安定区耕作层土壤养分含量的空间自相关分析

冯定邦，陈英，张仁陟，马静

(甘肃农业大学资源与环境学院，甘肃 兰州　730070)



安定区耕作层土壤养分含量的空间自相关分析

冯定邦，陈英，张仁陟，马静

(甘肃农业大学资源与环境学院，甘肃 兰州730070)

摘要：应用空间自相关分析的方法，采用Moran’s I统计量对定西市安定区耕作层土壤中主要土壤养分肥力因子含量的空间自相关关系以及空间分布规律开展了研究.结果表明：安定区耕作层土壤6种肥力因子中，有机质、全氮、有效磷和全钾的空间分布并非随机状态，而是存在一定的空间自相关特性，而全磷和速效钾的空间相关性不显著，元素分布较随机；利用区域空间自相关指标结合LISA聚集图分析了有机质、全氮、有效磷和全钾含量空间分布规律，确定了“高-高”、“低-低”空间聚集区和“低-高”、“高-低”空间孤立区在研究区内的具体分布位置.

关键词：耕作层土壤；养分；空间自相关；安定区

第一作者：冯定邦(1989-)，男，硕士研究生，研究方向为农业资源与环境.E-mail:785697998@qq.com

空间自相关分析(spatial autocorrelation analysis)是对某一地理变量空间分布相邻位置间的相关性进行检验的一种统计方法，它是通过检测一个位置上的变异是否依赖于邻近位置上的变异来判断该变异是否存在空间自相关性[1,2].空间自相关自1950年Moran等提出以来，已经被广泛应用于多个领域来研究变量之间的空间变异.在土壤空间变异中，张朝生等[3]采用了Moran’s I统计量对天津市平原土壤微量元素的含量的空间自相关进行了研究；霍霄妮等[4]采用Moran.s I统计量研究了北京耕作土壤重金属含量的空间自相关关系、空间相关尺度以及空间分布规律；梁二等[5]运用空间自相关方法对河南省1958年和1985年2个时段土壤有机碳储量的分布状况进行了研究；刘永生[6]对华北平原土壤重金属元素的空间自相关 进行了研究.

土壤是在母质、地形、时间、气候、生物和人为因素下形成连续非均质变化体，在时空变异性高.传统的土壤施肥体系忽视了土壤变异性，通常以田间地块作为统一均质耕种单元，依照农户生产种植习惯或大面积的农业技术推荐进行施肥和生产.这种耕作模式一方面使得施肥缺乏针对性，容易导致区域内养分供给不平衡、肥料利用率低，另一方面滥用肥料，造成了农作物产量不高、耕地污染严重.因此，正确、全面的认识耕地土壤养分空间变异状况，确定合理的土壤养分管理单元，是实现因地制宜、因时制宜、因物制宜科学管理土壤的基础，也是实现土壤资源可持续利用的前提[7].目前对于土壤养分的空间变异研究，采用较多的是地统计学的半方差函数与GIS相结合的方法，徐敬敬等[8]做了基于GIS的崇明土壤养分空间变异及肥力综合评价研究；孙志虎等[9]采用地统计学的变异函数分析方法，定量研究十四年生水曲柳人工林表层土壤(0～10 cm)养分的空间异质性特征；王祎等[10]基于ArcGIS软件的应用模块和地统计学方法，研究了清水县耕层土壤主要养分的空间变异特征以及在不同乡镇和土类中的平均含量；刘卉芳等[11]采用地统计学方法研究了晋西黄土区坡面土壤水分时空变异规律.张朝生等[12]指出除了地统计学外，空间相关方法也可用于土壤空间结构研究.

目前，空间自相关在土壤空间变异研究中，多用于土壤微量元素、重金属等空间研究，在分析这些土壤元素空间分布相邻位置间的相关性上具有准确、直观等特点.目前，对土壤养分含量的空间变异多采用地统计学、GIS等方法，而应用空间自相关对土壤养分含量的空间变异研究却鲜有报道.因此，本研究拟用空间自相关的方法对定西市安定区耕作层土壤养分含量进行研究，可作为一种新的方法探究土壤侵蚀严重的黄土高原沟壑区土壤养分的空间变异与分布格局，判断土壤养分的空间聚集区和空间孤立区的具体分布位置，从而确定合理的土壤养分管理单元，以期为合理施肥和土地科学利用等提供依据.

1材料与方法

1.1研究区概况

安定区位于甘肃省定西市北部(图1)，属黄土梁峁沟壑区，地跨N 35°17′54″～36°02′40″、 E 104°12′48″～105°01′06″之间，南北长82.9 km，东西宽73.3 km，总面积为3 638.711 km2，全区地势自西南向东北倾斜，地势最高处为西南部高峰乡城门寨，海拔2 577.3 m；最低处为北部关川河谷地，海拔1 671.3 m.气候属中温带干旱、半干旱区，大陆性季候风气候显著.年平均太阳辐射量141.4 kJ/cm2，年平均日照2 500.1 h.年均气温6.3 ℃，极端最高温34.3 ℃，极端最低气温零下27.1 ℃.无霜期141 d.正常年降水量400 mm左右，多集中在秋季，蒸发量高达1 500 mm，是一个干旱、冰雹、霜冻、低温等自然灾害频繁的农业区.安定区内耕作土壤主要是黑垆土、灰钙土、黄绵土和潮土，土壤结构为团粒状，土壤侵蚀度多为一级，即无明显侵蚀，耕层厚度约为23～25 cm，主要的种植的经济作物为小麦、玉米、马铃薯等.

图1　研究区及土壤样点分布Fig.1　A schematic diagram of the study area andthe distribution of soil samples

1.2数据采集

采用“S”形布点法于2012年秋季作物收获后在定西市安定区耕作土壤中采集了2 689个土壤样点(图1)，以安定区19个乡镇(不包括永定路街道和中华路街道)为基本行政规划单元，按照每个规划单元内不同耕地面积的大小、地形地貌、土壤类型的复杂程度，确定每个规划单元内采样点的个数，使得每个规划单元采样点数目与该单元耕地面积、类型呈正相关；再根据土壤类型的具体分布状况，适当调整样点分布位置.每个采样点均采用GPS定位仪精确定位，用土钻采取表层(0～20 cm)土壤现场均匀混合后用四分法从中选取1 kg土样作为代表该点的混合样品，将每个土样装入聚氯乙烯塑料袋，内外均附标签，标明采样编号、名称、采样深度、采样地点、日期、采集人.将所有土样带回实验室，在室内风干、磨碎，过100目尼龙网筛.

1.3研究方法

1.3.1土壤样品分析方法本次对所采集的土壤样品的化学分析指标由甘肃农业大学资源与环境学院按照1985年第二次全国土壤普查时相同的化验分析方法(表1)完成，化验指标为土壤有机质、全氮、全磷、全钾、有效磷和速效钾的含量.

表1　土壤样品分析方法

1.3.2空间自相关分析方法本次研究对数据的处理采用Anselin等开发的Geoda软件进行空间权重的计算和空间自相关性分析，用ArcGIS 10.0进行研究相关图形的绘制[13]；运用全域型和区域型空间自相关分析方法结合Moran散点图等对土壤养分分布相关性及分布规律进行分析研究[14].

空间自相关分析是检验具有空间位置的某变量的观测值是否显著地与其相邻空间点上的观测值相关联[1,2].空间自相关所统计的内容包括空间变量的空间位置和其属性，即每个变量与其相邻统计分析变量之间的空间位置关系以及属性取值特征[15].表示空间自相关的方法和指标很多，其中最常用的是Moran’s I统计量.Moran’s I统计量一般可分为全域型(global spatial autocorrelation)和区域型(local spatial autocorrelation)2种，全域型Moran’s I的计算公式[4]为：

(1)

运用Moran’s I统计量进行空间自相关分析的过程中，所使用的空间位置信息取决于空间权重矩阵，而空间权重矩阵的选择一般由研究者自行确定，可以基于邻接标准或距离标准构建[1].对于离散点而言，常用的方法是基于距离标准构建，若两点之间的距离小于指定的临界值即认为其是相邻的，权重为1，否则为0[16].

通常将Moran’s I标准化，以判断相关的正负性与显著性.本研究以近似正态为前提对其进行标准化，得到指标Z(I)：

(2)

以正态分布95%置信区间双侧检验阈值1.96为界限，Z(I)大于1.96为显著的正空间自相关，表示某观测点与周围观测点的值相似，即空间聚集；Z(I)小于-1.96为显著的负空间自相关，表示某观测点与周围观测点的值差异程度显著较大，即空间孤立；若Z(I)介于-1.96到1.96之间，则空间自相关不显著，变量呈随机分布.

区域型Moran’s I系数被定义为：

(3)

式中：各变量的含义同上.区域型Moran’s I指数可以对土壤肥力因子含量的空间格局进行可视化，以进一步研究其空间分布规律.本研究利用区域型空间自相关指标结合LISA聚集图将土壤肥力因子含量空间分布划分为5种类型：“高-高”、“低-低”为空间聚集(spatial clusters)，表示某观测点自身与其周围观测点的土壤肥力因子含量都较高或较低，二者的空间差异程度显著较小；“低-高”、“高-低”为空间孤立(spatial outliers)，表示某观测点自身土壤肥力因子含量较高(或较低)，而其周围观测点的土壤肥力因子含量较低(或较高)，为高低相邻，二者的空间差异程度显著较大；“不显著”表示某观测点与其周围观测点的土壤肥力因子含量空间差异不显著.

2结果与分析

2.1安定区各乡镇土壤养分含量

通过对采得的安定区耕作层土壤样品进行化验分析，得出各个采样点土样的6种肥力因子的含量，用数理统计方法，以乡镇为规划单元，得到各乡镇6种养分的均值，如表2所示.

2.2土壤养分全域型空间自相关分析

本次研究中利用Geoda软件分析得到在rook、queen空间权重矩阵下土壤肥力因子含量Moran′s I指数基本相同，所以只采用rook空间权重矩阵，并对其进行标准化，得到指标Z(I)值；通过分析得到在rook空间权重下土壤肥力因子含量Moran′s I指数和指标Z(I)值.以下以有机质、全氮为例来说明(图2).

对6种肥力因子进行分析，得到6种肥力因子Moran′s I指数和Z(I)值，如表3所示.从表3可以看出，在rook权重矩阵下各肥力因子含量Moran′s I指数中，有机质、全氮、有效磷和全钾的Moran′s I指数均大于0，分别是0.564 5、0.579 3、0.231 5和0.273 8，表明有机质、全氮、有效磷和全钾含量在空间上呈现正相关，存在空间聚集区，且空间聚集程度大小依次为全氮、有机质、全钾和有效磷；全磷和速效钾含量Moran′s I指数均小于0，分别为-0.182 2和-0.040 2，表明全磷和速效钾含量在空间上呈现负相关，存在空间孤立区，且空间孤立程度全磷大于全钾.

在各肥力因子含量Z(I)值中，有机质、全氮、有效磷和全钾Z(I)值分别为3.872 4、4.012 0、2.290 2和2.533 1，均大于1.96，说明有机质、全氮、有效磷和全钾含量存在显著的正空间自相关，表示某观测点与周围观测点的值相似，即空间聚集；全磷和速效钾Z(I)值分别为-0.765 8和0.092 8，均介于-1.96到1.96之间，说明全磷和速效钾含量空间自相关不显著，各肥力因子含量呈随机分布.

表2　各乡镇土壤养分含量表

图2　rook权重下有机质、全氮Moran’s I指数和Z(I)值Fig.2　Rook under the weight of organic matter,total nitrogen Moran's I index and Z(I) values

有机质全氮全磷有效磷全钾速效钾Moran'sI指数0.56450.5793-0.18220.23150.2738-0.0402Z(I)值3.87244.0120-0.76582.29022.53310.0928

2.3安定区土壤养分区域型空间自相关分析

全域型空间自相关描述土壤肥力因子含量的整体分布状况，判断土壤肥力因子含量分布是否存在空间聚集区和空间孤立区，而区域型空间自相关指标结合Moran散点图能够揭示土壤肥力因子含量的空间分布规律，指出肥力因子含量的空间聚集区和空间孤立区在研究区内的位置[17-18].

运用Geoda软件对该地区各肥力因子含量进行区域空间自相关分析，在LISA中选择rook权重矩阵分析局部空间自相关分析[19-20].由于对6种肥力因子全局空间自相关分析时，全磷和速效钾Z(I)值介于-1.96到1.96之间，其含量空间自相关不显著，呈随机分布.故区域型空间自相关只对有机质、全氮、有效磷和全钾进行区域空间自相关分析，得到4种肥力因子含量的LISA聚集图(图3).

图3中，红色代表“高-高”空间聚集区，表示该区域及其相邻的区域肥力因子含量都显著的比较高，该地区为该种肥力因子高含量的聚集区域；蓝色代表“低-低”空间聚集区，表示该区域及其相邻的区域肥力因子含量都显著的比较低，该地区为该种肥力因子低含量的聚集区域；浅红色代表“高-低”空间孤立区，表示该区域肥力因子含量显著低于其相邻的区域，在该地区出现该种肥力因子低含量的孤立区域；浅蓝色代表“低-高”空间孤立区，表示该区域肥力因子含量显著高于其相邻的区域，在该地区出现该种肥力因子高含量的孤立区域.

从有机质的LISA聚集图可以看出在符家川镇和内官镇出现了有机质含量的“高-高”聚集区，说明在这2个乡镇及其周围出现有机质高含量的聚集区域，在白碌乡、鲁家沟镇、石峡湾乡、葛家岔镇、新集乡和青岚山乡出现了有机质含量的“低-低”聚集区，说明在这6个乡镇出现有机质低含量的聚集区域，在凤翔镇出现了有机质含量的“低-高”孤立区，说明在凤翔镇有机质含量显著的比相邻乡镇的高.

图3　rook权重矩阵下的有机质、全氮、有效磷和全钾LISA聚集图Fig.3　Organic matter,total nitrogen,phosphorus andpotassium LISA Figure rook gathered underthe weight matrix

从全氮的LISA聚集图可以看出在团结镇和宁远镇出现了全氮含量的“高-高”聚集区，说明在这2个乡镇及其周围出现全氮高含量的聚集区域，在白碌乡、鲁家沟镇、石峡湾乡、葛家岔镇和新集乡出现了有机质含量的“低-低”聚集区，说明在这5个乡镇及其周围出现全氮低含量的聚集区域，在凤翔镇出现了有机质含量的“低-高”孤立区，说明在凤翔镇全氮含量显著的比相邻乡镇的高.

从有效磷的LISA聚集图可以看出在称钩驿镇和内官镇出现了有效磷量含量的“高-高”聚集区，说明在这2个乡镇及其周围出现有效磷高含量的聚集区域，在新集乡和西巩驿镇出现了有效磷含量的“低-低”聚集区，说明在这2个乡镇及其周围出现有效磷低含量的聚集区域.

从全钾的LISA聚集图可以看出在石泉乡出现了全钾含量的“高-高”聚集区，说明在这石泉乡及其周围出现全钾高含量的聚集区域，在巉口镇和称钩驿镇出现了全钾含量的“低-低”聚集区，说明在这2个乡镇及其周围出现全钾低含量的聚集区域.

3讨论

空间自相关分析法目前广泛应用于多个领域来研究变量之间的空间变异，不仅能反映变量的正负空间自相关特点，而且可以对空间相关的显著性进行检验[3-6]，与地统计学相比，空间自相关分析法在衡量自相关时更为严格[12].目前，在土壤养分空间变异中多用地统计学、GIS等方法[8-11].在前人研究的基础之上，本研究应用空间自相关的方法对定西市安定区耕作层土壤养分含量进行分析，选取了6种主要土壤肥力因子作为养分指标.通过全域空间自相关分析，得出了该地区耕作层土壤养分含量中，有机质、全氮、有效磷和全钾的分布存在明显的空间自相关特性，并通过区域空间自相关分析得出有机质、全氮、有效磷和全钾含量的空间聚集区和空间孤立区的位置所在.

土壤养分的自相关特性是土壤、植被、地形和周围环境等共同作用的结果，随着人类耕作施肥的影响，土壤养分含量的分布也受到很大影响[21].在对研究结果分析以进行相应的土壤肥力改良时，“低-低”空间聚集区和“高-低”空间孤立区应该为改良研究的重点，因为这2种区域内土壤养分含量相对较低，土壤养分的有效性也相对较低，土壤自然肥力较低.针对土壤肥力较低的区域，可以采取相应的改良措施来提高土壤肥力，增加作物产量，如施入相应的有机、无机肥料，或改进农艺措施，采用垄作与覆膜结合的方法达到保墒保肥；而针对土壤肥力低而改良困难、改良后仍然难以耕作的陡坡山地等，可以采取改变其土地利用方式等措施，如进行退耕还林还草，或者种植适宜的中药材、果树等经济作物.

本研究运用空间自相关的方法对安定区耕作层土壤养分含量进行分析时，选取了耕作层土壤中的6种主要土壤肥力因子作为指标，研究分析其含量的空间分布规律.而对于耕作层土壤养分含量空间分布进行分析时，不仅要考虑主要土壤肥力因子的含量，也要考虑其中对作物生长有着不可或缺的必需营养元素的含量，所以在以后的分析研究中也要对该地区耕作层土壤中的中、微量营养元素含量的空间特性进行分析研究，以期更能全面的反映当地的土壤养分肥力特征，更好的提出因地制宜施肥指导以及采取相应的土壤肥力改良措施，从而更加有助于达到作物高产、农民增收，这也对在国家全面实施测土配方施肥项目的大好形势下指导土壤改良有重要意义.

4结论

1)本研究应用空间自相关的方法得出了定西市安定区耕作层土壤养分含量的空间变异与分布格局，空间自相关可以作为一种新的方法来研究土壤养分含量的空间变异与分布格局.

2)全域空间自相关分析结果表明，定西市安定区耕作层土壤养分中某些肥力因子的空间分布并非随机状态，而是存在一定的空间自相关特性.耕作层土壤养分的全域Moran，s I系数中，正的空间自相关说明了土壤肥力因子含量分布存在空间聚集，负的空间自相关说明了土壤肥力因子含量分布存在空间孤立.有机质、全氮、有效磷和全钾的Z(I)值均大于1.96，其含量存在显著的正空间自相关，存在空间聚集；而全磷和速效钾的Z(I)值均介于-1.96到1.96之间，其含量空间自相关不显著，肥力因子含量呈随机分布.

3)区域型空间自相关结合LISA聚集图的分析结果揭示了安定区各乡镇耕作层土壤肥力因子含量分布的空间分布规律，可以直观的得到各肥力因子含量分布的“高-高”、“低-低”聚集区和“低-高”、“高-低”孤立区的具体位置，即得出定西市安定区各乡镇肥力因子含量分布之间的空间自相关关系.通过研究分析，安定区耕作层土壤的6中肥力因子中，有机质、全氮、有效磷和全钾存在显著的空间自相关性，其中，有机质含量的“高-高”聚集区在符家川镇和内官镇，“低-低”聚集区在白碌乡、鲁家沟镇、石峡湾乡、葛家岔镇、新集乡和青岚山，“低-高”孤立区在凤翔镇；全氮含量的“高-高”聚集区在团结镇和宁远镇，“低-低”聚集区在白碌乡、鲁家沟镇、石峡湾乡、葛家岔镇和新集乡，“低-高”孤立区在凤翔镇；有效磷含量的“高-高”聚集区在称钩驿镇和内官镇，“低-低”聚集区在新集乡和西巩驿镇；全钾含量的“高-高”聚集区在石泉乡，“低-低”聚集区在巉口镇和称钩驿镇.

参考文献

[1]Cliff A D,Ord J K.Spatial process:Models and Applications[M].London:Pion,1973:178

[2]Martin D.An aeeseement of surface and zonal models of population[J].Intern J Geogr Inform Syst,1996,10(8):973-989

[3]张朝生，陶澍，袁贵平，等.天津市平原土壤微量元素含量的空间自相关研究[J].土壤学报,1995,32(1):50-57

[4]霍霄妮，李红，孙丹峰，等.北京耕作土壤重金属含量的空间自相关分析[J].环境科学学报,2009,29(6):1339-1344

[5]梁二，王小彬，蔡典雄，等.河南省土壤有机碳分布空间自相关分析[J].应用生态学报,2007,18 (6):1305-1310

[6]刘永生.华北平原土壤重金属元素空间自相关研究[D].北京:中国地质大学(北京),2012

[7]张铁婵.耕地土壤养分空间变异与地力评价研究:以陕西省榆阳区为例[D].杨凌:西北农林科技大学,2010

[8]徐敬敬.基于GIS的崇明土壤养分空间变异及肥力综合评价研究[D].上海:上海交通大学,2010

[9]孙志虎，王庆成.水曲柳人工林土壤养分的空间异质性研究[J].水土保持学报,2007,21(2):81-84

[10]王祎，蔡立群，张兴嘉，等.清水县耕层土壤主要养分空间分布与变异研究[J].甘肃农业大学学报,2012,47(5):121-128

[11]刘卉芳，曹文洪，王向东.晋西黄土区土壤水分时空分布规律[J].水土保持通报,2008,28(6):105-109

[12]张朝生，章申，何建邦.长江水系沉积物重金属含量空间分布特征研究-空间自相关与分形方法[J].地理学报,1998,53(1):87-96

[13]刘永生，杨楠，王轶，等.保定-沧州地区基于空间自相关分析的土壤区域监测点网络密度研究[J].水文地质工程地质,2012,39(5):126-131

[14]张新峰.空间自相关的数据分析方法与应用研究-以南亚海啸对海洋生态因子的影响为例[D].兰州：兰州大学,2009

[15]邱炳文，王钦敏，陈崇成，等.福建省土地利用多尺度空间自相关分析[J].自然资源学报,2007,22(2):311-320

[16]刘仲刚，李满春，刘剑锋，等.面向离散点的空间权重矩阵生成算法与实证研究[J].地理与地理信息科学,2006,22(3):53-56

[17]杨奇勇，杨劲松，余世鹏，等.不同尺度下耕地土壤Cr含量的空间自相关性分析[J].应用与环境生物学报,2011,17(3):393-397

[18]刘敏，赵萃薇，施明辉.贵州山区土地利用变化多尺度空间自相关分析[J].农业工程学报,2012,28(20):239-245

[19]徐彬.空间权重矩阵对Moran's I指数影响的模拟分析[D].南京:南京师范大学,2007

[20]李慧，王云鹏，李岩，等.珠江三角洲土地利用变化空间自相关分析[J].生态环境学报,2011,20(12):1879-1885

[21]徐剑波，宋立生，彭磊，等.土壤养分空间估测方法研究综述[J].生态环境学报,2011,20(8-9):1379-1386

(责任编辑李辛)

Spatial autocorrelation analysis of nutrient content in

cultivated layer soils in Anding District of Dingxi City

FENG Ding-bang,CHEN Ying,ZHANG Ren-zhi,MA Jing

(College of Resources and Environment,Gansu Agricultural University,Lanzhou 730070,China)

Abstract：In this study,the method of using spatial autocorrelation analysis,Moran's I statistics was applied to describe the spatial autocorrelation coefficients and spatial pattern of fertility factor of cultivated soils in Anding District of Dingxi City.The results showed that the spatial distribution of the 6 kinds of fertility factor content in cultivated layer soils as organic matter,total nitrogen,effective phosphorus and total potassium of the spatial distribution were not random,but there was a certain autocorrelation property.The total phosphorus and effective potassium correlation was not significant,compared with a random distribution of elements.Using the regional spatial autocorrelation index combining with LISA figure analyzed the spatial distribution of the content of organic matter,total nitrogen,phosphorus and potassium;and the distribution location in the study zone of the ‘high-high’,‘low-low’ gathering zones and ‘low-high’,‘high-low’ isolated zone.

Key words：cultivated soil;nutrient;spatial autocorrelation;Anding District

收稿日期：2014-11-13；修回日期：2014-11-27

基金项目：国家自然科学基金项目(31160269).

通信作者：陈英，男，副教授，博士，硕士生导师，主要从事农业资源利用方面的研究.E-mail:cheny@gsau.edu.cn

中图分类号：S 158

文献标志码：A

文章编号：1003-4315(2015)06-0119-07