EN中文

Resources Science >

2016 , Vol. 38 >Issue 12: 2375 - 2382

DOI: https://doi.org/10.18402/resci.2016.12.16

Orginal Article

Effect of sampling on spatial variability in soil salinity in the Yellow River Delta Area

  • ZHANG Xiaoguang , 1, 2 ,
  • WANG Zhigang 3 ,
  • SONG Xiangyun 1 ,
  • LIU Peiru 1 ,
  • LI Shimei , 1 ,
  • YANG Xia 4
Expand
  • 1. College of Resource and Environment,Qingdao Agricultural University,Qingdao 266109,China
  • 2. State Key Laboratory of Soil and Sustainable Agriculture,Institute of Soil Science,Chinese Academy of Sciences,Nanjing 210008,China
  • 3. Changjiang River Scientific Research Institute of Changjiang Water Resources Commission,Wuhan 430010,China
  • 4. Agricultural Bureau of Dongying City,Dongying 257091,China

Received date: 2016-06-23

  Request revised date: 2016-09-22

  Online published: 2016-12-20

Copyright

《资源科学》编辑部
Fold

Abstract

The monitoring of spatial variation in soil salinization forms the premise of the rational use of saline soil. The number of sampling points will affect the expression of spatial variation of soil salinity. Here,geostatistical methods were used to extract 12 soil sample subsets for Kenli County in the Yellow River Delta,China. The effect of different sampling numbers on the expression of soil salinity spatial variation was explored. The results showed that a great degree of variability in soil salinity. Effective ranges of most sample sets were between 13.47km and 16.77km. When the sampling number was less than 150 sample points,effective range was decreased （< 6.10km）,small samples were better in indicating the variation characteristics at small scales （< 6.10km）. With a reduction in sampling numbers,the capacity for describing details was weakened. Spatial variation structure was not expressed well,especially when the number was small（<150）. With increasing sampling numbers,the root mean square error （RMSE）was reduced,indicating that the accuracy of the kriging interpolation method was reduced. With increasing sampling numbers,the mean error（ME）had no obvious reduced trend. In summary,the samples number to meet the spatial variability of soil salinity should not be less than 150. We conclude that,in evaluating kriging prediction accuracy the single evaluation index may not be able to completely evaluate predicted results. Combined with the actual fact,a variety of comprehensive indexes may be needed to evaluate predicted results. These findings are applicable to other areas with similar environmental conditions to Kenli County.

Key words： sampling numbers; soil salinity; spatial variability; county scale; Kenli County of the Yellow River Delta Area

Cite this article

ZHANG Xiaoguang , WANG Zhigang , SONG Xiangyun , LIU Peiru , LI Shimei , YANG Xia . Effect of sampling on spatial variability in soil salinity in the Yellow River Delta Area[J]. Resources Science, 2016 , 38(12) : 2375 -2382 . DOI: 10.18402/resci.2016.12.16

1 引言

土壤盐渍化是制约区域农业发展的主要障碍因子之一,盐渍化障碍土壤的改良和利用对于区域土地资源可持续利用具有重要意义,而实现土地资源科学管理和利用的前提是掌握其空间变化特点[1]。土壤盐分是反映土壤盐渍化程度的一个重要指标,可用于对土壤盐渍化程度的监测。
对于土壤盐分空间变异的研究,目前多是通过田间采样,利用地统计学中的克里格方法插值运算进行土壤盐分的空间表达[2]。应用克里格方法运算时,土壤属性的空间预测精度及其变异结构除了受到布点模式[3]的影响外,还受到采样点数量的影响[4,5]。目前关于土壤盐分采样数量的相关研究较少,现有文献多针对土壤有机质[6-8]、主要养分[9]等指标在不同采样数量下空间变异特点进行研究。如王志刚等研究发现在长江三角洲地区县域尺度下,250个样点可以较好地表征土壤有机质和速效磷空间变异,相当于每1000km2需采180个样点[10]。张志霞等研究表明,黄土高原丘陵沟壑区与平原区县域土壤有机碳空间变异最小采样点分别为903个和1838个,相当于每1000km2分别需采581和4620个样点[8]。张贝尔等以土壤综合属性（土壤质量）为对象,发现华北平原县域尺度下90个样点比较适宜表达土壤综合质量,相当于每1000km2需采90个样点[11]。另有少量的土壤盐分研究中,史海滨等在河套灌区发现田间尺度土壤盐分最小采样数目为18个[12]。姚荣江等在黄河三角洲农场尺度范围确定表层土壤盐分在90%可信度下最小采样数目为139个,相当于每1000km2需采27 416个样点[1]。以上文献说明由于不同土壤指标的空间变异特点是不相同的,上述研究中侧重于土壤养分指标得出的最小采样点数量,不一定完全适用于土壤盐分最小采样点数量。即使是土壤盐分指标,因为不同区域地形条件、环境因素等作用下,最小的采样点数量也会不同。因此对于黄河三角洲地区,土壤盐分空间变异的采样数量及其影响需要进一步研究明确。虽然姚荣江等[1] 在农场尺度范围内分析了黄河三角洲土壤盐分空间变异合理采样数目,但并未利用地统计学分析抽样对空间变异的影响。不同尺度下的采样数目可能会出现较大的差异,随着农业管理的发展,研究县域尺度下不同样点数量对土壤盐分表达的影响显得更具有实际意义。
针对目前研究仍然存在的问题,本文以黄河三角洲典型地区垦利县为研究区,探讨不同的采样点数量对土壤盐分空间变异表达的影响,试图明确该类型区域土壤盐分空间预测的合理采样数量,为盐渍化区域土地资源利用和管理提供科学依据。

2 研究区概况与研究方法

2.1 研究区概况

研究区位于黄河三角洲地区的山东省垦利县。垦利县总面积超过2000km2,地处暖温带季风气候区,大陆性季风表现较强,降水空间分布不均匀。由于东部靠近渤海湾,靠近海洋,其土壤盐分类型主要以氯化物为主[13]。

2.2 样点数据的处理

本文采用 2009年垦利县耕地地力调查数据（由东营市农业局提供）。除了东部自然保护区所划范围和东南部水产养殖区外,其采样点覆盖绝大部分农田（图1）,覆盖范围为1400km2。样点主要针对农田均匀布点,并根据道路可达情况、土地利用类型和土壤类型进行调整。本文共获取了926点数据,从所有样点中随机抽取11次分别为801、704、598、502、401、300、201、150、100、75、50个样点。为方便比较不同样本集的特点,每一次样点的抽取从上一次抽取的样点集合中采集,如704个样点集从801个样点集中抽取,598个样点集从704个样点集中抽取。结合全部样本926个样点数据,共组成12个样本集。土壤盐分用电导率法测定[14],然后根据公式进行换算[1]。
Figure 1 Diagrammatic map of sampling site and study area

图1 研究区范围和采样点

2.3 空间预测方法与精度验证

土壤盐分的空间表达采用克里格插值方法,本文选择最常用的普通克里格（Ordinary Kriging）,在ArcGIS 9.2地统计模块中实现。空间变异实现之前需要分析其半方差函数,用来探讨土壤盐分空间变异的结构性,理论半方差函数的计算通过GS+软件完成。
为了衡量不同样本集合数据对土壤盐分空间变异预测精度的影响,需要对预测结果进行验证。常用的验证方法有交互验证和独立验证,由于不同样本集中的样点数量不同,所以交互验证时参与验证的点的个数不同,验证精度会造成不统一[4,11]。本文选择用独立验证的方法,将所有926个样本中抽取801个样本后剩余的125样点作为独立验证集,分别对前述的12个样本集空间预测结果进行验证。
验证指标目前常用的有平均误差（ME）、均方根误差（RMSE）,平均误差越靠近0、均方根误差越小,说明空间预测精度越高。本文还采用了平均标准误差（ASE）衡量克里格预测值的不确定性。公式详见参考文献[4,15]。

3 结果及分析

3.1 描述统计分析

研究区926个样点的土壤盐分平均值为1.43g/kg,与中值1.10g/kg相差不大,变异系数为80.85%,变异程度较大（表1）。不同数量的样点子集（801、704、598、502、401、300、201、150、100、75、50个样点）,除了100、50个样点的土壤盐分最大值不再是8.60g/kg,而是4.40g/kg之外,其余样点集土壤盐分的含量平均值、中值、标准差及变异系数均与数据全部样点的统计结果相差不大。说明不同采样点数量下土壤盐分含量平均值和标准差等统计量的差异较小,虽然抽取的采样点数量不同但12个子样本对总体仍有较强的代表性。Kolmogorov-Smirnov 检验表明,不同采样点数量的土壤盐分含量均不符合正态分布,所以需要对所有样本集进行数据转换,进行对数转换后,所有样本集的数据分布符合正态分布。
Table 1 Descriptive statistical characteristics of soil salinity in different sample set

表1 不同样本集土壤盐分描述性统计特征

样点个数 最小值
/（g/kg）		 最大值
/（g/kg）		 平均值
/（g/kg）		 标准差
/（g/kg）		 偏度系数 峰度系数 中值
/（g/kg）		 变异系数
/%
926 0.20 8.60 1.43 1.15 2.45 11.00 1.10 80.85
801 0.20 8.60 1.41 1.12 2.36 10.43 1.10 79.43
704 0.20 8.60 1.41 1.11 2.40 10.97 1.10 78.72
598 0.20 8.60 1.41 1.09 2.30 10.18 1.10 77.31
502 0.20 8.60 1.42 1.12 2.36 10.25 1.10 78.87
401 0.20 8.60 1.41 1.10 2.43 11.10 1.10 78.01
300 0.20 8.60 1.42 1.11 2.51 12.10 1.10 78.17
201 0.20 8.60 1.45 1.09 2.48 12.64 1.10 75.17
150 0.20 8.60 1.49 1.15 2.50 12.57 1.10 77.18
100 0.30 4.40 1.31 0.87 1.64 5.52 1.05 66.41
75 0.30 8.60 1.61 1.30 2.64 12.77 1.20 80.75
50 0.30 4.40 1.19 0.86 1.99 6.92 1.00 72.27

3.2 不同采样点数量对土壤空间变异结构的影响

对926个样点全集模拟其理论半方差函数及其块金值与基台值,如表2所示。块金值与基台值的比值表达的是空间变异结构中随机成分所占的比例。所有样点的块金值与基台值比值（C0 /Sill）为42.60%,表明研究区土壤盐分呈现中等程度的自相关。从其他11个不同样本数量子集来看（表2）,大部分样本子集C0 /Sill比值和全集的C0 /Sill比值相近;50个样点时C0 /Sill比值为95.10%,说明此时空间变异结构中的随机组分比例非常高,而100个样点和75个样点则表现C0 /Sill比值较低,提示土壤盐分空间变异结构的结构性组分较高,这说明样点数量多,并不一定有利于识别土壤盐分的结构性连续组分[4,5]。
Table 2 Parameters of semivariance of soil salinity in different sample set

表2 不同采样点数量下的土壤盐分半方差函数参数

样点数 模型 块金值C0 基台值Sill 块基比
（C0 /Sill）/%		 有效变程
/km		 决定系数 残差
926 指数模型 0.42 1.01 42.60 14.76 0.66 0.10
801 指数模型 0.44 0.98 44.30 14.04 0.60 0.11
704 指数模型 0.44 0.99 44.70 14.04 0.63 0.09
598 指数模型 0.45 0.97 46.10 13.65 0.61 0.08
502 指数模型 0.47 1.00 47.20 15.66 0.66 0.08
401 指数模型 0.47 0.94 49.90 13.47 0.60 0.07
300 指数模型 0.41 0.89 45.80 16.77 0.66 0.08
201 指数模型 0.39 0.82 47.30 14.04 0.58 0.07
150 球状模型 0.38 0.82 45.90 6.10 0.36 0.01
100 指数模型 0.25 0.69 35.80 5.94 0.31 0.05
75 指数模型 0.16 0.63 25.50 3.72 0.32 0.10
50 指数模型 0.75 0.79 95.10 2.00 0.01 0.22
从不同样点集的空间相关范围（有效变程）来看,大部分样本集合的有效变程在13.47~16.77km之间,当样点数量小于150个样点时变程减小（<6.10km）。理论上,样点数量减少和增加样点间距的同时,更能体现大尺度的空间变异结构,而本研究呈现出小样本更能体现局部小尺度（<6.10km）的变异特点,这可能与本文未限制最小间距采样有关。
利用模型拟合半方差,大多数样点集合的半方差用指数模型拟合精度最好,只有150个样点的半方差用球状模型拟合精度高。但是模型的不同并不影响分析半方差的结构的表达。表2可见,随着样点数量的减少,半方差的拟合精度（决定系数）降低,尤其是150样点集时,决定系数从0.60左右突降到0.36, 100个样点和75个样点对应的块金值与样点全集相比明显减小,变程也被明显低估,50个样点时呈现纯块金效应。说明样点数量过小时,不能够很好地表达空间变异结构。

3.3 不同采样点数量对土壤空间预测精度的影响

从图2可以看出,对不同采样点数量下的预测结果进行独立验证后,预测值的平均误差（ME）数值都小于0,大多数接近0,其中 75个样点进行预测时的平均误差最大。这表明除少数样点集外（50、75、100）,大多数采样点集均可以保证克里格插值在总体上的无偏性。
从整体的误差趋势来看,均方根误差（RMSE）随样本量的增大而减少（图2）,说明克里格插值的准确度随样本量的减少呈现降低趋势。平均误差（ME）随样本量的减小没有明显的趋势,基本能够保持在一定的数值。但是样本数量小于150时,平均误差（ME）偏离X轴的距离逐渐增加,在100个点以下预测时发生明显的改变,50个和75个样点预测误差达到最大。根据ME和RMSE综合分析,满足预测精度的样点数量需要150个左右。
Figure 2 Prediction errors of soil salinity in different sample set

图2 不同样点集土壤盐分预测误差

平均标准误差ASE衡量的是克里格预测值的不确定性。本研究中样本数量大于598个时,ASE多数大于RMSE,说明过高地估计了预测的变异性,样本数量冗余。300~598个样本数量之间,ASE基本和RMSE的值相等,说明此时的样本数量都能恰到好处地预测空间变异性。随着样本数量小于300,ASE越来越比RMSE小,说明样本数量减少影响了区域局部空间表达。尤其是样点数量小于150个时ASE出现明显的拐点,此时样本集已经不能合理地预测变异性。
综合3个指标可以得出,满足研究区土壤盐分空间变异表达的土壤样点数量不能小于150个,即每1000km2需采集107个样点。从上述分析也可以得出,在评价克里格预测精度时,单一的评价指标可能并不完全能够评价预测结果,需要结合实际,运用多种评价指标综合分析。同时需要指出的是,土壤样点数量不能小于150个的结论是基于垦利县研究区得出,该结果主要适用于黄河三角洲地区。在环境条件差异较大的其他区域（如长三角地区、松嫩平原等）,揭示土壤盐分空间变异时所需采样数量可能会有所不同,其他地区能否适用需要根据具体情况分析。因此建议本结论尽量应用在黄河三角洲和垦利县环境条件类似的地区。

3.4 不同采样点数量对土壤空间分布表达的影响

对不同样点集进行克里格空间插值运算,分析在表达空间特征的差异。因为研究区东部位于黄河口滩涂和湿地保护区,所以该区域未采样,为保留边界的完整性和作图的美观性,把插值运算结果拓展到整个垦利县范围内。故分析空间变异特点时,东部区域将不作重点分析。
如图3所示,盐分比较高的区域分布在研究区的中部和南部,西部盐分较低。样点数量大于等于401时,展示土壤空间变异特征比较完全,既有整体的分布规律,又有细节的刻画。当样点数量为在150~300个点之间时,盐分的整体分布趋势仍然非常清晰,然而对于局部低盐分细节的刻画则不够详细。当小于150个点时,中部和南部高盐分区域的表达不明显,低盐分区在西部呈现块状分布。说明随着样点数量的减少,对于细节的刻画能力也在减弱。
Figure 3 Expression of spatial variation of soil salinity in different sample set

图3 不同样点集土壤盐分空间变异表达

而对半方差函数分析时认为,样点数量为150、100、75个点 时,能体现某些局部的小尺度变异。从分布图来看,小样本时整体的土壤盐分空间分布,大部分局部细节不能表达清晰。所以,样点数量减少时体现的局部小尺度变异可能只是表现在某些小区域或个别点,而不是整体的细节。

4 结论与讨论

4.1 结论

随机抽取12个样本子集的半方差函数显示,大部分样本集合的有效变程在13.47~16.77km之间,当样点数量小于150个样点时变程减小（<6.10km）,小样本更能体现局部小尺度（<6.10km）的变异特点。从半方差的拟合精度（决定系数）来看,当样点数量过小时,不能够很好的表达空间变异结构。从块金值与基台值比值（C0/Sill）来看,样点数量增多也不一定有利于识别土壤盐分内部的结构性连续组分。在空间表达方面,说明随着样点数量的减少,对于细节的刻画能力也在减弱。
对不同采样点数量下的预测结果进行独立验证,均方根误差（RMSE）随样本量的增大而减少,克里格插值的准确度随样本量的减少呈现降低趋势,但是并没有明显的拐点。平均误差（ME）则随样本量的减小而没有明显的趋势,基本能够保持在一定的数值。综合均方根误差（RMSE）平均误差（ME）、平均标准误差ASE三个指标可以得出,满足研究区土壤盐分空间变异表达的土壤样点数量不能小于150个,相当于每1000km2需采集107个样点,需要指出的是该结论适用于和垦利县环境条件类似的区域。从上述分析也可以得出,在评价克里格预测精度时,单一的评价指标可能并不能完全能够评价预测结果,需要结合实际,运用多种评价指标综合分析。

4.2 讨论与展望

研究土壤盐分空间变异特点时,每1000km2需采集107个样点,该结果主要适用于黄河三角洲地区。在环境条件差异较大的其他区域（如长三角地区、松嫩平原等）,揭示土壤盐分空间变异时所需采样数量可能会有所不同,其他地区能否适用需要根据具体情况分析。因此建议本结论尽量应用在黄河三角洲和垦利县环境条件类似的地区。
本文主要侧重点是利用地面数据,分析和探讨不同样点数量对元素空间变异结构、表达精度的影响,其中样点的抽取采用随机抽样。从抽样方法来讲,还有系统抽样、整群抽样等方法[16],在同样的样点数量下,不同的抽样方法对土壤盐分空间变异精度的影响可能会不一致。不同的抽样方法在保证同一精度的前提下,所需要的样点数量也不完全一样。遥感数据的参与,一定程度上能够提高预测精度[17],同时可以反推在同一精度下减少采样数量,所以在以后的研究中可以考虑遥感数据的应用。一方面可以利用遥感光谱数据,进行回归克里格或协克里格分析;另一方面,在考虑资源区域关联性的前提下,可以结合遥感和地面点数据利用“三明治”空间抽样模型[18]进行研究。该模型在资源方面取得的成果为此类问题提供了一个很好的解决方案[16]。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
姚荣江,杨劲松,姜龙. 黄河三角洲土壤盐分空间变异性与合理采样数研究[J]. 水土保持学报,2006,20(6):84-94.

[Yao R J,Yang J S,Jiang L.Study on spatial variability and appropriate sampling quantity of soil salinity in Yellow River Delta[J]. Journal of Soil and Water Conservation,2006,20(6):84-94.]

[2]
Cambardella C A,Moorman T B,Novak J M,et al. Field-scale variability of soil properties in central Iowa soils[J]. Soil Science Society of American Journal,1994,58(5):1501-1511.

[3]
Zhang Z Q,Yu D S,Shi X Z,et al. Effect of sampling classification patterns on SOC variability in the red soil region,China[J]. Soil and Tillage Research,2011,110(1):2-7.

[4]
苏晓燕,赵永存,杨浩,等. 不同采样点数量下土壤有机质含量空间预测方法对比[J]. 地学前沿,2011,18(6):34-40.

[Su X Y,Zhao Y C,Yang H,et al. A comparison of predictive methods for mapping the spatial distribution of soil organic matter content with different sampling densities[J]. Earth Science Frontiers,2011,18(6):34-40.]

[5]
海南,赵永存,田康,等. 不同样点数量对土壤有机质空间变异表达的影响[J]. 土壤学报,2015,52(4):783-791.

[ Han N,Zhao Y C,Tian K,et al. Effect of number of sampling sites on characterization of spatial variability of soil organic matter[J]. Acta Pedologica Sinica,2015,52(4):783-791.]

[6]
吴春生,刘高焕,刘庆生,等. 蒙古高原中北部土壤有机质空间分布研究[J]. 资源科学,2016,38(5):994-1002.

[Wu C S,Liu G H,Liu Q S,et al. The spatial distribution of soil organic matter on north-central Mongolian Plateau[J]. Resources Science,2016,38(5):994-1002.]

[7]
Yu D S,Zhang Z Q,Yang H,et al. Effect of soil sampling density on detected spatial variability of soil organic carbon in a red soil region of China[J]. Pedosphere,2011,21(2):207-213.

[8]
张志霞,许明祥,刘京,等. 黄土高原不同地貌区土壤有机碳空间变异与合理取样数研究[J]. 自然资源学报,2014,29(12):2103-2113.

[Zhang Z X,Xu M X,Liu J,et al. Spatial variation and reasonable sampling number of soil organic carbon under different geomorphic types on the Loess Plateau[J]. Journal of Natural Resources,2014,29(12):2103-2113.]

[9]
赵倩倩,赵庚星,姜怀龙,等. 县域土壤养分空间变异特征及合理采样数研究[J]. 自然资源学报,2012,27(8):1382-1391.

[Zhao Q Q,Zhao G X,Jiang H L,et al. Study on spatial variability of soil nutrients and reasonable sampling number at county scale[J]. Journal of Natural Resources,2012,27(8):1382-1391.]

[10]
王志刚,赵永存,黄标,等. 采样点数量对长三角典型地区土壤肥力指标空间变异解析的影响[J]. 土壤,2010,42(3):421-428.

[Wang Z G,Zhao Y C,Huang B,et al. Effects of sample size on spatial characterization of soil fertility properties in an agricultural area of the Yangtze River delta region,China[J]. Soils,2010,42(3):421-428.]

[11]
张贝尔,黄标,赵永存,等. 采样数量与空间插值方法对华北平原典型区土壤质量评价空间预测精度的影响[J]. 土壤,2013,45(3):540-547.

[Zhang B E,Huang B,Zhao Y C,et al. Effects of sampling sizes and spatial interpolation method on spatial prediction accuracy of soil fertility quality index in the major grain-producing region of the north China plain[J]. Soils,2013,45(3):540-547.]

[12]
史海滨,陈亚新,朝伦巴根,等. 表层土壤盐分空间变异性及合理采样数与信息估计[J]. 内蒙古农牧学院学报,1996,17(4):74-81.

[Shi H B,Chen Y X,Chao L B G,et al. Spatial variability of soil salt on the upper layer and its rational sampling number[J]. Journal of Inner Mongolia Institute of Agriculture and Animal Husbandry,1996,17(4):74-81.]

[13]
王遵亲. 中国盐渍土[M]. 北京:科学出版社,1993.

[Wang Z Q.Saline Soil of China[M]. Beijing:Science Press,1993.]

[14]
鲁如坤. 土壤农业化学分析方法[M]. 北京:中国农业科技出版社,1999.

[Lu R K.Analytical Methods for Soil and Agrochemistry[M]. Beijing:China Agricultural Science and Technology Press,1999.]

[15]
Webster R,Welham S J,Potts J M,et al. Estimating the spatial scales of regionalized variables by nested sampling,hierarchical analysis of variance and residual maximum likelihood[J]. Computers & Geosciences,2006,32(9):1320-1333.

[16]
姜成晟,王劲峰,曹志冬. 地理空间抽样理论研究综述[J]. 地理学报,2009,64(3):368-380.

[Jiang C S,Wang J F,Cao Z D.A review of geo-spatial sampling theory[J]. Acta Geographica Sinica,2009,64(3):368-380.]

[17]
Ding Y L,Ge Y,Hu M G,et al. Comparison of spatial sampling strategies for ground sampling and validation of MODIS LAI product[J]. International Journal of Remote Sensing,2014,35(20):7230-7244.

[18]
Wang J F,Zhuang D,Li L F.Spatial sampling design for monitoring the area of cultivated land[J]. International Journal of Remote Sensing,2002,13(2):263-284.

Options
Outlines

/

〈 〉