不同尺度土壤性质空间变异研究进展
土壤水分空间异质性的研究进展
恢复生态学论文土壤水分空间异质性研究进展11级生科2班学号：201314010003姓名：李敏土壤水分空间异质性的研究进展李敏，刘蕊，马次香（昆明学院生命科学与技术系11级生科2班）摘要：土壤的形成过程包括物理过程、化学过程和生物过程。
由于不同地区在气候、母岩、地形、植被和动物等方面的不同,形成了各种土壤类型,导致土壤性质存在明显的差异。
即使在同一土壤类型,不同的时间和不同的空间上土壤的某些性质仍然不同。
土壤水分的空间分布格局及其影响因素，调查表明土壤具有时间上和空间上变化的特点。
在进行土壤调查时,同一土壤类型上不同的空间位置取样所测定的土壤养分和水分等因子常常具有较大的差别,除去取样和测定过程中的误差外,还存在着土壤本身的变化,这种变化称为土壤空间异质性或空间变异性。
土壤空间异质性是土壤重要的属性之一。
根据不同的地形研究土壤水分空间异质性。
又因我们条件有限只能查阅相关资料结合自己的想法做出推理验证。
关键词：土壤水分，不同的地形，土壤水分空间异质性与不同地形的分析，研究进展The research progress of soil moisture spatial heterogeneityLi min, Liu rui, Ma cixiang(kunming college of life science and technology of class 2 grade 11 raw) Abstract: the formation of soil including physical process, chemical process and biological process. Due to different regions in climate, parent rock, topography, vegetation, and the different animals and so on, has formed a variety of soil types, there are significant differences in soil properties. Even in the same soil type, different time and different space on certain properties of soil is different. Spatial distribution pattern of soil water and its influencing factors, the survey shows that the soil has the characteristics of the change in space and time. When soil survey, the same soil types in different space sampling determination of soil nutrients and moisture factor often has a larger difference, eliminate the error in the process of sampling and measurement, there is the change of the soil itself, this change is called the spatial heterogeneity of soil or spatial variability. Soil spatial heterogeneity is one of the important attribute. According to the different terrain research on soil moisture spatial heterogeneity. And because we only limited access to relevant information combined with his own thoughts to make reasoning test and verify.Key words: soil moisture, different terrain, soil moisture spatial heterogeneity and different terrain analysis, are reviewed土壤水分是连接大气圈与生物圈的重要纽带，是气候系统中不可或缺的一个关键参数，其在空间上的分布受到植被或土地利用、剖面曲率、高程、气象因素、地形、土壤、人为活动等多因子综合作用2]-[1。
土壤有机质空间变异预测研究综述
气候与人类活动气候对成土过程的水热条件起支配作用,
影响着土壤形成过程的方向和强度,是影响土壤特性空间变异最基 本的因素；人类活动对土壤特性空间变异的影响也时比较大的， 产生较大变异的因素很多,如施肥、作物品种、灌溉。 石淑芹等（2014）探讨了土壤性质对外部因素的响应机制和空间规 律，结果发现气候变量(均在 0.01 水平上显著)中, 降水和年均温、 施肥量对有机质含量以负影响为主，年日照时数、机械化耕作水 平、灌溉面积、地膜用量对多数区域有机质含量产生正影响，农 药用量对研究区域西部以正影响为主, 对东部以负影响为主。
支持向量机
由Vapnik 等人于 1992 年提出。该方法建立在统计学习理 论 、维理论 和结构风险最小化原理的基础上，根据有限样 本的信息，在模型复杂性和学习能力之间寻求最优折中，以 使构建模型的泛化能力最强。对于非线性和高维数据空间的 模式识别问题(Chapelle等,1999;Bwlousov等,2002)。
LOGO
土壤有机质空间变异预测研究综述
LOGO
目录
1 2 3 4
引言 研究方法 影响因子
结论
LOGO
引言
土壤有机质（SOM）是土壤重要的组成部 分，也是衡量土壤质量的重要指标，而且 它在空间上的分布具有异质性的特征，了 解有机质的空间变异特征以及影响因素， 能为提高土壤肥力、制定合理的耕作方式 等方面提供依据。 作用 提供作物需要的养分、增强土壤的保肥性能、 改善土壤物理性状、增强和调节土壤的生物 活性等。
地统计学方法
在20世纪50年代初南非采矿业中发展应用起来的，G.Matheron在60年代 研究出的一门新的统计学方法。定义：以区域化变量为基础，应用变异 函数，研究那些自然现象在空间分布上具有随机性和结构性特征的科学 （王政权，1999）。Riha等(1986)用地统计方法研究林地土壤有机质的 空间分布。地统计方法已经被证明是分析土壤要素空间分布特征最为有 效的方法之一。张淑娟等（2003）应用地统计学方法研究了田间土壤特 性，结果发现，土壤有机质服从正态分布，具有很强的空间相关性。Βιβλιοθήκη LOGO主要研究方法
不同尺度下耕地土壤Cr含量的空间自相关性分析_杨奇勇
应用与环境生物学报 2011，17 ( 3 ): 393~3972011-06-25DOI: 10.3724/SP.J.1145.2011.00393空间自相关分析法（Spatial autocorrelation analysis ）是通过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[1~3]，从而揭示区域化变量取值的空间分布特点的方法. 空间自相关自1950年Moran 等提出以来，国内外学者在多个研究领域的应用中都取得了一定的进展. 如金友渔提出自相关-判别分析的数学模型，并将其应用在宁芜盆地中段l : 5万的矿床统计预测[4]；梁艳平等用自相关的方法揭示了我国1978~1990年和1990~2000年两个时期的省级人均GDP 增量变化的空间结构形态特征[5]；霍霄妮等以北京市耕作土壤重金属元素为例，采用Moran' s I 统计量研究了土壤重金属含量的空间自相关关系、空间相关尺度以及其空间分布规律[6]；Peter A. Jumars 利用自相关分析方法，对半深海底栖息生物群落的纵向和横向空间结构进行了研究[7]；Kvamme K. L.[8]和Premo L. S.[9]分别利用空间自相关性对经典玛雅文明进行了考古研究；Diane M. Pearson 应用自相关的方法对澳大利亚北部的热带草原景观进行了建模和定量结构分析[10].但是，以上研究多局限于自相关分析在单一尺度上的研究. 土壤特性的空间变异性是尺度的函数[11~12]，即在不同尺度下，同一变量的自相关程度相差很大[13]，且随样点间的距离加大，变异函数值的随机成分也在不断增加，更小尺度下的结构特征将被掩盖，不利于深入分析土壤特性的空间变异结构特征，但是在多尺度下进行自相关研究却可以很好地解决此问题. 因此，多尺度分析已成为当今土壤特性空间变异研究中迫切需要研究的重要内容，引起了越来越多研究者的关注[14~15]. 本研究以山东省禹城市耕地0~20 cm 土壤重金属Cr 含量为例，运用地统计学、空间自相关分析法等研究方法，对禹城市县级和镇级两个不同取样尺度下的土壤重金属的变Spatial Autocorrelation Analysis of Cr Content in Cultivated Soilat Different Scales *YANG Qiyong, YANG Jinsong **, YU Shipeng, HUANG Biao & SUN Weixia(Institute of Soil Science, Chinese Academy of Sciences , Nanjing 210008, China)Abstract A case study done in Yucheng, Shandong, China was presented. Using Moran’ s I statistics, the spatial autocorrelation coef fi cients, correlation distances and spatial patterns of heavy metal Cr contents in cultivated topsoil were compared at different scales (county scale and town scale). The following results were obtained: 1) At the higher scale, the variation coefficient of Cr content increased, while C 0/Sill decreased, indicating spatially structure enhanced; 2) Moran indexes of Cr content of the two scales were greater than 0, suggesting that the Cr contents at the two scales possessed spatial autocorrelation, and the Moran’s I indexes became larger at higher scale; 3) Lisa cluster maps showed that there were spatial aggregation areas and spacial isolated areas of the Cr contents at two scales, and in “high – high” spatial aggregation areas and “low – high” spatial isolation areas potential Cr pollution risks existed. This study showed that at town scale minor differences could be observed, but they would not be observed at country scale, which provided useful basis to assessment of soil environmental quality and prevention of soil pollution. Fig 4, Tab 2, Ref 23Keywords soil; heavy metal; spatial autocorrelation; different scales CLC X825摘 要 以山东省禹城市耕地土壤重金属铬（Cr ）元素为例，采用Moran’ s I 统计量对县级和镇级两个不同取样尺度下Cr 含量的空间自相关关系、空间相关尺度和空间分布规律进行了对比研究. 结果表明：1）随着研究尺度的增大，Cr 含量的变异系数增加，块基比（C 0/Sill ）减小，空间结构性增强；2）两个尺度下Cr 含量Moran’ s I 指数都大于0，表明研究区内两个尺度下的Cr 含量都存在空间正自相关，且Moran’ s I 指数随着研究尺度的增加而增大；3）Lisa 聚类图表明，两个尺度下Cr 含量都存在空间聚集区和空间孤立区，其中“高—高”空间聚集和“低—高”空间孤立区域存在潜在Cr 污染风险. 研究表明小尺度下能够观察到大尺度下观察不到的细微差别，研究可为土壤重金属环境质量评价和重金属污染防治提供重要参考. 图4 表2 参23关键词 土壤；重金属；空间自相关；不同尺度CLC X82539417 卷应 用 与 环 境 生 物 学 报 Chin J Appl Environ Biol异函数和空间自相关特征等进行了研究，以期为土壤环境质量合理评价和重金属污染防治提供科学依据.11.1 研究区域概况禹城市位于山东省西北部，处于东经116º22´~116º45´、北纬36º40´~37º12´之间，全市土地总面积990 km2，微地貌比较复杂，共有河滩高地、高坡地、平坡地、洼坡地、浅平洼地、决口扇形地和砂质河槽地等7种类型. 属于暖温带半湿润季风气候，年平均气温13.1 ℃，全年平均降雨量616 mm，约76.4%的降水集中在6~9月份. 禹城市内皆平原，海拔高度介于19.2~27.27 m，由于受地形、地貌、母质、气候等因素的影响，全市形成了潮土和盐土两大土类. 潮土面积967.9 km2，占土壤面积的97.77%，在全市广泛分布. 禹城市全市辖11个乡镇（包括两个街道办事处），2008年总人口数50.89万. 禹城市享有“中国功能糖城”荣誉称号，规模以上工业企业213家，主要分布在东部市中办的禹城市区和西南部的辛寨镇. 主要工业部门有：钢铁、精细化工、机械制造、造纸、食品加工等. 2008年实现工业增加值43.06亿元，比2007年增长23.1%. 主要农作物为小麦、玉米、棉花.1.2 样品采集与分析以ArcMap9.2为操作平台，通过屏幕数字化获取了禹城市的土壤图、地形地貌图、行政区划图和镇级尺度下密集采样区的边界图等矢量图. 在ArcMap中进行两个尺度下的室内网格布点，样品采集于2008年5月下旬，取样土层为0~20 cm耕层土壤.1）县级尺度下土壤样品采集. 以禹城市矢量图为底图，在GIS中进行2.0 km × 2.0 km网格布点，获取网格中心的坐标作为准采样位置，输入GPS进行野外采样导航. 实际采样过程中有些样点落在村庄、河流、道路等地，在附近500 m内进行调整，并用GPS记下实际采样点的坐标，如不能调整，则该采样点删除. 遵照这个原则共得到县级尺度下有效采样点298个（图1）.2）镇级尺度下土壤样品采集. 选取距离工业发达的禹城市区西南部的典型地块为镇级采样区. 该地块处于市中办、安仁镇和伦镇镇结合处. 样点布设分为两层：第一层是进行0.5 km × 0.5 km网格布点，第二层是进行1.0 km × 1.0 km嵌套网格布点，且1.0 km × 1.0 km网格点处在0.5 km × 0.5 km四个点的中心. 将准采样坐标输入GPS进行野外采样导航，将实际采样过程中落在村庄、河流、道路等地的样点删除. 遵照这个原则共得到镇级尺度下有效采样点352个（图1）.土壤样品带回实验室，风干、研磨、过100目尼龙网筛备用. 根据项目要求，Cr含量的分析方法参考《土壤农业化学分析方法》[16]，采用石墨炉-原子吸收法.1.3 空间自相性分析空间自相关所统计的内容包括空间变量的空间位置及其属性，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[17]. 表示空间自相关的指标和方法很多，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局空间自相关（Global spatial autocorrelation）和局部空间自相关（Local spatial autocorrelation）两种. 全局空间自相关Moran's I的计算公式[1]为：(1)式中，n是参与分析的土壤样品数目；xi、xj分别为样品i和样品j的观测值；x—是所有样品观测值的平均值；wij是空间权重矩阵值，当i = j时表示为自权重，自权重定义为0.全局Moran′s I系数可定量描述研究变量在空间上的自相关程度，判断区域化变量在研究区内是否存在空间聚集区和空间孤立区. I值取值在-1~1之间，其值越大，则空间结构性越显著，I>0表示变量在空间上呈现正相关，存在空间聚集；I<0表示研究变量在空间上呈现负相关，存在空间孤立；I=0表示研究变量空间不存在空间自相关性[13, 18].局部Moran's I系数被定义[19]为：(2)图1 不同尺度下研究区域土壤样点分布图Fig. 1 The study area and distribution of soil sampling sites at different scales395 3 期杨奇勇等：不同尺度下耕地土壤Cr含量的空间自相关性分析壤重金属含量的空间格局进行可视化，便于进一步研究其空间分布规律. 本研究利用局部空间自相关指标结合Lisa聚类图将土壤重金属含量空间分布划分为5种类型：“高—高”、“低—低”为空间聚集（Spatial clusters），表示高高相邻或低低相邻，即某观测点自身和该观测点周围其它观测点的重金属含量都较高或较低，同一聚集类型中重金属含量的空间差异程度显著较小；“高—低”、“低—高”为空间孤立（Spatial outliers），表示高低相邻，即某观测点自身土壤重金属含量较高（或较低），而该观测点周围其它观测点的土壤重金属含量较低（或较高），同一聚集类型中重金属含量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重金属含量空间差异不显著.1.4 数据处理与分析采用GS+7.0软件进行变异函数、Moran’ I指数的计算和图形绘制；采用Geoda9.2软件进行空间权重计算和空间自相关性计算；用ArcGIS9.2进行相关图件绘制. 本研究所采用的空间权重矩阵县级尺度下基于的距离范围是1~30 km，空间间隔为l km，镇级尺度下基于的距离范围是1~6.4 km，空间间隔为0.2 km，计算了土壤重金属含量的空间自相关指标Moran's I系数.2 结果与分析2.1 不同尺度下重金属Cr含量的统计特征禹城市县级和镇级两个尺度耕层土壤重金属含量实测值的统计分析和K-S检验结果见表1. 从偏度系数和峰度系数可以看出，经对数转化后，在两种尺度下Cr含量基本都服从正态分布. 但两个研究尺度下，Cr含量的均值、最大值和最小县级尺度下Cr含量高于镇级尺度下的Cr含量，其均值分别为61.02 mg/kg和60.31 mg/kg，根据重金属含量的国家评价标准（GB15618-1995），Cr含量小于自然背景值，说明研究区域还没有受到Cr污染. 从表1中可以看出县级尺度下，Cr含量的变化范围比镇级尺度下变化范围大，变异系数比镇级尺度大，两个尺度下Cr含量都表现为中等偏弱强度的变异性. 2.2 不同尺度下土壤Cr的含量半方差函数分析地统计学是基于区域化变量的一种空间分析方法，它主要是利用半方差函数来研究区域化变量的空间结构，其相关原理可参考文献[16，20]. 表2为两个研究尺度下土壤Cr的半方差函数模型及其参数统计特征. 在县级尺度下，Cr的理论模型符合指数模型，镇级尺度下符合球状模型，其决定系数分别为0.915和0.899，说明模型的拟合精度较高，能够较好地反映研究区域耕地土壤Cr含量的空间结构特征.表2中，变程也称为空间最大相关距离，反映了变量空间自相关范围的大小. 两个研究尺度下，Cr的变程分别为39.5 km和9.4 km，说明在两个研究尺度下，Cr含量在一定范围内均存在空间相关性. C为块金值，表示由随机部分引起的空间异质性，Sill为基台值，表示系统内总的变异. 土壤Cr含量的块金值在县级研究尺度下稍大些，说明要想了解Cr含量的微域结构特征必须还要在小尺度下进行采样观测，才能了解Cr含量在不同尺度小上的变异特征[16]. C/Sill表示由随机因素所引起的异质性占总的空间异质性的程度. 两个研究尺度下，Cr含量的C/Sill值分别为0.462和0.493，都具有中等强度的相关性[21]. 随着研究尺度的缩小，Cr含量的C/Sill值变大，空间相关性减弱，说明结构因素影响减弱，随机因素影响增强. 两个尺度下Cr含量自相关的这种变化与研究区的工业生图2 不同尺度下土壤Cr含量的Moran散点图Fig. 2 Moran scatter plots of Cr content in soil at different scales39617 卷应 用 与 环 境 生 物 学 报 Chin J Appl Environ Biol产废物的排放与扩散、农药和化肥的施用、灌溉、耕作等有密切的关系.在镇级尺度下，Cr 含量的变程明显变小，说明随着研究尺度的缩小，Cr 含量的空间自相关距离减小，地形、母质、土壤类型等大尺度结构因素对Cr 含量的影响逐渐减弱，而小尺度结构因素和随机因素的影响逐渐加强，能引起土壤Cr 含量在较小的尺度上发生强烈的变化，从而使它的变程明显变小.2.3 不同尺度下土壤Cr 的全局空间自相关性分析图2是两个尺度下Cr 含量的Moran 散点图. 图中第一、三象限代表Cr 含量正的空间相关联系，第二、四象限代表负的空间相关联系. 其中第一象限代表了Cr 含量高值采样点为其它高值采样点所包围（高—高）；第二象限代表了Cr 含量低值采样点为其它高值采样点所包围（低—高）；第三象限代表了Cr 含量低值采样点为其它低值采样点所包围（低—低）；第四象限代表了Cr 含量高值采样点为其它低值采样点所包围（高—低）[19]. 由图2可知，两个不同尺度下多数采样点位于第一和第三象限内，为正的空间联系，属于“高—高”集聚和“低—低”集聚类型. 在两个尺度下，县级尺度下的Moran ′s I 系数要大些，说明随着研究尺度的增加，空间结构性增强，随机因素影响减小，这与两个尺度下的块基比分析结论一致.将Moran ′s I 系数与滞后距离（步长）相结合，便可得到不同尺度下重金属Cr 含量的空间自相关关系变化，从而可以看出空间自相关性随尺度的变化[22]. 从图3中可以看出，在县级尺度下Cr 含量的Moran ′s I 系数在0~8 800 m 和10 000~11 900 m 两个范围内都大于0，表明Cr 结构上呈正相关，存在空间聚集，Cr 的Moran ′s I 系数在8 800~10 000m 和11 900~30 000 m 两个范围内小于0，表明Cr 结构上呈负相关，存在空间孤立；在镇级尺度下Cr 含量的Moran ′s I 系数在0~3800 m 范围内大于0，表明在此范围内Cr 结构上呈正相关，存在空间聚集，Cr 的Moran ′s I 系数在3 800~6 400 m 范围内小于0，表明在此范围内Cr 结构上呈负相关，存在空间孤立. 根据张朝生等的研究[23]可知县级尺度下Cr 含量的自相关尺度为8.8 km ，镇级尺度下Cr 含量的正相关尺度为3.8 km. 自相关尺度随着研究尺度的增加明显增大.2.4 不同尺度下土壤Cr 的局部空间自相关性分析全局空间自相关能够判断土壤重金属Cr 含量空间分布上是否存在空间聚集区和空间孤立区，可以描述Cr 含量的自相关系数随滞后距离的变化，而局部空间自相关指标结合Moran 散点图能够揭示Cr 含量的空间分布规律，指出重金属含量空间聚集区和空间孤立区在研究区内的具体位置.从图4中可以看出，两个不同尺度下重金属Cr 含量的分布都存在明显的空间聚集区. 在县级尺度下，市中办、梁家镇的南部、十里望乡的东北部和新寨镇的中南部都出现了Cr 含量的“高—高”空间聚集区；在北部的辛店镇、和伦镇镇的中部出现“低—低”空间聚集区；重金属Cr 含量的“高—低”和图3 不同尺度下土壤Cr 含量的自相关性Fig. 3 Spatial correlograms of Cr content of soil at different scales图4 不同尺度下土壤Cr 含量的区域空间聚类图Fig.4 Spatial cluster maps of Cr content in soil at different scales397 3 期杨奇勇等：不同尺度下耕地土壤Cr含量的空间自相关性分析“低—高”空间孤立区较少，“高—低”空间孤立区一般出现在“低一低”空间聚集区附近，而“低─高”空间孤立区则伴随“高—高”空间聚集区出现. 在镇级尺度下，研究区域的东北部（市中办、伦镇镇的交界处）、西南部（安仁镇的南部）都出现了Cr含量的“高—高”空间聚集区；研究区域的西部、东南部安仁镇和伦镇镇的交界处出现“低—低”空间聚集区；“高—低”空间孤立区出现在“低一低”空间聚集区附近，而“低─高”空间孤立区则伴随“高一高”空间聚集区出现.对比两个尺度下Cr含量空间聚类图发现，在县级采样尺度下，镇级研究区域西北部和东南部主要分布为“不显著”，东北为“高—低”空间孤立区，南部主要为“低—低”聚集区. 但是在镇级采样尺度下却出现了“高—高”等空间聚集区. 可见，镇级研究尺度下能够观察到县级尺度下不能观察到的重金属Cr空间关联性的细微变化.“高—高”空间聚集和“低—高“空间孤立的相伴出现，在此区域内Cr含量较高，存在潜在的污染风险. 对照图1和图4可以看出，县级尺度下禹城市Cr含量的“高—高”与“低—高”聚集区主要分布在工业发达的市中办和辛寨镇，说明潜在的Cr污染与工业的排污直接相关；镇级尺度下，Cr 含量的“高—高”与“低—高”聚集区靠近其东部的工业发达区，而“低—低”空间聚集区却背向分布，这也说明了研究区域Cr含量主要来自于工业排污. 因此工业分布区是今后重金属污染的重点防治区域.1）经典统计分析和半方差函数分析结果表明，研究区域土壤Cr含量在不同的研究尺度下的均值和最值均存在一定的差异，随着研究尺度的增加变异系数增大；受结构性和随机性因素共同影响，两个尺度下Cr含量都表现为中等强度的空间异质性，随着研究尺度的增加，Cr含量的空间异质性增强.2）全局自相关分析表明，禹城市两个不同尺度下土壤重金属Cr含量的空间分布存在显著的空间自相关特征. 正的显著空间自相关性说明重金属Cr含量分布存在空间聚集，负的显著空间自相关性说明重金属Cr含量分布存在空间孤立. 县级尺度下Cr含量在0~8 800 m和10 000~11 900 m两个范围内存在空间聚集，在8 800~10 000 m和11 900~30 000 m范围内存在空间孤立；镇级尺度下Cr含量在0~3 800 m范围存在空间聚集，在3 800~6 400 m范围内存在空间孤立. 随着研究尺度的增加，自相关系数增大，自相关尺度增大.3）局部自相关分析聚类结果揭示了研究区域土壤重金属Cr的空间分布规律，在不同尺度下Cr含量都存在“高—高”空间聚集和“低—高”空间孤立的相伴出现，并且都分布在工业发达的区域，在此区域内Cr含量较高，存在潜在的污染风险，这是今后重金属污染的重点防治区域.1 Cliff AD, Ord J K. Spatial process: Models and Applications. London,UK: Pion, 1973. 1782 Waser MN, Mitchell RJ. Nectar standing crops in delphinium nelsoniiflowers: Spatial autocorrelation among plants. Ecology, 1990, 71 (1): 116~1233 Martin D. An aeeseement of surface and zonal models of population.Intern J Geogr Inform Syst, 1996, 10 (8): 973~9894 Ji n Y Y (金友渔). St at ist ical pre ct ion of m i ne r al de posit byautocorrelation—discriminant analysis. Geol & Prospect (地质与勘探),1991, 27 (3): 32~365 Liang YP (梁艳平), Zhong ES (钟耳顺), Zhu JJ (朱建军). Spatial featureanalysis of increment of GDP per person in provinces of China. Cent South Univ Soc Sci (中南大学学报社会科学版), 2003, 9 (3): 355~3596 Huo XN (霍霄妮), Li H (李红), Sun DT (孙丹峰), Zhang W (张微微),Zhou LD (周连第), Li BG (李保国). Spatial autocorrelation analysis of heavy metals in cultivated soils in Beijing. Acta Sci Circumst (环境科学学报),2009, 29 (6): 1339~13447 Jumars PA. Spatial autocorrelation with RUM (Remote UnderwaterManipulator): Vertical and horizontal structure of a bathyal benthic community. Deep Sea Res, 1978, 25 (7): 589~6048 Kvamme KL. Spatial autocorrelation and the Classic Maya collapserevisited. J Archaeol Sci, 1990, 17: 197~2079 Premo LS. Local spatial autocorrelation statistics quantify multi-scalepatterns in distributional data: An example from the Maya Lowlands. J Archaeol Sci, 2004, 31: 855~86610 Pearson DM. The application of local measures of spatial autocorrelationfor describing pattern in north Australian landscapes. J Environm Manag, 2002, 64 (1): 85~9511 Bloschl G, Sivapalan M. Scale issues in hydrologica1 modelling-areview. Hydrol Proc, 1995, 9: 251~ 29012 Zhao J (赵军), Liu HJ (刘焕军), Sui YY (隋跃宇). Analysis for spatialheterogeneity of organic matter content and available nutrients in blacksoil crop area with different scales. J Soil & Water Conserv (水土保持学报), 2006, 20 (1): 41~4513 Xie HL (谢花林), Liu LM (刘黎明), Li B (李波), Zhang XS (张新时).Spatial autocorrelation analysis of m ulti-scale land-use changes: A case study in Ongniud Banner, Inner Mongoli. Acta Geogr Sin (地理学报), 2006, 61 (4): 389~40014 Yemefack M, Rossiter DG, Njomgang R. Multi-scale characterizationof soil variability within an agricultural landscape mosaic system in southern Cameroon. Geoderma, 2005, 125: 117~14315 Wang SY (王淑英), Lu P (路苹), Wang JL (王建立). Spatial variabilityand distribution of soil organic matter and total nitrogen at different scales: A case study in Pinggu County. Acta Ecol Sin (生态学报), 2008,28 (10): 4957~496416 Wang ZQ (王政权).Application of Geostatistics on Ecology. Beijing,China: Science Press (北京: 科学出版社), 1999. 65~13217 Qiu BW (邱炳文), Wang QM (王钦敏), Chen CC (陈崇成), Chi TH (池天河). Spatial autocorrelation analysis of multi-scale land use in Fujian Province. J Nat Resour (自然资源学报), 2007, 22 (2): 311~32118 Yang JS (杨劲松), Yao RJ (姚荣江). Spatial variability of soil water andsalt characteristics in the Yellow River Delta. Sci Geogr Sin (地理科学), 2007, 27 (3): 348~35319 Anselin L. GeoDa 0.9 User’s Guide. Urbana-Champaign, IL, USA:Spatial Analysis Laboratory, University of Illinois, 2003. 88~10520 Cheng XF (程先富), Shi XZ (史学正), Yu DS (于东升), Pan XZ (潘贤章). Spatial variance and distribution of total nitrogen and organic matter of soil in Xingguo country of Jiangxi, China. Chin J Appl Environ Biol (应用与环境生物学报), 2004, 10 (1): 64~6721 Zheng HL (郑海龙), Chen J (陈杰), Deng WJ (邓文靖), Tan MZ (檀满枝). Assessment of soil heavy metals pollution in the chemical industrial of Nanjing peri-urban zone. Acta Sci Circumst (环境科学学报), 2005,25 (9): 1182~118822 Hu W (胡伟), Shao M A (邵明安), Wang QJ (王全九). Scale-dependency of spatial variability of soil moisture on a degraded slope-land on the Loess Plateau. Trans Chin Soc Agric Engin (农业工程学报), 2005, 2l (8): 11~1623 Zhang CS (张朝生), Tao S (陶澍), Yuan GP (袁贵平), Liu S (刘水).Spatial autocorrelation analysis of trace element contents of soil in Tianjin plain area. Acta Pedol Sin (土壤学报), 1995, 32 (1): 50~57。
土壤物理特性的空间变异研究及对土壤肥力的影响
土壤物理特性的空间变异研究及对土壤肥力的影响土壤是人类赖以生存和发展的物质基础。
随着人类社会经济的高速发展,土地资源的过度开发利用导致了土壤资源退化,使人口-资源-环境间的矛盾日益尖锐,并对农林业可持续发展造成严重威胁。
因此,土壤资源作为一种脆弱性的非再生资源[1],质量问题正在不断得到世界范围内各方面人士的广泛关注。
随着木材需求和森林生态效益的不断地增加,森林土壤更是如此,森林土壤是指森林植被下发育的土壤,它泛指有生物尤其是有林木参与下的地球化学的地壳表层。
众所周知,森林土壤在很多方面与农业土壤不同,它受人为干扰较小,土壤剖面保持比较完整,并具有一些特有的特征,如表层一般有深厚的凋落物,剖面中根系和石砾含量较多,含有大量依赖于森林生存的土壤生物并且森林中土壤动物种类多。
森林土壤在发育演变过程中,自然因素,特别是生物因素起着明显的主导作用。
因此,森林土壤肥力以其自然肥力为主,人工施肥为辅[2]。
土壤肥力是土壤的本质,土壤肥力从土壤-植物-环境整体角度看,土壤肥力是土壤的养分针对特定植物的供应能力,以及土壤养分供应植物时的环境条件的综合体现,土壤养分、植物、环境条件共同构成土壤肥力的外延,土壤肥力高低不仅受土壤养分、植物的吸收能力和植物生长的环境条件各因子的独立作用,更重要取决于各因子的谐调程度[3]。
因此,土壤肥力的概念可以从三方面去理解和认识,一是构成土壤肥力的各因子的数量概念,二是在特定的环境条件下与诸因子协同作用下的养分有效性,三是特定植物的养分需求和产出[4]。
由于土壤肥力是土壤物理、化学、生物等性质的综合反映,要使植物生长良好,除肥力因素外,土壤系统必须处于相互协调状态,这主要取决于土壤物理性质,不同的土壤物理性质会造成土壤水、气、热的差异,影响着土壤对营养成分的贮存、转移运输和吸收利用[5],使土壤中矿质养分的供应状况、有机质的积累和微生物的活性等性质,是影响植物生长发育的重要因素,是反映土壤肥力的重要指标[6],因此研究土壤肥力物理性指标是非常重要的。
绿洲农田土壤养分时空变异及精确分区管理研究
绿洲农田土壤养分时空变异及精确分区管理研究摘要：土壤养分是农田健康生产的重要因素之一，其时空变异性对于精确农田管理和高效施肥具有重要意义。
本文通过对绿洲农田土壤养分的时空变异进行研究，旨在为实施精确分区管理提供依据。
一、引言绿洲地区的农业生产受限于干旱和水资源稀缺的条件，合理管理土壤养分是提高农田生产力的关键。
而农田土壤养分的时空变异性对高效施肥和农田管理至关重要。
二、研究内容1.农田土壤养分的时空变异土壤养分的变异性由多种因素决定，包括土壤类型、气候条件、农田管理措施等。
通过采集不同时间和空间的土壤样品，分析其中的养分含量，可以得出土壤养分时空分布的特点和变异规律。
研究表明，绿洲农田土壤养分的时空变异性较大，主要有以下几方面特点：（1）时变性：不同季节和年份农田土壤养分含量会发生变化，主要受到降水、温度等气候因素的影响。
（2）空变性：不同地点农田土壤养分含量存在差异，主要受到土壤类型、地形和水分状况等因素的影响。
2.精确分区管理理念精确分区管理是指根据农田土壤的空间变异性，将农田分成不同的管理单元，并根据每个管理单元的特点进行精确施肥和农田管理。
通过合理调整施肥的方式和量，可以提高农田的施肥效果，减少农田养分的浪费，并降低对环境的影响。
精确分区管理是实现可持续农田发展的重要途径。
三、方法和结果1.样地选取和采样选取不同农田样地进行采样，保证样本的代表性。
根据采样地点的不同，将农田分为不同的空间单元。
2.养分分析采集土壤样品后，进行养分分析，包括有机质、氮、磷、钾等养分的含量测定。
3.数据处理与分析利用地理信息系统（GIS）和统计学方法，对采样数据进行处理和分析，得出农田土壤养分的时空变异图和精确分区图。
四、讨论通过对绿洲农田土壤养分的时空变异进行研究，可以为精确施肥和农田管理提供科学依据。
根据土壤养分的时变性和空变性，合理调整施肥措施和量，可以提高施肥效果，减少养分的浪费，实现农田的高效利用。
土壤生态学研究前沿与热点
土壤生态学研究前沿与热点1、大尺度土壤微生物地理分布格局研究近年来，大尺度的土壤微生物多样性地理分布格局研究备受重视，全球尺度上土壤细菌和真菌、线虫、蚯蚓和原生动物的生物地理学研究陆续在高水平期刊上发表。
这些开创性的研究在宏观层面揭示了土壤生物多样性的全球分布格局，探讨了土壤生物群落构建的机制及其潜在的功能特征。
例如，全球尺度土壤生物地理学研究发现，细菌和蚯蚓的物种丰富度往往在中纬度地区达到峰值，而线虫则在高纬度地区的丰度最高，表现出与地上动植物分布相异的模式。
进一步的群落构建机制研究发现，在全球尺度上土壤微生物（细菌和真菌）群落的构建主要受土壤pH值和降水等环境因素的影响，而土壤动物（蚯蚓/原生生物）则主要受到降水等气候要素的影响。
未来这一研究方向需要考虑更多不同的土壤生物类群，以及土壤生物的不同功能属性，才能将生物多样性与生态功能连接起来，进而更好地预测全球变化情形下土壤生物多样性及其功能的演变规律。
2、土壤生物互作与土壤食物网土壤生物并不是孤立存在的，而是通过物种间的共生、竞争和捕食等作用构成复杂的相互作用网络，共同参与土壤生态过程。
例如，通过对微生物群落的定向调控，研究人员发现微生物之间的相互作用强度与生态系统多功能性之间存在正相关关系。
土壤生物之间还可以通过由捕食关系建立起来的土壤食物网影响土壤生物群落的结构和功能。
最新的研究发现土壤原生动物在低温下对细菌和真菌的捕食可以增加土壤有机质的分解和CO2的释放；类似的，基于弃耕土地自然恢复过程的研究发现，土壤食物网复杂度的升高伴随着土壤养分循环和碳吸收效率的提高。
此外，土壤原生动物还可以通过对植物根际细菌和真菌的捕食作用广泛参与植物根际微生物群落的构建，从而影响地上植物的生长和健康。
例如，Jiang等研究发现，土壤原生动物和线虫可以通过食物网的捕食作用影响土壤丛枝菌根真菌的群落组成和生物量从而影响地上植物的生产力。
这些研究都强烈暗示着土壤食物网在维持土壤生态系统的结构、过程和功能中的关键作用，而这方面的研究方兴未艾。
数字土壤制图方法及国内外研究进展
数字土壤制图方法及国内外研究进展数字土壤制图以土壤—景观模型理论为基础，通过地理信息系统、遥感、空间分析等技术手段来获取土壤发生环境信息，采用统计学、地统计学等其他数字定量方法来模拟土壤与其发生环境信息之间的定量关系，并在空间上扩展该关系，达到制图目的(Scull et al.，2003)。
数字化土壤图以及从中衍生的信息系统，可以提供高精度、高分辨率的土壤类型和土壤属性等信息，进而服务于现代农业生产实践和资源环境管理决策。
数字土壤制图已成为当前国内外土壤科学的研究热点。
传统制图程序一般分为野外土壤草图测绘、室内底图清绘、图面整饰三个步骤，因其耗时久、耗费人力物力、精度有限等缺点，逐渐被淘汰。
取而代之的数字化土壤制图，具有成本低廉、记载性强、更新快、效率高、精度高、制图美观等优点，已经成为土壤制图的主要方法(Carréet al.，2007)。
2009年，“全球土壤数字制图计划”在美国正式启动，该计划通过综合利用土壤学、地理学、遥感技术、地理信息系统、数据挖掘等多种理论和方法，最后建立具有高分辨率的全球土壤属性的三维网格数字土壤地图(蔡玉高，2011)。
国内外学者对数字化土壤制图做了大量扩展研究，试图寻找数字化土壤制图精度较高、制图效果较好的方法，其中地统计学、决策树、模糊聚类等方法都得到讨论验证，但是目前仍没有得到普遍认可的数字制图方法。
国内数字化土壤制图研究起步较晚，目前出现的方法主要有地统计法、模糊聚类、决策树、支持向量机、线性回归模型以及上述方法的组合等。
孙孝林等(2013)总结出数字化土壤制图五种理论基础：土壤发生学理论、地理学、数学，以及土壤学与地理学、地理学与数学，并对每种理论基础出现的模型、所需样本要求进行系统归纳，有效丰富了土壤数字制图的理论基础。
一、地统计学地统计学是利用原始数据和半方差函数的结构性特征，对未采样点的区域化变量进行无偏最优估计，它以地理学为理论基础，认为空间上任何事物都与其他事物相关，且其相关性与距离有关，是在国内数字化土壤制图方面得到广泛研究的方法。
黄土区不同土层土壤容重空间变异与模拟
黄土区不同土层土壤容重空间变异与模拟于冬雪;贾小旭;黄来明;邵明安;王娇【摘要】容重(ρb) 是土壤最基本物理性质之一, 是衡量土壤质量和生产力的重要指标, 也是土壤碳氮贮量估算的重要参数.为探明黄土区不同土层ρb的分布特征并建立预测模型, 在黄土区布设243个样点, 获取0～10、10～20和20～40 cm土壤ρb及环境因子, 采用经典统计学与地统计学方法, 分析了不同土层ρb的空间变异特征, 并利用逐步回归和传递函数方程对ρb的空间分布进行了模拟.结果表明:黄土区不同土层ρb均为中等程度变异, ρb随土层深度的增加而增大.不同土层农地ρb最大, 其次为林地和草地.0～10、10～20和20～40 cm土壤ρb半方差函数最佳拟合模型分别为指数模型、指数模型和球状模型, 变程为22～780km.粉粒含量、坡度、海拔、多年平均降水量、气温、干燥度和土地利用是影响区域尺度黄土区ρb空间分布的重要因素, 基于相关因子建立的传递函数模型可以解释0～40cm 深度ρb变异的38％～52％, 且预测效果优于逐步回归方程, 可用于田间条件下ρb 空间分布特征的预测.%[Objective]Soil bulk density (ρb) is one of the most important soil physical properties and can be used to characterize soil quality and soil productivity and as a basic parameter to assess soil carbon and nitrogen storage. Furthe rmore, ρb has a significant effect on transport of soil water and solutes.However, large-scaled soil databases do not encompass much ρb data, owing to the time-and laborconsuming methods to acquire such data, especially the data of deep soil layers in the field. This study was conducted to (1) explore characteristics of regional spatial variation of ρb relative to soil layer across the loess area, (2) determine effects of soil texture, topography, climate and land use on ρband (3) compare the stepwise regression method with the pedotransfer function method in simulation of spatial variation of ρb.[Method]A total of 243 sampling sites were set based on a grid sampling scheme (40 km×40 km) in the loess area, and ρb of the soils at the depth of 0～10, 10～20 and 20～40 cm of the soil profile and relevant environmental variables, were collected separately, at each sampling site. Spatial variation of ρb was analyzed with the classical statistic method and geostatistical method, respectively. Stepwise regression equation and pedotransfer function equation was used to simulate spatial distribution of soil ρb, separately.[Result]Results show that ρb varied moderately within a soil layer, and generally increased with soil depth in the profile loess area. ρb variability in the 0～40 cm soil layer was moderate according to the coefficient of variation. In general, cropland was the highest in mean ρb, and followed by forestland and grassland. Semivariance of soil ρb of the 0～10, 10～20 and 20～40 cm soil layer can be best fitted by the exponential model, the exponential model and the spherical model, respectively. Soil ρb of the 0～10 cm soil layer exhibited strong spatial dependence and those of the 10～20 and 20～40 cm soil layer did moderate ones. The optimal interval between sampling sites was 5.6～11.2, 70.9～141.7 and 195.4～390.8 km for the 0～10, 10～20 and 20～40 cm soil layer, respectively. Silt content, land use, elevation and slope gradient were the key factors affecting soil ρb in the 0～10 cm layer; silt content, elevation, multi-year mean annual air temperature, aridity and land use were in the 10～20 cm soil layer; and silt content, elevation, land use,multi-year mean annual precipitation, slope gradient and aridity, were in the 20～40 cm soil layer.The pedotransfer function equation explained 38％～52％the variation of ρb, while the stepwise regression equation did only 34％～39％.[Conclusion]Spatial distribution of soil ρb varies significantly with soil depth and vegetation type across the loess area, and is affected jointly by soil texture, topography, climate and land use at the regional scale. The pedostransfer function equation is recommended for modeling and predicting spatial distributions of ρb, particularly for soil layers below 40 cm in the loess area of China.【期刊名称】《土壤学报》【年(卷),期】2019(056)001【总页数】10页(P55-64)【关键词】黄土区;容重;空间变异;土地利用;传递函数【作者】于冬雪;贾小旭;黄来明;邵明安;王娇【作者单位】中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室,北京 100101;中国科学院大学资源与环境学院,北京 100190;中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室,北京 100101;中国科学院大学资源与环境学院,北京 100190;中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室,北京 100101;中国科学院大学资源与环境学院,北京100190;中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室,北京 100101;中国科学院大学资源与环境学院,北京 100190;中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室,北京 100101【正文语种】中文【中图分类】S152.5土壤容重（Bulk density, ρb）是土壤基本物理性质之一，是衡量土壤质量和土壤生产力的重要指标［1］，对土壤的透气性、入渗性能、持水能力、溶质迁移特征以及土壤的抗侵蚀能力均有显著影响［2］，也是评估土壤有机碳和养分贮量的重要参数［3-4］。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１ 不 同 尺度土壤 性质 空间变异 研 究现 状
的研 究 也表 明 ， 土地 使 用 方 式 和 耕 作 方式 影 响 土 壤
忡质 的空 间变 异 性 。曹 慧 等。 对 太 湖 丘 陵地 区 高 。 。 强 度开 发背景 条件 下土壤 肥 力质量 的空 问变 异研 究 发现 ， 土壤养 分 的空间 变异受 土地 利用 力 式 的影 响 ， 空间 ｆ ： 有一 定 的 自相 关性 ， 中 ， 地 、 田土 壤 其 菜 水 养分 含 量总体 较 高 ， 自然 林 Ｆ的 土 壤 养分 含 量 相 而 对 较低 。同时 ， 随着 农业 结构 的 调整 ， 期种 植 的经 短 济林 地 土壤 养 分 含艟 有 明 显 的 降低 。姚 丽 贤 等 Ｊ 研 究 ｒ广东 省 香蕉 园土 壤 养 分空 『 变异 性 ， 果 表 Ｈ 】 结
适的采 样 方 式 有 着 重要 的 意 义ｌ ］ ＿ 。而 且， 得 士 １ 获 壤空 间作用 与 土壤性 质 和作 物 的 关 系 ， 握 其作 用 掌
规律 的信 息 ， 实施 精 准农 业 的基 础和理 论依 据 。 是 大 尺度 的空间变 异研 究 町以改 进和 创新 土壤 分类 系
统 ． 高土壤 调 查 、 图 的质 量 和 精 度 ； 提 制 中小 尺 度 的
生 态环境 改善 提供理 沧依 据 。 。
土壤 性 质的审 问变 ： 既受 外部 因素 （ 自然 因素 、
土壤性 质空 间变 异研 究有 利于 合理 布局 种植 结构 和
改善 田问管 理 。通 过研 究 土壤 特 性 的 尺 度效 鹿 ， 阐
述 其 空 『变 异 Ｒ度 效 应 ， 现 不 同 空 间 尺度 间 的 转 日 】 实
人 为 素） 的影 响 ， 与 其本身 的特 性 （ 也 土壤类 型 、 土
壤母 质 ） 有关 。如 Ｂ ｕ （ 波 ） ｏＳ ｎ 孙 等 在 ｌ２ ｍ。 】 ｈ 的
范 同 内以 １ ０ ×１ ０ 网格 分 别 研 究 ｒ丘 陵 和 森 ０ｍ ０ｍ
质及 生物 学性质 等 ） 间变异 研 究的进 展 。探 讨 了土壤 性 质 空 间 变异 的原 Ｎ． 响 因素及 研 究方 空 影
法 ， 对 土壤 空 间 变异研 究前 景进 行 了展 望 。 并
关 键词 ：土壤性 质 ；空 间变异 ；尺度 ； 展 进
中图分 类号 ： ｌ３ Ｓ ５ 文 献标识 码 ： Ａ 文 章 编 号 ：１ ０ ０ ４—３ ６ （ ０ ６ １ ０ ０ ０ ２ ８ ２ ０ ） １ ０ ５— ４
质 空间变 异特 征对 于 区域 农 田土壤 质 量 调 查 、面 均 具 有 重 要 的 实 价 环 值ｌ … ， ＿ 随着研 究 的 深 入 ， 样 逐 渐 从 单 尺度 到 多 采
尺度 ， 从大 尺 度 到 小 尺 度 转 变ｌ ， 于 土壤 性 质 阎 １ 由
养分 的卒 间变 异 受 自然 ｌ 和 人 为 凶 素 影 响 均 较 素
有 的空 间异质性 ，微 度上 壤 的理 化及 生 物学 性 质 研究 也受 列 普遍 重 视 。
１ １ 田 间尺 度 （ ｉｌ ｃ ｌ） ， Ｆ ｅｄ ｓ ａｅ 土壤 性 填 空 间 变异 ｕ
田间 尺 度 （ 称 农 出Ｊ 也 度 ）指 采 样 画 在
ｉ００ ０ 以 ： 域 ｆ ， 际 研 究 ｌ ． 采 川 ｌ ０ ０ ｍ、 ２ 区 】 宴 ｆ 多 １ ｍ ０
明 ． 地 ｌ 蕉 土壤 ＮＨＩ 一 Ｎ， 该 香 Ｐ和 Ｋ 的变 异 系 数 较 大 ， 壤 ＯＭ ， ａ Ｍｇ和 Ｓ 的变 异 系 数 较 小 。 土 Ｃ ，
采 样 是 进 行 士壤 变 异性 研 究 的第 一 步 。 据 根 同的研究 目的 ， 不 同 尺度 下 采 样 ， 究 土 壤 性 在 － 研 ｊ
土 壤性 质 的空 间 变 异 对环 境 预 测 ， 准 农 、 和 精 Ｉ
×ｌ ０ 网格 法采 样 。这 个 尺 度 范 Ｉ 主要 研 究 一 个 ０ｍ 书 】
自然 资 源管 理 都 起着 重 要 作 用 】它 直 接影 响 土 壤 ，
养分 的循 环 、 机 质 的 分 布 和 作 物 的 产 量 Ⅲ。 研 有 究 土壤 性质 空 间变异 规律 对指 导养 分管 理和确 定 合
维普资讯
河 南农 业科 学
不 同尺度 土壤 性 质 空 间变 异 研 究 进展
李红 伟 ， 邢维 芹 ， 立平 李
（ 南 Ｔ、 学 化 学 化 １ 院 ．河 南 郑 州 ４ ０ ５ ） 河 大 学 ５ ０ ２
摘 要 ： 述 了近年 来不 同尺 度 （ 问尺度 ， 区尺度 和微尺 度 ） 综 田 小 上土壤 性质 （ 土壤 水 分 、 分 、 养 理化 性
化 ． 以进 一步 提 高 田问采集信 息 的效 率 ， 对推 动 Ｉ 叮 这 土壤科 学 发 展 和 农 业 生 产 管 理 具 有 理 论 和 实 践 意
。
林 地 区的 土壤 性质 变 异情 况 ， 发现 有效 Ｐ变 异 系 数 最 高 ， ｐ 变异 系数最 小 ， 同性 质 的变 异差 异 主 而 Ｈ 不 要是 由于土地 使用 方式 引起 。Ｅ ｔｍａ和 ｗａｄｅ ｌ ｔｅ ｒ ｌ［ Ｉ
地 区 内土 壤性 质 的整 体 变 化 ， 养 分 、 分 、 机 质 如 水 有
的 空 间变异特 征 ． 确 其 空间 变： 异的尺 度 ， 为农 、 生 ｌ
产提 供理 论 ： 础ｕ 基 。根 据 气 候 特 征 、 壤 类 型 、 土 作 物种 植制 度等 深 入研 究 土壤 性 质 空 间变 异特 征 。 分 析 变异 的原 因 ， 掌握 土壤 资源 的数 量 、 量和转 化 规 质 律， 为实 施平衡 施肥 和 实现 陔区农 业 可持 续 发 展 ｌ 及