1、陈宣强,赵明松,卢宏亮,等.基于 3 种地理加权回归方法的安徽省土壤 pH 空间预测制图对比研究 J.地理科学,2023,43(1):173-183.Chen Xuanqiang,Zhao Ming-song,Lu Hongliang et al.Comparison and analysis of spatial prediction and spatial variability of soil pH in Anhui Province based on three kinds of geographicallyweighted regression.Scientia Geographic
2、a Sinica,2023,43(1):173-183.doi:10.13249/ki.sgs.2023.01.018基于 3 种地理加权回归方法的安徽省土壤 pH 空间预测制图对比研究陈宣强1,2,3，赵明松1,2,3，卢宏亮1，徐少杰1，邱士其1，胡克宏1（1.安徽理工大学空间信息与测绘工程学院，安徽 淮南 232001；2.矿山采动灾害空天地协同监测与预警安徽省教育厅重点实验室，安徽 淮南 232001；3.矿区环境与灾害协同监测煤炭行业工程研究中心，安徽 淮南 232001）摘要摘要：基于安徽省 140 个采样点的土壤 pH 数据，综合考虑土壤、地形、气候、生物等因子对土壤 pH 的影
3、响，采用地理加权回归（Geographically Weighted Regression,GWR）、主成分地理加权回归（Principal Component Geographic-ally Weighted Regression,PCA-GWR）和混合地理加权回归（Mixed Geographically Weighted Regression,M-GWR）3 种模型对安徽省土壤 pH 空间分布进行建模预测，揭示环境因子对土壤 pH 的影响在空间上的差异，最后以多元线性回归模型（Multiple Linear Regression,MLR）为基准比较 3 种 GWR 模型的精度。研究表明：
4、安徽省土壤pH 具有空间异质性，且集聚特征明显。3 种 GWR 模型中 M-GWR 模型略优，GWR、PCA-GWR 和 M-GWR 的建模集调整后决定系数（Radj2）分别为 0.59、0.62 和 0.63；对比 MLR 模型，3 种 GWR 模型的 Radj2分别提升了 23%、31%和 35%。M-GWR 生成的预测图在空间上过渡平滑，建模效果稳定，其预测结果表明安徽省淮河以北地区多为碱性土壤，长江以南多为中性或酸性土壤，符合“南酸北碱”特征。GWR 及其改进模型可以有效地预测土壤 pH属性，反映环境因子在不同空间位置上对土壤 pH 的影响程度，而 M-GWR 兼具变量作用的全局性和和
5、局部性，进而提升了模型解释能力，为大区域数字土壤制图提供了重要的参考方法。关键词关键词：土壤 pH；地理加权回归；数字土壤制图；安徽省中图分类号中图分类号：S159.9文献标识码文献标识码：A文章编号文章编号：1000-0690(2023)01-0173-11 土壤是成土因素综合作用的产物1-2。Jenny 等1对土壤与成土因素之间的关系进行研究，将土壤描述为气候、生物、地形、母质和时间的函数；McBrat-ney 等2在此基础上将土壤本身和空间位置加入到函数模型中。不同空间位置成土因素的差异使得土壤具有高度的空间异质性。pH 是土壤重要的基本性质，它与土壤的肥力水平、微生物与动物群的活动和腐
6、殖质的形成息息相关，并直接影响土壤养分存在的形态和有效性3-4。相关研究表明，19802010 年中国主要农作物产区的土壤 pH 值下降了约 0.5 个单位5，加上城市化导致的耕地面积减少，严重影响到粮食生产。随着氮肥使用量的增加，现代农业本身加速了土壤 pH 的下降6。预测土壤pH 的空间分布对于土地的合理规划利用、养分管理和精准施肥都有重要意义7-8。传统的土壤制图耗时费力，而且很难提供足够充分且完整的信息9。数字土壤制图是基于土壤景观模型为基础，以空间分析和数学方法为技术手段的制图方法10。目前应用的较广的数字制图方法主要有两种，第一种方法是基于土壤景观环境的关系建立模型，如线性回归、模
7、糊聚类、神经网络、支持向量机、随机森林和贝叶斯概率11-15。第二种方 收稿日期收稿日期：2021-09-11；修订日期修订日期：2022-01-20基金项目基金项目：国家自然科学基金项目（41501226）、安徽省自然科学基金项目（2208085MD88）、安徽省高校自然科学研究项目（KJ2015A034）、安徽理工大学人才引进项目（ZY020）资助。Foundation:National Natural Science Foundation of China(41501226),AnhuiNatural Science Foundation(2208085MD88),Natural Sci
8、ence Research Project of Universities in Anhui Province(KJ2015A034),Talent Intro-duction Project of Anhui University of Science and Technology(ZY020).作者简介作者简介：陈宣强（1997），男，江西赣州人，硕士研究生，主要从事数字土壤制图研究。E-mail:通讯作者通讯作者：赵明松。E-mail: 第 43 卷第 1 期地理科学Vol.43 No.12023 年 01 月Scientia Geographica SinicaJan.,2023法同时
9、考虑环境要素和空间位置的作用，如回归克里格、协同克里格插值法和地理加权回归（Geo-graphically Weighted Regression,GWR）16-20。在土壤发育过程中影响土壤的环境因子具有空间非平稳性，其大小随着空间位置的变化而变化，在大区域中这种关系更为明显21-23。Liu 等23在对中国东部典型农业区土壤养分研究表明：在小尺度（12 km）上有机碳和全氮主要受土地利用的控制，地形是决定总磷变化的主要因素，而在大尺度（84km）上有机碳、总氮和总磷的空间变异主要归因于母质。传统的线性模型难以处理它们间的复杂关系。GWR 由英国地理学家 Fotheringham 等24提出
10、，模型中自变量的回归系数随空间位置而变化，能够直观地探测不同空间位置上各环境因子对某种因子的影响程度，对于空间数据具有较强的局部分析能力。该方法可以有效探测空间数据的空间非平稳性。GWR 模型在研究土壤属性空间变异上取得了很好的效果18-20。赵明松等18认为在使用 GWR 进行省域尺度土壤制图时，建模样点数量对建模精度影响不大，样点数较少时也能保证一定精度。为了提升 GWR 的适用性与可靠性，很多学者做出了各种改进，如主成分地理加权回归（Principal Compon-ent Geographically Weighted Regression,PCA-GWR）、混合地理加权回归（Mixe
11、d GeographicallyWeighted Regression,M-GWR）和基于岭回归的GWR，并取得了较好的效果25-30。大数据时代的数据体量激增，GWR 等技术都面临着计算效率瓶颈问题，在建模前对原始数据进行主成分分析可以实现数据降维，提高计算效率，还可以有效避免多重共线性问题。王景雷等25采用 PCA-GWR 进行华北地区冬小麦作物需水量空间分布的估算，结果显示该方法优于 MLR 与克里金插值法。GWR 假设自变量和因变量的关系在空间上总是变化的，实际上自变量对因变量的作用可能是固定的，有些则是变化的。与仅考虑局部或全局关系的预测方法相比，M-GWR 方法可以根据环境变量的变
12、化采用自适应系数来提高预测精度。陈科屹等30利用 GWR 与多种扩展模型（主要为 M-GWR）对天然次生林碳储量空间分布进行预测，结果表明 M-GWR 稳定性更好，能够在 GWR 模型基础上进一步降低残差的空间自相关性。本研究以安徽省土壤 pH 为预测目标，利用GWR、PCA-GWR 和 M-GWR 进行空间建模与制图，并对比 3 种 GWR 建模精度差异和适用性，同时探究土壤 pH 影响因子的空间非平稳性，研究结果可为大区域数字土壤制图提供参考。1 材料与方法1.1研究区概况研究区概况安徽省（11454E11937E，2941 N3438N）地处中国东部，跨长江、淮河中下游，总面积为14.0
13、1104 km2，其中耕地面积 5.89104 km2，约占总面积的 42%。安徽省位于亚热带向温带过渡带，年均气温 1416，年降水量 8001 800 mm。安徽省按地形地貌从南到北划分成 5 个地理区域（图 1），依次为皖南丘陵山地区、皖西丘陵山地区、沿江平原、江淮丘陵地区和淮河中游平原31。除皖西和皖南山地丘陵地区外，其余地区海拔一般不超 100 m。皖南丘陵山地区主要土壤类型为黄壤、红壤、紫色土；江淮丘陵与皖西丘陵山地区为水稻土、黄棕壤、黄褐土；沿江平原为水稻土和灰潮土；淮河中游平原为潮土和砂姜黑土。农田主要分布在淮河中游平原、江淮丘陵地区和沿江平原；林地和草地主要位于皖西和皖南丘陵
14、山地区的大别山32。1.2数据来源数据来源选取土壤 pH 作为土壤制图的目标变量，地形、淮河中游平原区江淮丘陵区沿江平原区皖西山地丘陵区样点划分验证集训练集海拔/m高:1752低:83地理分区边界050100 kmN皖南山地丘陵区沿江平原区图 1 安徽省海拔与样点划分Fig.1 Altitude and sample distributionin Anhui Province174地理科学43 卷 气候、生物因子作为环境协同变量。土壤数据来源于中国土系志安徽卷31中的 140 个省级典型土壤剖面，采样时间为 20102011 年，样点采集按照地形母质土地利用等景观要素组合，同时样点尽量布设在第
15、二次土壤普查时期的典型土壤剖面附近。本研究选取表层（020 cm）土壤 pH 作为数字土壤制图对象。地形数据 SRTM 数字高程模型（Digital Eleva-tion Model,DEM）来 源 于 地 理 数 据 空 间 云（http:/），空间分辨率为 90 m。基于 DEM，利用 SAGA 提取坡向（Aspect）、坡度（Slope）、高 程（Elevation）、平 面 曲 率（Plancurvature,Plan）、平面曲率（Profile curvature，Pro-file）、径流强度指数（Slope Index,SPI）、汇聚指数（Convergence index,CI）
16、、多尺度山谷平坦指数（Multi-resolution Valley Bottom Flatness,MrVBF）、多尺度山脊平坦指数（Multi-scale Ridge Top Flat-ness,MrRTF）、地形湿度指数（Topographic Wet-ness Index,TWI）及地形位置指数（Topographic Po-sition Index,TPI），TWI 是区域地形对径流流向和蓄积影响的物理指标。MrVBF 是一种湿度指数，它通过对 DEM 进行渐进平滑和粗化，同时降低坡度阈值来识别多分辨率下的平坦和低地形进而识别谷底。MrRTF 与 MrVBF 类似，它通过识别高平坦区域来识别山脊33。年均温（Mean Annual Temperature,MAT）和年均降水量（Mean Annual Precipitation,MAP）来源于中国农业科学院农业资源与农业区划研究所中国生态环境背景层面建造项目提供的栅格数据，空间分辨率为 1 km，由 19801999 年的逐月平均值计算生成。对全国气象数据进行裁剪和投影转换，提取各剖面点对应的气候数据。归一化植被指数（NDVI