大兴安岭地区土壤有机质空间变异特征及影响因素分析

时间：2024-05-30

都彦廷，杨光辉，张冬有

（哈尔滨师范大学寒区地理环境监测与空间信息服务黑龙江省重点实验室，黑龙江哈尔滨 150025）

土壤有机质（SOM）是土壤的重要组成部分，其不仅在生态系统中充当重要角色，还起到控制作物长势和改善土壤结构的作用［1-2］。因此，准确获取SOM空间格局及变异特征对优化农业结构和土壤可持续利用具有重要意义。SOM受到土壤学、地球化学及环境科学等多方面学者的关注，众多专家使用地统计学方法评估土壤属性的空间分布［3-4］。如Leticia等［5］在研究乌巴图巴湾时得出土壤粒度与SOM的相关性较强；Marchetti等［6］利用克里金插值法处理样点信息，发现人为因素会促使SOM退化；陈慕松等［7］探讨福安市耕地SOM空间特征时发现拟合指数模型是最优模型。

近年来研究者尝试用多光谱遥感反演探究有机质含量变化，发现其反演精度会根据地表裸露度及影像分辨率的不同而产生差异，最佳预测模型也会随着研究尺度和区域的不同而发生改变［8］。李欣宇等［9］使用TM影像测定海伦市SOM格局，发现波段1与SOM相关性极为显著。有学者通过深入研究得出，SOM的空间异质性受结构性和随机性共同影响［10］；马红菊等［11］研究德阳市土样发现地貌与作物类型会显著影响SOM的变异。但目前关于SOM的研究大多基于中小尺度的单一因子来进行分析，而对较大尺度、复杂影响机制的研究相对较少。

本研究以黑龙江省大兴安岭地区表层（0～20 cm）SOM为研究对象，利用野外GPS定点数据建立模型并验证精度，配合Landsat 8多光谱影像数据提取样品点光谱值，综合分析得出SOM含量分布图像及其影响因子。旨在为扩展Landsat系列卫星影像应用及推进黑龙江北部大兴安岭地区城市发展、改善农业结构和合理规划土地等方面提供科学依据。

1 材料与方法

1.1 研究区概况

研究区位于我国黑龙江省西北部，中心坐标为124°06′E、51°52′N，是中国纬度最高的区域，北部临近俄罗斯并以黑龙江为界，总面积约为835万hm2。该区属寒温带季风性针叶林气候，春秋少雨，年均降水量约460 mm，年均温为-2.6℃。平均海拔573 m，山地丘陵较多，森林覆盖率高达79.83%，树木以樟子松、白桦、落叶松为主，土类包括暗棕壤、黑土、草甸土和沼泽土等。

1.2 土壤样品采集

基于土地利用类型图布设采样点（图1），使用间距为15 m×15 m的五点采样法于2018年9月采集0～20 cm土样181个，记录经纬度等要素。土样经自然风干、去除杂质和研磨过筛后，使用重铬酸钾容量法和电位法测算SOM含量和pH值。

1.3 遥感影像选取与处理

选取2018年4和10月Landsat 8陆地成像仪（OLI）的L1T级数据（影像行带号范围为P119～P123、R23～R24），共9个波段。其中除全色波段8的空间分辨率为15 m之外，其余波段分辨率均为30 m，参数如表1所示。影像数共8景，该时段研究区内土地表面基本裸露，对土壤光谱特征的反映较真实。通过ENVI 5.3预处理Landsat 8初始影像，并计算波段反射率（B）与SOM含量（M）的相关性系数（r），公式如下：

表1 Landsat 8 OLI参数

其中，j表示采样点个数，Bij和Bi分别为波段i对应的反射率值与平均反射率值，Mj和分别为实测SOM含量与平均SOM含量。通过建立相关系数，可以获得各个波段在该区域的敏感程度，若r>0，表示反射率与SOM含量变化呈正相关关系；r<0则呈负相关关系。处理影像数据后与DEM和土壤样点数据综合，利用ArcGIS 10.2中的Surface功能计算坡向、坡度等地形因素，Pearson变量相关性检验SOM与地形因子的相关程度。

1.4 地统计学方法与空间插值

运用SPSS 24.0分析变量，在满足正态分布条件下，使用半方差函数建立地统计学模型可有效描述区域性变量的空间变异规律［12-15］。利用GS+10.0拟合计算得出符合研究区的半方差函数模型后，用ArcGIS 10.2进行交叉验证和空间插值。本研究插值采用普通克里金法估算采样点未知值，能更充分地考虑临近样点的信息［16］，计算公式为：

1.5 有机质遥感反演方法

遥感反演是将光谱反射率与样点数据相结合，选择并构建土壤反演模型，以得到合理的预测信息［17］。数据分为150个建模数据和27个精度验证数据。将SOM化验值与影像敏感波段反射率2组数据进行多元逐步回归分析（MLSR）建立遥感反演模型，决定系数（R2）值越趋近1模型稳定性越好，均方根误差（RMSE）越小模型精度越高。计算公式为：

其中，Vi和Vi′分别为样点i的实测SOM含量和模型预测SOM含量，Vi为实测的平均SOM含量，n为样点的总数，共177个。

2 结果与分析

2.1 SOM描述性统计

表2 为研究区177个SOM数据的统计特征，结果表明SOM含量变化在20.19～208.49 g·kg-1之间，平均含量水平为76.22 g·kg-1，标准差达到58.65 g·kg-1。研究区内变异系数为76.95%，根据其评价标准［18］，属中等程度变异，适合空间插值。用K-S检验SOM数据的正态分布性。

表2 土壤有机质数据统计

2.2 SOM空间变异及结构性分析

利用GS+分析样点数据，分别得出SOM的3种函数模型及其相关参数（表3）。其中，指数模型比其他2个更优，其决定系数为0.675，拟合的最终效果好。因此根据模拟的最优模型参数，在ArcGIS 10.2的spatial analyst模块中插值得到图2。据分析可知，SOM块金值等于0.0269，表明数据受到采样、实验和随机因素的影响极小。基台值等于0.0819，表示结构性变异和随机性变异相加的和。块基比为32.78%，表示中等空间相关程度，可知SOM受随机因素如农耕、施肥的影响稍小于坡度、地形等结构因素的影响［19］。变程为27.78 km，说明SOM数据在该变程内空间自相关的距离较大，影响区域较广。

表3 SOM变异模型参数

2.3 SOM与光谱反射率关系

选择6个分布相对合理的采样点提取反射率来绘制光谱反射率曲线（图3），可以看出曲线大致的走向相似，均有随着波段长度增加反射率先高后低的趋势，且在波段5～7时反射率变化幅度相对较大。

再通过单相关分析公式，计算研究区样点的光谱信息（包括光谱反射率和数学变换）与SOM数据的相关关系。得出大兴安岭地区SOM含量与Landsat光谱反射率呈负相关，近红外波段5相关性最高，相关系数为-0.676；其次是红色波段4、波段6（短红外波段1），相关系数分别为-0.508和-0.499。对数和倒数变换处理会提高显著性，相关系数分别达到0.711和0.734。

2.4 SOM回归预测模型

以影像光谱反射率及变换数据为自变量，SOM含量为因变量进行回归分析，发现数学变化后的单波段可用于模型精度的提升，多波段相较于单波段的模型精度偏高。因此构建SOM含量回归方程时，可对反射率进行一定的数学变换操作或组合不同的波段共同作为自变量分析。如表4所示，其中S为有机质含量，L1～L7为Landsat 8所对应波段1～7的反射率。

表4 有机质反演模型

据表4可得，反射率及其数学变化不同，其构建出的模型精度也会存在相应差异。单波段模型构建时，倒数变换并不会很好地提高模型精度，进行对数变换的模型精度也仅得到较小幅度的提升，二者均在波段5获得最优模型。在多波段分析中，分别对原始数据、倒数变换、对数变化及这3种方式相结合的MLSR手段构建反演模型；多波段单一数学变换建立的模型精度均有提高，混合多波段及其数学变换得到的模型精度提升显著。比较可知，使用混合多波段及其数学变换的方法构建出的模型精度和稳定性更高、更适合影像数据的信息处理，得到模型如下：

2.5 SOM空间分布格局

运用ENVI 5.3的band math功能，首先输入遥感影像的反演模型，将自变量波段代入反演模型中进行研究区域的SOM反演。采用决策树分类的方法，分别对分类标准进行定义、对决策树进行构建以及执行，最终得出研究区的SOM决策分类标准。由于当地森林覆盖度高，山脉众多，地势较复杂，因此将SOM预测图进行了2种方案的划分。方案1是依据国家土壤养分分级中的SOM含量分级标准进行分类，可了解大兴安岭地区SOM含量目前处于全国的何种水平；方案2是根据当地SOM含量特征来合理分级，便于分析SOM的空间分布。影像中水体部分被掩模提取掉，其值等于0，得到图4、5。

由图2、4和5可知，SOM的空间分布格局如下：

（1）从整体上看，大兴安岭地区大部分区域SOM含量处于较充足的状态，为40～80 g·kg-1。依据国家标准分级图，图中大部分区域呈深灰色，多数地区有机质含量大于30 g·kg-1，位于国家分级标准的丰富水平；部分区域为20～30 g·kg-1，属于中上水平；极少地区低于10 g·kg-1。究其原因，是当地具有气候湿润，夏冬季降水较多的气候特征，植被又多为茂密的白桦、兴安落叶松等原始森林或草地，使有机质充分累积且不会被过多消耗利用。

（2）从局部区域来看，插值图中SOM含量分布有3处达到最高值，分别为偏北部、偏西部及西南下部区域，而低值区位于东南及西北地区。自定义分级图中也呈现出南北部的空间分布差异，其北部SOM含量大多数高于40 g·kg-1，显著高于南部。出现SOM最高值的这3个位置分别为别克山、富克山和大布勒山，原生土壤较多，森林和草地覆盖度也较其他地区更高，会富集大量的凋落物且分解速度较慢，同时较高海拔山区人员流动较少，因此土壤水分比较充足，有利于SOM的累积。而东南地区位于呼玛县附近，该地地势相对其他地区较平缓，具有土质黏重的“低产田”，于2012年进行的大量水稻培育试验及扩大水稻田种植面积等人为活动更加重了当地的生态环境负担，使得SOM含量下降。西北部区域为旅游区，随着漠河地区旅游业的发展，旅游人数的增长会提升森林资源的需求量，导致该地区比其他地区SOM含量相对偏低。也有部分区域由于交通不便、采样困难等因素，在图中的含量变化相对不显著。表明对于SOM含量较低的区域，应加强管控并适当调整经济发展方式，保证土壤资源的健康及可持续性。

综合得出，大兴安岭地区SOM含量整体属于丰富水平，其空间格局分布呈条状，在累积与消耗土壤有机质过程中，地形因子及人类活动会造成一定影响。表明在保护和协调好生态环境的条件下，发展大兴安岭地区野生食品、森林旅游和林下养殖等多种特色产业，可以推进当地林下经济发展，转变原有的经济发展模式。

2.6 SOM影响因子分析

在SOM的影响因子中选择海拔、坡度、坡向和pH值4种随机因素计算相关关系（表5），发现大兴安岭地区SOM与海拔的相关系数等于0.306（P=0.027<0.05），SOM会随海拔的升高不断上升。根据实地调研发现，由于低海拔地区主要是农田、耕地与已被开垦的草地，有机质含量积累能力较低；研究区中等海拔所在的范围土壤主要是草甸土和暗棕壤，其中暗棕壤位于针、阔叶林的混交林地区，大量落叶与山林环境会促使有机质合成；海拔较高地区主要分布有石质土和棕色针叶林土，2种土壤肥力均偏低且不易培肥，且土地利用时间较短，但高海拔交通较为不便致使采样点较少，可能对分析结果产生一定影响。SOM与坡度和坡向仍呈正相关关系，但相关系数分别为0.184（P=0.014<0.05）和0.106（P=0.162>0.05），影响相对较弱。

表5 有机质与影响因子的Pearson相关关系

土壤pH值所在区间不同会导致土壤所含微生物的活性和种类也不尽相同，从而影响SOM的合成与消耗［20］。SOM与pH值的Pearson相关系数为-0.311（P=0.033<0.05），说明随pH值的升高SOM逐渐降低。将研究区表层土壤的pH值（4.53～8.61）划分成4个等级，由表6可知，大多数土壤为弱酸性，中强酸性次之。根据实际采样分析，弱酸性土壤类型主要是暗棕壤、草甸土和沼泽土，这些土壤多分布于低山、河流与平原地区，有机质含量最高可达79.99 g·kg-1；pH值处于中强酸性的通常为棕色针叶林土，其拥有较高的腐殖质含量且开垦程度较低，因此SOM较丰富；当地碱性土壤不多，大部分由于耕地的开垦及肥料的过度使用导致土壤酸性增强，也有由于采样和实验过程中的误差所引起的pH值与实际值有所偏差。

表6 土壤pH值分级标准及样点分布情况

3 讨论

3.1 讨论与分析

作为我国最大的国有林区和唯一的寒温带地区，大兴安岭地区拥有大面积天然林和寒温带生物基因库，其土壤类型及养分状况的评价对于管护和发展森林资源、推进合理开发利用林区经济资源具有一定的指导意义。本文选取能够直接影响土壤肥力和作物生长的SOM为评价指标，运用插值与建立遥感数据反演模型相结合的方法，重点分析了大尺度区域SOM的空间分异规律及影响因子。研究结果显示当地表层土壤SOM含量总体较高且具有地区差异性，这与国内现阶段对于林地草地所占比重较大、海拔较高区域方面的研究所得结果较为一致。钟聪等［19］发现广西壮族自治区北部的植被类型为林地或草地时SOM呈现高值，非耕地SOM含量显著高于耕地；杨静涵等［20］对黄土高原沟壑区的研究表明海拔较高的林地SOM较富裕；齐雁冰等［21］也在研究陕西南部的秦岭山地区和大巴山区时得到SOM的较高值。很多学者提出SOM的含量、分布以及转化过程，既会受到地形、母质和气候等结构因素的影响，也与耕种方式、农作物类型等随机因素有关［22］。

研究区SOM呈现明显的条带状空间分布特征，所处位置在第二阶梯和第三阶梯过渡区上，除了有山地地形之外，还同时存在平原地区，地形起伏可能会在一定程度上影响SOM。根据当地的地形因子及土壤理化性质分析，海拔对SOM的影响较为显著。随着海拔的升高，植被从农田、耕地逐步转变为茂密的林区，土壤类型也从暗棕壤转化为石质土，SOM含量随之升高。对此，学者们所得出的结论各有不同［23］。马泉来等［24］在东北黑土小流域区开展的研究发现SOM与海拔呈正相关且相关性极强，与本文结果一致；而皮龙风等［25］研究发现黑龙江双山农场地形高的位置SOM偏低。对于土壤pH值的研究结论同样也存在差异性，白树彬等［26］提出辽宁省SOM与土壤pH值具有显著的交互影响，二者负相关性极强；而杨玉婷［27］在陕西省开展的研究则认为土壤pH值与SOM正相关性较强。综合前人结论分析，造成这种现象的原因可能是海拔和pH值与SOM的相关程度随着研究区土壤质地、土地利用方式等要素的不同而有所差异。文中对土壤有机质影响因素进行研究，仅初步得到地形因素和土壤pH值的影响。此外，可以考虑更多因素如土壤质地、温度、降水量等，得到更精确的影响因子。

3.2 发展与展望

为了能够进一步精确探讨土壤养分的空间分布格局，很多学者将地统计学与GIS结合起来，成为一种新的手段引入到土壤的研究中。本文采用的也是这种方法，利用普通克里金插值得到SOM的空间分布特征，同时结合2种分类方法进行遥感反演，综合二者结果来探索和描述大尺度区域上SOM的整体及局部分布特征，预测和估算各区域SOM含量值。由于Landsat系列卫星稳定程度较高，可对其进行较长时间尺度的分析，因此选择Landsat 8影像进行反演。在遥感反演的初期阶段，选取了影像提取出来的6个实地采样点对应的光谱反射率，发现不同SOM的光谱曲线均呈现随波段长度增加反射率先升高后降低的走势。于雷等［28］在研究光谱变化时也得到一致的研究结果。再将反射率作为自变量，进行各个波段的建模及精度检验，可知Landsat 8影像近红外波段建立模型拟合效果最好，将反射率进行对数、倒数变换增加了其与SOM的相关性，从而得到多波段优于单波段模型的结论，其中混合多波段及其数学变换模型的精度最高，这与利用多波段代替单波段可构建最佳模型的研究结果相一致。马驰［29］发现黑土区利用Landsat 8影像红外、近红外、中红外波段结合方式构建模型会得到最优效果；周倩倩等［30］对干旱区绿洲土壤的近红外、中红外、蓝波段共同建立SOM预测模型效果好。表明不管土壤类型是否相同，因受不同数学模型及传感器的影响，都会出现一致或不一致的敏感波段。需要注意的是，本研究中采集了177个样本点，但在研究尺度较大的情况下仍需要获取更多的样点来确保数据具有代表性，其反演精度还需进一步验证。今后工作可以按照合理增加研究区样本点，尽可能缩短采样周期为提高方向。

综合上述分析可知，在指导大兴安岭地区发展与资源利用方面，应充分考虑到SOM的空间异质性作为前提，稳定SOM含量为原则，以保障林下经济模式的合理规划、草地资源的开发和可持续利用、自然保护区生物多样性等为现实目标推进地区发展。考虑到研究区实地多为弱酸性土壤，分布于地势较低的平原地带，其次为腐殖质较高的中强酸性土壤，均有丰富的SOM储备量。因此，在保护原有的生态平衡基础上进行经济开发、畜牧业发展和林区转型等活动是可行的。但对于SOM含量下降和偏少地区，停止商业采伐、对部分低产田实施退耕还草的举措也是尤为重要的。现今针对林区发展的对策，包括扶持林下优势产业、培养和引进优势人才、加强招商引资、设置森林经济专职专责制等，充分考虑农、林、牧业活动的多样性。此外，草场及周边环境的保护也应引起重视，因地制宜地提出草场保护措施。