模型表現(xiàn)出較好的分類精度，總體精度和Kappa 系數(shù)均高于其他兩種方法。本文在提取地形因子作為地理協(xié)同變量的同時，加入了遙感光譜指數(shù)共同參與模型構(gòu)建，其中C5.0 決策樹運(yùn)用了比CART 決策樹更多的遙感光譜指數(shù)，在一定程度上提升了制圖精度。研究中基于C5.0算法構(gòu)建的決策樹模型，獲取了明確的土壤—環(huán)境關(guān)系規(guī)則，該規(guī)則能夠清晰表達(dá)排露溝流域各土壤類型的發(fā)育環(huán)境，增強(qiáng)了C5.0算法在研究區(qū)的可用性，提升了數(shù)字土壤制圖的精度。在小尺度研究區(qū)，高空間分辨率的遙感數(shù)據(jù)更有利于獲取與土壤空間變化相關(guān)的環(huán)境協(xié)同變量，對未來土壤普查工作的精細(xì)化提供一定的科學(xué)參考。