2024, Vol. 45
2. 国家农机装备创新中心, 洛阳 471934;
3. 山东鲁研农业良种有限公司, 济南 250100
2. National Agricultural Machinery and Equipment Innovation Center, Luoyang 471934, China;
3. Shandong Luyan Agricultural Co., Ltd., Jinan 250100, China
土壤盐渍化作为土地退化的主要形式之一, 阻碍区域土壤质量改善和作物正常生长发育[1, 2]. 我国盐碱地多分布于西北干旱区、东北与华北平原区和沿海区域, 占全国可利用土地面积的4.88%[3]. 土壤盐渍化受多种自然环境和人为因素影响, 表现出显著的空间异质性, 对区域资源规划管理和高效利用造成严重影响[4, 5]. 因此, 探究土壤盐渍化空间分布特征及其影响因素, 有助于科学制定土壤资源利用规划, 对实现农业可持续发展具有重要意义.
近年来, 地理加权回归模型（geographically weighted regression, GWR）已经被广泛应用于土壤盐渍化的空间分布及影响因素空间非平稳性特征的研究[6, 7], 袁玉芸等[6]通过GWR模型分析了于田绿洲土壤盐分空间分异特征及其影响因子, 发现地下水矿化度、地下水埋深、高程和温度是干旱区平原绿洲表层盐分的主要影响因子. Zhang等[7]利用GWR模型分析了西北银川平原土壤盐渍化空间特征, 表明该区域土壤盐分空间分布具有显著异质性. 然而, GWR模型默认所有影响因素的最优带宽相同, 忽视了不同影响因子的作用尺度存在差异性, 导致参数估计有偏[8, 9]. 但在实际情况下, 不同影响因子对土壤盐渍化的影响存在不同作用尺度, 因而单一带宽不能较好反映真实的土壤盐渍化空间过程[10]. 基于此, Fotheringham等[11]在GWR模型的基础上提出了兼顾影响因素差异化空间带宽的多尺度地理加权回归模型（multi-scale geographically weighted regression, MGWR）, 较好地解决了GWR模型中单一带宽的缺陷, 成为揭示环境因子影响力和作用范围的重要方法[12]. 该模型已成功应用于土壤属性（pH和有机碳）[13, 14]的影响机制分析, 但还未应用于土壤盐渍化方面的研究.
东营市河口区拥有广袤的土地资源, 但由于濒临渤海, 土壤长期受到海水浸渍、海拔低和地下水埋深浅等多种因素综合作用, 导致该区域盐渍化问题突出[15, 16], 土地利用效率较低, 亟需明晰土壤盐渍化的空间异质性特征及其影响因素. 然而现有研究中, 对于土壤盐渍化影响因素分析多采用MLR和GWR等固定带宽的方法, 无法识别不同影响因素空间异质性的尺度差异. MGWR模型允许不同自变量与因变量的空间关系具有尺度异质性, 更符合地理要素分布的影响机制[17, 18]. 因此, 本文拟将河口区作为研究区, 利用MLR、GWR和MGWR模型实现区域土壤盐渍化空间预测建模, 比较不同解释变量作用尺度固定带宽（MLR和GWR）与差异化带宽（MGWR）建模精度, 探究不同影响因素对土壤盐渍化影响的空间非平稳性, 旨在为提升滨海低平原区土壤盐渍化精确性空间预测制图提供参考.
1 材料与方法 1.1 研究区概况研究区包括营口市河口区全境和利津县刁口乡, 地理坐标为37°45′~38°10′N, 118°07′~119°05′E（图 1）, 位于山东省北部, 渤海湾南岸, 东部和北部两侧临海, 总面积2 365 km2, 土地利用类型以农用地和未利用地为主, 土壤盐渍化问题突出. 境域属暖温带大陆性季风气候, 年均气温13.4 ℃, 年均降水551.8 mm, 降水季节分布不均, 主要集中在夏季. 作为典型的黄河三角洲地貌区域, 主要地形包括缓岗和河滩高地、浅平洼地、微斜平地和海滩地, 土壤质地主要为粉质和黏质, 其中粉壤土约占总面积30%[19, 20]. 地势南高北低, 西高东低, 由内地向沿海平缓降低, 自然比降为1∶10 000~1∶15 000. 海拔一般在5 m~6 m, 近海2 m~3 m. 浅层地下除黄河故道部分区段有少量淡水外, 其余大部分地区无淡水.
|
图 1 采样点分布示意 Fig. 1 Sampling sites distribution |
通过网格法布设采样点, 在遥感影像中以3 km×3 km网格覆盖研究区（避开水面与建设用地）, 每个网格中心布设一个采样点, 调查时根据可达性及现场情况进行微调. 利用奥维互动地图软件读取样点坐标, 并记录土地利用现状. 利用EC110电导率仪测定表层（0 cm~20 cm）、中层（20 cm~40 cm）和底层（40 cm~60 cm）土壤电导率, 通过建立土壤电导率（EC0）与含盐量（St）间的关系方程计算土壤含盐量[21]. 在典型样点采集耕层土壤样品1 kg左右, 分装2袋密封, 一份用于测定土壤水分, 一份用于测定土壤相关性质. 其中, 土壤有机质通过重铬酸钾外加热法测定, 土壤pH通过电导法测定, 土壤含盐量采用5∶1水土比浸提液烘干法测定, 土壤质地采用吸管法测定[22].
1.2.2 环境遥感数据土壤盐渍化不同潜在影响因素数据来源如表 1所示, 高程数据来源于地理空间数据云平台, 空间分辨率为30 m, 通过ArcGIS软件获取高程衍生数据——坡度. 选取与野外调查同时期的GF1-WFV2遥感影像数据（下载于地理空间数据云, https://www.gscloud.cn/）反演植被覆盖度（FVC）. 蒸散量数据来源于地理遥感生态网（https://www.gisrs.cn）. 为保证数据空间分辨率的一致性, 利用重采样法将栅格大小统一为30 m.
|
表 1 土壤盐渍化潜在影响因素数据来源 Table 1 Data sources of potential influencing factors of soil salinization |
1.3 研究方法
本研究的整体思路如下：首先通过野外采样和室内测定获取土壤属性数据（包括表、中、底层土壤含盐量、pH、有机质、土壤砂粒、黏粒和粉粒含量）, 利用遥感技术和查阅相关监测资料获取表层土壤含盐量潜在影响因子数据（包括地下水埋深、地下水矿化度、距海距离、高程、坡度、植被覆盖度、平均降雨量和地表蒸散量）；其次, 利用SPSS软件分析土壤盐渍化潜在影响因子间的共线性, 筛选用于建模分析的影响因子；再次, 利用ArcGIS 10.7软件分析表层土壤含盐量是否存在空间自相关（若存在空间自相关, 可利用地理加权回归模型进行建模）；最后, 比较不同解释变量作用尺度固定带宽模型（MLR和GWR）与差异化带宽模型（MGWR）建模精度, 选取最优模型进行土壤盐渍化影响因素分析和空间分布预测. MLR和GWR建模利用GWR 4.0软件实现, MGWR建模利用MGWR 2.2软件实现.
1.3.1 土壤属性与环境因子处理利用IBM SPSS Statistics 23.0检验土壤盐分与环境影响因子间的相关性, 若P < 0.05则通过检验. 为避免不同环境辅助变量之间可能存在共线性, 通过方差膨胀因子（VIF）检验不同环境辅助变量间的共线性（若VIF小于10则符合条件）[23], 选取符合条件的影响因素进行土壤盐渍化建模分析.
1.3.2 空间自相关分析实现土壤盐渍化GWR空间预测要求因变量存在显著空间自相关[24], 因此选用全局莫兰指数（global Moran's I）与局部莫兰指数（local Moran's I）分别分析土壤含盐量的全局和局部区域空间自相关程度. 全局空间自相关分析的公式如下[25]：
|
(1) |
式中, Xi和Xj分别为第i和j个点的属性值；X为全部点位的属性值均值；Wij为各点位基于距离的空间权重矩阵.
局部空间自相关分析的公式如下[26]（公式中变量与全局空间自相关一致）：
|
(2) |
通过检验不同建模方法残差空间自相关性, 可作为评估建模效果的重要指标. 良好的回归模型能实现降低回归方程残差空间自相关, 使其残差空间分布呈随机状态[27].
1.3.3 多元线性回归MLR模型是利用多个自变量解释因变量变化的常用方法, 该模型假定自变量对因变量的作用在全局上是同质的, 其回归系数在空间中保持恒定, 未考虑不同空间位置的影响, 表达式如下[28]：
|
(3) |
式中, α0为随机误差；αi为回归系数；c为自变量数.
1.3.4 地理加权回归GWR模型是对最小二乘法（OLS）模型的扩展, 作为一种经典局部回归模型, 将属性的地理位置信息融入回归参数中, 可实现局部估计, 表达式如下[29]：
|
(4) |
式中, yi为因变量, xik为自变量xk在空间位置处实测值, k表示自变量个数；β0（μi, vi）为常数项；βk（μi, vi）为第i个点的回归系数, εi为误差项.
在空间权重函数的选择中, 选用自适应截尾型函数（adaptive bi-quare）拟合回归点回归系数, 最优带宽的选择通过改进的赤迟信息量准则（corerected akaike information criterion, AICc）作为标准[30].
1.3.5 多尺度地理加权回归（MGWR）MGWR模型区分各自变量对因变量作用的空间尺度, 允许不同的地理过程在各自最佳的带宽运行, 进一步优化模型可靠性, 具体表达式如下[31]：
|
(5) |
式中, βbwj（μi, vi）为特定带宽bwj拟合的空间位置i处第j个自变量的回归系数, yi和xij分别表示因变量与自变量在i处的观测值；β0（μi, vi）为该空间位置点处常数项；εi为随机误差.
1.3.6 模型精度评价选取改进的赤池信息量准则、调整后决定系数（Radj2）、残差平方和（residual sum of squares, RSS）作为模型评价标准. AICc可作为带宽选择的标准, 而带宽大小则直接影响回归参数模拟结果, 当AICc值减小2以上时, 可认为改进后的模型更优[32]；Radj2反映因变量的全部变异被自变量解释的比例；RSS反映不同模型实测值与预测值间差值的平方和. 不同精度评价指标计算公式如下[33]：
|
(6) |
|
(7) |
|
(8) |
式中, k为参数数量, L为似然函数, n为总样点数, p为自变量数, Pi和Oi分别为样点实测值和预测值；O为实测值的均值.
2 结果与分析 2.1 土壤盐渍化统计特征表层土壤含盐量描述性统计结果见表 2. 研究区表层土壤St值介于1.06 ~ 22.72 g·kg-1之间, 平均值为5.84 g·kg-1, 土壤整体表现为重度盐渍化, 变异系数为91.27%, 呈中等变异.
|
|
表 2 表层土壤含盐量描述性统计特征 Table 2 Descriptive statistical characteristic of soil salinization in surface layer |
2.2 土壤盐渍化空间自相关分析
通过对研究区表层土壤含盐量进行全局空间自相关分析, 发现其全局Moran's I指数为0.19（P < 0.00）, 表明研究区土壤含盐量空间分布存在极显著空间自相关. 土壤含盐量局部空间自相关聚类情况见图 2, 其中有23个样点表现显著的局部空间聚类, “高-高”聚类点共5个, “低-低”聚类点共10个, “高-低”聚类点共3个, “低-高”聚类点共5个. 因而研究区土壤含盐量适于采用相关GWR模型进行研究[24].
|
图 2 表层土壤含盐量局部聚类 Fig. 2 Local clustering of surface soil salt content |
将表层土壤含盐量与不同影响因素进行相关分析, 结果见图 3. 筛选得到与土壤含盐量呈显著相关（或极显著相关）且符合不存在多重共线性的因子共8个, 分别为中层土壤含盐量、土壤黏粒含量、土壤粉粒含量、地下水埋深、距渤海距离、高程、植被覆盖度和地表蒸散量. 中层土壤含盐量与表层土壤含盐量呈极显著正相关, 相关系数为0.79；表层土壤含盐量与地下水埋深、距海距离、高程和植被覆盖度呈极显著负相关, 相关系数分别为-0.37、-0.31、-0.38和-0.45；与土壤粉粒含量呈显著正相关, 相关系数为0.24；与土壤黏粒含量和地表蒸散量呈显著负相关, 相关系数为-0.24和-0.25.
|
1.S_top, 2.pH, 3.S_om, 4.S_moi, 5.S_mid, 6.S_bot, 7.S_sand, 8.S_clay, 9.S_silt, 10.W_min, 11.W_dep, 12.S_dis, 13.S_ele, 14.S_slo, 15.FVC, 16.A_pre, 17.ET；*表示P < 0.05, **表示P < 0.01 图 3 表层土壤含盐量与影响因素相关性 Fig. 3 Correlation between surface soil salt content and influencing factors |
两种GWR模型与MLR模型建模结果见表 3. 综合3种精度指标, 不同模型精度从大到小依次为：MGWR > GWR > MLR. MGWR模型精度最优, 能够解释研究区土壤含盐量70%的变异. 与MLR模型相比, GWR和MGWR的AICc分别减少2.91和6.86, Radj2分别增加0.05和0.07, RSS分别减少210.13和179.95, 说明不同GWR模型对目标变量进行局部回归预测的方式优于MLR全局回归预测的方式.
|
|
表 3 不同模型建模结果精度对比 Table 3 Comparison of modeling results accuracy between different models |
2.4.2 残差空间自相关比较
对土壤含盐量不同模型建模结果残差进行空间自相关检验, 发现MLR、GWR和MGWR残差的全局Moran's I指数分别为0.07（P=0.16）、0.02（P=0.58）和0.01（P=0.68）, 建模结果中分别有8、6和5个样点残差存在显著局部空间聚类. 不同GWR模型残差的全局莫兰指数相较于MLR模型均有明显降低, 其P值也明显增大, 即GWR模型的残差空间分布更趋向于随机性, 而在GWR模型中, 又以MGWR模型最优.
综合而言, 不同解释变量作用尺度的差异化带宽（MGWR）建模精度优于固定带宽（MLR和GWR）, 因此, 本文选取MGWR模型的标准化回归结果分析不同影响因素对土壤盐渍化作用的空间异质性.
2.5 MGWR模型解释变量回归系数及分布结果 2.5.1 标准化回归系数描述性统计表 4为MGWR模型中不同影响因素的标准化回归系数统计结果. 不同影响因素的系数介于-0.45~1.08之间. 从不同影响因素的系数平均值来看, 对土壤含盐量影响最大的环境因子为中层土壤含盐量, 其次为黏粒含量和植被覆盖度, 土壤粉粒含量和高程对表层含盐量空间分布影响最小. 回归系数标准差可反映土壤含盐量与不同解释变量关系的变异程度, 距渤海远近的回归系数标准差较大；其次为中层土壤含盐量、土壤粉粒含量和高程；土壤黏粒含量与地下水埋深回归系数的变异程度最小.
|
|
表 4 MGWR模型不同影响因素标准化回归系数 Table 4 Standardized regression coefficients for different influencing factors in MGWR model |
2.5.2 标准化回归系数空间分布
MGWR模型的局部R2与不同影响因素的标准化回归系数空间分布见图 4. 不同影响因素的标准化回归系数空间分布, 可以反映其与土壤盐渍化间的空间非平稳性特征. 由图 4（a）可见, 局部R2的标准化回归系数范围介于0.73~0.83之间, 整体呈现出由中部向两端逐渐减少的趋势.
|
图 4 MGWR模型的局部R2及不同影响因素的标准化回归系数空间分布 Fig. 4 Spatial distribution of local R2 and standardized regression coefficients for different influencing factors in MGWR model |
图 4（b）和图 4（c）中, 土壤黏粒含量和粉粒含量的标准化回归系数分别介于-0.19~-0.11和-0.19~0.35之间, 土壤黏粒含量回归系数呈东高西低的分布格局, 对表层土壤盐渍化均呈负相关影响；土壤粉粒呈中部低、东西高的分布格局, 中部主要为负相关影响, 西部和东部均呈正相关, 且在东部回归系数达到最大水平.
图 4（d）中, 地下水埋深的标准化回归系数介于-0.07~0.003之间, 对表层土壤含盐量主要呈负相关影响, 空间分布由中部向东西逐渐呈降低趋势.
图 4（e）中, 距海距离的标准化回归系数介于-0.57~0.28之间, 整体呈西高东低的分布格局, 负值区域占大部分.
图 4（f）中, 高程的标准化回归系数介于-2.44~1.20之间, 空间分布整体自西向东逐渐增大趋势, 东北部区域为研究区海拔最低处, 同时也是黄河故道、挑河和刁口河等淡水河流的入海口, 在淡水资源持续淋滤下, 表层土壤含盐量呈随海拔降低而逐渐降低的特征, 高程对表层土壤含盐量的正相关效应达到最大, 海拔降低土壤含盐量随之减少的幅度达到最大.
图 4（g）中, 植被覆盖度的标准化回归系数介于-0.13~-0.08之间, 对表层土壤含盐量均有负相关影响. 研究区西部植被覆盖度较高, 对土壤含盐量的正相关影响效应达到最大；东北部覆盖度最小, 相关系数达到最小, 同时负相关影响程度达到最大.
图 4（h）中, 地表蒸散量的标准化回归系数介于-0.57~0.27之间, 全区域主要呈负相关影响.
图 4（i）中，中层土壤含盐量的标准化回归系数介于0.67~1.22之间，空间分布呈自西向东逐渐减弱的趋势. 中层土壤含盐量对表土盐渍化均呈正相关影响，即中层土壤含盐量越大表层土壤含盐量增长幅度越大.
2.6 土壤盐渍化空间分布特征基于MGWR模型, 利用筛选出的影响因子预测研究区土壤盐渍化程度的空间分布, 结果见图 5. 整体而言, 研究区土壤盐渍化程度大致呈由沿海向内陆逐渐减弱趋势. 盐土区域（表层土壤St≥6 g·kg-1）主要分布于研究区北部和东北部, 呈集中连片的面状分布；重度盐渍化区域（St为4 g·kg-1~6 g·kg-1）主要分布于研究区中南部, 与盐土区域紧邻, 呈条带状分布. 盐土与重度盐渍土区域土地利用类型多以荒地为主, 植被以耐盐种占优势（芦苇、柽柳、碱蓬和马绊草）, 零星种植的农作物长势差, 缺苗现象较为普遍. 中度盐渍化区域（St为2 g·kg-1~4 g·kg-1）主要分布在研究区西部和东南部；轻度盐渍化（St为1 g·kg-1~2 g·kg-1）和非盐渍化区域（St < 1 g·kg-1）则零星分布于研究区西部和东南部的局部地区.
|
图 5 基于MGWR模型的土壤盐渍化空间分布预测结果 Fig. 5 Prediction result of spatial distribution of soil salinization based on MGWR model |
土壤盐渍化是多种影响因素相互叠加作用的结果[34, 35]. 本研究选取土壤（中层土壤含盐量、土壤黏粒和粉粒含量）、自然环境条件（地下水埋深、距渤海距离、植被覆盖度和地表蒸散量）和地形（高程）共3类因子作为土壤盐渍化的解释变量应用于MGWR模型, 均在不同程度表现出空间异质性特征. 本研究发现, 中层土壤含盐量与表层土壤含盐量呈明显正相关, 这与王卓然等[36]的研究结果一致, 中层土壤盐分随水分在土壤毛管作用下运移至表层, 经蒸发和浓缩作用累积于地表. 土壤黏粒和粉粒含量反映土壤质地特征, 土壤质地又通过影响土壤保水和透水性能等影响表层土壤盐渍化程度[37]. 研究区东部主要质地类型为粉壤土与粉质黏壤土, 因而该区域粉粒含量对表层土壤盐渍化程度的影响效应达到最大, 即粉粒含量降低、表层土壤含盐量随之增大的幅度达到最大. 植被覆盖度与表层土壤含盐量均呈负相关且对盐渍化影响较大, 但高程对表层土壤含盐量影响较小, 这与范晓梅等[38]对黄河三角洲的研究结果一致. 植被覆盖度主要通过影响地表蒸散量的差异, 从而影响表层土壤盐分聚集. 当植被覆盖度较高, 形成郁闭群落后可显著增加地表覆盖、减少蒸发和保持土壤水分, 阻止土壤中盐分上移, 同时植物落叶和残体等也可有效提升土壤肥力[39]. 研究区属环渤海低平原区域, 海拔较低, 局部区域海拔无明显差异. 此外, 高程主要是通过影响地下水埋深以及矿化度等因素, 间接对盐渍化产生影响, 因而高程对表层土壤含盐量影响较小. 距海距离对表层土壤含盐量的影响在研究区西部为正效应, 在东部为负效应, 主要通过地下水矿化度等因素间接影响盐渍化程度. 地下水埋深对表层土壤含盐量主要呈负效应, 当地下水位小于临界深度, 地下水中的盐分随上升毛管水不断迁移到耕层和地表[40, 41], 即地下水埋深越浅, 土壤盐渍化程度越严重.
3.2 模型差异分析GWR模型可以在融入多个环境变量的前提下, 保证较高的预测精度, 揭示土壤盐渍化与不同影响因子的空间非平稳性[42], 已充分应用于土壤盐渍化制图与影响因素探究[15, 43], 然而该模型未考虑局部变量的作用尺度存在差异. MGWR模型继承了GWR模型能够反映空间对象局部效应的特征, 还考虑了不同环境因子差异化作用尺度, 通过变化带宽灵活识别不同尺度下不同环境自变量影响因变量的地理过程[44], 弥补了GWR模型的缺陷. 赵明松等[31]比较了M-GWR（混合地理加权回归）、GWR和MLR模型与MGWR模型建模在土壤pH空间建模方面差异, 发现MGWR模型制图结果最优；乔磊等[45]引入MGWR模型对晋中平原区域土壤有机质及其影响因素进行研究, 表明MGWR建模效果优于GWR. 与前人学者研究的结果一致[31, 43, 44], 本研究通过引入MGWR模型, 发现土壤盐渍化不同解释变量的差异化带宽（MGWR）模型精度优于固定带宽（GWR和MLR）模型. 相较于GWR, MLR和MGWR模型的Radj2分别提升了0.07和0.02, AICc和残差空间自相关均有所降低, 建模精度更优. 本研究结果初步表明MGWR模型在识别县域范围内不同环境驱动因子自变量对土壤盐渍化因变量影响的空间非平稳性具有较好适用性, 因变量预测制图精度较高, 能够作为滨海区定量识别环境自变量对土壤盐渍化因变量的空间异质性和尺度差异性的重要方法之一.
4 结论（1）研究区土壤St平均值为5.84 g·kg-1, 介于1.06 ~22.72 g·kg-1之间, 整体表现为重度盐渍化, 变异系数为91.27%, 呈中等变异, 空间集聚特征明显.
（2）2种GWR模型的AICc与RSS均优于MLR模型, MGWR模型精度最优, 对研究区土壤含盐量变异的解释能力达70%, 不同模型精度从大到小依次为：MGWR > GWR > MLR.
（3）从不同影响因素标准化回归系数均值看来, 中层土壤含盐量对表层土壤含盐量的影响最大, 其回归系数均值为0.88；从回归系数空间分布看来, 不同影响因子对土壤盐渍化的作用程度存在明显空间异质性.
（4）MGWR土壤含盐量预测结果表明, 土壤St空间分异特征显著, 盐土区域（St≥6 g·kg-1）主要分布于研究区北部和东北部；重度盐渍化区域（St为4 ~6 g·kg-1）主要分布于研究区中南部；中度盐渍化（St为2 ~4 g·kg-1）和轻度盐渍化（St为1 ~2 g·kg-1）区域主要分布于研究区西部和东南部. 整体分布特征呈现从沿海向内陆逐渐降低的趋势.
| [1] |
解雪峰, 濮励杰, 沈洪运, 等. 滨海重度盐碱地改良土壤盐渍化动态特征及预测[J]. 土壤学报, 2022, 59(6): 1504-1516. Xie X F, Pu L J, Shen H Y, et al. Dynamics and prediction of soil salinization parameters under the amelioration of heavy coastal saline-alkali land[J]. Acta Pedologica Sinica, 2022, 59(6): 1504-1516. |
| [2] |
李建国, 濮励杰, 朱明, 等. 土壤盐渍化研究现状及未来研究热点[J]. 地理学报, 2012, 67(9): 1233-1245. Li J G, Pu L J, Zhu M, et al. The present situation and hot issues in the salt-affected soil research[J]. Acta Geographica Sinica, 2012, 67(9): 1233-1245. |
| [3] |
许婕, 刘加珍, 张天举, 等. 黄河口湿地柽柳灌丛土壤盐渍化特征[J]. 生态学报, 2022, 42(17): 7118-7127. Xu J, Liu J Z, Zhang T J, et al. Soil salinization characteristics under the crown of Tamarix chinensis in the wetland of the Yellow River Estuary[J]. Acta Ecologica Sinica, 2022, 42(17): 7118-7127. |
| [4] |
杨劲松, 姚荣江, 王相平, 等. 中国盐渍土研究: 历程、现状与展望[J]. 土壤学报, 2022, 59(1): 10-27. Yang J S, Yao R J, Wang X P, et al. Research on salt-affected soils in China: history, status quo and prospect[J]. Acta Pedologica Sinica, 2022, 59(1): 10-27. |
| [5] |
马国林, 丁建丽, 韩礼敬, 等. 基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图[J]. 农业工程学报, 2020, 36(19): 124-131. Ma G L, Ding J L, Han L J, et al. Digital mapping of soil salinization in arid area wetland based on variable optimized selection and machine learning[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(19): 124-131. |
| [6] |
袁玉芸, 瓦哈甫·哈力克, 关靖云, 等. 基于GWR模型的于田绿洲土壤表层盐分空间分异及其影响因子[J]. 应用生态学报, 2016, 27(10): 3273-3282. Yuan Y Y, Wahap H, Guan J Y, et al. Spatial differentiation and impact factors of Yutian Oasis's soil surface salt based on GWR model[J]. Chinese Journal of Applied Ecology, 2016, 27(10): 3273-3282. |
| [7] | Zhang Y T, Hou K, Qian H, et al. Characterization of soil salinization and its driving factors in a typical irrigation area of Northwest China[J]. Science of the Total Environment, 2022, 837. DOI:10.1016/j.scitotenv.2022.155808 |
| [8] | Rong Y J, Li K, Guo J W, et al. Multi-scale spatio-temporal analysis of soil conservation service based on MGWR model: a case of Beijing-Tianjin-Hebei, China[J]. Ecological Indicators, 2022, 139. DOI:10.1016/j.ecolind.2022.108946 |
| [9] | Zeng C Y, Yang L, Zhu A X, et al. Mapping soil organic matter concentration at different scales using a mixed geographically weighted regression method[J]. Geoderma, 2016, 281: 69-82. DOI:10.1016/j.geoderma.2016.06.033 |
| [10] |
南富森, 李宗省, 张小平, 等. 基于MGWR的黄河流域土壤有机碳密度和影响因素分析[J]. 环境科学, 2023, 44(2): 912-923. Nan F S, Li Z S, Zhang X P, et al. Spatial distribution characteristics and influencing factors of soil organic carbon density in Yellow River Basin based on MGWR model[J]. Environmental Science, 2023, 44(2): 912-923. |
| [11] | Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6): 1247-1265. DOI:10.1080/24694452.2017.1352480 |
| [12] |
周志凌, 程先富. 基于MGWR模型的中国城市PM2.5影响因素空间异质性[J]. 中国环境科学, 2021, 41(6): 2552-2561. Zhou Z L, Cheng X F. Spatial heterogeneity of influencing factors of PM2.5 in Chinese cities based on MGWR model[J]. China Environmental Science, 2021, 41(6): 2552-2561. |
| [13] |
陈宣强, 赵明松, 卢宏亮, 等. 基于3种地理加权回归方法的安徽省土壤pH空间预测制图对比研究[J]. 地理科学, 2023, 43(1): 173-183. Chen X Q, Zhao M S, Lu H L, et al. Comparison and analysis of spatial prediction and variability of soil pH in Anhui province based on three kinds of geographically weighted regression[J]. Scientia Geographica Sinica, 2023, 43(1): 173-183. |
| [14] |
吴子豪, 刘耀林, 冯向阳, 等. 基于多尺度地理加权回归的土壤镉污染局部影响因子分析[J]. 地球信息科学学报, 2023, 25(3): 573-587. Wu Z H, Liu Y L, Feng X Y, et al. Analysis of local influencing factors of Cadmium pollution in soil by using multi-scale geographically weighted regression[J]. Journal of Geo-Information Science, 2023, 25(3): 573-587. |
| [15] | Zhang S M, Zhao G X. A harmonious satellite-unmanned Aerial vehicle-ground measurement inversion method for monitoring salinity in coastal saline soil[J]. Remote Sensing, 2019, 11(14). DOI:10.3390/rs11141700 |
| [16] |
张子璇, 宋雨桐, 张惠中, 等. 水文气候影响下黄河三角洲土壤盐分时空动态[J]. 应用生态学报, 2021, 32(4): 1393-1405. Zhang Z X, Song Y T, Zhang H Z, et al. Spatiotemporal dynamics of soil salinity in the Yellow River Delta under the impacts of hydrology and climate[J]. Chinese Journal of Applied Ecology, 2021, 32(4): 1393-1405. |
| [17] |
王强, 崔璐明, 鄢慧丽. 黄河流域区域经济差异影响因素的空间异质性——基于MGWR模型的实证研究[J]. 地域研究与开发, 2023, 42(2): 7-13. Wang Q, Cui L M, Yan H L. Spatial heterogeneity of driving factors of the regional economic disparity in the Yellow River Basin: a multiscale geographically weighted regression approach[J]. Areal Research and Development, 2023, 42(2): 7-13. |
| [18] | Yao Z H, Zhang Y, Xiao P Q, et al. Soil erosion process simulation and factor analysis of Jihe Basin[J]. Sustainability, 2022, 14(13). DOI:10.3390/su14138114 |
| [19] |
解璐晗. 黄河三角洲不同土地利用方式土壤碳库结构和养分特性[D]. 泰安: 山东农业大学, 2017. Xie L H. Soil carbon pools structure and nutrient characteristics of different land use patterns in the Yellow River Delta[D]. Tai'an: Shandong Agricultural University, 2017. |
| [20] |
宋颖, 徐帻欣, 王佳凡, 等. 黄河故道流域土壤盐渍化多维空间特征及其风险评价[J]. 土壤学报, 2023, 61(2): 372-384. Song Y, Xu Z X, Wang J F, et al. Multidimensional spatial characteristics and risk assessment of soil salinization in the Old Yellow River Basin[J]. Acta Pedologica Sinica, 2023, 61(2): 372-384. |
| [21] |
王卓然, 赵庚星, 高明秀, 等. 黄河三角洲典型地区春季土壤水盐空间分异特征研究——以垦利县为例[J]. 农业资源与环境学报, 2015, 32(2): 154-161. Wang Z R, Zhao G X, Gao M X, et al. Characteristis of soil water and salt spatial variations in the spring season in typical Yellow River Delta areas of Kenli county, China[J]. Journal of Agricultural Resources and Environment, 2015, 32(2): 154-161. |
| [22] |
张燕江, 王俊鹏, 王瑜, 等. 农牧交错带典型区土壤氮磷空间分布特征及其影响因素[J]. 环境科学, 2021, 42(6): 3010-3017. Zhang Y J, Wang J P, Wang Y, et al. Spatial patterns of nitrogen and phosphorus in soil and their influencing factors in a typical agro-pastoral ecotone[J]. Environmental Science, 2021, 42(6): 3010-3017. |
| [23] |
陈红艳, 赵庚星, 陈敬春, 等. 基于改进植被指数的黄河口区盐渍土盐分遥感反演[J]. 农业工程学报, 2015, 31(5): 107-114. Chen H Y, Zhao G X, Chen J C, et al. Remote sensing inversion of saline soil salinity based on modified vegetation index in estuary area of Yellow River[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(5): 107-114. |
| [24] |
刘琼峰, 李明德, 段建南, 等. 农田土壤铅、镉含量影响因素地理加权回归模型分析[J]. 农业工程学报, 2013, 29(3): 225-234, 300. Liu Q F, Li M D, Duan J N, et al. Analysis on influence factors of soil Pb and Cd in agricultural soil of Changsha suburb based on geographically weighted regression model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(3): 225-234, 300. |
| [25] |
赵昕, 张晓光, 宋祥云, 等. 胶莱平原县域表土有机碳空间变异特征研究及自相关分析[J]. 干旱区资源与环境, 2023, 37(4): 127-136. Zhao X, Zhang X G, Song X Y, et al. Spatial variation and autocorrelation analysis of topsoil organic carbon in Jiaolai Plain[J]. Journal of Arid Land Resources and Environment, 2023, 37(4): 127-136. |
| [26] |
燕玲玲, 巩杰, 徐彩仙, 等. 子午岭地区土壤保持服务时空变化及其影响因素[J]. 水土保持学报, 2021, 35(1): 188-197. Yan L L, Gong J, Xu C X, et al. Spatiotemporal variations and influencing factors of soil conservation service in Ziwuling area[J]. Journal of Soil and Water Conservation, 2021, 35(1): 188-197. |
| [27] |
杨顺华, 张海涛, 郭龙, 等. 基于回归和地理加权回归Kriging的土壤有机质空间插值[J]. 应用生态学报, 2015, 26(6): 1649-1656. Yang S H, Zhang H T, Guo L, et al. Spatial interpolation of soil organic matter using regression Kriging and geographically weighted regression Kriging[J]. Chinese Journal of Applied Ecology, 2015, 26(6): 1649-1656. |
| [28] |
再屯古丽·亚库普, 买买提·沙吾提, 阿卜杜萨拉木·阿布都加帕尔, 等. 基于PALSAR雷达数据的于田绿洲土壤盐渍化反演[J]. 资源科学, 2018, 40(10): 2110-2117. Zaytungul Y, Mamat S, Abdusalam A, et al. Soil salinity inversion in Yutian Oasis based on PALSAR radar data[J]. Resources Science, 2018, 40(10): 2110-2117. |
| [29] |
丁亚鹏, 张俊华, 刘玉寒, 等. 基于GWR模型的伊河流域土壤有机碳空间分布特征及影响因素分析[J]. 生态学报, 2021, 41(12): 4876-4885. Ding Y P, Zhang J H, Liu Y H, et al. Spatial distribution characteristics and influencing factors of soil organic carbon in Yihe River Basin based on GWR model[J]. Acta Ecologica Sinica, 2021, 41(12): 4876-4885. |
| [30] |
张连发. 基于流数据的地理加权回归建模方法的研究[D]. 武汉: 武汉大学, 2019. Zhang L F. Research on geographically weighted regression modeling approach based on flow data[D]. Wuhan: Wuhan University, 2019. |
| [31] |
周梦鸽, 杨依, 孙媛, 等. 2016~2020年山东省空气质量时空分布特征及影响因素分析[J]. 环境科学, 2022, 43(6): 2937-2946. Zhou M G, Yang Y, Sun Y, et al. Spatio-temporal characteristics of air quality and influencing factors in Shandong Province from 2016 to 2020[J]. Environmental Science, 2022, 43(6): 2937-2946. |
| [32] |
卢宾宾, 葛咏, 秦昆, 等. 地理加权回归分析技术综述[J]. 武汉大学学报(信息科学版), 2020, 45(9): 1356-1366. Lu B B, Ge Y, Qin K, et al. A review on geographically weighted regression[J]. Geomatics and Information Science of Wuhan University, 2020, 45(9): 1356-1366. |
| [33] |
王娜, 李乐, 勾蒙蒙, 等. 基于GWR模型的秭归县柑橘园土壤有机碳空间异质性分析[J]. 长江流域资源与环境, 2023, 32(4): 751-763. Wang N, Li L, Gou M M, et al. Spatial heterogeneity analysis of soil organic carbon in citrus orchards in Zigui county based on GWR model[J]. Resources and Environment in the Yangtze Basin, 2023, 32(4): 751-763. |
| [34] |
郑琦, 王海江, 李万涛, 等. 玛纳斯河流域土壤盐渍化影响因素研究[J]. 农业资源与环境学报, 2016, 33(3): 214-220. Zheng Q, Wang H J, Li W T, et al. Factors influencing soil salinization in Manasi River Basin, China[J]. Journal of Agricultural resources and Environment, 2016, 33(3): 214-220. |
| [35] |
李俊翰, 高明秀. 黄河三角洲滨海土壤盐渍化时空演化特征[J]. 土壤通报, 2018, 49(6): 1458-1465. Li J H, Gao M X. Temporal and spatial characteristics of salinization of coastal soils in the Yellow River Delta[J]. Chinese Journal of Soil Science, 2018, 49(6): 1458-1465. |
| [36] |
王卓然, 赵庚星, 高明秀, 等. 黄河三角洲垦利县夏季土壤水盐空间变异及土壤盐分微域特征[J]. 生态学报, 2016, 36(4): 1040-1049. Wang Z R, Zhao G X, Gao M X, et al. Spatial variation of soil water and salt and microscopic variation of soil salinity in summer in typical area of the Yellow River Delta in Kenli County[J]. Acta Ecologica Sinica, 2016, 36(4): 1040-1049. |
| [37] |
杜学军, 闫彬伟, 许可, 等. 盐碱地水盐运移理论及模型研究进展[J]. 土壤通报, 2021, 52(3): 713-721. Du X J, Yan B W, Xu K, et al. Research progress on Water-salt Transport theories and models in saline-alkali soil[J]. Chinese Journal of Soil Science, 2021, 52(3): 713-721. |
| [38] |
范晓梅, 刘高焕, 唐志鹏, 等. 黄河三角洲土壤盐渍化影响因素分析[J]. 水土保持学报, 2010, 24(1): 139-144. Fan X M, Liu G H, Tang Z P, et al. Analysis on main contributors influencing soil salinization of Yellow River Delta[J]. Journal of Soil and Water Conservation, 2010, 24(1): 139-144. |
| [39] |
康满萍, 赵成章, 白雪. 苏干湖湿地土壤全盐含量空间异质性及影响因素[J]. 生态学报, 2021, 41(6): 2282-2291. Kang M P, Zhao C Z, Bai X. Spatial heterogeneity and influencing factors of total soil salinity in Sugan Lake wetland[J]. Acta Ecologica Sinica, 2021, 41(6): 2282-2291. |
| [40] |
徐英, 葛洲, 王娟, 等. 基于指示Kriging法的土壤盐渍化与地下水埋深关系研究[J]. 农业工程学报, 2019, 35(1): 123-130. Xu Y, Ge Z, Wang J, et al. Study on relationship between soil salinization and groundwater table depth based on indicator kriging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(1): 123-130. |
| [41] | Kumar S, Lal R, Liu D S. A geographically weighted regression kriging approach for mapping soil organic carbon stock[J]. Geoderma, 2012, 189⁃190: 627-634. |
| [42] |
蒙永辉, 王集宁. 基于地理加权回归的莱州湾南岸土壤盐渍化与环境因子的关系研究[J]. 地质论评, 2018, 64(5): 1180-1189. Meng Y H, Wang J N. Study on influencing factors of soil salinity in south coast of Laizhou Bay, Shandong, based on geographically weighted regression model[J]. Geological Review, 2018, 64(5): 1180-1189. |
| [43] |
邹润彦, 周宏冀, 郭熙, 等. 环鄱阳湖区农田土壤有机碳影响因素空间分布格局分析及制图研究[J]. 长江流域资源与环境, 2019, 28(5): 1121-1131. Zou R Y, Zhou H J, Guo X, et al. Spatial distribution and mapping of influencing factors of farmland soil organic carbon in the Poyang Lake region[J]. Resources and Environment in the Yangtze Basin, 2019, 28(5): 1121-1131. |
| [44] |
胡亚珍, 陈奕云, 吴子豪, 等. 杞麓湖流域灌区土壤有机碳空间分异及潜在影响因素分析[J]. 土壤通报, 2023, 54(3): 536-548. Hu Y Z, Chen Y Y, Wu Z H, et al. Spatial differentiation and potential influencing factors of soil organic carbon in the irrigation area of Qilu Lake watershed[J]. Chinese Journal of Soil Science, 2023, 54(3): 536-548. |
| [45] |
乔磊, 张吴平, 黄明镜, 等. 基于MGWRK的土壤有机质制图及驱动因素研究[J]. 中国农业科学, 2020, 53(9): 1830-1844. Qiao L, Zhang W P, Huang M J, et al. Mapping of soil organic matter and its driving factors study based on MGWRK[J]. Scientia Agricultura Sinica, 2020, 53(9): 1830-1844. |