全 文 ：典型喀斯特小流域不同植被类型间土壤养分的
差异性及其空间预测方法
王苗苗１，２，３　 陈洪松１，２∗　 付同刚１，２，３　 张　 伟１，２　 王克林１，２
（ １中国科学院亚热带农业生态研究所亚热带农业生态过程重点实验室， 长沙 ４１０１２５； ２中国科学院环江喀斯特农业生态系统
观测研究站， 广西环江 ５４７１００； ３中国科学院大学， 北京 １０００４９）
摘　 要　 植被类型制约着土壤结构和元素的异质化过程，致使土壤养分空间分布存在差异
性．本文研究了典型喀斯特小流域不同植被类型间土壤养分（全氮 ＴＮ、全磷 ＴＰ、全钾 ＴＫ、有机
质 ＳＯＭ）含量分布的差异性，分析比较了普通克里金、回归模型、基于植被类型的回归模型对
土壤养分预测的精度．结果表明： ＴＮ、ＴＫ、ＳＯＭ 与植被类型显著相关（Ｐ＜０．０５），ＴＰ 与植被类
型无显著相关（Ｐ＝ ０．３９０），且 ＴＮ和 ＳＯＭ在灌木林与耕地之间的差异性显著，ＴＫ在乔木林与
灌草丛、灌木林与耕地、灌草丛与耕地间的含量差异皆显著；非连续的典型喀斯特小流域地形
因子空间异质性较高，基于各样点间真实地形因子的多元线性回归预测模型精度优于基于已
知点和预测点位置信息的普通克里金预测方法，且基于植被类型的回归预测模型提高了 ＴＮ
的预测精度．
关键词　 土壤养分； 植被类型； 空间预测； 克里金； 回归模型
Ｄｉｆｆｅｒｅｎｃｅｓ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ａｍｏｎｇ ｄｉｆｆｅｒｅｎｔ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ ａｎｄ ｔｈｅｉｒ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ ｉｎ ａ
ｓｍａｌｌ ｔｙｐｉｃａｌ ｋａｒｓｔ ｃａｔｃｈｍｅｎｔ． ＷＡＮＧ Ｍｉａｏ⁃ｍｉａｏ１，２，３， ＣＨＥＮ Ｈｏｎｇ⁃ｓｏｎｇ１，２∗， ＦＵ Ｔｏｎｇ⁃ｇａｎｇ１，２，３，
ＺＨＡＮＧ Ｗｅｉ１，２， ＷＡＮＧ Ｋｅ⁃ｌｉｎ１，２ （ １Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ａｇｒｏ⁃ｅｃｏｌｏｇｉｃａｌ Ｐｒｏｃｅｓｓｅｓ ｉｎ Ｓｕｂｔｒｏｐｉｃａｌ Ｒｅ⁃
ｇｉｏｎ， Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｕｂｔｒｏｐｉｃａｌ Ａｇｒｉｃｕｌｔｕｒｅ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｃｈａｎｇｓｈａ ４１０１２５， Ｃｈｉｎａ；
２Ｈｕａｎｊｉａｎｇ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｒｅｓｅａｒｃｈ Ｓｔａｔｉｏｎ ｏｆ Ｋａｒｓｔ Ｅｃｏｓｙｓｔｅｍ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，
Ｈｕａｎｊｉａｎｇ ５４７１００， Ｇｕａｎｇｘｉ， Ｃｈｉｎａ； ３Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， Ｂｅｉｊｉｎｇ １０００４９，
Ｃｈｉｎａ） ．
Ａｂｓｔｒａｃｔ： Ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ ｒｅｓｔｒｉｃｔ ｓｏｉｌ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｐｒｏｃｅｓｓｅｓ ｏｆ ｅｌｅｍｅｎｔｓ， ｗｈｉｃｈ
ｒｅｓｕｌｔ ｉｎ ｄｉｆｆｅｒｅｎｃｅ ｉｎ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ． Ｉｎ ｔｈｉｓ ｓｔｕｄｙ， ｔｈｅ ｄｉｆｆｅｒｅｎｃｅｓ ｉｎ ｃｏｎｔｅｎｔｓ
ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ， ＴＮ， ＴＰ， ＴＫ， ａｎｄ ｓｏｉｌ ｏｒｇａｎｉｃ ｍａｔｔｅｒ （ ＳＯＭ） ａｍｏｎｇ ｄｉｆｆｅｒｅｎｔ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ
ｗｅｒｅ ａｎａｌｙｚｅｄ， ａｎｄ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｏｒｄｉｎａｒｙ ｋｒｉｇｉｎｇ， ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ａｎｄ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ
ｏｎ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅ ｉｎ ｐｒｅｄｉｃｔｉｎｇ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ｗａｓ ｃｏｍｐａｒｅｄ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ， ＴＮ， ＴＫ ａｎｄ
ＳＯＭ ｗｅｒｅ ｓｉｇｎｉｆｉｃａｎｔｌｙ （Ｐ＜０．０５） ｃｏｒｒｅｌａｔｅｄ ｔｏ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅ， ａｎｄ ＴＰ ｈａｄ ｎｏ ｓｉｇｎｉｆｉｃａｎｔ ｃｏｒｒｅｌａ⁃
ｔｉｏｎ ｗｉｔｈ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅ （Ｐ ＝ ０．３９０）． ＴＮ ａｎｄ ＳＯＭ ｈａｄ ｓｉｇｎｉｆｉｃａｎｔ ｄｉｆｆｅｒｅｎｃｅ ｂｅｔｗｅｅｎ ｓｈｒｕｂｂｅｒｙ
ａｎｄ ａｒａｂｌｅ ｌａｎｄ． ＴＫ ｈａｄ ｓｉｇｎｉｆｉｃａｎｔ ｄｉｆｆｅｒｅｎｃｅ ｂｅｔｗｅｅｎ ａｒｂｏｒ ａｎｄ ｓｃｒｕｂ⁃ｇｒａｓｓｌａｎｄ， ｓｈｒｕｂｂｅｒｙ ａｎｄ
ａｒａｂｌｅ ｌａｎｄ， ａｎｄ ｓｃｒｕｂ⁃ｇｒａｓｓｌａｎｄ ａｎｄ ａｒａｂｌｅ ｌａｎｄ， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｉｎ ａ ｎｏｎ⁃ｃｏｎｔｉｎｕｏｕｓ ｔｙｐｉｃａｌ ｓｍａｌｌ
ｋａｒｓｔ ｃａｔｃｈｍｅｎｔ， ｂｅｃａｕｓｅ ｏｆ ｈｉｇｈ ｓｐａｔｉａｌ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ｔｅｒｒａｉｎ， ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｍｕｌｔｉｖａｒｉａｔｅ ｌｉｎｅａｒ
ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｔｈｅ ｒｅａｌ ｔｅｒｒａｉｎ ｆａｃｔｏｒｓ ｏｆ ｖａｒｉｏｕｓ ｐｏｉｎｔｓ ｗａｓ ｃｏｎｓｉｄｅｒａｂｌｙ ｈｉｇｈｅｒ ｔｈａｎ ｔｈａｔ
ｏｆ ｏｒｄｉｎａｒｙ ｋｒｉｇｉｎｇ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｌｏｃａｔｉｏｎｓ ｏｆ ｔｈｅ ｋｎｏｗｎ ｐｏｉｎｔｓ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ
ｐｏｉｎｔｓ． Ｍｏｒｅｏｖｅｒ， ｔｈｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅ ｉｍｐｒｏｖｅｄ ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ
ｔｈｅ ＴＮ．
Ｋｅｙ ｗｏｒｄｓ： ｓｏｉｌ ｎｕｔｒｉｅｎｔ； ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅ； ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ； Ｋｒｉｇｉｎｇ； ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ．
本文由国家重点基础研究发展计划项目（２０１５ＣＢ４５２７０３）和中国科学院 ＳＴＳ 计划项目（ＫＦＪ⁃ＥＷ⁃ＳＴＳ⁃０９２）资助 Ｔｈｉｓ ｗｏｒｋ ｗａｓ ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ
Ｎａｔｉｏｎａｌ Ｋｅｙ Ｂａｓｉｃ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ Ｐｌａｎ ｏｆ Ｃｈｉｎａ （２０１５ＣＢ４５２７０３） ａｎｄ ｔｈｅ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｓｅｒｖｉｃｅ Ｎｅｔｗｏｒｋ Ｉｎｉｔｉａｔｉｖｅ ｏｆ Ｃｈｉｎｅｓｅ
Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ （ＫＦＪ⁃ＥＷ⁃ＳＴＳ⁃０９２） ．
２０１５⁃１２⁃１５ Ｒｅｃｅｉｖｅｄ， ２０１６⁃０３⁃３１ Ａｃｃｅｐｔｅｄ．
∗通讯作者 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ． Ｅ⁃ｍａｉｌ： ｈｂｃｈｓ＠ ｉｓａ．ａｃ．ｃｎ
应 用 生 态 学 报　 ２０１６年 ６月　 第 ２７卷　 第 ６期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｊａｅ．ｎｅｔ
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｊｕｎ． ２０１６， ２７（６）： １７５９－１７６６　 　 　 　 　 　 　 　 　 ＤＯＩ： １０．１３２８７ ／ ｊ．１００１－９３３２．２０１６０６．０３３
　 　 土壤养分作为植物营养元素的源泉，是土壤的
重要组成部分．由于受到自然和人为因素的共同影
响，土壤养分表现出一定的空间异质性，即在一定的
景观内，在同一时间、不同地点的土壤养分存在明显
的差异性和多样性［１］ ．土壤特性的空间异质性普遍
存在［２］ ．喀斯特地区地貌环境复杂，土壤养分的空间
异质性程度较高［３－６］ ．对土壤养分空间分布的准确预
测有利于正确规划土地利用方式，对减少资源浪费、
增加收入、保护农业资源和环境质量具有重要意义．
就土壤养分的空间预测方法而言，其经历了从传统
统计学到地统计学，再到神经网络、地理信息技术以
及高精度曲面建模等不断改进的过程［７］，国内外学
者对此皆有研究［８－１３］ ．其中，对桂西北喀斯特地区土
壤养分的预测也有一些研究，如张伟等［１１］利用基于
残差最大似然法 （ ｒｅｓｉｄｕａｌ ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ，
ＲＥＭＬ）的线性无偏最优估计方法对土壤养分进行
预测，Ｙａｎｇ等［１３］在广西平果县土壤有机质的预测
中研究了地形指数对多元线性回归和回归克里金预
测精度的影响．克里金预测方法基于已知点和未知
点的位置关系，多元线性回归预测模型基于样点的
真实地形因子；前者对连续性地形预测精度相对较
高，后者在连续性地形的养分预测中存在一定的局
限性．此外，有研究表明，尺度亦影响养分的空间变
异和预测质量［１４］ ．基于此，典型喀斯特地区小流域
的非连续性地貌特征是否会影响预测方法的适用
性？ 将定性变量植被类型转换为虚拟变量参与到模
型构建中是否有助于提高典型喀斯特小流域土壤养
分的预测精度？ 土壤养分主要分为全量养分和速效
养分．考虑到速效养分受随机因素的影响较大，本研
究选取桂西北典型峰丛洼地地貌小流域的土壤有机
质（ＳＯＭ）、全氮（ＴＮ）、全磷（ＴＰ）、全钾（ＴＫ）作为研
究内容，在分析不同植被类型土壤养分含量差异的
基础上，对普通克里金预测、多元线性回归预测和基
于植被类型的多元线性回归预测的精度进行验证分
析，以期为后续合理规划植被类型、基于环境因子快
速预测土壤养分空间分布特征提供理论基础．
１　 研究地区与研究方法
１􀆰 １　 研究区域概况
中国科学院环江喀斯特生态系统观测研究站
（２４° ４３′ ５８． ９″—２４° ４４′ ４８． ８″ Ｎ， １０８° １８′ ５６． ９″—
１０８°１９′５８．４″ Ｅ），位于广西壮族自治区河池市环江
毛南族自治县南部与宜州市接壤的大才乡木连村境
内，海拔 ２７２．０～６４７．２ ｍ，面积约 １．４６ ｋｍ２，是典型的
图 １　 研究区及采样点位置示意图
Ｆｉｇ．１　 Ｌｏｃａｔｉｏｎｓ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａ ａｎｄ ｓａｍｐｌｉｎｇ ｓｉｔｅｓ．
喀斯特峰丛洼地地貌．研究区内降雨量充足，２００６—
２０１１年间年均降雨量 １４４５．６ ｍｍ［１５］，但四季分布不
均，有明显的旱、雨季之分．研究区内的植被覆盖较
少，多为喜钙、耐旱的物种，乔木较典型的有：菜豆树
（Ｒａｄｅｒｍａｃｈｅｒａ ｓｉｎｉｃａ）、朴树（Ｃｅｌｔｉｓ ｓｉｎｅｎｓｉｓ）、圆叶乌
桕（Ｓａｐｉｕｍ ｒｏｔｕｎｄｉｆｏｌｉｕｍ）等，灌木较典型的有：红背
山麻杆（Ａｌｃｈｏｒｎｅａ ｔｒｅｗｉｏｉｄｅｓ）、黄荆（Ｖｉｔｅｘ ｎｅｇｕｎｄｏ）
等．研究区及采样点位置如图 １所示．
１􀆰 ２　 样品采集与分析
样品的采集方式为网格布点，网格尺寸为
８０ ｍ×８０ ｍ，设计样点 １８２ 个，实际获得样点数为
１６３个．采样时间为 ２０１１ 年 １２ 月，采集时在每个样
点的 ５ ｍ×５ ｍ范围内随机采集 ５ 个 ０ ～ ２０ ｃｍ 的表
层土壤，均匀混合后取样，作为该样点的土样．在采
样过程中采集环刀数据，每个样点至少设一个平行
样，用以计算容重、体积含水量．利用 ＧＰＳ 精确定
位，并记录高程、土壤厚度、植被类型等信息．土壤样
品挑拣碎石杂物，风干、过筛后备用，计算碎石含量．
ＴＮ、ＴＰ、ＴＫ、ＳＯＭ含量的分析方法见文献［１６］．
１􀆰 ３　 数据处理
利用 Ｅｘｃｅｌ软件进行经典统计学分析，将测得
的数据以 ３ 倍标准差范围剔除异常值．利用 ＧＩＳ 软
件，基于高程信息计算样点的坡度、坡向，基于已知
点的养分指标进行克里金插值．利用 ＳＰＳＳ 软件计算
样点的养分指标与地形因子、容重、裸岩率等之间的
相关性，构建线性回归模型．利用 ＧＳ＋软件进行半方
差分析．经典统计分析中，对样本数、最小值、最大
值、平均值、标准差（ＳＤ）、偏度、峰度和变异系数进
行统计．
本研究采用交叉验证法［１７］对预测方法的精度
０６７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
进行分析，在采样点中随机选取 ５０ 个点作为验证
点，其余点参与模型的构建．对预测结果的分析中，
利用均差和均方根误差对预测方法的精度进行比
较．均差即平均误差（ＭＥ），代表真实值和预测值之
间的平均差异；均方根误差（ＲＭＳＥ）用来衡量预测
值与真实值之间的偏差．本研究对预测方法高精度
的确定基于 ＭＥ 越接近于 ０ 及 ＲＭＳＥ 最小的原则，
且优先考虑 ＲＭＳＥ 最小．其中，ＭＥ 和 ＲＭＳＥ 的计算
公式如下：
ＭＥ ＝ １
ｎ∑
ｎ
ｉ ＝ １
（ａｉ － ｂｉ）
ＲＭＳＥ ＝ １
ｎ∑
ｎ
ｉ ＝ １
（ａｉ － ｂｉ） ２
式中：ａｉ为真实值；ｂｉ为预测值；ｎ为样点个数．
２　 结果与分析
２􀆰 １　 土壤养分统计分析及其与影响因子的相关性
由表 １ 可知，研究区内各养分指标的变异程度
较大，变异系数介于 ０．３８ ～ ０．６８ 之间，其中 ＴＫ 的变
异程度最高，变异系数高达 ０．６８．有机质在研究区内
空间变异范围最大，最大值与最小值相差 １０２．２４，标
准差高达 ２０．９４；ＴＰ 在研究区内的分布相对稳定，变
异系数为 ０．３８，标准差仅为 ０．３８．各养分指标的分布
形态上，ＴＮ、ＴＰ、ＴＫ 和 ＳＯＭ 皆呈右偏态，ＴＮ 和 ＴＰ
的分布形态与标准正态分布相比较为陡峭．
　 　 由表 ２ 可知，ＴＮ 与土壤深度、容重和裸岩率存
在极显著的相关关系，其中与土壤深度、容重呈负相
关；ＴＰ 与高程、坡度、容重和裸岩率存在极显著的相
关关系，其中与高程、容重呈负相关；ＴＫ受地形因子
和环境因子的影响较大，与土壤深度、高程、坡度、体
积含水量、裸岩率、碎石覆盖率和碎石含量均呈极显
著相关关系，且除与土壤深度和体积含水量呈正相
关外，其余皆为负相关；ＳＯＭ 与土壤深度、容重和裸
岩率呈极显著相关关系，其中与裸岩率呈正相关．
２􀆰 ２　 植被类型对土壤养分的影响
土壤养分在植被类型间的空间分布存在一定差
异，不同植被类型间各养分指标的含量如图 ２ 所示．
在各植被类型间，ＴＰ 的分布差异最小，其含量皆在
１．０ ｇ·ｋｇ－１左右，其中在耕地的空间变异最小，分布
最稳定，标准差仅为 ０．１２；ＴＮ在灌木林中含量最高，
乔木林和灌草丛中含量次之，耕地中含量最少，平均
含量仅为 ３．３４ ｇ·ｋｇ－１；耕地中的 ＴＫ 含量最高，其
次是乔木林，灌木林和灌草丛的含量相对较少；与
ＴＮ、ＴＰ、ＴＫ 相比，土壤中 ＳＯＭ 含量较高，在各植被
类型内空间变异均较大，与其他植被相比，耕地内
ＳＯＭ含量最低且空间变异最小，但标准差仍高达
１２．６７．
　 　 由表 ３ 可知，ＴＮ、ＴＫ、ＳＯＭ 与植被类型显著相
关（Ｐ＜０．０５），其中 ＴＫ 与植被类型极显著相关（Ｐ
＜０．０１）；ＴＰ 与植被类型无显著相关（Ｐ ＝ ０．３９０），即
研究区内的 ＴＰ 受植被类型的影响较小．ＴＮ 和 ＳＯＭ
在灌木林与耕地之间的差异显著；ＴＫ在乔木林与灌
草丛、灌木林与耕地、灌草丛与耕地间的含量差异皆
显著．
表 １　 土壤养分的描述性统计
Ｔａｂｌｅ １　 Ｄｅｓｃｒｉｐｔｉｖｅ ｓｔａｔｉｓｔｉｃｓ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ
土壤养分
Ｓｏｉｌ ｎｕｔｒｉｅｎｔ
样本数
Ｓａｍｐｌｅｓ
最小值
Ｍｉｎｉｍｕｍ
最大值
Ｍａｘｉｍｕｍ
平均值
Ｍｅａｎ
标准差
ＳＤ
偏度
Ｓｋｅｗｎｅｓｓ
峰度
Ｋｕｒｔｏｓｉｓ
变异系数
ＣＶ
ＴＮ （ｇ·ｋｇ－１） １６１ ０．１６ １２．３９ ４．９７ ２．０９ ０．７５５ １．１７４ ０．４２
ＴＰ （ｇ·ｋｇ－１） １５８ ０．１３ ２．３５ １．００ ０．３８ ０．９８２ １．５５３ ０．３８
ＴＫ （ｇ·ｋｇ－１） １６２ ＜０．０１ ９．０３ ３．４５ ２．３３ ０．５５４ －０．６６０ ０．６８
ＳＯＭ （ｇ·ｋｇ－１） １５９ ＜０．０１ １０２．２４ ５０．４６ ２０．９４ ０．１４９ －０．１６９ ０．４１
ＴＮ： 全氮 Ｔｏｔａｌ ｎｉｔｒｏｇｅｎ； ＴＰ： 全磷 Ｔｏｔａｌ ｐｈｏｓｐｈｏｒｕｓ； ＴＫ： 全钾 Ｔｏｔａｌ ｐｏｔａｓｓｉｕｍ； ＳＯＭ： 土壤有机质 Ｓｏｉｌ ｏｒｇａｎｉｃ ｍａｔｔｅｒ．下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
表 ２　 土壤养分与环境因子的相关系数
Ｔａｂｌｅ ２　 Ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ ｂｅｔｗｅｅｎ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ
土壤养分
Ｓｏｉｌ
ｎｕｔｒｉｅｎｔ
土壤深度
Ｓｏｉｌ
ｄｅｐｔｈ
高程
Ｅｌｅｖａｔｉｏｎ
坡度
Ｓｌｏｐｅ
坡向
Ａｓｐｅｃｔ
容重
Ｂｕｌｋ
ｄｅｎｓｉｔｙ
体积含水量
Ｖｏｌｕｍｅｔｒｉｃ
ｗａｔｅｒ ｃｏｎｔｅｎｔ
裸岩率
Ｂａｒｅ ｒｏｃｋ
ｒａｔｅ
碎石覆盖率
Ｇｒａｖｅｌ
ｃｏｖｅｒａｇｅ
碎石含量
Ｇｒａｖｅｌ
ｃｏｎｔｅｎｔ
ＴＮ －０．２１５∗∗ －０．０４７ ０．０２０ ０．０３０ －０．６５１∗∗ ０．０６８ ０．４５２∗∗ －０．０４５ ０．００７
ＴＰ ０．０４７ －０．３２２∗∗ －０．２３６∗∗ －０．０３８ －０．４７７∗∗ ０．０５５ ０．２４４∗∗ －０．１３０ ０．０１４
ＴＫ ０．３６７∗∗ －０．４９２∗∗ －０．３８９∗∗ ０．０８２ －０．０３５ ０．４２０∗∗ －０．２４１∗∗ －０．３４１∗∗ －０．４８９∗∗
ＳＯＭ －０．２２４∗∗ ０．０２３ ０．０６０ ０．０８６ －０．６４３∗∗ ０．１４９ ０．３７９∗∗ －０．０２７ －０．１００
∗ Ｐ＜０．０５； ∗∗ Ｐ＜０．０１．
１６７１６期　 　 　 　 　 　 　 王苗苗等： 典型喀斯特小流域不同植被类型间土壤养分的差异性及其空间预测方法　 　 　
图 ２　 不同植被类型中 ＴＮ、ＴＰ、ＴＫ和 ＳＯＭ含量
Ｆｉｇ．２　 Ｃｏｎｔｅｎｔｓ ｏｆ ＴＮ， ＴＰ， ＴＫ ａｎｄ ＳＯＭ ｉｎ ｄｉｆｆｅｒｅｎｔ ｖｅｇｅｔａｔｉｏｎ
ｔｙｐｅｓ．
Ⅰ： 乔木林 Ａｒｂｏｒ； Ⅱ： 灌木林 Ｓｈｒｕｂｂｅｒｙ； Ⅲ： 灌草丛 Ｓｃｒｕｂ⁃ｇｒａｓｓ⁃
ｌａｎｄ； Ⅳ： 耕地 Ａｒａｂｌｅ ｌａｎｄ． ＴＮ： 全氮 Ｔｏｔａｌ ｎｉｔｒｏｇｅｎ； ＴＰ： 全磷 Ｔｏｔａｌ
ｐｈｏｓｐｈｏｒｕｓ； ＴＫ： 全钾 Ｔｏｔａｌ ｐｏｔａｓｓｉｕｍ； ＳＯＭ： 土壤有机质 Ｓｏｉｌ ｏｒｇａｎｉｃ
ｍａｔｔｅｒ．下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
２􀆰 ３　 土壤养分的空间预测
２􀆰 ３􀆰 １养分指标的空间预测　 本研究利用 ＧＳ＋软件
对随机选取参与预测的样点的养分指标进行半方差
分析，得到各个土壤养分指标的最优模型、基台值、
块金值和变程，结合 ＧＩＳ软件进行普通克里金插值，
得到研究区内各养分指标的空间分布状况（图 ３）．
基于验证点已知的地理位置信息，提取各养分指标
作为预测值．
回归模型的构建中，与 ＴＮ 存在极显著相关的
土壤深度、容重和裸岩率参与到模型构建中；与 ＴＰ
存在极显著相关的高程、坡度、容重和裸岩率参与到
模型构建中；与ＴＫ极显著相关的土壤深度、高程、
表 ３　 植被类型对土壤养分的影响
Ｔａｂｌｅ ３ 　 Ｅｆｆｅｃｔｓ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅ ｏｎ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ
（ｇ·ｋｇ－１， ｍｅａｎ±ＳＤ）
植被类型
Ｖｅｇｅｔａｔｉｏｎ
ｔｙｐｅ
ＴＮ ＴＰ ＴＫ ＳＯＭ
Ⅰ ４．６０±２．１９ａｂ １．１２±０．４９ａ ５．１９±１．９３ａｂ ４９．４５±２０．２９ａｂ
Ⅱ ５．５９±２．１９ａ １．０６±０．３７ａ ３．４７±２．３８ｂｃ ５４．６５±２０．４３ａ
Ⅲ ４．９０±１．９９ａｂ ０．９６±０．３９ａ ３．０２±２．１９ｃ ５０．４３±２１．４１ａｂ
Ⅳ ３．３４±１．６２ｂ ０．９８±０．１２ａ ５．５２±２．０３ａ ３４．９８±１２．６７ｂ
Ｆ ３．８８７ １．０１０ ６．４２７ ２．６７９
Ｐ ０．０１０ ０．３９０ ０．０００ ０．０４９
Ⅰ： 乔木林 Ａｒｂｏｒ； Ⅱ： 灌木林 Ｓｈｒｕｂｂｅｒｙ； Ⅲ： 灌草丛 Ｓｃｒｕｂ⁃ｇｒａｓｓ⁃
ｌａｎｄ； Ⅳ： 耕地 Ａｒａｂｌｅ ｌａｎｄ． 同列不同小写字母表示差异显著（ Ｐ
＜０．０５） Ｄｉｆｆｅｒｅｎｔ ｓｍａｌｌ ｌｅｔｔｅｒｓ ｉｎ ｔｈｅ ｓａｍｅ ｃｏｌｕｍｎ ｍｅａｎｔ ｓｉｇｎｉｆｉｃａｎｔ
ｄｉｆｆｅｒｅｎｃｅ ａｔ ０．０５ ｌｅｖｅｌ．
坡度、体积含水量、裸岩率、碎石覆盖率和碎石含量
皆参与到模型构建中；与 ＳＯＭ存在极显著相关的土
壤深度、容重和裸岩率参与到模型构建中．利用构建
的多元线性回归预测模型，基于验证点已知的参与
到预测模型中的土壤深度、容重、高程、坡度和裸岩
率等影响较大的相关因子计算其指标含量，作为验
证点各养分指标的预测值．回归模型方程参数如表 ４
所示．
考虑到 ＴＰ 与植被类型无显著相关性，因此只
对 ＴＮ、ＴＫ和 ＳＯＭ做基于植被类型的多元线性回归
预测．一个定类变量，总类数为 ｎ（本研究总类数为
４，即为 ４种植被类型），则应引入 ｎ－１ 个虚拟变量
（本研究中虚拟变量为 ３），省略的一类即为参照类，
不能引入 ｎ个虚拟变量，否则会产生多重共线性问
题［１８］ ．本研究中乔木林、灌木林、灌草丛和耕地作为
定性变量，在线性回归中成为虚拟变量，分别赋值为
图 ３　 ＴＮ、ＴＰ、ＴＫ和 ＳＯＭ的克里金预测空间分布
Ｆｉｇ．３　 Ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎｓ ｏｆ ＴＮ， ＴＰ， ＴＫ ａｎｄ ＳＯＭ ｂａｓｅｄ ｏｎ Ｋｒｉｇｉｎｇ ｍｏｄｅｌ （ｇ·ｋｇ－１）．
２６７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
表 ４　 土壤养分回归方程参数
Ｔａｂｌｅ ４　 Ｐａｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ｒｅｇｒｅｓｓｉｏｎ ｅｑｕａｔｉｏｎｓ ｏｆ ｔｈｅ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ
土壤养分
Ｓｏｉｌ
ｎｕｔｒｉｅｎｔ
常数
Ｃｏｎｓｔａｎｔ
土壤深度
Ｓｏｉｌ
ｄｅｐｔｈ
容重
Ｂｕｌｋ
ｄｅｎｓｉｔｙ
裸岩率
Ｂａｒｅ ｒｏｃｋ
ｒａｔｅ
高程
Ｅｌｅｖａｔｉｏｎ
坡度
Ｓｌｏｐｅ
体积
含水量
Ｖｏｌｕｍｅｔｒｉｃ
ｗａｔｅｒ
ｃｏｎｔｅｎｔ
碎石
覆盖率
Ｇｒａｖｅｌ
ｃｏｖｅｒａｇｅ
ｒａｔｅ
碎石含量
Ｇｒａｖｅｌ
ｃｏｎｔｅｎｔ
Ｒ２ Ｐ
ＴＮ １０．７９１ －０．０１４ －５．９６０ ０．０２２ － － － － － ０．４３８ ０．０００
ＴＰ ２．３５８ － －０．８３２ ０．００２ －０．００１ －０．００３ － － － ０．３１０ ０．０００
ＴＫ ７．６０８ ０．０２２ － －０．００９ －０．０１３ ０．０１６ ０．０１２ ０．００６ －０．０５０ ０．４２８ ０．０００
ＳＯＭ １２１．７５５ －０．２３３ －６４．６２７ ０．０２８ － － － － － ０．４１４ ０．０００
１、２、３、４，将乔木林作为参照变量，对其进行重新编
码．本研究引入 ３个虚拟变量，分别为 Ｄ１、Ｄ２、Ｄ３ ．
Ｄ１ ＝
１灌木林
０其他植被类型{
Ｄ２ ＝
１灌草丛
０其他植被类型{
Ｄ３ ＝
１耕地
０其他植被类型{
即：
Ｄ１ Ｄ２ Ｄ３
乔木林 ０ ０ ０
灌木林 １ ０ ０
灌草丛 ０ １ ０
耕地 ０ ０ １
基于植被类型构建的线性回归模型方程参数如
表 ５所示．
　 　 利用考虑植被类型的多元线性回归预测模型，
基于验证点已知的植被类型，以与预测模型同样的
处理方式重新编码，同样取其 Ｄ１、Ｄ２、Ｄ３，参与到验
证点养分指标的计算中，作为验证点的预测值．此
外，回归模型方程皆达到极显著水平（Ｐ＝ ０．０００），虽
然 Ｒ２值并不是很高，但是基于以往研究结果［１９－２１］及
喀斯特地区异质性较高的现状，本研究结果还是可
以接受的．如果在采样过程中对地形因子的获取减
少人为因素的误差，或者基于较高分辨率的数字地
形模型获取地形因子，会有更好的解释结果．
２􀆰 ３􀆰 ２预测结果分析 　 由 ５０ 个随机验证点的土壤
养分真实值和基于各预测方法获取的预测值的散点
图（图 ４）可知，ＴＮ和 ＳＯＭ的预测结果相似，未考虑
植被类型的线性回归和基于植被类型的线性回归的
预测值相近，更接近于真实值：ＴＮ和 ＳＯＭ未考虑植
被类型的回归预测均值分别为 ５． ０２ 和 ５２． ２１
ｇ·ｋｇ－１；ＴＮ 和 ＳＯＭ 基于植被类型的回归预测均值
分别为 ５．０４和 ５２．４３ ｇ·ｋｇ－１；ＴＮ 和 ＳＯＭ 的真实均
值分别为 ４．９３和 ５０．１６ ｇ·ｋｇ－１ ．不同的是，ＴＮ 克里
金预测值虽然并不最接近真实值，但其变化范围与
真实值（０．１６～１２．３９ ｇ·ｋｇ－１）相比是较稳定的，其值
域介于 ３．０６ ～ ８．５５ ｇ·ｋｇ－１之间；克里金预测方法对
ＳＯＭ高值区的预测更接近于真实值，且克里金预测
值（均值为 ５３．３１ ｇ·ｋｇ－１）总体较真实值和回归预
测值偏高．就 ＴＫ 而言，克里金预测值的变化范围
（０．９３～７．７６ ｇ·ｋｇ－１ ）最接近真实值 （ ０． １６ ～ ８． ９２
ｇ·ｋｇ－１），回归预测值（均值为 ２．９８ ｇ·ｋｇ－１）总体较
真实值（均值为 ３．２９ ｇ·ｋｇ－１）偏低，基于植被类型
的回归预测均值为 ３．３２ ｇ·ｋｇ－１，最接近于真实值．
　 　 由表 ６可知，ＴＮ基于植被类型的多元线性回归
预测精度最高，均方根误差为 １．６８５４，且平均误差接
近于 ０，比未考虑植被类型的多元线性回归模型（均
方根误差为 １．６８５９）精度有所提高；ＴＫ和 ＳＯＭ不考
虑植被类型的多元线性回归预测精度最高，均方根
误差分别为 １．６６７７和 １６．２６６６．普通克里金预测方法
在 ３种养分指标的预测中精度皆是最低的．
表 ５　 基于植被类型的土壤养分回归方程参数
Ｔａｂｌｅ ５　 Ｐａｒａｍｅｔｅｒｓ ｏｆ ｔｈｅ ｒｅｇｒｅｓｓｉｏｎ ｅｑｕａｔｉｏｎｓ ｏｆ ｔｈｅ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ｂａｓｅｄ ｏｎ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ
土壤养分
Ｓｏｉｌ
ｎｕｔｒｉｅｎｔ
常数
Ｃｏｎｓｔａｎｔ
土壤深度
Ｓｏｉｌ
ｄｅｐｔｈ
容重
Ｂｕｌｋ
ｄｅｎｓｉｔｙ
裸岩率
Ｂａｒｅ
ｒｏｃｋ
ｒａｔｅ
高程
Ｅｌｅｖａｔｉｏｎ
坡度
Ｓｌｏｐｅ
体积
含水量
Ｖｏｌｕｍｅｔｒｉｃ
ｗａｔｅｒ
ｃｏｎｔｅｎｔ
碎石
覆盖率
Ｇｒａｖｅｌ
ｃｏｖｅｒａｇｅ
ｒａｔｅ
碎石
含量
Ｇｒａｖｅｌ
ｃｏｎｔｅｎｔ
虚拟变量
Ｖｉｒｔｕａｌ ｖａｒｉａｂｌｅ
Ｄ１ Ｄ２ Ｄ３
Ｒ２ Ｐ
ＴＮ ９．６４７ －０．０１３ －５．６９７ ０．０２３ － － － － － １．１８２ ０．７９４ ０．８０３ ０．４５９ ０．０００
ＴＫ １０．１０６ ０．０２４ － －０．００８ －０．０１６ ０．０２０ ０．００６ ０．００４ －０．０５２ －２．５１６ －１．３４０ －１．４１１ ０．４９６ ０．０００
ＳＯＭ １１２．８４１ －０．１４３ －６７．２７５ ０．０４８ － － － － － ７．１８８ １０．０５６ ０．５７４ ０．４３０ ０．０００
３６７１６期　 　 　 　 　 　 　 王苗苗等： 典型喀斯特小流域不同植被类型间土壤养分的差异性及其空间预测方法　 　 　
表 ６　 预测方法的精度
Ｔａｂｌｅ ６　 Ｐｒｅｃｉｓｉｏｎ ｏｆ ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄｓ
土壤养分
Ｓｏｉｌ
ｎｕｔｒｉｅｎｔ
普通克里金
Ｏｒｄｉｎａｒｙ Ｋｒｉｇｉｎｇ
平均误差
Ｍｅａｎ ｅｒｒｏｒ
均方根误差
Ｒｏｏｔ ｍｅａｎ
ｓｑｕａｒｅ ｅｒｒｏｒ
多元线性回归
Ｍｕｌｔｉ⁃ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ
平均误差
Ｍｅａｎ ｅｒｒｏｒ
均方根误差
Ｒｏｏｔ ｍｅａｎ
ｓｑｕａｒｅ ｅｒｒｏｒ
基于植被类型的多元线性回归
Ｍｕｌｔｉ⁃ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ
ｂａｓｅｄ ｏｎ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅ
平均误差
Ｍｅａｎ ｅｒｒｏｒ
均方根误差
Ｒｏｏｔ ｍｅａｎ
ｓｑｕａｒｅ ｅｒｒｏｒ
ＴＮ －０．１５２５ ２．０５９３ －０．０８３０ １．６８５９ －０．１０２３ １．６８５４
ＴＫ －０．４０３８ １．９５８８ ０．３１８７ １．６６７７ －０．０２９０ １．７７５０
ＳＯＭ －３．１４４６ １７．５６０５ －２．０４３３ １６．２６６６ －２．２６５８ １６．８３２９
图 ４　 验证点的实测值和预测值比较
Ｆｉｇ．４ 　 Ｃｏｍｐａｒｉｓｏｎｓ ｏｆ ｔｈｅ ｍｅａｓｕｒｅｄ ａｎｄ ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅｓ ｏｆ
ｖｅｒｉｆｉｃａｔｉｏｎ ｐｏｉｎｔｓ．
Ⅰ： 克里金预测值 Ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅｓ ｏｆ Ｋｒｉｇｉｎｇ； Ⅱ： 回归预测值 Ｐｒｅ⁃
ｄｉｃｔｅｄ ｖａｌｕｅｓ ｏｆ ｒｅｇｒｅｓｓｉｏｎ； Ⅲ： 基于植被类型的回归预测值 Ｐｒｅｄｉｃｔｅｄ
ｖａｌｕｅｓ ｏｆ ｒｅｇｒｅｓｓｉｏｎ ｂａｓｅｄ ｏｎ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ．
３　 讨　 　 论
峰丛洼地是一种典型的喀斯特地貌，地质环境
特殊，极易受到破坏，土壤养分在这种脆弱生态系统
中的分布特征直接影响着区域内的生产力和生态恢
复的途径和方向．本研究表明，研究区内的土壤养分
皆存在一定程度的变异，变异程度为 ＴＫ＞ＴＮ＞ＳＯＭ＞
ＴＰ，养分的这种空间变异特性主要受土壤质地、地
形、种植制度、施肥水平等多因素影响［２２－２３］ ．由本研
究的相关性分析亦可知，土壤养分指标与某些地形
因子、土壤质地等存在显著相关，如变异性程度最大
的 ＴＫ，与土壤深度、高程、坡度、体积含水量、裸岩
率、碎石覆盖率和碎石含量都极显著相关，其中与高
程的相关指数最大，可推断研究区内地形是影响 ＴＰ
空间高异质性的主要因素之一．就植被类型对土壤
养分的影响而言，已有研究表明，植物群落组成和群
落中植物个体的分布格局制约着土壤结构和元素的
异质化过程［２４］ ．本研究亦发现，植被类型对养分的
空间分布有重要影响，除 ＴＰ 在植被类型间的分布
差异较小外，ＴＮ、ＴＫ 和 ＳＯＭ 与植被类型均存在不
同程度的显著相关，其在不同植被类型间的含量存
在明显差异：ＴＮ 和 ＳＯＭ 在各植被类型间的含量分
布相似，由高到低依次为灌木林＞灌草丛＞乔木林＞
耕地，不同的是，ＳＯＭ 在灌草丛和乔木林中的差异
相对较小．研究区以岩溶地质条件为背景，土层较
薄，养分流失严重，可能造成研究区内灌木类植被的
生长对养分的控制较乔木类好．ＴＫ在各植被类型间
的含量依次为耕地＞乔木林＞灌木林＞灌草丛，ＴＫ 在
耕地中的高含量可能与研究区内试验样地的人工施
肥有关．此外，与 ＴＮ、ＴＰ、ＴＫ相比，土壤中 ＳＯＭ 含量
较高，其均值达 ５０．４６ ｇ·ｋｇ－１，因 ＳＯＭ 具有重要的
肥力作用，研究区内人类活动可能是使其呈现高值
的主要原因．
已有研究表明，在土壤养分的预测中，将地形指
数、土地利用方式或者植被类型参与到预测模型的
构建中，其精度会有所提高［２５－２７］ ．本研究亦发现，在
ＴＮ的预测中，基于植被类型的多元线性回归模型较
未考虑植被类型的多元线性回归模型精度提高了
０．０００５．但是，ＴＫ和 ＳＯＭ 的预测模型中植被类型的
参与反而使模型精度有所下降，可能与验证点的随
机选取有关．普通克里金预测，在 ３ 种养分指标的预
测中精度都是最低的，主要是因为普通克里金空间
４６７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
插值基于已知点和未知点的位置关系，其首先考虑
的是空间属性在空间位置上的变异分布，确定对一
个待插点值有影响的距离范围，然后用此范围内的
采样点来估计待插点的属性值；而研究区内地形因
素的空间异质性较高，仅仅依据样点间的地理位置
信息对其进行估测势必会使预测的精度有所下降．
研究发现，与连续性地形相比，综合各点实际地形因
子的线性回归预测模型更适合于非连续性地形区域
养分指标的预测．此外，本研究仅对试验结果进行宏
观性描述分析，其内在的影响机制还有待于进一步
研究．
４　 结　 　 论
研究区内的土壤养分都存在一定程度的变异，
变异程度依次为 ＴＫ＞ＴＮ＞ＳＯＭ＞ＴＰ．不同养分指标在
不同植被类型中具有明显的差异性，除 ＴＰ 在植被
类型间的分布差异相对较小外，ＴＮ 和 ＳＯＭ 与植被
类型显著相关，ＴＫ 与植被类型极显著相关．非连续
的典型喀斯特小流域地形因子空间异质性较高，基
于各样点间真实地形因子的多元线性回归预测模型
精度优于基于已知点和预测点位置信息的克里金预
测方法．
参考文献
［１］　 Ｃａｍｂａｒｄｅｌｌａ ＣＡ， Ｍｏｏｒｍａｎ ＴＢ， Ｎｏｖａｋ ＪＭ， ｅｔ ａｌ． Ｆｉｅｌｄ⁃
ｓｃａｌｅ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｐｒｏｐｅｒｔｉｅｓ ｉｎ ｃｅｎｔｒａｌ Ｉｏｗａ ｓｏｉｌｓ．
Ｓｏｉｌ Ｓｃｉｅｎｃｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｍｅｒｉｃａ Ｊｏｕｒｎａｌ， １９９４， ５８： １５０１－
１５１１
［２］　 Ｂｕｒｒｏｕｇｈ ＰＡ． Ｓｏｉｌ ｖａｒｉａｂｉｌｉｔｙ： Ａ ｌａｔｅ ２０ｔｈ ｃｅｎｔｕｒｙ ｖｉｅｗ．
Ｓｏｉｌｓ ａｎｄ Ｆｅｒｔｉｌｉｚｅｒｓ， １９９３， ５６： ５２９－５６２
［３］　 Ｌｉｕ Ｓ⁃Ｊ （刘淑娟）， Ｚｈａｎｇ Ｗ （张 　 伟）， Ｗａｎｇ Ｋ⁃Ｌ
（王克林）， ｅｔ ａｌ． Ｓｐａｔｉｏｔｅｍｐｏｒａｌ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ｔｏｐｓｏｉｌ
ｎｕｔｒｉｅｎｔｓ ｉｎ Ｋａｒｓｔ ｐｅａｋ⁃ｃｌｕｓｔｅｒ ｄｅｐｒｅｓｓｉｏｎ ａｒｅａ ｏｆ Ｎｏｒｔｈ⁃
ｗｅｓｔ Ｇｕａｎｇｘｉ， Ｃｈｉｎａ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学
报）， ２０１１， ３１（１１）： ３０３６－３０４３ （ｉｎ Ｃｈｉｎｅｓｅ）
［４］　 Ｚｈａｎｇ Ｗ （张　 伟）， Ｃｈｅｎ Ｈ⁃Ｓ （陈洪松）， Ｗａｎｇ Ｋ⁃Ｌ
（王克林）， ｅｔ ａｌ． Ｔｈｅ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ａｎｄ
ｔｈｅｉｒ ｉｎｆｌｕｅｎｃｉｎｇ ｆａｃｔｏｒｓ ｉｎ ｐｅａｋ⁃ｃｌｕｓｔｅｒ ｄｅｐｒｅｓｓｉｏｎ ａｒｅａｓ
ｏｆ Ｋａｒｓｔ ｒｅｇｉｏｎ． Ｓｃｉｅｎｔｉａ Ａｇｒｉｃｕｌｔｕｒａ Ｓｉｎｉｃａ （中国农业
科学）， ２００６， ３９（９）： １８２８－１８３５ （ｉｎ Ｃｈｉｎｅｓｅ）
［５］　 Ｚｈａｎｇ Ｗ （张　 伟）， Ｃｈｅｎ Ｈ⁃Ｓ （陈洪松）， Ｗａｎｇ Ｋ⁃Ｌ
（王克林）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ｏｎ
ｈｉｌｌｓｌｏｐｅ ｉｎ ｔｙｐｉｃａｌ ｋａｒｓｔ ｐｅａｋ⁃ｃｌｕｓｔｅｒ ｄｅｐｒｅｓｓｉｏｎ ａｒｅａｓ．
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｅｎｇｉ⁃
ｎｅｅｒｉｎｇ （农业工程学报）， ２００８， ２４（１）： ６８－７３ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［６］　 Ｇａｏ Ｐ （高　 鹏）， Ｆｕ Ｔ⁃Ｇ （付同刚）， Ｗａｎｇ Ｋ⁃Ｌ （王
克林）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ｓｕｒｆａｃｅ ｓｏｉｌ ｎｕｔｒｉ⁃
ｅｎｔｓ ｉｎ ａ ｓｍａｌｌ ｃａｔｃｈｍｅｎｔ ｉｎ Ｋａｒｓｔ ｐｅａｋ⁃ｃｌｕｓｔｅｒ ｄｅｐｒｅｓ⁃
ｓｉｏｎ ａｒｅａ． Ｒｅｓｅａｒｃｈ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｍｏｄｅｒｎｉｚａｔｉｏｎ （农业
现代化研究）， ２０１３， ３４（３）： ３６２－３６６ （ｉｎ Ｃｈｉｎｅｓｅ）
［７］　 Ｘｕ Ｊ⁃Ｂ （徐剑波）， Ｓｏｎｇ Ｌ⁃Ｓ （宋立生）， Ｐｅｎｇ Ｌ （彭
磊）， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｒｅｖｉｅｗ ｏｎ ｍｅｔｈｏｄｓ ｏｆ ｓｐａｔｉａｌ ｐｒｅ⁃
ｄｉｃｔｉｏｎ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ． Ｅｃｏｌｏｇｙ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉ⁃
ｅｎｃｅｓ （生态环境学报）， ２０１１， ２０（８－９）： １３７９－１３８６
（ｉｎ Ｃｈｉｎｅｓｅ）
［８］　 Ｗａｎｇ Ｄ （王　 丹）， Ｓｏｎｇ Ｘ （宋　 轩）， Ｃｈｅｎ Ｊ （陈　
杰）． Ｍａｐｐｉｎｇ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔ ｐｒｅｄｉｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｔｈｅ
ｅｎｖｉｒｏｎｍｅｎｔａｌ ｆａｃｔｏｒｓ． Ｊｉａｎｇｓｕ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ （江
苏农业科学）， ２０１４， ４２（４）： ２７７－２８０ （ｉｎ Ｃｈｉｎｅｓｅ）
［９］　 Ｘｕ Ｌ⁃Ｈ （徐丽华）， Ｘｉｅ Ｄ⁃Ｔ （谢德体）， Ｗｅｉ Ｃ⁃Ｆ （魏
朝富）， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ ｔｏｔａｌ ｐｈｏｓ⁃
ｐｈｏｒｕｓ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｉｎ ｐｕｒｐｌｅ ｓｏｉｌ ｕｓｉｎｇ ｈｙｐｅｒｓｐｅｃｔｒａｌ
ｄａｔａ． Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ （光谱学与光谱
分析）， ２０１３， ３３（３）： ７２３－７２７ （ｉｎ Ｃｈｉｎｅｓｅ）
［１０］　 Ｚｈａｎｇ Ｇ⁃Ｐ （张国平）， Ｇｕｏ Ｐ⁃Ｔ （郭澎涛）， Ｗａｎｇ Ｚ⁃Ｙ
（王正银）， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ
ｈｉｌｌｙ ｆａｒｍｌａｎｄ ｗｉｔｈ ｐｕｒｐｌｅ ｓｏｉｌ ｎｕｔｒｉｅｎｔ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ
ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ （农业工
程学报）， ２０１３， ２９（６）： １１３－１２０ （ｉｎ Ｃｈｉｎｅｓｅ）
［１１］　 Ｚｈａｎｇ Ｗ （张　 伟）， Ｃｈｅｎ Ｈ⁃Ｓ （陈洪松）， Ｗａｎｇ Ｋ⁃Ｌ
（王克林）， ｅｔ ａｌ． Ｕｓｅ ｏｆ ｓａｔｅｌｌｉｔｅ ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ ＧＩＳ ｔｏ
ｐｒｅｄｉｃｔ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｉｌ ｏｒｇａｎｉｃ ｃａｒｂｏｎ ｉｎ ｄｅｐｒｅｓｓｉｏｎｓ
ａｍｉｄ ｃｌｕｓｔｅｒｓ ｏｆ ｋａｒｓｔ ｐｅａｋｓ． Ａｃｔａ Ｐｅｄｏｌｏｇｉｃａ Ｓｉｎｉｃａ （土
壤学报）， ２０１２， ４９（３）： ６０１－６０６ （ｉｎ Ｃｈｉｎｅｓｅ）
［１２］ 　 Ｉｇｏｒ Ｂ， Ｍｉｌａｎ Ｍ， Ｚｅｌｊｋａ Ｚ， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｔｉｏｎ ｏｆ
ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ｏｎ ｓａｎｄｙ⁃ｌｏａｍ ｓｏｉｌ． Ｓｏｉｌ ＆ Ｔｉｌｌａｇｅ Ｒｅ⁃
ｓｅａｒｃｈ， ２０１４， １４４： １７４－１８３
［１３］　 Ｙａｎｇ ＱＹ， Ｊｉａｎｇ ＺＣ， Ｌｉ ＷＪ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｏｉｌ ｏｒ⁃
ｇａｎｉｃ ｍａｔｔｅｒ ｉｎ ｐｅａｋ⁃ｃｌｕｓｔｅｒ ｄｅｐｒｅｓｓｉｏｎ ｒｅｇｉｏｎ ｕｓｉｎｇ
ｋｒｉｇｉｎｇ ａｎｄ ｔｅｒｒａｉｎ ｉｎｄｉｃｅｓ． Ｓｏｉｌ ＆ Ｔｉｌｌａｇｅ Ｒｅｓｅａｒｃｈ，
２０１４， １４４： １２６－１３２
［１４］　 Ｌｅｉ Ｙ⁃Ｗ （雷咏雯）， Ｗｅｉ Ｃ⁃Ｚ （危常州）， Ｌｉ Ｊ⁃Ｈ （李
俊华）， ｅｔ ａｌ． Ｃｈａｒａｃｔｅｒｓ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔ ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉ⁃
ｔｙ ｉｎ ｄｉｆｆｅｒｅｎｔ ｓｃａｌｅ． Ｓｏｉｌｓ （土壤）， ２００４， ３６（４）： ３７６－
３８１ （ｉｎ Ｃｈｉｎｅｓｅ）
［１５］　 Ｙａｎｇ Ｊ （杨　 静）， Ｃｈｅｎ Ｈ⁃Ｓ （陈洪松）， Ｎｉｅ Ｙ⁃Ｐ （聂
云鹏）， ｅｔ ａｌ． Ｖａｒｉａｔｉｏｎ ｏｆ ｐｒｅｃｉｐｉｔａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ
ａｎｄ ｓｈａｌｌｏｗ ｇｒｏｕｎｄｗａｔｅｒ ｄｅｐｔｈ ｉｎ ｔｈｅ ｔｙｐｉｃａｌ ｋａｒｓｔ ｐｅａｋ⁃
ｃｌｕｓｔｅｒ ｄｅｐｒｅｓｓｉｏｎ ａｒｅａｓ． Ｊｏｕｒｎａｌ ｏｆ Ｓｏｉｌ ａｎｄ Ｗａｔｅｒ Ｃｏｎ⁃
ｓｅｒｖａｔｉｏｎ （水土保持学报）， ２０１２， ２６（５）： ２３９－ ２４３
（ｉｎ Ｃｈｉｎｅｓｅ）
［１６］　 Ｌｉｕ Ｇ⁃Ｓ （刘光崧）． Ｐｈｙｓｉｃａｌ ａｎｄ Ｃｈｅｍｉｃａｌ Ａｎａｌｙｓｉｓ ｏｆ
Ｓｏｉｌ ａｎｄ Ｄｅｓｃｒｉｐｔｉｏｎ ｏｆ ｔｈｅ Ｐｒｏｆｉｌｅ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ
Ｓｔａｎｄａｒｄｓ Ｐｒｅｓｓ， １９９７ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］　 Ｆａｎ Ｙ⁃Ｄ （范永东）． Ａ Ｓｕｍｍａｒｙ ｏｆ Ｃｒｏｓｓ⁃Ｖａｌｉｄａｔｉｏｎ ｉｎ
Ｍｏｄｅｌ Ｓｅｌｅｃｔｉｏｎ． Ｍａｓｔｅｒ Ｔｈｅｓｉｓ． Ｔａｉｙｕａｎ： Ｓｈａｎｘｉ Ｕｎｉ⁃
ｖｅｒｓｉｔｙ， ２０１３ （ｉｎ Ｃｈｉｎｅｓｅ）
［１８］　 Ｎｅｔｅｒ Ｊ． Ａｐｐｌｉｅｄ Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ Ｍｏｄｅｌ． Ｎｅｗ Ｙｏｒｋ：
ＭｃＧｒａｗ Ｈｉｌｌ， ２００５
［１９］　 Ｚｈａｎｇ Ｓ⁃Ｍ （张素梅）， Ｗａｎｇ Ｚ⁃Ｍ （王宗明）， Ｚｈａｎｇ Ｂ
（张 　 柏）， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ
ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ｕｓｉｎｇ ｔｅｒｒａｉｎ ａｔｔｒｉｂｕｔｅｓ ａｎｄ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ
ｄａｔａ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ
Ｅｎｇｉｎｅｅｒｉｎｇ （农业工程学报）， ２０１０， ２６（５）： １８８－
１９４ （ｉｎ Ｃｈｉｎｅｓｅ）
［２０］　 Ｗａｎｇ Ｎ⁃Ｎ （王宁宁）． Ｓｔｕｄｙ ｏｎ ｔｈｅ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｓｏｉｌ
５６７１６期　 　 　 　 　 　 　 王苗苗等： 典型喀斯特小流域不同植被类型间土壤养分的差异性及其空间预测方法　 　 　
Ｎｕｔｒｉｅｎｔｓ Ｓｐａｔｉａｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ Ｊｉｕｔａｉ Ｃｏｕｎｔｙ． Ｍａｓｔｅｒ
Ｔｈｅｓｉｓ． Ｃｈａｎｇｃｈｕｎ： Ｊｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ， ２００９ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２１］　 Ｌｉａｎ Ｇ （连　 纲）， Ｇｕｏ Ｘ⁃Ｄ （郭旭东）， Ｆｕ Ｂ⁃Ｊ （傅博
杰）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ａｎｄ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｏｉｌ ｎｕ⁃
ｔｒｉｅｎｔｓ ｉｎ ａ ｓｍａｌｌ ｃａｔｃｈｍｅｎｔ ｏｆ ｔｈｅ Ｌｏｅｓｓ Ｐｌａｔｅａｕ． Ａｃｔａ
Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学报）， ２００８， ２８（３）： ９４６－９５４
（ｉｎ Ｃｈｉｎｅｓｅ）
［２２］　 Ｇｕｏ Ｘ⁃Ｄ （郭旭东）， Ｆｕ Ｂ⁃Ｊ （傅伯杰）， Ｍａ Ｋ⁃Ｍ （马克
明）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔ ｂａｓｅｄ ｏｎ
ＧＩＳ ａｎｄ Ｇｅｏ⁃ｓｔａｔｉｓｔｉｃｓ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ
（应用生态学报）， ２０００， １１（４）： ５５５－ ５６３ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２３］ 　 Ｓｈｉ Ｌ⁃Ｊ （史利江）． Ｓｐａｔｉａｌ Ｖａｒｉａｂｉｌｉｔｙ ｏｆ Ｓｏｉｌ Ｎｕｔｒｉｅｎｔ
ｂａｓｅｄ ｏｎ ＧＩＳ ａｎｄ Ｇｅｏ⁃ｓｔａｔｉｓｔｉｃｓ． Ｍａｓｔｅｒ Ｔｈｅｓｉｓ． Ｓｈａｎｇ⁃
ｈａｉ： Ｓｈａｎｇｈａｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， ２００６ （ｉｎ Ｃｈｉｎｅｓｅ）
［２４］　 Ｃｈｅｎ ＸＬ， Ａｎ ＳＱ， Ｌｉ Ｙ， ｅｔ ａｌ． Ｔｈｅ ｉｎｄｉｖｉｄｕａｌ ｄｉｓｔｒｉｂｕ⁃
ｔｉｏｎ ｐａｔｔｅｒｎｓ ａｎｄ ｓｏｉｌ ｅｌｅｍｅｎｔｓ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｄｕｒｉｎｇ ｔｈｅ
ｄｅｇｒａｄａｔｉｏｎ ｏｆ ｇｒａｓｓｌａｎｄ ｉｎ Ｏｒｄｏｓ． Ａｃｔａ Ｐｈｙｔｏｅｃｏｌｏｇｉｃａ
Ｓｉｎｉｃａ， ２００３， ２７： ５０３－５０９
［２５］ 　 Ｌｉ Ｙ． Ｃａｎ ｔｈｅ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｏｉｌ ｏｒｇａｎｉｃ ｍａｔｔｅｒ
ｃｏｎｔｅｎｔｓ ａｔ ｖａｒｉｏｕｓ ｓａｍｐｌｉｎｇ ｓｃａｌｅｓ ｂｅ ｉｍｐｒｏｖｅｄ ｂｙ ｕｓｉｎｇ
ｒｅｇｒｅｓｓｉｏｎ ｋｒｉｇｉｎｇ ｗｉｔｈ ａｕｘｉｌｉａｒｙ ｉｎｆｏｒｍａｔｉｏｎ． Ｇｅｏｄｅｒｍａ，
２０１０， １５９： ６３－７５
［２６］　 Ｌｉｕ ＳＬ， Ａｎ Ｎ， Ｙａｎｇ ＪＪ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｏｉｌ ｏｒｇａｎｉｃ
ｍａｔｔｅｒ ｖａｒｉａｂｉｌｉｔｙ ａｓｓｏｃｉａｔｅｄ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｌａｎｄ ｕｓｅ ｔｙｐｅｓ
ｉｎ ｍｏｕｎｔａｉｎｏｕｓ ｌａｎｄｓｃａｐｅ ｉｎ ｓｏｕｔｈｗｅｓｔｅｒｎ Ｙｕｎｎａｎ． Ｃａｔｅ⁃
ｎａ， ２０１５， １３３： １３７－１４４
［２７］　 Ｓｈｉ ＷＪ， Ｌｉｕ ＪＹ， Ｄｕ ＺＰ， ｅｔ ａｌ． Ｓｕｒｆａｃｅ ｍｏｄｅｌｉｎｇ ｏｆ ｓｏｉｌ
ｐｒｏｐｅｒｔｉｅｓ ｂａｓｅｄ ｏｎ ｌａｎｄ ｕｓｅ ｉｎｆｏｒｍａｔｉｏｎ． Ｇｅｏｄｅｒｍａ，
２０１１， １６２： ３４７－３５７
作者简介　 王苗苗， 女， １９８８ 年生，博士研究生，主要从事
区域生态与景观生态研究． Ｅ⁃ｍａｉｌ： ３０７２０５５９０＠ ｑｑ．ｃｏｍ
责任编辑　 张凤丽
王苗苗， 陈洪松， 付同刚， 等． 典型喀斯特小流域不同植被类型间土壤养分的差异性及其空间预测方法． 应用生态学报，
２０１６， ２７（６）： １７５９－１７６６
Ｗａｎｇ Ｍ⁃Ｍ， Ｃｈｅｎ Ｈ⁃Ｓ， Ｆｕ Ｔ⁃Ｇ， ｅｔ ａｌ． Ｄｉｆｆｅｒｅｎｃｅｓ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ａｍｏｎｇ ｄｉｆｆｅｒｅｎｔ ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ ａｎｄ ｔｈｅｉｒ ｓｐａｔｉａｌ ｐｒｅｄｉｃｔｉｏｎ ｉｎ ａ
ｓｍａｌｌ ｔｙｐｉｃａｌ ｋａｒｓｔ ｃａｔｃｈｍｅｎｔ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， ２０１６， ２７（６）： １７５９－１７６６ （ｉｎ Ｃｈｉｎｅｓｅ）
６６７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷