全 文 ：基于 ＧＩＳ和地统计学的黄泛区土壤磷空间变异
———以周口为例
贾振宇１，３　 张俊华１，２，３∗　 丁圣彦１，２，３　 冯　 舒１，３　 熊小波１，３　 梁国付１，２，３
（ １教育部黄河中下游数字地理技术重点实验室， 河南开封 ４７５００４； ２黄河文明传承与现代文明建设河南省协同创新中心， 河
南开封 ４７５００１； ３河南大学环境与规划学院， 河南开封 ４７５００４）
摘　 要　 土壤中的磷是衡量土壤肥力的重要指标，其含量的高低对土壤理化性质、植物生长
以及微生物的活动等都有重要影响．本文以周口黄泛区土壤为例，通过土样采集和室内试验
分析，运用地统计分析及 ＧＩＳ空间模拟等方法，分析土壤全磷和速效磷的空间分布特征．结果
表明： 研究区土壤全磷和速效磷含量比较高，且表层（０～２０ ｃｍ）含量均高于第二层含量（２０～
４０ ｃｍ） ．两层土壤全磷和速效磷均属于中等程度变异，并且速效磷的变异程度高于全磷；两层
土壤全磷为中等程度的各向异性，最适模型为高斯模型，表层具有较强的空间相关性，第二层
则具有中等的空间相关性． 两层土壤速效磷的各向异性均较弱，最适模型为线性模型，两层均
呈现较弱的空间相关性． 两层全磷含量从西南到东北方向呈现缓慢上升的变异趋势，而从西
北到东南方向呈逐渐下降的变异趋势． 表层速效磷含量在西南到东北方向先升后降，在东南
到西北方向呈先降后升的变异趋势；第二层速效磷含量在西南到东北方向上呈现先降后升的
趋势，而在西北到东南方向则呈上升趋势．表层土壤全磷含量较高，第二层含量属于中等水
平；表层速效磷含量较高，而第二层含量较低．土地利用方式、耕作制度和施肥等人为因素是
影响该区土壤磷分布趋势和空间变异的主要因素．
关键词　 黄泛区； 土壤磷； 克里格插值； 半方差函数； 空间变异
本文由国家自然科学基金项目（４１１０１０８８， Ｕ１４０４４０１）、河南大学新兴交叉与特色学科培育项目（ＸＸＪＣ２０１４０００３）和河南省高校科技创新团队
支持计划项目（１６１ＲＴＳＴＨＮ０１２）资助 Ｔｈｉｓ ｗｏｒｋ ｗａｓ ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ （４１１０１０８８， Ｕ１４０４４０１）， Ｎｅｗ Ｉｎ⁃
ｔｅｒｄｉｓｃｉｐｌｉｎａｒｙ ａｎｄ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ Ｓｕｂｊｅｃｔ Ｃｕｌｔｉｖａｔｉｏｎ Ｐｒｏｊｅｃｔ ｏｆ Ｈｅｎａｎ Ｕｎｉｖｅｒｓｉｔｙ （ＸＸＪＣ２０１４０００３） ａｎｄ Ｐｒｏｇｒａｍ ｆｏｒ Ｉｎｎｏｖａｔｉｖｅ Ｒｅｓｅａｒｃｈ Ｔｅａｍ （ｉｎ Ｓｃｉ⁃
ｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ） ｉｎ Ｕｎｉｖｅｒｓｉｔｉｅｓ ｏｆ Ｈｅｎａｎ Ｐｒｏｖｉｎｃｅ （１６１ＲＴＳＴＨＮ０１２）．
２０１５⁃０７⁃１３ Ｒｅｃｅｉｖｅｄ， ２０１６⁃０１⁃１８ Ａｃｃｅｐｔｅｄ．
∗通讯作者 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ． Ｅ⁃ｍａｉｌ： ｏｋｌｇｄ＠ １６３．ｃｏｍ
Ｓｐａｔｉａｌ ｖａｒｉａｔｉｏｎ ｏｆ ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ ｉｎ ｆｌｏｏｄｅｄ ａｒｅａ ｏｆ ｔｈｅ Ｙｅｌｌｏｗ Ｒｉｖｅｒ ｂａｓｅｄ ｏｎ ＧＩＳ ａｎｄ
ｇｅｏ⁃ｓｔａｔｉｓｔｉｃａｌ ｍｅｔｈｏｄｓ： Ａ ｃａｓｅ ｓｔｕｄｙ ｉｎ Ｚｈｏｕｋｏｕ Ｃｉｔｙ， Ｈｅｎａｎ， Ｃｈｉｎａ． ＪＩＡ Ｚｈｅｎ⁃ｙｕ１，３，
ＺＨＡＮＧ Ｊｕｎ⁃ｈｕａ１，２，３∗， ＤＩＮＧ Ｓｈｅｎｇ⁃ｙａｎ１，２，３， ＦＥＮＧ Ｓｈｕ１，３， ＸＩＯＮＧ Ｘｉａｏ⁃ｂｏ１，３， ＬＩＡＮＧ Ｇｕｏ⁃
ｆｕ１，２，３ （ １Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｇｅｏｓｐａｔｉａｌ Ｔｅｃｈｎｏｌｏｇｙ ｆｏｒ ｔｈｅ Ｍｉｄｄｌｅ ａｎｄ Ｌｏｗｅｒ Ｙｅｌｌｏｗ Ｒｉｖｅｒ Ｒｅｇｉｏｎｓ，
Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ， Ｋａｉｆｅｎｇ ４７５００４， Ｈｅｎａｎ， Ｃｈｉｎａ； ２Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｉｎｎｏｖａｔｉｏｎ Ｃｅｎｔｅｒ ｏｎ Ｙｅｌｌｏｗ
Ｒｉｖｅｒ Ｃｉｖｉｌｉｚａｔｉｏｎ ｏｆ Ｈｅｎａｎ Ｐｒｏｖｉｎｃｅ， Ｋａｉｆｅｎｇ ４７５００１， Ｈｅｎａｎ， Ｃｈｉｎａ； ３Ｃｏｌｌｅｇｅ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ
Ｐｌａｎｎｉｎｇ， Ｈｅｎａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｋａｉｆｅｎｇ ４７５００４， Ｈｅｎａｎ， Ｃｈｉｎａ） ．
Ａｂｓｔｒａｃｔ： Ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ ｉｓ ａｎ ｉｍｐｏｒｔａｎｔ ｉｎｄｉｃａｔｏｒ ｔｏ ｍｅａｓｕｒｅ ｔｈｅ ｓｏｉｌ ｆｅｒｔｉｌｉｔｙ， ｂｅｃａｕｓｅ ｔｈｅ ｃｏｎ⁃
ｔｅｎｔ ｏｆ ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ ｈａｓ ａｎ ｉｍｐｏｒｔａｎｔ ｅｆｆｅｃｔ ｏｎ ｐｈｙｓｉｃａｌ ａｎｄ ｃｈｅｍｉｃａｌ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｓｏｉｌ， ｐｌａｎｔ
ｇｒｏｗｔｈ， ａｎｄ ｍｉｃｒｏｂｉａｌ ａｃｔｉｖｉｔｙ ｉｎ ｓｏｉｌ． Ｉｎ ｔｈｉｓ ｓｔｕｄｙ， ｔｈｅ ｓｏｉｌ ｓａｍｐｌｅｓ ｃｏｌｌｅｃｔｉｎｇ ａｎｄ ｉｎｄｏｏｒ ａｎａｌｙｓｉｓ
ｗｅｒｅ ｃｏｎｄｕｃｔｅｄ ｉｎ Ｚｈｏｕｋｏｕ Ｃｉｔｙ ｌｏｃａｔｅｄ ｉｎ ｔｈｅ ｆｌｏｏｄｅｄ ａｒｅａ ｏｆ ｔｈｅ Ｙｅｌｌｏｗ Ｒｉｖｅｒ． Ｂｙ ｕｓｉｎｇ ＧＩＳ ｃｏｍ⁃
ｂｉｎｅｄ ｗｉｔｈ ｇｅｏ⁃ｓｔａｔｉｓｔｉｃｓ， ｗｅ ｔｒｉｅｄ ｔｏ ａｎａｌｙｚｅ ｔｈｅ ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ａｎｄ ｃｏｎｔｅｎｔ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｉｌ ｔｏ⁃
ｔａｌ ｐｈｏｓｐｈｏｒｕｓ （ＴＰ） ａｎｄ ｓｏｉｌ ａｖａｉｌａｂｌｅ ｐｈｏｓｐｈｏｒｕｓ （ＡＰ） ｉｎ ｔｈｅ ｓｔｕｄｙ ａｒｅａ． Ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ＴＰ
ａｎｄ ＡＰ ｏｆ ｂｏｔｈ ｓｏｉｌ ｌａｙｅｒｓ （０－２０ ｃｍ ａｎｄ ２０－４０ ｃｍ） ｗｅｒｅ ｒｉｃｈ， ａｎｄ ｔｈｅ ｃｏｎｔｅｎｔｓ ｏｆ ＴＰ ａｎｄ ＡＰ ｉｎ
ｓｕｒｆａｃｅ ｌａｙｅｒ （０－２０ ｃｍ） ｗｅｒｅ ｈｉｇｈｅｒ ｔｈａｎ ｉｎ ｔｈｅ ｓｅｃｏｎｄ ｌａｙｅｒ （２０－４０ ｃｍ）． ＴＰ ａｎｄ ＡＰ ｏｆ ｂｏｔｈ
ｓｏｉｌ ｌａｙｅｒｓ ｅｘｈｉｂｉｔｅｄ ｖａｒｉａｔｉｏｎ ａｔ ｍｅｄｉｕｍ ｌｅｖｅｌ， ａｎｄ ＡＰ ｈａｄ ｖａｒｉｅｄ ｍｕｃｈ ｈｉｇｈｅｒ ｔｈａｎ ＴＰ． ＴＰ ｏｆ ｂｏｔｈ
ｌａｙｅｒｓ ｓｈｏｗｅｄ ｍｅｄｉｕｍ ｄｅｇｒｅｅ ｏｆ ａｎｉｓｏｔｒｏｐｙ ｗｈｉｃｈ ｃｏｕｌｄ ｂｅ ｗｅｌｌ ｍｏｄｅｌｅｄ ｂｙ ｔｈｅ Ｇａｕｓｓｉａｎ ｍｏｄｅｌ． ＴＰ
ｉｎ ｔｈｅ ｓｕｒｆａｃｅ ｌａｙｅｒ ｓｈｏｗｅｄ ｓｔｒｏｎｇ ｓｐａｔｉａｌ ｃｏｒｒｅｌａｔｉｏｎ， ｂｕｔ ｔｈａｔ ｏｆ ｔｈｅ ｓｅｃｏｎｄ ｌａｙｅｒ ｈａｄ ｍｅｄｉｕｍ ｓｐａ⁃
应 用 生 态 学 报　 ２０１６年 ４月　 第 ２７卷　 第 ４期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｊａｅ．ｎｅｔ
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ａｐｒ． ２０１６， ２７（４）： １２１１－１２２０　 　 　 　 　 　 　 　 　 ＤＯＩ： １０．１３２８７ ／ ｊ．１００１－９３３２．２０１６０４．０１２
ｔｉａｌ ｃｏｒｒｅｌａｔｉｏｎ． ＡＰ ｏｆ ｂｏｔｈ ｌａｙｅｒｓ ｈａｄ ａ ｗｅａｋｅｒ ｓｃｏｐｅ ｉｎ ａｎｉｓｏｔｒｏｐｙ ｗｈｉｃｈ ｃｏｕｌｄ ｂｅ ｓｉｍｕｌａｔｅｄ ｂｙ
ｌｉｎｅａｒ ｍｏｄｅｌ， ａｎｄ ｂｏｔｈ ｓｏｉｌ ｌａｙｅｒｓ ｓｈｏｗｅｄ ｗｅａｋｅｒ ｓｐａｔｉａｌ ｃｏｒｒｅｌａｔｉｏｎｓ． ＴＰ ｏｆ ｂｏｔｈ ｓｏｉｌ ｌａｙｅｒｓ ｓｈｏｗｅｄ
ａ ｓｌｏｗｌｙ ｒｉｓｉｎｇ ｃｈａｎｇｅ ｆｒｏｍ ｓｏｕｔｈｗｅｓｔ ｔｏ ｎｏｒｔｈｅａｓｔ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａ， ｗｈｉｌｅ ｉｔ ｇｒａｄｕａｌｌｙ ｄｅｃｌｉｎｅｄ ｆｒｏｍ
ｎｏｒｔｈｗｅｓｔ ｔｏ ｓｏｕｔｈｅａｓｔ． ＡＰ ｉｎ ｓｏｉｌ ｓｕｒｆａｃｅ ｌａｙｅｒ ｅｘｈｉｂｉｔｅｄ ａｎ ｉｎｃｒｅａｓｅ ｔｅｎｄｅｎｃｙ ｆｉｒｓｔｌｙ ａｎｄ ｔｈｅｎ ｄｅ⁃
ｃｒｅａｓｅ ｆｒｏｍ ｓｏｕｔｈｗｅｓｔ ｔｏ ｔｈｅ ｎｏｒｔｈｅａｓｔ， ｗｈｉｌｅ ｉｔ ｄｅｃｒｅａｓｅｄ ｆｉｒｓｔｌｙ ａｎｄ ｔｈｅｎ ｉｎｃｒｅａｓｅｄ ｆｒｏｍ ｓｏｕｔｈｅａｓｔ
ｔｏ ｔｈｅ ｎｏｒｔｈｗｅｓｔ． ＡＰ ｉｎ ｔｈｅ ｓｅｃｏｎｄ ｓｏｉｌ ｌａｙｅｒ ｈａｄ ａｎ ｏｐｐｏｓｉｔｅ ｃｈａｎｇｅ ｉｎ ｔｈｅ ｓｏｕｔｈｗｅｓｔ ｔｏ ｔｈｅ ｎｏｒｔｈ⁃
ｅａｓｔ， ｗｈｉｌｅ ｉｔ ｓｈｏｗｅｄ ｃｏｎｔｉｎｕｏｕｓｌｙ ｉｎｃｒｅａｓｉｎｇ ｔｅｎｄｅｎｃｙ ｆｒｏｍ ｎｏｒｔｈｗｅｓｔ ｔｏ ｔｈｅ ｓｏｕｔｈｅａｓｔ． Ｔｈｅ ｃｏｎｔｅｎｔｓ
ｏｆ ＴＰ ａｎｄ ＡＰ ｉｎ ｔｈｅ ｓｕｒｆａｃｅ ｌａｙｅｒ ｐｒｅｓｅｎｔｅｄ ｈｉｇｈ ｇｒａｄｅｓ ａｎｄ ｔｈｅ ｓｅｃｏｎｄ ｌａｙｅｒ ｏｆ ＴＰ ｂｅｌｏｎｇｅｄ ｔｏ ｍｅ⁃
ｄｉｕｍ ｇｒａｄｅ， ｂｕｔ ｔｈｅ ｓｅｃｏｎｄ ｌａｙｅｒ ｏｆ ＡＰ ｗａｓ ｉｎ ａ ｌｏｗｅｒ ｇｒａｄｅ． Ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｆａｃｔｏｒｓ ｓｕｃｈ ａｓ ｌａｎｄ ｕｓｅ
ｔｙｐｅ， ｃｒｏｐｐｉｎｇ ｓｙｓｔｅｍ， ｉｒｒｉｇａｔｉｏｎ ａｎｄ ｆｅｒｔｉｌｉｚａｔｉｏｎ ｗｅｒｅ ｔｈｅ ｍａｉｎ ｆａｃｔｏｒｓ ｉｎｆｌｕｅｎｃｉｎｇ ｔｈｅ ｄｉｓｔｒｉｂｕｔｉｏｎ
ａｎｄ ｓｐａｔｉａｌ ｖａｒｉａｔｉｏｎ ｏｆ ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ ｉｎ ｔｈｉｓ ａｒｅａ．
Ｋｅｙ ｗｏｒｄｓ： ｆｌｏｏｄｅｄ ａｒｅａ ｏｆ ｔｈｅ Ｙｅｌｌｏｗ Ｒｉｖｅｒ； ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ； Ｋｒｉｇｉｎｇ ｉｎｔｅｒｐｏｌａｔｉｏｎ； ｓｅｍｉ⁃
ｖａｒｉａｎｃｅ ｆｕｎｃｔｉｏｎ； ｓｐａｔｉａｌ ｖａｒｉａｔｉｏｎ．
　 　 土壤养分是衡量土壤肥力的综合指标，而土壤
养分中的磷对评价土壤肥力高低又具有重要作用，
所以被公认为是最常见的限制植物生长和土壤肥力
的关键指标．磷作为植物生长所必需的养分元素之
一，对土壤理化性质、植物生长以及微生物的活动等
都有重要影响．土壤是一个非均质和变化的时空连
续体［１］，土壤磷的空间分布在水平和垂直的方向上
都具有变异性，这种变异性受土壤母质、地形特征、
气候因素、植被类型和土地利用方式等各种自然因
素和人为因素的影响［２］，其中，土地利用方式是影
响最快和最直接的因素．因此，研究土壤磷养分空间
变异分布可以为测土配方施肥、精细土壤养分管理
以及了解土壤生态系统过程提供充分的理论依
据［３－４］ ．
地统计学是以区域化变量理论为基础，以半方
差函数为基本工具的一种数学方法［５－７］ ．该方法可以
对既有随机性又具有结构性的数据进行研究，从而
弥补了经典统计学空间方位分析的缺陷［８］ ．同时地
统计学是研究土壤特性空间变异的有效工具，它的
显著特征就在于考虑了变量之间的空间自相关性．
地理信息系统（ＧＩＳ）是空间信息采集、管理、分析和
制图显示的技术［９］ ．利用地统计学和 ＧＩＳ 技术相结
合的方法研究土壤特性空间变异，已成为土壤学和
农业生态学以及相关领域的研究热点之一［１０－１２］ ．国
外学者从 ２０世纪 ７０年代就开始将地统计学理论应
用于土壤科学，并成功地开展了土壤特性空间变异
规律的研究［１３－１４］ ．８０ 年代以来，我国一些学者沿用
欧美等国家提出的理论和技术体系，分别对东北黑
色土壤［１５－１６］、西北沙漠土壤［１７－１８］、丘陵红色土
壤［３，１９］、南方喀斯特地貌土壤［２０］、黄土高原土
壤［２１－２２］、平原土壤［２３－２４］、高山草原土壤［２５－２６］的养分
空间变异进行了大量的有意义的研究，但迄今对于
黄泛区土壤的空间变异的研究却鲜有报道．
黄泛区的形成在世界上是独一无二的，人类活
动的干扰已逐渐成为影响黄泛区土壤变化的主导因
素．此外，国家政策、社会安全等社会因素和自然灾
害及环境演变对其变化也造成了一定影响．本文以
周口黄泛区为例，研究黄泛区土壤磷养分的空间变
异特征，旨在揭示土壤养分的空间分布及变异规律，
对黄泛区农业发展、粮食安全及区域的生态可持续
发展提供参考．
１　 研究地区与研究方法
１􀆰 １　 研究区概况
黄泛区自西北向东南长约 ４００ ｋｍ，宽 ３０ ～
８０ ｋｍ，地貌以平原为主，大部分地区海拔在 ５０ ｍ以
下．由于平原上的古河道纵横交错，加上黄河的冲
刷、搬运及堆积，导致古河道沙地、岗地、缓坡地、坡
地、洼地、积水洼地、蝶形洼地、坑塘和湖泊交错分
布．研究区地处北亚热带向暖温带过渡地带，夏季高
温多雨，冬季寒冷干燥，春秋两季在季风的影响下，
冷暖和干湿变化比较大．光热资源丰富，年均气温为
１３～１５ ℃，积温在 ４４００ ～ ５３００ ℃ ．无霜期一般多于
２００ ｄ，日照时数为 ２２００～２５００ ｈ，可以满足作物两年
三熟或一年两熟的要求．降水多集中在夏季，雨热同
期，年降水量在 ７００～１０００ ｍｍ，降水变率比较大，这
也是造成研究区内干旱和洪涝灾害的主要原因．土
壤以沙土、淤土和两合土（沙土和淤土的混合土）随
地形变化呈有规律的分布．由于对耕地的需求，景观
类型以农业用地为主．植被以次生槐林、农田防护林
和人工林为主．农作物以小麦、大豆、玉米、高粱、花
生、谷物等为主．果园多种植苹果、梨和葡萄．
１􀆰 ２　 土样采集与测定
在研究区范围内采用网格法（１０ ｋｍ×１０ ｋｍ）布
２１２１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
图 １　 土壤采样点分布图
Ｆｉｇ．１　 Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｉｌ ｓａｍｐｌｉｎｇ ｓｉｔｅｓ．
设采样点．考虑样点的土地利用方式、作物类型、施
肥方式、耕作历史及管理制度等因素，于 ２０１４ 年 ４
月在研究区布设 １６６ 个样点，并分别采取了 ０ ～ ２０
和 ２０～ ４０ ｃｍ 两层土样．土样在实验室内经自然风
干、磨碎、过筛后，进行土壤全磷和速效磷的测定．土
壤速效磷采用碳酸氢钠浸提⁃钼锑抗比色法［２７］，土
壤全磷采用硝酸⁃氢氟酸⁃高氯酸微波消解法［２８］ ．
１􀆰 ３　 数据处理与统计分析
在剔除异常数据后，采用 Ｅｘｃｅｌ ２００７ 和 ＳＰＳＳ
１９．０软件进行统计分析和 Ｋ⁃Ｓ 正态分布检验，并在
Ｍｉｎｉｔａｂ １６软件中进行 Ｂｏｘ⁃Ｃｏｘ转换，以半方差函数
和 Ｋｒｉｇｉｎｇ插值为基本工具对数据进行研究．同时运
用 ＧＳ＋进行半方差分析和理论模型拟合，运用 Ａｒｃ⁃
ＧＩＳ １０．１软件绘制土壤磷的空间分布图及编辑和输
出其他图形，并用软件中的地统计模块完成趋势分
析、Ｋｒｉｇｉｎｇ插值分析．
使用地统计学分析土壤的空间变异，并为克里
格空间插值提供参数．半方差函数［２９］是描述空间变
量的关键函数，它可以描述变量的空间变异结构，反
映不同距离观测值之间的变化，计算公式如下：
ｒ（ｈ） ＝ １
２Ｎ（ｈ）∑
Ｎ（ｈ）
ｉ ＝ １
［Ｚ（ｘｉ ＋ ｈ） －Ｚ（ｘｉ）］ ２ （１）
式中：ｒ（ｈ）为半方差；ｈ 为两点间的矢量，也就是滞
后距离；Ｎ（ｈ）为被 ｈ间隔的数据点对的数目；Ｚ（ｘｉ＋
ｈ）和 Ｚ（ｘｉ）分别为变量在位置 ｘｉ ＋ｈ 和 ｘｉ处的实测
值．可以使用高斯模型、球形模型、线性模型和指数
模型 ４种模型进行半方差函数各参数的拟合［３０］ ．
克里格（Ｋｒｉｇｉｎｇ）插值指利用区域化变量的原
始数据和变异函数的结构特点，对未知点的值进行
线性无偏最优估计的方法，是地统计学应用最广泛
的最优内插法．计算公式为：
Ｚ（ｘ０） ＝∑
ｎ
ｉ ＝ １
λ ｉＺ（ｘｉ） （２）
式中：Ｚ（ｘ０）是未观测 ｘ０点的内插估计值；λ ｉ 是第 ｉ
个采样点的权重；Ｚ（ｘｉ）是 ｘ０点附近若干点的实测
值．通过下面计算公式可以求出样点的权重．
Γ∗λ＝ｇ （３）
将向量 ｇ 乘以 Γ 的逆矩阵可以求出向量 λ，根据式
（２）可算出预测值［３１］ ．
γ１１ … γ１Ｎ １
︙ ⋱ ︙ ︙
γＮ１ … γＮＮ １
１ … １ ０
æ
è
ç
ç
ç
çç
ö
ø
÷
÷
÷
÷÷
∗
λ１
︙
λＮ
ｍ
æ
è
ç
ç
ç
çç
ö
ø
÷
÷
÷
÷÷
＝
γ１０
︙
λＮ０
１
æ
è
ç
ç
ç
çç
ö
ø
÷
÷
÷
÷÷
（４）
在比较各种插值方法时，通常用交叉验证对其
半方差函数进行检验．设 Ｚ（ｘｉ）和 Ｚ∗（ｘｉ）分别是实
测值和预测值，σ（ｘｉ）是点 ｘｉ处的预测标准方差，则
它们的平均误差（ｍｅａｎ ｅｒｒｏｒ，ＭＥ）、平均标准误差
（ａｖｅｒａｇｅ ｓｔａｎｄａｒｄ ｅｒｒｏｒ， ＡＳＥ）、均方根误差 （ ｒｏｏｔ⁃
ｍｅａｎ⁃ｓｑｕａｒｅ ｅｒｒｏｒ，ＲＭＳＥ）、均方误差（ｍｅａｎ ｓｔａｎｄａｒ⁃
ｄｉｚｅｄ ｅｒｒｏｒ， ＭＳＥ）、均方根标准误差 （ ｒｏｏｔ⁃ｍｅａｎ⁃
ｓｑｕａｒｅ ｓｔａｎｄａｒｄｉｚｅｄ ｅｒｒｏｒ，ＲＭＳＳＥ）计算公式如下：
ＭＥ ＝ １
ｎ∑
ｎ
ｉ ＝ １
［Ｚ（ｘｉ） － Ｚ∗（ｘｉ）］ （５）
ＲＭＳＥ ＝ １
ｎ∑
ｎ
ｉ ＝ １
［Ｚ（ｘｉ） － Ｚ∗（ｘｉ）］ ２ （６）
３１２１４期　 　 　 　 　 　 　 　 　 贾振宇等： 基于 ＧＩＳ和地统计学的黄泛区土壤磷空间变异———以周口为例　 　 　 　 　
ＡＳＥ ＝
∑
ｎ
ｉ ＝ １
σ２（ｘｉ）
ｎ
（７）
ＭＳＥ ＝ １
ｎ∑
ｎ
ｉ ＝ １
［Ｚ（ｘｉ） － Ｚ∗（ｘｉ）］
σ（ｘｉ）
（８）
ＲＭＳＳＥ ＝ １
ｎ∑
ｎ
ｉ ＝ １
Ｚ（ｘｉ） － Ｚ∗（ｘｉ）
σ（ｘｉ）
é
ë
êê
ù
û
úú
２
（９）
可以按照以下标准判断半方差函数模型及其参
数是否合适：ＭＥ 的绝对值最接近 ０；预测值尽可能
地接近测量值，ＲＭＳＥ 和 ＭＳＥ 越小越好；ＡＳＥ 和
ＲＭＳＥ最接近，而且越小越好，如果 ＡＳＥ＜ＲＭＳＥ，则
低估了预测值，反之则高估预测值；ＲＭＳＳＥ 要最接
近 １，如果 ＲＭＳＳＥ＞１ 说明低估了预测值，反之就是
高估预测值［１１］ ．
２　 结果与分析
２􀆰 １　 土壤磷含量的统计特征
从表 １可以看出，研究区 ０～２０和 ２０～４０ ｃｍ土
层的全磷含量分别为 ３０７．４５ ～ ２４２１．２５ 和 １８０．９２ ～
１９０６． ６１ ｍｇ · ｋｇ－１，平均含量分别为 ８４８． ５７ 和
６１２􀆰 ６８ ｍｇ·ｋｇ－１；土壤速效磷含量分别为 １． ３２ ～
１０３．２１和 ０．４１ ～ ７４．８１ ｍｇ·ｋｇ－１，平均含量分别为
２３．７６和 ６．８６ ｍｇ·ｋｇ－１ ．表层的全磷和速效磷含量均
比第二层高．全磷含量和速效磷含量的变异系数在
３２．４％～９８．５％，均属于中等程度变异［３２］，其中，速效
磷含量的变异系数大于全磷含量，其第二层甚至达
到了 ９８􀆰 ５％．
　 　 表 １ 中的 ４ 组数据都存在不同程度的偏斜效
应，为了避免地统计分析和插值法产生结果的偏差，
分析前必须进行数据变换，以便数据服从正态分布．
经过 Ｍｉｎｉｔａｂ １６软件中的 Ｂｏｘ⁃Ｃｏｘ转换后，Ｋ⁃Ｓ 检验
值分别是 ０．２５２、０．５９３和 ０．２７６、０．９６６，都大于 ０．０５，
说明变换后的数据服从正态分布．
２􀆰 ２　 土壤磷含量的插值模型选择
考虑变量的各向异性，对不同土层的土壤全磷
（表 ２）和速效磷（表 ３）含量分别选取 ０ 阶（无趋势
效应）、１ 阶（区域化变量沿着一定方向呈直线变
化）、２阶趋势效应（区域化变量沿一定方向呈多项
式变化） ［３３］，并结合普通克里格法的理论模型造成
的插值误差进行对比．结果表明，在插值时土壤全磷
含量均选择 Ｇａｕｓｓｉａｎ 模型，趋势效应选择 ０ 阶（表
２）；速效磷含量均选择线性模型，趋势效应选择 ０
阶（表 ３）．
２􀆰 ３　 土壤磷含量的空间变异及模型结构
利用地统计学软件 ＧＳ＋（７．０）对两土层土壤全
磷和速效磷含量进行半变异函数的模拟，确定其空
间变异性并得出各自的半变异函数模型．各变异函
数是在有效距离间隔为 ７０２９４． ７６ ｍ、步长间距为
４６８６．３２ ｍ的条件下模拟的，从模拟结果可以看出，
两土层土壤全磷含量的半方差函数都符合高斯模
型，速效磷含量均符合线性模型．
根据空间变量的相关性程度的分级标准［３４］，当
块金系数小于 ２５％时，变量具有较强的空间相关
性；其值在 ２５％～７５％之间，变量具有中等的空间相
关性；而其值大于 ７５％，则说明变量的空间相关性
很弱．从表 ４可以看出，０ ～ ２０ ｃｍ 土层，土壤全磷含
量具有较强的空间相关性，２０～４０ ｃｍ土层则具有中
等的空间相关性，两土层的速效磷含量的空间相关
性均很弱．土壤养分分布是结构性因素（自然因素）
和随机性因素（人为因素）共同作用的结果．结构性
因素可以导致土壤变量的空间相关性加强，而随机
性因素会使这种空间相关性减弱，即向着均一化方
向发展［３５］ ．根据块金系数可以得出，０ ～ ２０ ｃｍ 土层
的全磷含量受随机性因素影响较大，而 ２０ ～ ４０ ｃｍ
土层主要由结构性因素引起，人为因素对上层土壤
全磷含量的影响明显大于下层土壤；两层土壤速效
磷含量均属于弱空间相关性，说明速效磷受人为因
素影响大，有朝着均一化方向发展的趋势．
分形维数（Ｄ）指事物复杂程度的一种量度［３６］，
它可以较好地分析具有空间变异性的随机变量的变
表 １　 土壤磷含量的描述性统计
Ｔａｂｌｅ １　 Ｄｅｓｃｒｉｐｔｉｖｅ ｓｔａｔｉｓｔｉｃｓ ｏｆ ｐｈｏｓｐｈｏｒｕｓ ｃｏｎｔｅｎｔ ｉｎ ｓｏｉｌ （ｍｇ·ｋｇ－１）
土层
Ｓｏｉｌ ｌａｙｅｒ
（ｃｍ）
土壤养分
Ｓｏｉｌ
ｎｕｔｒｉｅｎｔ
最大值
Ｍａｘ．
最小值
Ｍｉｎ．
平均值
Ｍｅａｎ
标准差
ＳＤ
变异系数
ＣＶ
（％）
偏度
Ｓｋｅｗｎｅｓｓ
峰度
Ｋｕｒｔｏｓｉｓ
０～２０ ＴＰ ２４２１．２５ ３０７．４５ ８４８．５７ ２７５．３１ ３２．４ １．６６ ８．３４
ＡＰ １０３．２１ １．３２ ２３．７６ １９．４８ ８２．０ １．８４ ３．９７
２０～４０ ＴＰ １９０６．６１ １８０．９２ ６１２．６８ ２１１．１８ ３４．５ １．６８ １０．５７
ＡＰ ７４．８１ ０．４１ ６．８６ ６．７６ ９８．５ ４．３８ ２３．５６
ＴＰ： 全磷 Ｔｏｔａｌ Ｐ； ＡＰ： 速效磷 Ａｖａｉｌａｂｌｅ Ｐ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
４１２１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
表 ２　 土壤全磷含量不同趋势插值模型误差的对比
Ｔａｂｌｅ ２　 Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｅｒｒｏｒ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｔｒｅｎｄｓ ａｎｄ ｍｏｄｅｌｓ ｏｆ ｓｏｉｌ ＴＰ ｃｏｎｔｅｎｔ
土层
Ｓｏｉｌ ｌａｙｅｒ
（ｃｍ）
趋势效应
Ｔｒｅｎｄ ｅｆｆｅｃｔ
模型
Ｍｏｄｅｌ
平均误差
ＭＥ
平均标准误差
ＡＳＥ
均方根误差
ＲＭＳＥ
均方误差
ＭＳＥ
均方根标准误差
ＲＭＳＳＥ
０～２０ ０阶 Ｌ －０．７０６１ ２３１．３０３３ ２７７．２０３５ ０．００８２ １．１４２９
０⁃ｏｒｄｅｒ Ｓ －５．０８３７ ２３３．１０３４ ２７２．４４９８ －０．００８７ １．１２３０
Ｅ －１．７７８５ ２４２．７４８７ ２７１．０５４２ ０．００１４ １．０８０４
Ｇ －０．７０１１ ２３２．３１３３ ２７５．２０１５ ０．００７２ １．１４１５
１阶 Ｌ １．２４０１ ２２９．６２０７ ２７６．１４３４ ０．０１４０ １．１４７０
１⁃ｏｒｄｅｒ Ｓ －２．４２６１ ２２９．５６０１ ２７４．７１３５ ０．０００８ １．１４６０
Ｅ －１．０３７０ ２３８．９４５２ ２６８．９２８２ ０．００４７ １．０９２１
Ｇ １．０１２８ ２２９．６５２６ ２７５．８６７８ ０．０１３２ １．１４５７
２阶 Ｌ －０．８１１６ ２２７．９３１７ ２７６．７３４７ ０．００７１ １．１５７８
２⁃ｏｒｄｅｒ Ｓ －３．６６０１ ２２８．２３１９５ ２７６．３７４８ －０．００３１ １．１５８７
Ｅ －１．８７５９ ２３６．９６６１ ２７１．０３９１ ０．００１８ １．１０７４
Ｇ －０．６７０１ ２２７．６９７９ ２７６．７１５８ ０．００６７ １．１５８４
２０～４０ ０阶 Ｌ －０．３１２２ １５６．９８６２ １９９．５０２９ －０．００１７ １．２４７８
０⁃ｏｒｄｅｒ Ｓ －０．１０６４ １７１．０４１０ １９６．５４７６ ０．００１４ １．１３４５
Ｅ ２．９７５１ ２２５．０３６０ １９２．３４３５ ０．０１２９ ０．８５６０
Ｇ －０．２９４５ １７５．１６２７ １９２．７７１６ －０．００１５ １．２０１２
１阶 Ｌ ０．０６３４ １５９．５７４０ １９６．００２５ ０．００１２ １．２０９２
１⁃ｏｒｄｅｒ Ｓ ０．０３０３ １６４．４２１６ １９８．９０９６ ０．００１５ １．１９２５
Ｅ ３．５２４２ ２２４．５００３ １８９．７８６９ ０．０１５４ ０．８４６９
Ｇ ０．０５３４ １７２．５３２１ １８１．２０４９ ０．００１１ １．２０１１
２阶 Ｌ －０．８１５３ １５８．９８１２ １９６．０８８８ －０．００３２ １．２１４１
２⁃ｏｒｄｅｒ Ｓ －１．０５９１ １６３．５９２６ １９９．０７８８ －０．００３７ １．１９９１
Ｅ ２．８５８１ ２２４．３２５８ １９０．７３４７ ０．０１２６ ０．８５１８
Ｇ －０．８０１１ １５３．１９６７ １９０．４１９５ －０．００２８ １．２８３２
Ｌ： 线性模型 Ｌｉｎｅａｒ ｍｏｄｅｌ； Ｓ： 球形模型 Ｓｐｈｅｒｉｃａｌ ｍｏｄｅｌ； Ｅ： 指数模型 Ｅｘｐｏｎｅｎｔｉａｌ ｍｏｄｅｌ； Ｇ： 高斯模型 Ｇａｕｓｓｉａｎ ｍｏｄｅｌ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
表 ３　 土壤速效磷含量不同趋势插值模型误差的对比
Ｔａｂｌｅ ３　 Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｅｒｒｏｒ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｔｒｅｎｄｓ ａｎｄ ｍｏｄｅｌｓ ｏｆ ｓｏｉｌ ＡＰ ｃｏｎｔｅｎｔ
土层
Ｓｏｉｌ ｌａｙｅｒ
（ｃｍ）
趋势效应
Ｔｒｅｎｄ ｅｆｆｅｃｔ
模型
Ｍｏｄｅｌ
平均误差
ＭＥ
平均标准误差
ＡＳＥ
均方根误差
ＲＭＳＥ
均方误差
ＭＳＥ
均方根标准误差
ＲＭＳＳＥ
０～２０ ０阶 Ｌ ０．３１５４ １９．０４６９ １９．１５０５ ０．０１７０ １．００５６
０⁃ｏｒｄｅｒ Ｓ ０．２９６７ ２２．６９６５ ２０．５０１２ ０．０１２５ ０．９０５５
Ｅ １．０４０３ ２２．７７１０ ２１．０９６３ ０．０４５９ ０．９２８９
Ｇ ０．３４２５ ２２．６３２０ ２０．００５６ ０．０１５２ ０．８８５５
１阶 Ｌ ０．２６５１ １８．８８９３ １９．２００４ ０．０１４５ １．０１６６
１⁃ｏｒｄｅｒ Ｓ ０．３６７３ ２２．７３４４ ２０．５８１６ ０．０１５６ ０．９０７５
Ｅ ０．７４４２ ２２．８０８１ ２０．９６２１ ０．０３２６ ０．９２１７
Ｇ ０．２７９５ ２２．６６４２ １９．９９４９ ０．０１２５ ０．８８３８
２阶 Ｌ ０．２８６５ １８．６９０１ １９．４８８１ ０．０１５７ １．０４２５
２⁃ｏｒｄｅｒ Ｓ ０．３７６１ ２２．７８３０ ２０．７９４１ ０．０１５９ ０．９１４５
Ｅ ０．８８６４ ２２．８４６３ ２１．２５５０ ０．０３８６ ０．９３２４
Ｇ ０．２９２１ ２２．７０１２ ２０．１７５７ ０．０１２９ ０．８８９９
２０～４０ ０阶 Ｌ －０．０７４１ ８．３５０５ ９．６３８５ －０．００８４ １．１４７３
０⁃ｏｒｄｅｒ Ｓ －０．１５１１ ８．８９３９ ９．５８３３ －０．０１６５ １．０７１７
Ｅ －０．０７５２ １０．０７５７ ９．６６６５ －０．００８８ ０．９５３１
Ｇ －０．０８１２ ７．９５０６ ９．６４４６ －０．００９１ １．２０２５
１阶 Ｌ －０．０５９８ ８．３２１１ ９．６８１３ －０．００６６ １．０１２３
１⁃ｏｒｄｅｒ Ｓ －０．１１８５ ８．７１８５ ９．６２６３ －０．０１３０ １．０９８１
Ｅ －０．０８５６ ９．５１１２ ９．７１０４ －０．００７４ １．０１４２
Ｇ －０．０８７５ ７．９１０１ ９．６５２１ －０．００９９ １．２０９５
２阶 Ｌ ０．０２９５ ８．２４０１ ９．７８６４ ０．００３７ １．１８０４
２⁃ｏｒｄｅｒ Ｓ －０．０６２５ ８．５９２２ ９．７１３６ －０．００７１ １．１２４３
Ｅ ０．０８５５ ９．２１７７ ９．８２１３ ０．００９６ １．０５８５
Ｇ －０．０４２１ ７．８７０９ ９．７２１２ －０．００４９ １．２２４４
５１２１４期　 　 　 　 　 　 　 　 　 贾振宇等： 基于 ＧＩＳ和地统计学的黄泛区土壤磷空间变异———以周口为例　 　 　 　 　
表 ４　 土壤磷的半方差函数理论模型及其拟合参数
Ｔａｂｌｅ ４　 Ｔｈｅｏｒｅｔｉｃａｌ ｍｏｄｅｌｓ ａｎｄ ｆｉｔｔｉｎｇ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ａｎｉｓｏｔｒｏｐｉｃ ｓｅｍｉｖａｒｉｏｇｒａｍ ｏｆ ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ
土层
Ｓｏｉｌ ｌａｙｅｒ
（ｃｍ）
土壤养分
Ｓｏｉｌ
ｎｕｔｒｉｅｎｔ
模型
Ｍｏｄｅｌ
块金值
Ｃ０
基台值
Ｃ０＋Ｃ
变程
Ｒａｎｇｅ
（ｋｍ）
块金系数
Ｃ０ ／
（Ｃ０＋Ｃ）
决定系数
Ｒ２
残差
ＲＳＳ
分形维数
Ｄ
０～２０ ＴＰ Ｇ １．２５ １９．０７ ５．８９ ０．１ ０．７４ ２３．２０ １．９３
ＡＰ Ｌ ０．６７ ０．６７ ６７．９９ １ ０．０７ ０．０９ １．９７
２０～４０ ＴＰ Ｇ ６．７４ １６．９７ １９．９２ ０．４ ０．６５ ６２．６０ １．８８
ＡＰ Ｌ ０．０１ ０．０１ ６７．９９ １ ０．０１ ３．４０×１０－５ １．９８
异程度［３７］ ．Ｄ值低表示它的随机因素低、结构性好、
分布简单，反之亦然． Ｄ 值大小依次为 ＴＰ ２０～４０ ＜
ＴＰ ０～２０＜ＡＰ ０～２０＜ＡＰ ２０～４０，说明 ２０ ～ ４０ ｃｍ 土层全磷含
量的结构性最好．从决定系数可以看出，全磷的拟合
优度好于速效磷．
２􀆰 ４　 土壤磷含量的空间分布格局
基于经过 Ｂｏｘ⁃Ｃｏｘ变换后的土壤磷元素含量数
据，采用 ＡｒｃＧＩＳ １０．１ 中 Ｇｅｏｓｔａｔｉｓｔｉｃｓ ａｎａｌｙｓｉｓ 模块的
普通克里格方法结合半方差模型进行最优内插，选
取趋势参数并考虑各向异性，得到研究区土壤磷含
量的空间分布图（图 ２）．
２􀆰 ４􀆰 １土壤磷的地理空间分布与成因　 土壤全磷和
速效磷含量在不同区域存在明显差异．由图 ２ 可知，
研究区 ０～２０ ｃｍ土层全磷含量大部分较高，整体呈
西南低、东北高和西北高、东南低的分布；２０ ～ ４０ ｃｍ
土层全磷含量集中在中等水平，分布格局呈现带状
和岛状分布结合的特点，整体分布特点与表层相似，
但在西南方向出现局部高值区．大部分地区 ０ ～
２０ ｃｍ土层速效磷含量丰富，分布格局呈岛状分布特
点，低值出现在东北角以及中部，分别从西南和东南
向东北和西北方向递减；２０～４０ ｃｍ土层速效磷含量
大部分较低，高值在南部及东北呈块状分布，从中部
向 ４个方向递增．
造成土壤中磷含量变异的原因包括以下几方
面：１）土壤不同粒径的含量是影响土壤磷空间分布
的重要因素．研究表明，随着土壤中砂粒含量的增
加，土壤保水保肥性能会变差［３８］ ．研究区 ０ ～ ４０ ｃｍ
土层内的土壤颗粒组成以粗粉粒和细砂粒为主，粗
粉粒（１０～５０ μｍ）含量分布在 ３０％～７０％，平均值在
５１％左右，细砂粒（５０ ～ ２５０ μｍ）含量分布在 １０％ ～
４０％，平均值在 １８％．土壤全磷和速效磷的颗粒组成
在空间上呈现有规律的变化：从西南向东北、东南向
西北，土壤砂粒含量逐渐递减，黏粒含量逐渐递增．
从磷的空间分布图可以看出，全磷含量与砂粒和黏
粒的高低趋势较为一致，即土壤黏粒含量高时，全磷
含量相对较高；而土壤砂粒含量低时，全磷含量相对
图 ２　 土壤磷含量的空间分布格局
Ｆｉｇ．２　 Ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｐａｔｔｅｒｎｓ ｏｆ ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ ｃｏｎｔｅｎｔ．
６１２１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
表 ５　 土壤磷含量的等级分布
Ｔａｂｌｅ ５　 Ｇｒａｄｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ ｃｏｎｔｅｎｔ
土壤养分
Ｓｏｉｌ
ｎｕｔｒｉｅｎｔ
土层
Ｓｏｉｌ ｌａｙｅｒ
（ｃｍ）
项目
Ｉｔｅｍ
养分分级 Ｎｕｔｒｉｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ
极高
Ｖｅｒｙ ｈｉｇｈ
（等级 １
Ｌｅｖｅｌ １）
高
Ｈｉｇｈ
（等级 ２
Ｌｅｖｅｌ ２）
中等
Ｍｉｄｄｌｅ
（等级 ３
Ｌｅｖｅｌ ３）
低
Ｌｏｗ
（等级 ４
Ｌｅｖｅｌ ４）
很低
Ｖｅｒｙ Ｌｏｗ
（等级 ５
Ｌｅｖｅｌ ５）
极低
Ｌｏｗｅｓｔ
（等级 ６
Ｌｅｖｅｌ ６）
ＴＰ ０～２０ 分级标准
Ｇｒａｄｅ ｓｔａｎｄａｒｄ （ｍｇ·ｋｇ－１）
＞１０００ ８００～１０００ ６００～８００ ４００～６００ ２００～４００ ＜２００
分级面积比
Ａｒｅａ ｒａｔｉｏ （％）
１５．７ ５３．５ ２５．１ ５．７ ０．０４ －
２０～４０ 分级标准
Ｇｒａｄｅ ｓｔａｎｄａｒｄ （ｍｇ·ｋｇ－１）
＞１０００ ８００～１０００ ６００～８００ ４００～６００ ２００～４００ ＜２００
分级面积比
Ａｒｅａ ｒａｔｉｏ （％）
０．６ １４．４ ５５．６ ２５．０ ４．４ －
ＡＰ ０～２０ 分级标准
Ｇｒａｄｅ ｓｔａｎｄａｒｄ （ｍｇ·ｋｇ－１）
＞４０ ２０～４０ １０～２０ ５～１０ ３～５ ＜３
分级面积比
Ａｒｅａ ｒａｔｉｏ （％）
０．０１ ７５．５ ２４．５ － － －
２０～４０ 分级标准
Ｇｒａｄｅ ｓｔａｎｄａｒｄ （ｍｇ·ｋｇ－１）
＞４０ ２０～４０ １０～２０ ５～１０ ３～５ ＜３
分级面积比
Ａｒｅａ ｒａｔｉｏ （％）
－ － ５．０ ８１．７ １３．４ －
较低．速效磷含量则与砂粒和黏粒的高低趋势相反．
这是由于土壤全磷中有些吸附态的磷以及有机态的
磷的迁移能力弱，当土壤砂粒含量减少而土壤黏粒
含量增大时，土壤全磷流失少导致其含量相对较高，
而速效磷含量流失量大导致其含量相对较低．综上
所述，土壤全磷和速效磷含量出现上述空间分布规
律，并且两者的空间分布规律相反．２）土壤 ｐＨ 值对
土壤磷含量的高低也有一定影响．有研究表明，在碱
性条件下，土壤很快转化为溶解度较低的 Ｃａ２⁃Ｐ、
Ｃａ３⁃Ｐ，并逐渐向 Ｃａ８⁃Ｐ、Ｃａ１０⁃Ｐ 转化而成为土壤磷的
固定态，而有效磷部分会流失，最终导致土壤中全磷
含量较高而速效磷含量不足［３９］ ．本研究区 ８０％左右
区域内的土壤呈弱碱性，导致土壤全磷含量较高而
速效磷含量不足．３）化肥施用量的增加对土壤磷含
量的增高有一定贡献．研究区为了保证耕地的土壤
肥力，无机化肥成为主要的施肥方式，随着施用量的
不断增加，施肥对土壤磷含量的影响越来越大．根据
调查访问得知，研究区农民施用的化肥以含氮、磷、
钾及复合肥为主，从而引起局部地区全磷含量较高，
尤其在泥沙地农田大量施肥，最终导致土壤朝着均
一化方向发展．４）不同地区种植方式的差异也会影
响磷含量的高低．植物根系发达程度的不同会对土
壤中磷含量产生一定影响．例如，与玉米相比，小麦
根系深度小且植株也较小；小麦是喜磷作物，而玉米
为喜氮作物．本研究区小麦种植的区域多、面积大，
且由于小麦种植周期长，导致不同种植方式下土壤
磷含量出现差异．５）土地利用类型的分布和利用方
式的改变也影响磷含量的高低．黄河泥沙沉积后，地
表土壤受到破坏，沙化严重；当被开垦为农田后，采
取了翻耕和施肥等措施，这可能是引起土壤表层磷
含量比下层含量偏高的原因．随着城镇化速率的加
快，农田变为建设用地后，表层磷含量由于流失或渗
透等低于下层磷含量，这也许就能较好地解释局部
区域内下层速效磷含量呈现出与表层不同的变化趋
势．综上，土壤磷的空间变异是在成土母质、土壤
ｐＨ、耕作制度、施肥和土地利用方式共同作用下形
成的，其中，人为因素为主要影响因素．
２􀆰 ４􀆰 ２土壤磷含量的等级分析　 将插值后的数据与
全国第二次土壤普查土壤养分分级标准进行对比，
同时对等级面积进行统计计算，生成土壤磷含量的
等级表．由表 ５可知，研究区 ０～２０ ｃｍ土层全磷含量
集中分布在第 １、２等级，总体处于偏高水平，而 ２０～
４０ ｃｍ土层全磷含量大部分分布在第 ３、４ 等级，总
体处于中等水平； ０～２０ ｃｍ土层速效磷含量集中分
布在第 ２等级，总体处于偏高水平，２０ ～ ４０ ｃｍ 土层
大部分分布在第 ４等级，总体处于偏低水平．全磷和
速效磷都能满足作物生长，且表层土壤全磷和速效
磷含量均高于第二层．与全国第二次土壤普查中磷
含量相比，研究区磷含量有所增长．
３　 结　 　 论
本文运用地统计学和 ＧＩＳ 相结合的方法，研究
了周口黄泛区土壤磷的空间变异，分析了土壤磷元
素空间变异与人类活动的关系．结果表明：０ ～ ２０ ｃｍ
土层全磷含量等级较高，在 ３０７． ４５ ～ ２４２１􀆰 ２５
ｍｇ·ｋｇ－１，变异系数为 ３２．４％；２０ ～ ４０ ｃｍ 土层全磷
７１２１４期　 　 　 　 　 　 　 　 　 贾振宇等： 基于 ＧＩＳ和地统计学的黄泛区土壤磷空间变异———以周口为例　 　 　 　 　
含量属于中等水平，在 １８０．９２ ～ １９０６．６１ ｍｇ·ｋｇ－１，
变异系数为 ３４．５％；０ ～ ２０ ｃｍ 土层速效磷含量等级
也较高，在 １． ３２ ～ １０３． ２１ ｍｇ·ｋｇ－１，变异系数为
８２􀆰 ０％；２０ ～ ４０ ｃｍ 土层速效磷含量等级较低，在
０􀆰 ４１～７４．８１ ｍｇ·ｋｇ－１，变异系数为 ９８．５％．两层土壤
全磷和速效磷均为中等程度变异，只是速效磷的变
异程度高于全磷．原始的采样数据存在较强的偏斜
效应，需要经过 Ｂｏｘ⁃Ｃｏｘ 进行数据变换，使其服从正
态分布，从而削弱异常值的负面影响．
两层土壤全磷均表现出中等强度的各向异性，
其空间分布趋势整体上一致，不同的是高低值出现
区域不一致；两层速效磷含量的向异性较弱，表现出
各向同性，表层与第二层的空间分布趋势不一致．通
过地统计分析和模型参数对比可知，全磷的最适模
型为高斯模型，表层具有较强的空间相关性，第二层
具有中等的空间相关性；速效磷的最适模型为线性
模型，两层的空间相关性均较弱．０ ～ ２０ ｃｍ土层全磷
含量丛西南到东北方向呈现缓慢上升的变异趋势，
而从西北到东南方向呈逐渐下降的变异趋势；２０ ～
４０ ｃｍ土层的趋势特征与表层相似． ０ ～ ２０ ｃｍ 土层
速效磷含量从西南到东北方向先升后降，从东南到
西北方向呈先降后升的变异趋势；２０～４０ ｃｍ土层速
效磷含量从西南到东北方向上呈现先降后升的趋
势，而从西北到东南方向则呈上升趋势．耕作制度、
施肥和土地利用方式等是影响磷空间变异的主要
因素．
０～ ２０ ｃｍ 土层土壤全磷含量大约有 ７０％属于
高水平，而 ２０～ ４０ ｃｍ 土层约有 ７０％属于中等偏上
水平；表层速效磷含量约有 ８０％属于较高水平，而
第二层大部分属于较低水平，说明研究区土壤磷含量
完全可以满足作物生长需要．全磷和速效磷含量在不
同区域的分布有明显差异，可能与人为因素的影响有
较大关系，且土壤速效磷的分布表现尤为明显．
黄泛区在世界上是一个独具特色的陆地表层系
统，它的形成完全打破了之前形成的景观生态系统．
在新中国建立前，景观生态系统一直呈现为水域和
沼泽，建国后，才对黄泛区进行了一系列改造．随着
人类活动干预的不断加强，景观类型逐渐转变为以
农业景观类型为主，土壤磷养分在人为因素的作用
下发生了巨大改变．由于土地利用方式、施肥制度及
耕作制度等人为因素的影响，研究区出现了表层与
第二层土壤磷含量变异趋势的不一致以及高低值出
现区域不一致等现象．根据以上研究结论，对研究区
现状提出几点建议和措施：１） 增加地表植被覆盖，
减少由于土壤侵蚀或灌溉造成的养分流失，同时控
制由于土地利用类型改变而带来的耕地面积减少；
２） 绿肥植物的种植和翻压以及增加农家肥即有机
肥的施用，这样既可以减少经济成本也可以减少磷
污染；３）推广精确施肥和精准施肥，合理施用化肥，
降低生产成本，减少环境污染；４）对磷肥的施肥方
法和方式进行调控，同时注意磷肥和有机肥的配合
施用，大力推广应用测土配方施肥．
参考文献
［１］　 Ｈｕａ Ｍ （华 　 孟）， Ｗａｎｇ Ｊ （王 　 坚）． Ｓｏｉｌ Ｐｈｙｓｉｃｓ．
Ｂｅｉｊｉｎｇ： Ｂｅｉｊｉｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ， １９９２ （ｉｎ
Ｃｈｉｎｅｓｅ）
［２］　 Ｒｙａｎ Ｊ， Ｉｂｒｉｋｃｉ Ｈ， Ｓｉｎｇｈ Ｍ， ｅｔ ａｌ． Ｒｅｓｐｏｎｓｅ ｔｏ ｒｅｓｉｄｕａｌ
ａｎｄ ｃｕｒｒｅｎｔｌｙ ａｐｐｌｉｅｄ ｐｈｏｓｐｈｏｒｕｓ ｉｎ ｄｒｙｌａｎｄ ｃｅｒｅａｌ ／ ｌｅ⁃
ｇｕｍｅ ｒｏｔａｔｉｏｎｓ ｉｎ ｔｈｒｅｅ Ｓｙｒｉａｎ Ｍｅｄｉｔｅｒｒａｎｅａｎ ａｇｒｏｅｃｏｓｙｓ⁃
ｔｅｍｓ． Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ａｇｒｏｎｏｍｙ， ２００８， ２８： １２６－
１３７
［３］　 Ｌｉｕ Ｇ⁃Ｓ （刘国顺）， Ｃｈａｎｇ Ｄ （常　 栋）， Ｙｅ Ｘ⁃Ｆ （叶
协锋）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｏｉｌ
ｎｕｔｒｉｅｎｔｓ ｉｎ ｔｏｂａｃｃｏ ｆｉｅｌｄｓ ｏｆ ｇｅｎｔｌｅ ｓｌｏｐｅ ｂａｓｅｄ ｏｎ ＧＩＳ．
Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学报）， ２０１３， ３３ （ ８）：
２５８６－２５９５ （ｉｎ Ｃｈｉｎｅｓｅ）
［４］　 Ｙｉｎ Ｍ （尹　 梅）， Ｈｏｎｇ Ｌ⁃Ｆ （洪丽芳）， Ｆｕ Ｌ⁃Ｂ （付利
波）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ａｎｄ ｔｈｅｉｒ
ｒｅｌａｔｉｏｎｓｈｉｐ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｌａｎｄ ｕｔｉｌｉｚａｔｉｏｎ ｔｙｐｅｓ ｉｎ ｓｌｏ⁃
ｐｉｎｇ ｆａｒｍｌａｎｄ ｉｎ Ｑｕｊｉｎｇ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｉｌ Ｓｃｉｅｎｃｅ
（土壤通报）， ２０１３， ４４（１）： ３５－４１ （ｉｎ Ｃｈｉｎｅｓｅ）
［５］　 Ｋｒａｌ Ｆ， Ｃｏｒｓｔａｎｊｅ Ｒ， Ｗｈｉｔｅ ＪＲ， ｅｔ ａｌ． Ｇｅｏｓｔａｔｉｓｔｉｃａｌ
ａｎａｌｙｓｉｓ ｏｆ ｓｏｉｌ ｐｒｏｐｅｒｔｉｅｓ ｉｎ ｔｈｅ Ｄａｖｉｓ ｐｏｎｄ Ｍｉｓｓｉｓｓｉｐｐｉ
ｆｒｅｓｈｗａｔｅｒ ｄｉｖｅｒｓｉｏｎ． Ｓｏｉｌ Ｓｃｉｅｎｃｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｍｅｒｉｃａ
Ｊｏｕｒｎａｌ， ２０１２， ７６： １１０７－１１１８
［６］　 Ｃｕｉ Ｂ， Ｙａｎｇ Ｗ， Ｆｅｎｇ Ｍ， ｅｔ ａｌ． Ｓｔｕｄｙ ｏｎ ｔｈｅ ｓｐａｔｉａｌ⁃
ｔｅｍｐｏｒａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ｄｕｒｉｎｇ ｗｉｎｔｅｒ ｗｈｅａｔ
ｇｒｏｗｔｈ ｓｅａｓｏｎ． Ｃｏｍｐｕｔｅｒ ａｎｄ Ｃｏｍｐｕｔｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ ｉｎ
Ａｇｒｉｃｕｌｔｕｒｅ， ２０１３， ３９３： ２３８－２４７
［７］ 　 Ｆｏｒｏｕｇｈｉｆａｒ Ｈ， Ｊａｆａｒｚａｄｅｈ ＡＡ， Ｔｏｒａｂｉ Ｈ， ｅｔ ａｌ． Ｕｓｉｎｇ
ｇｅｏｓｔａｔｉｓｔｉｃｓ ａｎｄ ｇｅｏｇｒａｐｈｉｃ ｉｎｆｏｒｍａｔｉｏｎ ｓｙｓｔｅｍ ｔｅｃｈ⁃
ｎｉｑｕｅｓ ｔｏ ｃｈａｒａｃｔｅｒｉｚｅ ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｐｒｏｐｅｒｔｉｅｓ
ｉｎｃｌｕｄｉｎｇ ｍｉｃｒｏｎｕｔｒｉｅｎｔｓ． Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｓｏｉｌ Ｓｃｉｅｎｃｅ
ａｎｄ Ｐｌａｎｔ Ａｎａｌｙｓｉｓ， ２０１３， ４４： １２７３－１２８１
［８］　 Ｗａｎｇ Ｚ⁃Ｑ （王政权）． Ｇｅｏｓｔａｔｉｓｔｉｃｓ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ
ｉｎ Ｅｃｏｌｏｇｙ． Ｂｅｉｊｉｎｇ： Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ， １９９９ （ｉｎ Ｃｈｉｎｅｓｅ）
［９］　 Ｚｈａｎｇ Ｒ （张　 蓉） ， Ｌｅｎｇ Ｙ⁃Ｆ （冷允法）， Ｚｈｕ Ｍ⁃Ｍ
（朱猛蒙）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｓｔｒｕｃｔｕｒｅ ａｎａｌｙｓｉｓ ａｎｄ ｄｉｓｔｒｉｂｕ⁃
ｔｉｏｎ ｏｆ Ｔｈｅｒｉｏａｐｈｉｓ ｔｒｉｆｏｌｉｉ ｐｏｐｕｌａｔｉｏｎ ｂａｓｅｄ ｏｎ ｇｅｏｓｔａｔｉｓ⁃
ｔｉｃｓ ａｎｄ ＧＩＳ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用
生态学报）， ２００７， １８（１１）： ２５８０－２５８５ （ｉｎ Ｃｈｉｎｅｓｅ）
［１０］　 Ｊｉａｎｇ Ｈ⁃Ｌ （江厚龙）， Ｗａｎｇ Ｘ⁃Ｚ （王新中）， Ｌｉｕ Ｇ⁃Ｓ
（刘国顺）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｔｅｘｔｕｒｅ ｉｎ ｔｏ⁃
ｂａｃｃｏ ｆｉｅｌｄ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｅｃｏ⁃Ａｇｒｉｃｕｌｔｕｒｅ （中国生
８１２１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
态农业学报）， ２０１０， １８（４）： ７２４－７２９ （ｉｎ Ｃｈｉｎｅｓｅ）
［１１］　 Ｌｕ Ｐ （路　 鹏）， Ｐｅｎｇ Ｐ⁃Ｑ （彭佩钦）， Ｓｏｎｇ Ｂ⁃Ｌ （宋
变兰）， ｅｔ ａｌ． Ｇｅｏｓｔａｔｉｓｔｉｃａｌ ａｎｄ ＧＩＳ ａｎａｌｙｓｅｓ ｏｎ ｓｏｉｌ ｔｏ⁃
ｔａｌ Ｐ ｉｎ ｔｈｅ ｔｙｐｉｃａｌ ａｒｅａ ｏｆ Ｄｏｎｇｔｉｎｇ Ｌａｋｅ Ｐｌａｉｎ． Ｓｃｉｅｎｔｉａ
Ａｇｒｉｃｕｌｔｕｒａ Ｓｉｎｉｃａ （中国农业科学）， ２００５， ３８（６）：
１２０４－１２１２ （ｉｎ Ｃｈｉｎｅｓｅ）
［１２］　 Ｌｉｕ Ｑ （刘　 庆）， Ｄｕ Ｚ⁃Ｙ （杜志勇）， Ｓｈｉ Ｙ⁃Ｘ （史衍
玺）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｏｉｌ
ｈｅａｖｙ ｍｅｔａｌｓ ｉｎ ｖｅｇｅｔａｂｌｅ ｇｒｏｗｉｎｇ ａｒｅａ ｂａｓｅｄ ｏｎ ＧＩＳ ｉｎ
Ｓｈｏｕｇｕａｎｇ Ｃｉｔｙ， Ｓｈａｎｄｏｎｇ Ｐｒｏｖｉｎｃｅ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ
Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ （农业工程
学报）， ２００９， ２５（１０）： ２５８－２６３ （ｉｎ Ｃｈｉｎｅｓｅ）
［１３］　 Ｗｅｂｓｔｅｒ Ｒ， Ｎｏｒｔｃｌｉｆｆ Ｓ． Ｉｍｐｒｏｖｅｄ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｍｉｃｒｏｎｕ⁃
ｔｒｉｅｎｔｓ ｉｎ ｈｅｃｔａｒｅ ｐｌｏｔｓ ｏｆ ｔｈｅ Ｓｏｎｎｉｎｇ ｓｅｒｉｅｓ． Ｊｏｕｒｎａｌ ｏｆ
Ｓｏｉｌ Ｓｃｉｅｎｃｅ， １９８４， ３５： ６６７－６７２
［１４］　 Ｍａｌｌａｒｉｏｎ ＰＡ． Ｐａｔｔｅｒｎｓ ｏｆ ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｆｏｒ ｐｈｏｓ⁃
ｐｈｏｒｕｓ ａｎｄ ｐｏｔａｓｓｉｕｍ ｉｎ ｎｏ⁃ｔｉｌｌｅｄ ｓｏｉｌｓ ｆｏｒ ｔｗｏ ｓａｍｐｌｉｎｇ
ｓｃａｌｅｓ． Ｓｏｉｌ Ｓｃｉｅｎｃｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｍｅｒｉｃａ Ｊｏｕｒｎａｌ， １９９６，
６０： １４７３－１４８１
［１５］　 Ｈａｎ Ｂ⁃Ｊ （韩秉进）， Ｚｈａｎｇ Ｘ⁃Ｄ （张旭东）， Ｓｕｉ Ｙ⁃Ｙ
（隋跃宇）， ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｆｏｒ ｔｅｍｐｏｒａｌ ａｎｄ ｓｐａｔｉａｌ
ｃｈａｎｇｅｓ ｏｆ ｂｌａｃｋ ｓｏｉｌ ｃｒｏｐｌａｎｄ ｉｎ ｔｈｅ Ｎｏｒｔｈｅａｓｔ Ａｒｅａ ｏｆ
Ｃｈｉｎａ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｏｉｌ Ｓｃｉｅｎｃｅ （土壤通报），
２００７， ３８（２）： ２３８－２４１ （ｉｎ Ｃｈｉｎｅｓｅ）
［１６］　 Ｋｏｎｇ Ｔ （孔 　 涛）， Ｚｈａｎｇ Ｄ⁃Ｓ （张德胜）， Ｋｏｕ Ｙ⁃Ｐ
（寇涌苹）， ｅｔ ａｌ． Ｓｏｉｌ ｏｒｇａｎｉｃ ｃａｒｂｏｎ， ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ
ｔｏｔａｌ ｐｈｏｓｐｈｏｒｕｓ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｔｙｐｉｃａｌ ｖｅｇｅｔａｔｉｏｎ ｒｉｐａ⁃
ｒｉａｎ ｚｏｎｅｓ ｉｎ ｕｐｐｅｒ ｒｅａｃｈｅｓ ｏｆ Ｈｕｎ Ｒｉｖｅｒ． Ｓｏｉｌｓ （土
壤）， ２０１４， ４６（５）： ７９３－７９８ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］　 Ｌｉｕ Ｗ⁃Ｊ （刘文杰）， Ｓｕ Ｙ⁃Ｚ （苏永中）， Ｙａｎｇ Ｒ （杨　
荣）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ａｎｄ ｔｅｍｐｏｒａｌ ｃｈａｎｇｅｓ ｏｆ ｓｏｉｌ ａｖａｉｌａ⁃
ｂｌｅ ｎｕｔｒｉｅｎｔｓ ｉｎ Ｌｉｎｚｅ Ｏａｓｉｓ ｉｎ ｔｈｅ ｍｉｄｄｌｅ ｒｅａｃｈｅｓ ｏｆ
Ｈｅｉｈｅ Ｒｉｖｅｒ Ｂａｓｉｎ． Ｊｏｕｒｎａｌ ｏｆ Ａｒｉｄ Ｌａｎｄ Ｒｅｓｏｕｒｃｅｓ ａｎｄ
Ｅｎｖｉｒｏｎｍｅｎｔ （干旱区资源与环境） ， ２０１０， ２４（１１）：
１２９－１３４ （ｉｎ Ｃｈｉｎｅｓｅ）
［１８］　 Ｍａｗｊｕｄ Ｄ （毛吉旦木·地力夏提）， Ｗａｎｇ Ｙ⁃Ｈ （王勇
辉）， Ｈａｍｉｄ Ｙ （海米提·依米提）． Ａｎａｌｙｓｉｓ ｏｆ ｓｐａｔｉａｌ
ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ｓｏｉｌ ａｖａｉｌａｂｌｅ ｎｕｔｒｉｅｎｔｓ ｉｎ ｒｉｐａｒｉａｎ ｚｏｎｅ
ｏｆ Ｂｏｔｈｅ ａｎｄ Ｊｉｎｇｈｅ Ｒｉｖｅｒ． Ｒｅｓｅａｒｃｈ ｏｆ Ｓｏｉｌ ａｎｄ Ｗａｔｅｒ
Ｃｏｎｓｅｒｖａｔｉｏｎ （水土保持研究）， ２０１２， １９（６）： １９－２８
（ｉｎ Ｃｈｉｎｅｓｅ）
［１９］　 Ｓｈｉ Ｌ⁃Ｊ （史利江）， Ｚｈｅｎｇ Ｌ⁃Ｂ （郑丽波）， Ｌｉｕ Ｙ⁃Ｌ
（柳云龙）， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｐａ⁃
ｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ ａｎｄ ｇｅｎｅｒａｌ ａｓｓｅｓｓｍｅｎｔ ｉｎ
ｆａｒｍｌａｎｄ ｉｎ ｔｈｅ Ｙａｎｇｔｚｅ Ｒｉｖｅｒ Ｄｅｌｔａ． Ｒｅｓｏｕｒｃｅｓ ａｎｄ Ｅｎ⁃
ｖｉｒｏｎｍｅｎｔ ｉｎ ｔｈｅ Ｙａｎｇｔｚｅ Ｂａｓｉｎ （长江流域资源与环
境）， ２００８， １７（６）： ８３９－８４６ （ｉｎ Ｃｈｉｎｅｓｅ）
［２０］　 Ｈｕ Ｚ⁃Ｌ （胡忠良）， Ｐａｎ Ｇ⁃Ｘ （潘根兴）， Ｌｉ Ｌ⁃Ｑ （李
恋卿）， ｅｔ ａｌ． Ｃｈａｎｇｅｓ ｉｎ ｐｏｏｌｓ ａｎｄ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ｓｏｉｌ
ｏｒｇａｎｉｃ ｃａｒｂｏｎ， ｎｉｔｒｏｇｅｎ ａｎｄ ｐｈｏｓｐｈｏｒｕｓ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ
ｖｅｇｅｔａｔｉｏｎ ｔｙｐｅｓ ｉｎ Ｋａｒｓｔ ｍｏｕｎｔａｔｉｏｎｏｕｓ ａｒｅａ ｏｆ ｃｅｎｔｒａｌ
Ｇｕｉｚｈｏｕ Ｐｒｏｖｉｎｃｅ， Ｃｈｉｎａ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态
学报）， ２００９， ２９（８）： ４１８７－４１９５ （ｉｎ Ｃｈｉｎｅｓｅ）
［２１］　 Ｊｉａ Ｙ⁃Ｈ （贾玉华）， Ｓｈａｏ Ｍ⁃Ａ （邵明安）． Ｍｉｃｒｏ⁃ｓｃａｌｅ
ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｔｏｔａｌ ｐｈｏｓｐｈｏｒｕｓ ｉｎ ａｂａｎｄｏｎｅｄ
ｆａｒｍｌａｎｄ ｏｎ ｔｈｅ ｎｏｒｔｈｅｒｎ Ｌｏｅｓｓ Ｐｌａｔｅａｕ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ
ｏｆ Ｓｏｉｌ Ｓｃｉｅｎｃｅ （土壤通报）， ２０１４， ４５（１）： １１６－１２２
（ｉｎ Ｃｈｉｎｅｓｅ）
［２２］　 Ｍａ Ｂ （马 　 斌）， Ｍａ Ｋ （马 　 琨）， Ｈｅ Ｘ⁃Ｐ （何宪
平）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ａｖａｉｌａｂｌｅ ｓｏｉｌ ｎｕｔｒｉ⁃
ｅｎｔｓ ｉｎ ｔｈｅ Ｌｏｅｓｓ Ｐｌａｔｅａｕ ｏｆ Ｓｏｕｔｈｅｒｎ Ｎｉｎｇｘｉａ． Ｊｏｕｒｎａｌ ｏｆ
Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ （农业科学研究）， ２００６， ２７（３）：
１６－２１ （ｉｎ Ｃｈｉｎｅｓｅ）
［２３］　 Ｆｕ Ｂ⁃Ｊ （傅伯杰）， Ｇｕｏ Ｘ⁃Ｄ （郭旭东）， Ｃｈｅｎ Ｌ⁃Ｄ （陈
利顶）， ｅｔ ａｌ． Ｌａｎｄ ｕｓｅ ｃｈａｎｇｅｓ ａｎｄ ｓｏｉｌ ｎｕｔｒｉｅｎｔ ｃｈａｎ⁃
ｇｅｓ： Ａ ｃａｓｅ ｓｔｕｄｙ ｉｎ Ｚｕｎｈｕａ Ｃｏｕｎｔｙ， Ｈｅｂｅｉ Ｐｒｏｖｉｎｃｅ．
Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学报）， ２００１， ２１ （ ６）：
９２６－９３１ （ｉｎ Ｃｈｉｎｅｓｅ）
［２４］　 Ｇｕｏ Ｘ⁃Ｄ （郭旭东）， Ｆｕ Ｂ⁃Ｊ （傅伯杰）， Ｃｈｅｎ Ｌ⁃Ｄ （陈
利顶）， ｅｔ ａｌ． Ｔｈｅ ｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ｓｏｉｌ ｎｕ⁃
ｔｒｉｅｎｔｓ ｉｎ Ｚｕｎｈｕａ Ｐｌａｉｎ ｏｆ Ｈｅｂｅｉ Ｐｒｏｖｉｎｃｅ： Ｓｅｍｉｖａｒｉｏ⁃
ｇｒａｍ ａｎｄ Ｋｒｉｇｉｎｇ ａｎａｌｙｓｉｓ． Ａｃｔａ Ｇｅｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ （地
理学报）， ２０００， ５５（５）： ５５６－５６６ （ｉｎ Ｃｈｉｎｅｓｅ）
［２５］　 Ｍｕｙｅｓｓａｒ Ｔ （穆叶赛尔·吐地）， Ｊｉｌｉｌｉ Ａ （吉力力·阿
不都外力）， Ｊｉａｎｇ Ｆ⁃Ｑ （姜逢清）， ｅｔ ａｌ． Ｒｅｇｉｏｎａｌ
ｄｉｆｆｅｒｅｎｃｅｓ ｉｎ ｓｏｉｌ ｎｕｔｒｉｅｎｔ ｃｏｎｔｅｎｔ ａｌｏｎｇ ｔｈｅ ｆｏｒｅｓｔ ｅｄｇｅ
ｉｎ ｔｈｅ ｎｏｒｔｈｅｒｎ ｓｌｏｐｅ ｏｆ Ｔｉａｎｓｈａｎ Ｍｏｕｎｔａｉｎｓ． Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ ｏｆ Ｅｃｏ⁃Ａｇｒｉｃｕｌｔｕｒｅ （中国生态农业学报），
２０１３， ２１（５）： ５８０－５８９ （ｉｎ Ｃｈｉｎｅｓｅ）
［２６］　 Ｗａｎｇ Ｍ （王　 谋）， Ｌｉ Ｙ （李　 勇）， Ｈｕａｎｇ Ｒ⁃Ｑ （黄
润秋）， ｅｔ ａｌ． Ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｃｌｉｍａｔｅ ｗａｒｍｉｎｇ ｏｎ ｔｈｅ ａｌ⁃
ｐｉｎｅ ｖｅｇｅｔａｔｉｏｎ ｏｆ ｔｈｅ Ｑｉｎｇｈａｉ⁃Ｔｉｂｅｔａｎ Ｐｌａｔｅａｕ ｈｉｎｔｅｒ⁃
ｌａｎｄ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学报）， ２００５， ２５
（６）： １２７５－１２８１ （ｉｎ Ｃｈｉｎｅｓｅ）
［２７］　 Ｌｕ Ｒ⁃Ｋ （鲁如坤）． Ｓｏｉｌ ａｎｄ Ａｇｒｉｃｕｌｔｕｒａｌ Ｃｈｅｍｉｓｔｒｙ
Ａｎａｌｙｓｉｓ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈ⁃
ｎｏｌｏｇｙ Ｐｒｅｓｓ， ２０００ （ｉｎ Ｃｈｉｎｅｓｅ）
［２８］　 Ｘｉｅ Ｋ⁃Ｊ （谢克金）． Ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｓｏｉｌ ｔｏｔａｌ ｐｈｏｓ⁃
ｐｈｏｒｕｓ ａｎｄ ｔｏｔａｌ ｐｏｔａｓｓｉｕｍ ｉｎ ｔｈｅ ｓａｍｅ ａｃｉｄ ｓｏｌｕｂｌｅ ｌｉ⁃
ｑｕｉｄ ｕｎｄｅｒ ｔｅｓｔ． Ｓｏｉｌ ａｎｄ Ｆｅｒｔｉｌｉｚｅｒ（土壤肥料）， １９９５
（１）： ４６－４８ （ｉｎ Ｃｈｉｎｅｓｅ）
［２９］　 Ｙｏｓｔ ＲＳ， Ｕｅｈａｒａ Ｇ， Ｆｏｘ ＲＬ． Ｇｅｏｓｔａｔｉｓｔｉｃａｌ ａｎａｌｙｓｉｓ ｏｆ
ｓｏｉｌ ｃｈｅｍｉｃａｌ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｌａｒｇｅ ａｒｅａｓ． Ｉ． Ｓｅｍｉ⁃ｖａｒｉｏ⁃
ｇｒａｍｓ． Ｓｏｉｌ Ｓｃｉｅｎｃｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｍｅｒｉｃａ Ｊｏｕｒｎａｌ， １９８２，
４６： １０２８－１０３２
［３０］　 Ｚｈａｎｇ Ｒ⁃Ｄ （张仁铎）． Ｍｅｔｈｏｄ ｏｆ Ｓｐａｔｉａｌ Ｖａｒｉａｂｌｉｔｙ ａｎｄ
Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ． Ｂｅｉｊｉｎｇ： Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ， ２００５ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［３１］　 Ｋａｌｐａｎａ ＨＫ， Ｐｒａｍｉｌａ Ａ． Ｇｅｏｓｔａｔｉｓｔｉｃａｌ ａｎａｌｙｓｔ ｆｏｒ ｄｅｃｉ⁃
ｄｉｎｇ ｏｐｔｉｍａｌ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｓｔｒａｔｅｇｉｅｓ ｆｏｒ ｄｅｌｉｎｅａｔｉｎｇ ｃｏｍ⁃
ｐａｃｔ ｚｏｎｅｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｓｃｉｅｎｃｅｓ， ２０１１，
２： ５８５－５９６
［３２］　 Ｇａｏ Ｂ⁃Ｃ （高博超）， Ｌｏｕ Ｙ⁃Ｌ （娄翼来）， Ｊｉｎ Ｇ⁃Ｙ （金
广远）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ａｎａｌｙｓｉｓ ｏｆ ｔｏｂａｃｃｏ ｓｏｉｌ ｎｕｔｒｉｅｎｔｓ
ｂａｓｅｄ ｏｎ ＧＩＳ ａｎｄ Ｇｅｏｓｔａｔｉｓｔｉｃｓ． Ａｃｔａ Ｔａｂａｃａｒｉａ Ｓｉｎｉｃａ
（中国烟草学报）， ２００５， １５（１）： ３６－３７ （ｉｎ Ｃｈｉｎｅｓｅ）
９１２１４期　 　 　 　 　 　 　 　 　 贾振宇等： 基于 ＧＩＳ和地统计学的黄泛区土壤磷空间变异———以周口为例　 　 　 　 　
［３３］　 Ｚｈａｎｇ Ｃ⁃Ｃ （张婵婵）， Ｚｈａｎｇ Ｒ⁃Ｆ （张瑞芳）， Ｚｈａｎｇ Ｊ⁃
Ｈ （张建恒）， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ ａｖａｉｌａｂｌｅ ｎｕｔｒｉ⁃
ｅｎｔｓ ｃｏｎｔｅｎｔｓ ｉｎ ｃｒｏｐｌａｎｄ ｓｏｉｌｓ ｉｎ Ｇａｏｙａｎｇ Ｃｏｕｎｔｙ ｏｆ Ｈｅ⁃
ｂｅｉ Ｐｒｏｖｉｎｃｅ， Ｃｈｉｎａ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｅｃｏ⁃Ａｇｒｉｃｕｌｔｕｒｅ
（中国生态农业学报）， ２０１３， ２１（６）： ７００－７６０ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［３４］　 Ｋｒａｖｃｈｅｎｋｏ ＡＮ． Ｉｎｆｌｕｅｎｃｅ ｏｆ ｓｐａｔｉａｌ ｓｔｒｕｃｔｕｒｅ ｏｎ ａｃｃｕｒａ⁃
ｃｙ ｏｆ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｍｅｔｈｏｄｓ． Ｓｏｉｌ Ｓｃｉｅｎｃｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｍｅ⁃
ｒｉｃａ Ｊｏｕｒｎａｌ， ２００３， ６７： １５６４－１５７１
［３５］　 Ｗａｎｇ Ｚ⁃Ｑ （王政权）， Ｗａｎｇ Ｑ⁃Ｃ （王庆成）． Ｔｈｅ ｓｐａ⁃
ｔｉａｌ ｈｅｔｅｒｏｇｅｎｅｉｔｙ ｏｆ ｓｏｉｌ ｐｈｙｓｉｃａｌ ｐｒｏｐｅｒｔｉｅｓ ｉｎ ｆｏｒｅｓｔｓ．
Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学报）， ２０００， ２０ （ ６）：
９４５－９５０ （ｉｎ Ｃｈｉｎｅｓｅ）
［３６］　 Ｇｏｎｇ Ｙ⁃Ｓ （龚元石）， Ｌｉａｏ Ｃ⁃Ｚ （廖超子）， Ｌｉ Ｂ⁃Ｇ （李
保国）． Ｓｐａｔｉｃａｌ ｖａｒｉａｂｉｌｉｔｙ ａｎｄ ｆｒａｃｔａｌ ｄｉｍｅｎｓｉｏｎ ｆｏｒ ｓｏｉｌ
ｗａｔｅｒ ｃｏｎｔｅｎｔ ａｎｄ ｂｕｌｋ ｄｅｎｓｉｔｙ． Ａｃｔａ Ｐｅｄｏｌｏｇｉｃａ Ｓｉｎｉｃａ
（土壤学报）， １９９８， ３５（１）： １０－１５ （ｉｎ Ｃｈｉｎｅｓｅ）
［３７］　 Ｊｉａｎｇ Ｑ⁃Ｘ （姜秋香）， Ｆｕ Ｑ （付　 强）， Ｗａｎｇ Ｚ⁃Ｌ （王
子龙）． Ｒｅｓｅａｒｃｈ ｐｒｏｇｒｅｓｓ ｏｆ ｔｈｅ ｓｐａｔｉａｌ ｖａｒｉａｂｉｌｉｔｙ ｔｈｅｏ⁃
ｒｙ ｉｎ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｓｏｉｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ａｎａｌｙｓｉｓ． Ｒｅｓｅａｒｃｈ
ｏｆ Ｓｏｉｌ ａｎｄ Ｗａｔｅｒ Ｃｏｎｓｅｒｖａｔｉｏｎ （水土保持研究），
２００８， １５（１）： ２５０－２５３ （ｉｎ Ｃｈｉｎｅｓｅ）
［３８］　 Ｗａｎｇ Ｐ⁃Ｊ （王培俊）， Ｈｕ Ｚ⁃Ｑ （胡振琪）， Ｓｈａｏ Ｆ （邵
芳）， ｅｔ ａｌ． Ｆｅａｓｉｂｉｌｉｔｙ ａｎａｌｙｓｉｓ ｏｆ Ｙｅｌｌｏｗ Ｒｉｖｅｒ ｓｅｄｉｍｅｎｔ
ｕｓｅｄ ａｓ ｔｈｅ ｆｉｌｌｉｎｇ ｒｅｃｌａｍａｔｉｏｎ ｍａｔｅｒｉａｌ ｏｆ ｍｉｎｉｎｇ ｓｕｂｓｉ⁃
ｄｅｎｃｅ ｌａｎｄ． Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｎａ Ｃｏａｌ Ｓｏｃｉｅｔｙ （煤炭学
报）， ２０１４， ３９（６）： １１３３－１１３６ （ｉｎ Ｃｈｉｎｅｓｅ）
［３９］　 Ｌｉｎ Ｓ⁃Ｌ （林世玲）． Ｅｆｆｅｃｔ ｏｆ Ｓｕｌｆｕｒ Ｆｅｒｔｉｌｉｚｅｒ ａｎｄ ｐＨ ｏｎ
Ａｖａｉｌａｂｌｅ Ｐｈｏｓｐｈｏｒｕｓ ａｎｄ Ｇｒａｉｎ Ｙｉｅｌｄ． Ｍａｓｔｅｒ Ｔｈｅｓｉｓ．
Ｌａｎｚｈｏｕ： Ｌａｎｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ， ２０１１ （ｉｎ Ｃｈｉｎｅｓｅ）
作者简介　 贾振宇，男，１９８９ 年生，硕士研究生．主要从事土
壤生态学研究． Ｅ⁃ｍａｉｌ： １５２２６００８７６１＠ １６３．ｃｏｍ
责任编辑　 杨　 弘
贾振宇， 张俊华， 丁圣彦， 等． 基于 ＧＩＳ和地统计学的黄泛区土壤磷空间变异———以周口为例． 应用生态学报， ２０１６， ２７（４）：
１２１１－１２２０
Ｊｉａ Ｚ⁃Ｙ， Ｚｈａｎｇ Ｊ⁃Ｈ， Ｄｉｎｇ Ｓ⁃Ｙ， ｅｔ ａｌ． Ｓｐａｔｉａｌ ｖａｒｉａｔｉｏｎ ｏｆ ｓｏｉｌ ｐｈｏｓｐｈｏｒｕｓ ｉｎ ｆｌｏｏｄｅｄ ａｒｅａ ｏｆ ｔｈｅ Ｙｅｌｌｏｗ Ｒｉｖｅｒ ｂａｓｅｄ ｏｎ ＧＩＳ ａｎｄ ｇｅｏ⁃ｓｔａ⁃
ｔｉｓｔｉｃａｌ ｍｅｔｈｏｄｓ： Ａ ｃａｓｅ ｓｔｕｄｙ ｉｎ Ｚｈｏｕｋｏｕ Ｃｉｔｙ， Ｈｅｎａｎ， Ｃｈｉｎａ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， ２０１６， ２７（４）： １２１１－１２２０ （ ｉｎ
Ｃｈｉｎｅｓｅ）
０２２１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷