基于土壤-景观理论的土壤有机质估测研究

栾海军，江泽霖，余德清

(1. 厦门理工学院 计算机与信息工程学院,福建 厦门 361024;2. 洞庭湖区生态环境遥感监测湖南省重点实验室,湖南 长沙 410008;3. 数字福建自然灾害监测大数据研究所,福建 厦门 361024)

0 引言

作为农业大国，提升土壤肥力(土壤有机质(Soil Organic Matter，SOM)含量)研究领域调查监测水平，对农业可持续发展具有长远意义，对农业生产实践具有重要的现实价值。随着新理论、技术和方法的融入，SOM含量空间分布估测也从传统的地统计学方法[1-4]向土壤-景观理论建模[5-8]、遥感反演[9-11]的方向快速发展[12]。作为土壤有机质估算的代表性方法之一，基于土壤-景观理论的SOM估测方法自创立以来得到快速发展。遥感技术的融入可大幅提升土壤肥力(SOM含量)的监测水平、质量与效率，对农业生产安全具有重要意义。遥感数据与非遥感数据的融合应用，使基于土壤-景观理论的SOM空间分布估测精度得到很大提高。但是，相关研究同时存在一些问题，遥感影像的时空特性使得遥感数据的融入在带来利好的同时带来新的挑战；现有的SOM建模技术与方法仍然存在不足，需要研发新模型与新方法；人类活动对SOM空间分布动态变化的影响机制研究仍然不足。上述问题推动基于土壤-景观理论的SOM空间分布估测研究持续发展。本文将对基于土壤-景观理论的SOM估测研究现状进行全面分析，对该方法存在的问题与研究趋势进行探讨，以期为其进一步发展提供借鉴与参考。

1 基于土壤-景观理论的土壤有机质估测模型

在基于土壤-景观理论的SOM空间分布估测建模研究中，经历了景观因子类型由少而片面到愈加多而全面、建模方法与技术由较为单一到愈发多样化的演进过程。尤其是随着快速、宏观、可重复观测遥感技术的引入，为该方法带来了新的生命力。目前，土壤-景观理论建模研究取得了较大进步，在景观因子类型上包含了土壤属性、气象、地形、植被(由遥感技术提供)、人为活动因子等遥感和非遥感因子[12]，在建模方法上出现了地理加权回归(GWR)[13]、随机森林(RF)[14-16]、神经网络[17]、贝叶斯最大熵[18,19]、贝叶斯神经网络[19]、贝叶斯最大熵和贝叶斯神经网络结合模型[19]等多样化的模型与算法，SOM含量空间分布估测精度得到很大提高。

以常用的SOM含量估测GWR模型为例， 参考文献[13]，设Y为土壤有机质含量，X1，X2，…，Xp为各类景观因子，(Yi,Xi1,Xi2,…,Xip)为土壤有机质含量与各类景观因子在地理位置(ui,vi)处的观测值，i= 1,2,…,n，则GWR模型为：

(1)

式中，βj(u,v)(j= 0,1,…,p)为空间地理位置(u,v)的未知函数；εi(i= 1,2,…,n)为独立同分布的误差项且E(εi)=0，var(εi)=σ2。

2 存在的问题

尽管基于遥感和非遥感数据的SOM空间分布估测取得了重要进展，但是仍存在一些问题。下面从景观因子时空尺度效应、土壤有机质估测模型效力、人类活动对SOM含量空间分布动态变化的影响机制研究3个方面进行阐述。

首先，遥感数据的融入在带来利好的同时也带来了挑战，体现在：① 传统研究对于土壤-景观理论建模中诸因子的尺度差异性问题关注与解决不够，存在理论上的不严密，尤其是当多尺度遥感数据融入以后，该问题将愈发突出；② 传统研究对SOM的多尺度特性研究不够充分；③ 传统研究对SOM的时间演变特性研究不够充分，遥感数据融入后，基于遥感的多时相、可重复观测特性，部分典型地物信息(如植被)及反映人为活动的因子(如建筑物、农田地膜等)得以稳定、准确获取，为SOM的动态估测及演变机制研究提供了新的手段。

其次，前文所述的建模技术与方法各有特点，优劣不同。除去这些传统建模方法，有必要引入新的土壤-景观关联模型建立方法。

最后，人类活动对SOM含量空间分布动态变化的外在影响表现与内在机制研究仍然不足。传统土壤-景观理论研究中，通常考虑非人为景观因子，在人类活动对SOM含量空间分布动态变化的影响方面研究较少。事实上，人类活动可通过直接方式(补施有机肥)或间接方式(改变地表植被等地表覆盖/覆被)对SOM含量产生影响，但其具体影响机制尚未可知。需要进行人类活动对SOM含量空间分布动态变化的外在影响表现及内在机制进行研究。

3 研究趋势

针对上述问题，本文认为基于土壤-景观理论的土壤有机质估测将存在如下研究趋势。

3.1 从景观因子空间尺度、时间效应角度考虑

首先，建模过程中SOM含量采样数据、其他类型景观因子需要与遥感景观因子进行尺度“一致化”，以获取更为准确的模型输入参数，这种尺度“一致化”包含了气象数据等的简单空间尺度的变化(空间化)[20-21]、土壤采样数据及土壤含水量等定量遥感空间升尺度和空间降尺度[21-25]等方面的内容；提供尺度“一致化”的土壤-景观因子是后续SOM时空分布建模及其分布特性与规律探索的数据基础，具有基础性地位。该环节的重难点为土壤-景观理论中各参数的尺度转换理论与技术。

3.1.1 高精度“像元”尺度土壤有机质样点数据获取

严格意义上，SOM含量采样数据和景观因子尺度并不一致，直接对其进行关联建模不准确，需要进行采样数据的空间升尺度，即将采样数据从“点”尺度上推至景观因子的“像元”尺度。升尺度方案如下：

① 参考地理学第一定律，考虑到SOM含量具有高度空间相关性，使用“空间平均配置法”进行“像元”尺度范围内对应样点位置的布设。样点具体布设方法需依据景观因子的“像元”尺度与实际采样“点”尺度比例而确定，为保障升尺度精度，通常要求在对应于景观因子的尺度内(以遥感影像为基准，即一个像元的范围)，样点设置数量 × “点”尺度尺寸 ≥ 1/4 × “像元”尺度。

② 考虑到SOM含量属于标量，符合定量遥感升尺度的“面积加和取平均”的规律[26-27]，对上述“像元”范围内布设的样点数据取平均即可计算得到“像元”尺度的平均SOM含量，并可近似为“真值”。

3.1.2土壤水分空间降尺度转换

土壤含水量是重要的地表参数，可通过影响土壤内生物化学作用对SOM形成与转化产生重要影响(这一影响效应在长时间尺度上更为显著)，同时对土壤持效态成分有机质的效能释放发挥重要作用，因此稳定且连续一致的长时间序列土壤水分数据产品对于SOM空间分布估测研究具有重要的理论价值与实际意义。微波遥感具有独特的土壤水分观测能力，能全天时全天候地提供较高精度的大尺度土壤水分数据产品。目前，国内外研发出多种土壤水分产品，作为代表性的土壤水分微波遥感手段，AMSR-E(Advanced Microwave Scanning Radiometer)和AMSR2系列传感器能提供长时序的多频段(C，X，K波段)辐射计观测，而近来发射的SMAP(Soil Moisture Active Passive)卫星搭载的L波段辐射计能提供目前最高精度的土壤水分观测[28]。结合上述2种卫星数据各自的优势，利用人工神经网络方法，可以得到与SMAP土壤水分产品有近似精度的2002—2019年的长时序土壤水分数据集(NNsm)[28]。同时，清华大学和中科院青藏所联合发布了2002—2011年中国大陆0.25°空间分辨率土壤含水量逐日格网数据[29]。上述土壤水分产品推动了区域乃至全球高质量土壤水分数据集的供给。但是，目前的土壤水分产品通常存在相似的问题，其空间分辨率通常低于1 km，与其他常用遥感地表参数(如Vegetation Indexes，LUCC)空间分辨率差异大，联合应用时存在空间尺度“障碍”，不利于地表生态环境系统的精细化研究。同样，对于精细农业，获取更高空间分辨率、动态的土壤含水量数据亦十分必要。此时，需要对其进行空间降尺度研究(Spatial Downscaling)。鉴于长时序土壤水分数据集(NNsm)[28]的优异质量，以该产品为例，可对其进行空间降尺度转换及应用研究。具体包含以下2点：

① 基于分形迭代函数系统的NNsm土壤水分产品空间降尺度转换模型构建与改进作为数学分支的分形几何学，因为具有完整、严谨的理论体系，可针对自然现象的多尺度特性的表现、本质及产生原因进行系统研究。可选择合适的研究区，基于分形迭代函数系统(Iterated Function System，IFS)进行NNsm土壤水分产品空间降尺度转换模型构建与改进，并对降尺度产品进行验证。

② 基于分形方法的NNsm土壤水分产品时空尺度转换耦合模型构建基于分形方法，建立遥感地表参数时空尺度转换耦合模型是有挑战性的问题，基于多重分形方法建立统一、精简的NNsm土壤水分产品时空尺度转换耦合模型固然理想，但是采用一种形式简单、但体量稍微复杂的模型——单时相分形IFS函数的“联合方程组”，也是一种有效的方法。该“联合方程组”包含如下关键步骤：确定时相“节点”,各时相“节点”NNsm土壤水分产品降尺度转换模型建立，NNsm土壤水分产品时空尺度转换耦合模型建立。

多尺度遥感数据的融入为探索估测SOM空间分布的多尺度特性提供了更大的可能。由于遥感具有空间多尺度特性，遥感景观因子亦将具有“多尺度”特性，同时结合上述土壤-景观因子尺度“一致化”技术，进行SOM含量空间分布的多尺度特性研究十分必要且具有可行性。

由于遥感具有多时相特性，遥感景观因子亦将具有“多时相”特性，进而进行SOM含量空间分布动态监测十分必要，而且遥感景观因子(植被属性、建筑物、农田地膜等)可直接或间接反映人为活动的影响，进而为探索人为活动对于SOM含量空间分布动态变化的影响机制提供重要条件。

3.2 从SOM含量空间分布建模的角度考虑

参考时空加权(自)回归模型[30-33]在进行地理、社会现象时空分布特性定量刻画方面的优势，可尝试将该方法应用于SOM空间分布动态监测建模中。同时，分层贝叶斯模型[34-35]在进行地理现象空间分布描述时可充分顾及其局部空间特异性，也可尝试引入该方法进行SOM空间分布估测建模。基于时空加权(自)回归模型、分层贝叶斯模型的SOM空间分布估测算法描述如下。

3.2.1 基于时空加权(自)回归方法的土壤有机质含量空间分布估测

传统时空加权回归模型GTWR如下[30]：

(2)

式中，Yi为样本点i的被解释变量值(i= 1,2,…,n)，n为样本点的数目；m为解释变量的数目；ti为第i个样本点的时间坐标；α0(ui,vi,ti)表示样本点i的时空截距项；Xij表示样本点i的第j个解释变量值；αj(ui,vi,ti)表示样本点i处第j个变量的回归系数，是时空坐标的函数；εi表示残差。αj(ui,vi,ti)中蕴含时空权重函数，该函数可表示为Wi(ui,vi,ti)=Wi(ui,vi)⊗Wi(ti)，其中Wi(ui,vi)是空间权重，Wi(ti)为时间权重。计算时空距离时，可乘以参数λ作为时空权重的平衡因子。

为了兼顾空间和时间的相关性，建立时空权重矩阵，对传统GTWR改进，得到改进的时空加权回归模型IGTWR[32]：

(3)

式中，各参数含义参考式(2)及文献[32]。

对传统GTWR进行改进，可得到时空加权自回归模型GTWAR[31]：

(4)

式中，各参数含义可参考式(2)、式(3)及文献[31]。

3.2.2 基于分层贝叶斯方法的SOM含量空间分布估测

建立如下贝叶斯分层回归模型[35]：

yi=aj[i]+β1j[i]x1i+β2j[i]x2i+···+βpj[i]xpi+εi，

(5)

式中，y代表土壤有机碳；j代表分组号；a为截距；β1，β2，···，βp为各预测变量的系数；x1，x2，…，xp则为选择的各景观因子；ε为误差项。其中：

(6)

(7)

(8)

⋮

(9)

ε～N(0,1)，

(10)

此外，式(6)～式(9)中的aj，β1j，β2j，…，βpj也服从联合正态分布，即：

(11)

3.3 人为活动影响下的SOM空间分布的动态制图

人为活动(如农田荒芜、退耕还林、农田种植结构改变等)可以通过影响景观因子(如植被)对SOM含量产生影响。这种影响可以通过2种方法量化：

① 将人为活动量化为一种参数，将其固化至土壤-景观关联模型中。这一方法更为科学，对于SOM含量的估算亦更为精确。但是考虑到人为活动复杂多样，在一定程度上不易定量描述，暂时未进行此方面的深入研究，而是进行了下面第2种方法的探索。

② 将人为活动量化为某些景观因子(如植被)，通过不同时相此景观因子的变化间接反映人类活动的影响。基于这种处理，移植单一时相下土壤-景观关联模型的建立方法，可方便地进行多时相下每个时相土壤-景观关联模型的建立，进而获得研究区多时相SOM空间分布动态变化结果。其中一些关键环节的处理如下：

首先，为对此问题进行研究，需充分利用SOM采样历史数据，以获取历史时相“像元”尺度的采样点SOM含量。若没有充足的历史数据，可考虑通过历史时相高光谱影像反演所得SOM含量影像，进而从中提取“像元”尺度采样点SOM数据。

基于SOM-高光谱的遥感反演模型可以获取长时间序列的历史-现势SOM空间分布栅格数据，优势显著，可弥补上述动态监测研究时SOM采样历史数据的不足。但该方法通常无法充分揭示各类景观因子的差异性影响，即无法精细表达不同景观因子、人为活动对SOM动态变化产生的好与坏、强与弱的影响，不利于提供精细的决策支持。土壤-景观理论的SOM空间分布在这一问题上有重要优势。2种方法结合研究，可以互补缺失，获取最大的效用。基于土壤-景观理论的SOM长时序动态变化监测有望能实现自然因素-人为活动多因子综合作用下的SOM时空分布变异机制精确描述，为生产生活实践中针对土壤或土地问题提高认知、合理决策提供新的依据。

4 结束语

本文对于融合遥感与非遥感数据的SOM土壤-景观理论建模研究现状进行了分析，对该方法可用于高精度土壤有机质空间分布估算的有效性予以肯定；同时，认为遥感数据的融入为估算带来了利好，在空间范围拓展、像元级估算、多时相动态分析方面的优势尤其显著。对于相关研究存在的问题与研究趋势进行探讨，在进一步的研究中，需充分顾及土壤-景观理论模型中各因子的“尺度问题”，基于各因子数据“空间尺度一致化”技术，可选择分层贝叶斯、时空加权(自)回归等新颖模型，以实施研究区单时相不同尺度SOM含量空间分布制图以及多时相同一尺度(中等)SOM含量动态变化制图；同时，应进一步关注人类活动对SOM含量空间分布动态变化的影响机制研究，最终实现SOM空间分布精确估测与动态监测，并在一定程度上揭示了其分布规律及与景观因子关联机制。