云浮市森林土壤养分垂直分布模型的构建*

孙冬晓 杨 旗 赵正勇 丁晓纲 朱航勇 李莹莹

（1.广西大学,广西 南宁 530004；2.广东省森林培育与保护利用重点实验室/广东省林业科学研究院,广东 广州 510520）

土壤养分是土壤肥力的重要组成部分，主要包括有机质（SOM）、全氮（TN）、全磷（TP）、全钾（TK）、碱解氮（AN）、有效磷（AP）、速效钾（AK），对植物生长具有重要的作用，也是衡量土壤质量好坏的重要指标[1-3]。了解土壤养分垂直方向上各土层的空间分布状况，可为土壤养分管理、生态环境保护和治理提供依据[4]，为地下生态系统如微生物群落研究、土壤剖面深度对土壤生态系统结构、功能与过程的影响等研究提供基础材料[5]。

传统上，通过野外样点调查的方法来了解土壤养分空间分布，需要系统地或随机地采集大量土壤样品，不仅耗费人力物力，而且需借助空间插值法才能生产空间分布图。大量研究对空间插值法进行了不断优化，使得预测精度逐渐提高，比如普通克里金、协同克里金、回归克里金等方法[6-9]，但精度的高低仍然受样点密度大小的限制。经验模型的方法能够利用有限的样点估算土壤养分的空间分布，如地统计学方法、多元线性回归方法、多元回归树等方法[7,10]，但需要提前假定土壤养分与预测因子之间存在某种固定的关系，而实际上两者之间关系极其复杂且非线性[11-13]。为了解决该问题，人工神经网络模型逐渐发展起来，不需要提前预设输入与输出之间的关系，克服了假设条件对模型预测精度的干扰[14-17]，但大多数研究是将ANN 模型的预测能力与其它经验模型进行对比与评价，而在模型输入参数的选择上缺乏系统性研究。另外，目前大多数研究仅基于表层土壤[6-7，14-18]，而深层次的空间分布状况还不够清楚。

基于上述两个问题，本次研究建立新的能够预测土壤养分各指标含量分5 层（D1：0-20 cm、D2:20-40 cm、D3:40-60 cm、D4:60-80 cm、D5:80-100 cm）空间分布状况的ANN 模型，并着重从模型输入参数入手，筛选预测能力较强的最优输入变量组合，从而为以后研究土壤养分建模的模型输入部分提供直接的选择依据。

1 材料与方法

1.1 研究区概况

云浮市位于广东省中西部，22°22′～23°19′ N 和111°03′～112°31′ E 范围内，总面积为7 785 km2，其中5 915 km2是林地。气候条件处于亚热带季风区，夏季高温多雨，冬季温和少雨[19]。年平均温度、降水量、光照时长分别为22.4℃、1 899.8 mm 和1 684.6 h[20]。地势西南高东北低，主要地貌为丘陵，面积占30.7%。云浮树种以杉木Cunninghamia lanceolata、相思、桉树、马尾松Pinus massoniana为主，经济树种以毛竹Phyllostachys heterocycla、油茶Camellia oleifera居多。在气候、地形和植被的共同作用下，云浮市土壤类型主要为红壤、赤红壤，占整个土壤面积的86%[21]，是中国南方森林红壤区域的代表。

1.2 数据来源及预处理

1.2.1 土壤样点 本研究所采用的385 个森林土壤样点数据，来源于广东省林业科学研究院2015 年开始的森林土壤样点调查项目[20]。布点方法将随机布点与专题布点相结合，使得样点分布不仅随机均匀而且能够充分代表不同地形地貌水文植被状况下的土壤养分状况。取土样时在每个布设样点处挖深1 m 的剖面，并分5 层由下往上逐层取样。土样经自然风干后，磨碎过筛，采用常规方法测定土壤养分各指标含量，见表1。

表1 土壤养分各指标测定方法Table 1 Determination method of soil nutrient indexes

1.2.2 粗分辨率的土壤养分图 粗分辨率的土壤养分图，包括粗分辨率的SOM、TN、TP、TK、AN、AP 和AK 图(CSOM、CTN、CTP、CTK、CAN、CAP、CAK)，能够粗略反应大尺度区域内土壤养分含量的空间分布状况，代表一定范围内土壤养分的平均值[22-23]。因此本研究采用粗分辨率土壤养分图作为建模的基础必要输入数据，该图摘自广东省土壤调查队编制的1 ∶2 800 000 万比例尺的广东省土壤地图集，且已通过ArcGIS 转化成为电子地图集[21]。

1.2.3 DEM 衍生的地形水文数据 在小尺度上,DEM 衍生的地形水文数据能够对局部的土壤养分空间变异进行详细反应[11，14-15]。因此本研究采DEM 衍生的9 个地形水文参数作为模型输入的候选参数，包括：坡度（Slope）、坡向（Aspect）、地形位置指数（TPI）、垂直坡位（VSP）土壤地形因素（STF）5 个地形参数和泥沙输移比（SDR）、水流长度（FL）、水流流向（FD）、潜在太阳辐射（PSR）4 个水文参数作为建模的备选输入变量,如表2。所采用的DEM 数据，空间分辨率为10 m，利用ArcGIS 中的空间分析工具处理获得。

表2 模型输入备选参数Table 2 Candidate parameters for model inputs

1.3 研究方法

1.3.1 人工神经网络模型建立 本研究建立了人工神经网络的黑箱模型去预测土壤养分各土层含量的空间分布状况，采用Levenberg-Marquardt 算法训练该模型，其中输出层包含一个节点：分别为预测得到的各土层SOM、TN、TP、TK、AN、AP 和AK 的含量；隐藏层的节点数目为2～10 个；输入层由一个基础必选输入数据（即粗分辨率的土壤养分图）和DEM 衍生的9 个候选地形水文参数组成，且粗分辨率的SOM、TN、TP、TK、AN、AP 和AK 图，分别在建立各自指标预测模型时作为必选的模型输入参数。

1.3.3 ANN 模型精度评估 本研究所采用的模型精度评估指标包括：均方差（RMSE）[24]、决定系数（R2）、相对整体精度（ROA±20%）。优选的模型输入组合表现为ROA±20%和R2值相对较高，RMSE 值相对较低。

2 结果与分析

2.1 各土层构建的ANN 模型

本次研究所构建预测土壤养分的ANN 模型精度如图1，随着模型输入组合参数的增加而逐渐提高，然后趋于稳定甚至略有下降。

整体分析所构建的ANN 模型对土壤养分预测能力，差异较大，如表3。其中对AN 的预测能力最强，D1 至D5 层ROA±20%范围达到0.81～0.90；其次是TK，ROA±20%达到0.69～0.72；SOM、AK、TP 的预测能力相当，ROA±20%分别在0.60～0.67，0.58～0.65，0.55-0.72 之间，其中仅有对D4 层TP 预测精度达到0.72，其他均在0.55～0.67 范围内。预测能力相对较低的是TN 和AP，ROA±20%分别在0.37～0.46 和0.32～0.42 范围内。

从对土壤养分不同土层预测能力来看，如图1，土壤养分各指标整体上D1、D2、D3 层的预测能力高于D4、D5 层，但TP 的D5 层预测能力却超过D1、D2 层，TK 的D4、D5 层的预测能力均超过前3 层，可能是TP、TK 在深层次的土壤中比较稳定，有利于模型的拟合。另外，对TN、AN 不同土层之间的预测能力区分度较明显。

图1 不同参数组合构建的ANN 模型精度ROA±20%变化Fig. 1 Accuracy (ROA±20%) change of ANN model constructed by combinations of different parameters

表3 各土层土壤养分预测模型精度及模型输入参数最优组合Table 3 Prediction accuracy of models and optimal combination of model input parameters of soil nutrients in each soil layer

2.2 模型输入参数组合的筛选

本次研究所筛选出的土壤养分预测模型最优输入组合，整体分析D1 至D5 层，如表3，TPI 对土壤养分预测能力最强，在土壤养分各土层所筛选出的最优输入组合中出现次数最多，30 次；SDR，Slope，Aspect 预测能力次之，分别出现26，25，25 次；FL 和PSR 预测能力一般，分别出现19 和18 次；FD、STF、VSP 的预测能力相对较差，分别出现14、14、13 次。

从土壤养分不同指标间分析，筛选出的最优组合间存在差异。其中，预测SOM 的最优组合中，TPI和Aspect 在D1 至D5 层均出现，Slope 和SDR 出现4 次，VSP 出现3 次；预测TN 的最优输入组合中，FD、Aspect、TPI 出现4 次，VSP 和Slope 均出现0 次；对于TP 的最优输入，SDR 在D1 至D5 中全部出现，Slope 和FL 出现4 次，PSR 出现3 次，VSP 出现0 次；对于TK 的最优模型输入比较稳定，Slope、SDR、TPI、PSR 均出现5 次，FL 出现3 次，STF 出现0 次；对于AN，TPI 和Slope 出现5 次，Aspect和FL 出现4 次，STF、PSR 均出现3 次；AP 中，TPI 出现5 次，VSP、Aspect、SDR、STF 均出现4 次，Slope 和FL 出现3 次；AK 中，SDR 出现5 次，Slope、TPI、Aspect、VSP、FD 出现4 次。其余的情况仅出现1 次或2 次。

2.3 最优输入组合模型生产空间分布图

利用筛选获得的最优输入组合模型预测生产土壤养分的空间分布图，以AN 为例，如图2。预测值与实测值对比分析显示，如表4 所示，就平均值和标准差整体分析，两者基本一致，有略微的偏差。这是在布点取样时，对天然林地调查难度大引起的，模型预测更能全面详细反映土壤养分的空间变化。

图2 最优模型组合预测云浮森林土壤养分空间分布图（以AN 为例）Fig. 2 Spatial distribution maps of AN in different soil layers predicted by the optimal model in Yunfu forest

表4 不同土层土壤养分预测值与实测值对比Table 4 Comparison between predicted and measured values of soil nutrient in different soil layers

3 结论与讨论

3.1 本次研究筛选获得的最优模型输入组合参数和生产的土壤养分空间分布图共同显示，整个土壤层中土壤养分SOM 和AN 均受Slope 和TPI 的影响较大，在Slope 大TPI 为山脊、上坡位时，SOM、AN 含量高，主要是由于在坡度大的山脊、上坡位地区，人类干扰少，土壤动物及土壤微生物活跃，使得SOM、AN 容易积累，与舒建英等[25]在江西省红壤区森林土壤的研究结果一致。整个土壤层中土壤养分TN 受FD 和Aspect 的影响较大，两者一致显示，在北、西北、西方向时，TN 含量高，在东北、东、东南方向时，TN 含量低，主要是由于云浮市位于亚热带季风性气候区,雨热同期,全年风向以东北风为主,使得阳坡的径流量较大,土壤侵蚀作用更明显,从而导致阳坡土壤全氮更容易流失[24]，与陈涵兮等[26]的研究结果土壤全氮水平呈阴坡＞阳坡一致。整个土壤层中土壤养分TP、TK、AP 均受SDR 的影响较大，主要是由于3 种养分易溶于水，可随水流在土壤中发生淋溶作用的缘故[26-27]，在SDR 值较小时，水流引起的泥沙输移比率小，养分不易损失，含量高。整个土壤层中土壤养分AK 受Slope、SDR 和VSP 的影响较大，在Slope 和VSP 值大且SDR 值小时，AK 含量高，表明研究区在坡度大、垂直坡位大时，人类活动少，在此基础上，SDR 小的水土流失不严重的地区，AK 容易积累，使得在这些区域AK 含量高。由此可以看出，人类活动及水土流失是引起土壤养分空间异质性的主要原因。

3.2 所构建的预测不同土层土壤养分的ANN 模型中，SOM、TP、TK、AN、AK 的模型预测准确性较高，对AP、TN 的预测精度相对较低，可能是AP、TN 两种土壤养分对本次研究中所采用的9 种地形水文参数的敏感性不强，需要进一步研究其他能更大程度影响AP、TN 预测能力的模型输入参数及组合。尽管预测TN、AP 的ANN 模型预测精度低于其他土壤养分指标，但模型生产的空间分布图却在一定允许误差范围内，相对准确，其中TN 含量在D1 土壤层中的预测值为1.79 g/kg，与刘潘伟[28]在中国南方红壤区森林表层0-20 cm 土壤研究获得TN 平均值为1.63 g/kg 的结果基本一致。研究区AP 的实测值与预测值的平均值均显示，AP 含量较低，同时与李小川等[20]对广东省云浮市罗定市土壤速效磷含量测定的平均值2.23 mg/kg 接近。

因此，本次研究所筛选出的模型输入参数最优组合，数据容易获取，可在相似的研究区推广应用，为以后土壤养分相关研究提供理论参考。同时，模型预测生产的土壤养分垂直分布地图与粗分辨率的地图相比，空间分辨率变大，拥有更详细的土壤养分空间变化信息，能为精准林业合理施肥提供基础数据。