黄三角濒海区土壤盐渍化的驱动力分析及预测模拟

赵铭，常春艳，王卓然，赵庚星

（山东农业大学资源与环境学院土肥高效利用国家工程研究中心，山东泰安 271000）

0 引言

土壤盐渍化是一全球性环境问题，易导致农田退化、土地生产力降低等问题。中国盐渍土面积约3600万hm2，占全国耕地面积的6.62%[1]。黄河三角洲自然资源丰富，被誉为最有开发潜力的三角洲，但区域内生态环境脆弱[2]，土壤盐渍化现象较为严重，由于长期海水的浸渍作用以及黄河水动力的影响，导致地下水埋深较浅、矿化度较高，土壤积盐问题严重[3]，同时人类对土地的不合理开发利用，使得区域土壤盐渍化程度日益加剧，制约着当地经济社会的可持续发展。

土壤盐渍化的产生是多种因素综合作用的结果，在对其探究时，既要理清土壤盐渍化的主要因素，也要对不同因素间的作用关系进行分析。苏春利等[4]探究了地下水因素是河套灌区土壤盐渍化产生的主控因素；臧亮等[5]探知了黄骅市土壤含盐量的主要影响因素为地下水矿化度、地下水埋深和高程。而地理探测器方法可以很好的用于土壤盐分影响因素之间的综合性分析，此方法可以通过探究不同变量之间的空间分异性进行背后驱动力的揭示[6-7]，主要包括因子探测器、风险探测器、生态探测器、交互作用探测器，目前地理探测器在不同研究方向中都被广泛应用，如社会科学[8]、自然科学[9]、环境科学[10-11]等。

在对土壤盐分进行预测模型的构建时，主要是基于统计分析方法和机器学习方法来进行分析[12-13]，常用的模型主要有多元线性回归模型、偏最小二乘回归模型、BP 神经网络、支持向量机、随机森林[14-16]。如马国林等[17]基于构建的随机森林、极限学习机、偏最小二乘回归模型进行了新疆干旱地区土壤盐渍化监测，并选出最优模型为RF 模型。张智韬等[18]分析了支持向量机、BP 神经模型、随机森林模型和多元线性模型的精度效果，得出结论RF模型可作为土壤盐分的最佳反演模型。在土壤盐渍化的模拟研究中，多数通过水盐运动进行数值模拟[19-20]，或者通过模拟盐分的影响因素变化程度进行分析[21]。如黄亚捷等[22]利用Sahysmod 模型模拟未来10 年的土壤水盐动态变化情况。朱文东[23]通过模拟不同地下水埋深和地下水矿化度的情形来分析土壤盐渍化的水盐运移规律。贾春青[24]模拟了地下水位在1.0～2.1 m之间的变化幅度，分析了在不同深度的埋深下土壤盐分的动态变化情况。由于不同地区土壤环境及盐渍化状况的差异，土壤盐分驱动力及其最佳模型并未有很好的兼容性，特别濒海区域尚需进一步的研究探索。

因此，本研究选取黄河三角洲垦利区为研究区，筛选出土壤盐分主要驱动因子，构建盐分的最佳预测模型，进而对土壤盐分进行情景模拟分析，为黄河三角洲濒海区土壤盐渍化的治理和开发利用提供科学依据。

1 材料与方法

1.1 研究区概况

垦利区(118°15′—119°19'E，37°24′—38°10′N)隶属于山东省东营市（图1），位于黄河入海口，东濒渤海，区域属于暖温带大陆性季风气候，四季分明，春季干旱多风，夏季炎热多雨，秋季凉爽温和，冬季寒冷干燥。地势自西南到东北呈扇状分布，地貌类型主要有微斜平地、海滩地、河滩高低，植被有天然植被和人工植被，天然植被多为耐盐性植被。土地利用类型主要有耕地、林地、草地等，主要农作物有小麦、玉米和棉花，土壤类型多为滨海盐化潮土，土壤质地以轻壤和砂壤为主，毛细管作用强烈，加上区域地下水埋深较浅且矿化度较高，同时受到海水浸渍的影响，土壤盐渍化普遍。

图1 研究区地理位置及采样点分布

1.2 数据采集与处理

1.2.1 数据采集综合考虑研究区地理位置、植被类型、土地利用方式等因素，在垦利区布设观测点位47 个，如图1所示，每个点位有多个观测样点，使用EC110便携式盐分计，对土壤表层(0～15 cm)电导率进行测定，并采集土壤样本，同时手持GPS 定位仪记录实地坐标，一共获得108组样点数据。

1.2.2 数据处理对土壤样本进行室内自然风干、研磨过筛，采用烘干法测定土壤盐分含量，建立土壤电导率Eco(dS/m)和土壤含盐量St(g/kg)之间关系模型(1)[25]。利用模型进行电导率转换，最终得到所有样点土壤含盐量数据。

1.3 研究方法

1.3.1 土壤盐渍化程度分级根据土壤含盐量(g/kg)的高低，将研究区土壤盐渍化程度分为非盐渍化土(0～1 g/kg)；轻度盐渍化土(1～2 g/kg)；中度盐渍化土(2～4 g/kg)；重度盐渍化土(4～10 g/kg)；盐土(＞10 g/kg)。

1.3.2 土壤盐分驱动因子的筛选基于前期研究与实地调查，综合选取了蒸发量、降水量、地下水埋深、地下水矿化度、土壤粘粒含量、相对高程、植被覆盖度、距海远近8 个与土壤盐分有关的影响因子，通过地理探测器方法分析土壤盐分与其相关因子之间的关系，从而进行驱动力的筛选。

地理探测器，通常用于探测两个变量之间可能会发生的因果关系，主要分为因子探测器、风险探测器、生态探测器和交互作用探测器四部分。本研究从因子探测和交互作用探测两方面进行分析，其中因子探测器用于分析不同的影响因子对土壤盐分的解释力大小，用q值来表示，值越大说明解释能力越强；交互作用探测器用于分析不同影响因子之间的相互作用力，用q值来衡量，因子间的关系有非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强5种。

1.3.3 土壤盐分预测模拟

（1）土壤盐分预测模型构建。在进行模型的构建时，将研究区的样本数据分为两组，随机选取2/3样本数据用于建模集，1/3 用于验证集，建模集与验证集数据的基本特征也保持一致，使二者都能反映整体的盐分状况。

以筛选出的土壤盐分驱动因子为输入变量，以土壤盐分为输出变量，分别采用统计分析中的多元线性回归(Multiple Linear Regression，MLR)、偏最小二乘回归(Partial Least Squares Regression，PLSR)以及机器学习中的BP 神经网络(Back Propagation Neural Network，BPNN)、支持向量机(Support Vector Machine，SVM)4 种方法进行模型构建。通过决定系数R2(Coefficient of determination) 和RMSE(Root mean square error)验证模型的预测精度，选用精度最高的模型作为土壤盐分最佳预测模型，其中R2表示模型的构建与验证的稳定性，其数值与1越相近，说明模型稳定性越强；RMSE用来检验模型的预估效果，其数值越小，说明模型精度越高。同时统计分析模型通过SPSS 19 软件实现，机器学习模型通过MATLAB R2016a 软件完成。

（2）土壤盐分情景模拟。以筛选出的土壤盐分驱动因子为输入变量，以土壤盐分为输出变量，通过选出的最佳预测模型进行土壤盐分的模拟预测，主要分为以下步骤：a.将模型应用于研究区的点位数据，从而得到各点位的盐分预测值；b.通过ARCGIS 软件将土壤盐分值进行空间插值分析；c.将插值结果图根据土壤盐渍化的分级标准进行重分类；d.统计不同盐渍化的占比情况。

2 结果与分析

2.1 土壤盐分空间分布特征

通过ArcGIS软件对土壤盐分进行插值，根据盐渍化程度等级进行划分，所得垦利区土壤盐分空间分布图（图2），可以看出，整体上研究区的盐渍化程度呈现出北高南低、东高西低的分布，东部沿海地区较易受到海水的入侵，导致盐土在这些区域分布广泛；重度盐渍土主要分布在中东部地区；中度盐渍土主要分布在西南和中部地区，这些区域种植农作物多，较多的植被覆盖使得盐渍化程度较轻；研究区的轻度盐渍土分布较少。

图2 土壤盐分空间分布图

2.2 土壤盐分驱动因子分析

（1）因子探测器。表1是因子探测器的分析结果，通过显著性检验P值可以看出，蒸发量、降水量、地下水埋深、地下水矿化度、地表高程、植被覆盖度、距海远近和粘粒含量8 个影响因子均通过了显著性检验，说明各影响因子均对土壤盐分的分布和土壤盐渍化的产生有着一定的控制作用。各因子对土壤盐分的影响力大小为地下水矿化度(0.762)＞植被覆盖度(0.737)＞地下水埋深(0.730)＞距海远近(0.627)＞粘粒含量(0.613)＞地表高程(0.609)＞降水量(0.419)＞蒸发量(0.364)，说明不同因子对土壤盐渍化的影响存在差异性。因子探测器的结果表明，土壤盐渍化是在蒸发量、降水量、地下水埋深、地下水矿化度、地表高程、植被覆盖度、距海远近和粘粒含量这8 个因素的共同影响下发生的，其中地下水矿化度、植被覆盖度、地下水埋深是土壤盐渍化的主导因素；距海远近、粘粒含量和地表高程是土壤盐渍化的重要因素；蒸发量和降水量对土壤盐渍化的影响力较小。

表1 因子探测器结果

（2）交互作用探测器。表2 是交互作用探测器的分析结果，可以看出不同因子间的交互作用影响力均大于单一影响因子对土壤盐渍化的影响力，均表现为双因子增强，说明因子间的交互作用对土壤盐渍化的影响力显著增加。交互作用探测器的结果表明，地下水矿化度与植被覆盖度交互作用的影响力最高，达到了94.2%，地下水矿化度与地下水埋深、距海远近交互作用的影响力也分别高达93.2%、93.0%，地下水矿化度与蒸发量、降水量、地表高程、距海远近和粘粒含量之间的交互作用力也均在70%以上，同时地下水矿化度、地下水埋深、植被覆盖度和距海远近这4个因子之间的两两交互作用力也较强。由此可以看出地下水矿化度是土壤盐渍化的最主要影响因子，植被覆盖度、地下水埋深、距海远近是土壤盐渍化的重要影响因子。

表2 交互作用探测器结果

结合因子探测器和交互作用探测器的分析结果可以看出，土壤盐渍化主要受到地下水、植被和海水的影响，由此，将地下水矿化度、地下水埋深、植被覆盖度和距海远近作为土壤盐分的主要驱动因子。

2.3 土壤盐分预测模型

以地下水矿化度、地下水埋深、植被覆盖度和距海远近为输入数据，以土壤含盐量为输出数据，构建了BPNN、SVM、MLR 和PLSR 模型，不同模型的预测精度结果如表3 所示，以验证集样本数据对模型进行验证的结果如图3所示。由表3可以看出，4个模型的建模集R2均在0.6 以上，其中BPNN 模型的建模精度最高，R2为0.8847，RMSE为1.1350；SVM 模型次之，R2为0.8397，RMSE为1.1112，二者均表现出了较强的预测能力；PLSR模型的建模精度最差。BPNN模型的验证集R2为0.7999，RMSE为1.1204，模型表现出较强的稳定性，依次是SVM模型、MLR模型、PLSR模型。从模型验证结果来看（图3），BPNN 模型的验证效果与SVM 模型、MLR 模型和PLSR 模型相比结果最佳，其实际值与预测值的R2最高，为0.8263，其余3个模型的R2均在0.8以下。

表3 土壤盐分预测模型评价指标表

图3 土壤盐分预测模型验证结果

经对比分析，BPNN 模型在4 个模型中的拟合程度最好，其稳定性最强，模型精度最高，由此可选用BPNN模型作为土壤盐分的最佳预测模型。

2.4 土壤盐分预测结果

通过BP 神经网络最佳预测模型对垦利区表层土壤盐分进行预测，得到的预测结果与实测结果面积统计如表4 所示。轻度盐渍土占比最少，实测面积比例为0.38%，预测结果面积比例为0.27%；中度盐渍土实测面积比例为27.91%，预测结果面积比例为25.72%；重度盐渍土实测面积比例为23.90%，预测结果面积比例为25.73%；盐土占比最多，实测面积比例为47.81%，预测结果面积比例为48.29%。

表4 不同盐渍化程度面积统计 %

实测与预测结果面积统计的结果显示，不同程度的盐渍土面积比例差别较小，因此使用BP神经网络模型对土壤盐分进行预测分析是可行的，同时预测效果良好。

2.5 土壤盐分情景模拟

通过上述土壤盐分驱动因子分析结果可以看出，地下水因素对土壤盐渍化的产生起到关键性影响作用，因此本研究模拟地下水的变化情景，同时借助上述最佳预测模型-BP神经网络模型对土壤盐渍化状况进行分析讨论。

在地下水的变化情景下，将水位变化幅度限定为0.5 m，分别设定对照组、地下水位下降0.5 m、地下水位上升0.5 m 3种情景。

通过地下水位变化情景下的土壤盐渍化程度以及面积统计可知（图4，表5），当地下水位下降时，轻度盐渍土在研究区分布最少，其变化最小，面积比例较对照组增加了0.22%，由0.39%变化到0.61%；中度盐渍土在中东部地区变化显著，同时呈现减少的趋势，面积比例由27.76%减少到22.30%；中部地区黄河两岸多为重度盐渍化，西南地区的部分盐土也转变为重度盐渍土，重度盐渍土的面积比例由23.70%变化到了39.98%；盐土仍集中分布在沿海地区，同时部分盐土转换到重度盐渍土水平，面积比例由48.15%减少到38.11%。

表5 地下水位变化情景下的土壤盐渍化面积统计 %

图4 地下水位变化情景下的土壤盐渍化程度

当地下水位上升时，轻度盐渍土呈现微弱变化，面积比例从0.39%变化到了0.37%；中度盐渍土变化显著，面积比例从27.76%减少到了12.99%，重度盐渍土面积比例由23.70%增加到46.21%，二者主要体现在西南地区和中部地区，中度盐渍土逐渐变化为重度盐渍土；南部沿海区域的盐土面积略有减少，从盐土水平变化到了重度盐渍土水平，面积比例由48.15%变化到40.43%，同时盐土仍集中在沿海分布。

整体来看，当地下水位下降时，盐渍化程度有所改善，主要表现为盐土面积大幅减少，改变了最初以盐土所主导的盐渍化现象。地下水位的上升，加重了土壤盐渍化程度，主要体现在中、重度盐渍化水平上，使得中度盐渍化面积下降，重度盐渍化面积大幅升高。

3 结论

（1）地理探测器中因子探测结果表明，各因子对土壤盐分的影响力大小为地下水矿化度＞植被覆盖度＞地下水埋深＞距海远近＞粘粒含量＞地表高程＞降水量＞蒸发量；交互作用探测结果表明地下水因素、植被覆盖度、距海远近之间的交互作用影响力较强，由此选定土壤盐分的主要驱动因子为地下水矿化度、地下水埋深、植被覆盖度、距海远近。

（2）4种预测模型的精度评价表明，BP神经网络模型的建模集R2为0.8847，RMSE为1.1350，验证集R2为0.7999，RMSE为1.1204，因此选用BP神经网络模型作为土壤盐分的最佳预测模型。土壤盐分预测结果分析显示，盐渍化预测面积结果与实际面积结果较为一致：轻度盐渍土预测结果为0.27%，实测面积比例为0.38%；中度盐渍土预测结果为25.72%，实测面积比例为27.91%；重度盐渍土预测结果为25.73%，实测面积比例为23.90%；盐土预测结果为48.29%，实测面积比例为47.81%。

（3）地下水变化模拟情景结果表明，地下水位的适当下降改善了土壤盐渍化状况，在对照组、地下水位下降0.5 m、地下水上升0.5 m 3种情景下，轻度盐渍土面积比例分别为0.39%、0.61%、0.37%，中度盐渍土面积比例分别为27.76%、22.30%、12.99%，重度盐渍土面积比例分别为23.70%、38.98%、46.21%，盐土面积比例分别为48.15%、38.11%、40.43%。

本研究对黄三角濒海区进行分析探究，筛选出土壤盐分的主要驱动因子，构建了最佳预测模型，并根据设定的情景对土壤盐分进行模拟分析，为黄河三角洲土壤盐渍化的调控及防治提供了依据。

4 讨论

土壤盐分含量的高低受到多种因素的共同作用，除自然因素外，人类活动也会在一定程度上对盐渍化产生影响，通过筛选土壤盐分的主要驱动因子发现，地下水因素对土壤盐渍化的影响较大，影响因子的筛选结果与马玉蕾[26]、周在明[27]、阮本清[28]等结果相似。气候、地形、土壤质地等这些自然因素不会轻易改变，但人为因素对土壤盐分的影响综合体现在地下水水位和水质方面[29]，因此要加强地下水的有效调控与动态检测，对水资源进行合理的利用，实现对土壤盐渍化的高效治理。

在黄河三角洲土壤盐分预测模型的探究中，机器学习模型的精度显著高于统计分析模型[30-32]，其中BP神经网络模型表现出较高的模拟精度，这与前人的探究结果相一致[33-35]。通过此方法对研究区的土壤盐渍化现状进行分析，得到该区域的土壤盐渍化预测分布图，该图符合研究区土壤盐渍化分布的实际状况，因此BP 神经网络模型为快速准确的对黄河三角洲濒海区土壤盐渍化预测分析提供可能。但是不同地区的土壤盐渍化状况不同，本研究所建立的最佳预测模型是否在黄河三角洲其他地区所适用，还需进一步的验证。

对于地下水位变化的情景模拟结果可以看出，当地下水位下降后，地下水补给的蒸发量减少，盐分在土壤中的积累作用减弱，能够在一定程度上减轻土壤盐渍化程度，因此，情景化模拟可以对盐渍化发展趋势进行有效的探究预测。但当前对于盐渍土的影响因子进行情景化模拟的研究较少，鉴于盐渍化的影响因子有多种，本研究只对地下水这一个因素进行了模拟，在之后的研究中，对其他因子以及因子间的综合作用也要进行相应的情景模拟分析。