?基于GTWR模型的環境因子對安徽省土壤pH時空異質性影響?

摘要：研究基于1980、2010、2021年安徽省的土壤和環境數據，從地形、植被、氣候和人類活動方面選取了與土壤pH值相關的10個環境因子，運用GTWR模型探討了安徽省pH值及其影響因素的時空異質性。結果表明：（1）安徽省1980、2010、2021年土壤pH值的平均值分別為6.40、6.35、5.84，總體上存在酸化趨勢，且呈現南酸北堿的空間分布特征。（2）各環境因子對土壤pH值的作用表現出時空異質性。1980、2010、2021年對土壤pH值影響最大的環境因子分別是春季平均溫度、秋季平均降水量、春季平均溫度。（3）總體而言，1980—2021年10個環境因子中對安徽省pH值正向作用的因子為地形濕度指數、多尺度山谷平坦指數、多尺度山脊平坦指數和夜間燈光數據，負向作用的因子為海拔、坡度、植被凈初級生產力、歸一化植被指數、春季平均溫度、秋季平均降水量。

關鍵詞：GTWR模型；土壤pH；土壤酸化；異質性

中圖分類號：S153.4 文獻標識碼：A 文章編號：1006-060X（2024）10-0053-07

Impact of Environmental Factors on Spatial and Temporal Heterogeneity of Soil pH in Anhui Province Based on GTWR Model

LI Xin-yu1，2，3，ZHAO Ming-song1，2，3，GU Xin-yu1，JIANG Zong-de1，QI Ao1

（1. School of Geomatics， Anhui University of Science & Technology， Huainan 232001， PRC; 2. Key Laboratory of Aviation-Aerospace-Ground Cooperative Monitoring and Early Warning of Coal Mining-Induced Disasters of Anhui Higher Education Institutes，

Huainan 232001， PRC; 3. Coal Industry Engineering Research Center of Collaborative Monitoring of Mining Area's

Environment and Disasters， Huainan 232001， PRC）

Abstract： Based on soil and environmental data of Anhui Province in 1980， 2010， and 2021， 10 environmental factors related to soil pH were selected in terms of topography， vegetation， climate， and human activities， and the geographically and temporally weighted regression （GTWR） model was used to investigate the spatial and temporal heterogeneity of pH value in Anhui Province and their influencing factors. The results are as follows. （1） The mean values of soil pH in Anhui Province in 1980， 2010， and 2021 are 6.40， 6.35， and 5.84， respectively， and the soil shows a general trend of acidification， with the spatial distribution of soil being characterized by ''acidity in the south and alkalinity in the north''. （2） The effects of environmental factors on soil pH value show spatial and temporal heterogeneity. The environmental factors that have the greatest influence on soil pH values in 1980， 2010， and 2021 are average temperature in spring， average precipitation in autumn， and average temperature in spring， respectively. （3） In general， among the 10 environmental factors， the positive factors on pH value in Anhui Province from 1980 to 2021 are topographic humidity index， multi-scale valley flatness index， multi-scale ridge flatness index， and night light data， while the negative factors are altitude， slope， net primary productivity of vegetation， normalized vegetation index， average temperature in spring， and average precipitation in autumn.

Key words： GTWR model; soil pH; soil acidification; heterogeneity

土壤是地球生態系統的重要組成部分和調控環境質量的中心要素，其包含的各種土壤類型、性質和特征是大氣圈、生物圈、巖石圈、水圈以及人類活動相互作用的記錄和反映[1]。由于高強度的人為活動，土壤酸化問題日漸突出，對生態環境和農業生產造成嚴重危害[2-3]。土壤pH值是土壤的基本屬性和衡量土壤酸化的重要指標，其動態變化會影響土壤養分、微生物活動、元素含量和植物成長狀況[4-5]。張向寧等[6]發現土壤pH值、全氮、速效鉀與有機質呈顯著正相關，且pH值與其他土壤養分因子呈顯著相關性。叢微等[7]發現土壤pH值和植物多樣性是影響土壤微生物多樣性和群落結構的重要因素。鐘松雄等[8]發現土壤氧化還原電位、pH值和鐵對水稻土中砷的釋放有顯著影響。馬紅媛等[9]研究了pH值對羊草種子萌發的影響，發現其萌發最適宜pH值是8.0～8.5。受成土母質、氣候條件、地形特征、生物活動和時空尺度等因素的綜合影響[10]，同一地區的土壤pH值在時間尺度上呈現出不同分布特征，不同地區的土壤pH值空間分布也具有差異性，這表明土壤pH值具有明顯的時空異質性。

環境因子和土壤屬性在土壤發育過程中呈現出空間差異性，這種差異性會隨空間位置和環境因子對土壤屬性的作用強度的變化而變化。傳統的單一線性模型和全局模型難以處理這種復雜的關系[11]，而時空地理加權模型（Geographically and temporally weighted regression，GTWR）考慮了回歸系數在時間和空間的非平穩性，揭示了地理要素的時空變化規律[12]，近年來被廣泛應用于各個領域。龔旭昇等[13]基于GTWR模型探討了影響長江經濟帶地表臭氧濃度的主導因素的時空變化。趙明揚等[14]運用GTWR模型研究了中國肺結核發病情況及其影響因素。田鵬等[15]結合三維生態足跡模型和GTWR模型，探討了浙江省海岸生態足跡指數變化及其影響因素。該研究基于1980、2010、2021年安徽省的土壤和環境數據，運用GTWR模型探討了安徽省pH值及其影響因素的時空異質性，以期為安徽省土壤資源的合理規劃和利用提供理論依據。

1 研究區概況

安徽省（114°54'E～119°37'E，29°41'N～34°38'N）地處中國華東地區，位于長江、淮河中下游，總面積為14.01×104 km2，2019年耕地面積為5.55×104 km2。

安徽省屬于暖溫帶與亞熱帶過渡地區，淮河以北屬暖溫帶半濕潤季風氣候，淮河以南屬亞熱帶濕潤季風氣候。全省年平均氣溫在14～17℃之間，平均日照1 800～2 500 h，平均無霜期200～250 d，平均降水量800～1 800 mm。安徽境內地勢西南高、東北低，地形復雜多樣，從北向南平原與山地、丘陵相間分布。全省可劃分為淮北平原區、江淮丘陵區、皖西山地丘陵區、沿江平原區和皖南山地丘陵區5個地理區域[16]。

2 數據與方法

2.1 數據來源和指標篩選

2.1.1 土壤數據 1980年的土壤數據來源于《安徽土種》中安徽省第二次土壤普查時期的195個土壤樣點，2010年的土壤數據來源于《中國土系志·安徽卷》的139個樣點，2021年的土壤數據來源于筆者所在研究組在安徽省采集的395個土壤樣點。

2.1.2 環境數據 選取表層土壤pH值作為研究對象，選取地形、植被、氣候、人類活動因素4個因子作為環境協同變量；在ArcGIS 10.2中提取土壤樣點所在的環境因子值，將其標準化后用IBM SPSS Statistics 27檢驗數據間的多重共線性和相關性；篩選出10個環境因子，其中地形因子5個，植被因子2個，氣候因子2個，人為作用因子1個（表1）。其中，TWI是區域地形對徑流流向和蓄積影響的物理指標，有助于識別區域土壤蓄水量情況。MrVBF是一種濕度指數，通過識別多分辨率下的平坦和低洼地形來識別谷底；MrRTF則是通過識別高平坦區域來識別山脊，兩個指數可用來識別該區域的低洼或平坦情況[17]。氣候數據中，將原始逐月數據合成季度數據，探究季節氣象數據對土壤pH值的影響程度，四季劃分時間為：春季3—5月、夏季6—8月、秋季9—11月和冬季12—2月，通過IBM SPSS Statistics 27檢驗后篩選出無多重共線性的MATspr和MAPaut因子進行建模。

2.2 研究方法

傳統OLS全局回歸模型（Ordinary least squares）易于理解且容易計算，但當數據存在空間異質性或相關性時，會使回歸結果產生有偏估計。針對這一問題Brunsdon等[18]提出了地理加權回歸模型（Geographically weighted regression，GWR），該模型通過引入空間權重，建立局部的回歸模型來探索研究區域上的空間變化及其規律，其表達式見公式（1）。

（1）

式中，yi表示第i個樣本點的因變量，（ui，vi）表示第i個樣本點的位置坐標，β0（ui，vi）表示第i個樣本點的截距值，βk（ui，vi）表示第i個樣本點的第k個自變量xik的回歸參數，?i表示第i個樣本點的誤差項。

雖然空間因素問題已被解決，但還需考慮時間因素，因此借鑒Huang等[12]的研究，在GWR模型中納入時間變量，使用時空地理加權回歸模型（GTWR）探究安徽省土壤pH值的空間異質性，其表達式見公式（2）。

（2）

式中，（ui，vi）是樣本點的經緯度坐標，ti是觀測時間，β0（ui，vi，ti）是回歸中的常數項，βk（ui，vi，

ti）是第k個解釋變量Xik的回歸系數，?i是模型殘差。

2.3 數據處理

在IBM SPSS Statistics 27軟件中對所選的環境數據因子進行方差膨脹因子檢驗，并去除因子間的多重共線性；利用OLS和GTWR模型對篩選出的環境數據因子進行建模，并比較兩者精度；利用ArcGIS 10.2軟件制作GTWR模型擬合的各環境因子標準化系數時空分布圖。

3 結果與分析

3.1 土壤pH值時空分布特征分析

由表2可知，安徽省1980、2010、2021年土壤pH值的平均值分別為6.40、6.35、5.84；1980年土壤pH值變化幅度最大，2021年變化幅度最小；1980—2021年安徽省土壤總體上存在酸化趨勢。由圖1可知，研究區堿性土壤樣點占17.70%，多分布在安徽北部；中性土壤樣點占14.54%；酸性樣本占67.76%，大部分分布在安徽南部。整體來看，安徽省土壤呈現南酸北堿的空間分布特征。對1980—2021年土壤pH值進行全局空間自相關檢驗，發現1980、2010、2021年的全局Moran’s I指數分別為0.49、0.67和0.34（P<0.01），表明安徽省土壤pH值呈顯著的空間正相關關系，并有不同程度的聚集分布特征。

3.2 環境因子相關系數分析

由圖2（a）可知，1980年各環境因子中TWI、MrRTF、MrVBF、DMSP和MATspr與土壤pH值呈正相關，其中正相關性最強的因子是MrVBF；Elevation、Slope、NPP、NDVI、MAPaut與土壤pH值呈負相關，其中負相關性最強的因子是MAPaut。由圖2（b）可知，2010年與土壤pH值呈正相關的因子有TWI、MrRTF、MrVBF、DMSP、NPP和MATspr 6個，其中正相關性最強的是MrVBF，正相關性最弱的是DMSP；與土壤pH值呈負相關的環境因子中，負相關性最強的是MAPaut，最弱的為NDVI。由圖2（c）可知，2021年TWI、MrRTF、MrVBF、DMSP、NDVI和MATspr6個環境因子與土壤pH值呈正相關，MrVBF正相關性最強，NDVI正相關性最弱；Elevation、Slope、NPP和MAPaut與土壤pH值呈負相關，MAPaut負相關性最強，NPP負相關性最弱。

3.3 OLS模型和GTWR模型的建模精度比較

根據AIC準則（Akaike information criterion）?和R2比較OLS模型與GTWR模型的建模精度。由表3可知，GTWR模型的AIC值為1 965.11，比OLS模型的AIC值低124.67；GTWR模型的R2為0.51，比OLS模型的R2高0.19。總體而言，GTWR模型的精度比OLS模型更高，建模分析結果更可靠。

3.4 動態與非動態影響因子回歸系數對比分析

考慮到地形因素多年來變化程度遠小于其他因素，參考Liu等[19]研究，將地形因子劃為非動態影響因子，將植被因子、氣候因子和人類活動因子劃為動態影響因子。基于1980、2010、2021年的樣本點數據，利用GTWR模型進行回歸分析，影響因子標準化回歸系數參數統計如表4所示。從整體上看，1980年對土壤pH值影響最大的環境因子是MATspr，最小的是Slope；2010年對土壤pH值影響程度最大的環境因子是MAPaut，最小的是Slope；2021年對土壤pH值影響最大的環境因子是MATspr，最小的是NDVI。

從時間尺度分析動態影響因子的影響程度，發現DMSP標準回歸系數的平均值均為正值，在1980年影響力最大，2021年影響力最小；該因子在2021年變化程度最大，在2010年較穩定。NPP回歸系數平均值均為負值，在1980年負作用最強，變化程度最小；2021年負作用最弱，變化程度最大。NDVI回歸系數均值在2010年為正值，在1980年和2021年為負值；1980年負向影響更強，變化程度最大。MATspr平均值均為負值，為負向影響因子且在1980年影響程度最大，在2010年影響程度最小；因子變化穩定性在1980年最好，在2021年最差。MAPaut回歸系數均為負值，對土壤pH值影響為負向，且在2021年負向影響最強，在1980年負向影響最弱；在2010年因子變化程度最小，1980年變化程度最大。

3.5 基于GTWR模型的環境因子對土壤pH值作用的時空異質性分析

3.5.1 地形因素回歸系數時空分布分析 整體來看，1998—2021年各地形因素回歸系數具有明顯的時空分布差異性。如圖3（a）、（f）、（k）所示，1998—2021年Elevation標準化回歸系數對土壤pH值負向作用的區域集中在安徽中部和西南部，正向作用區域分布在安徽北部和安徽東南部，且負向作用區域大于正向作用區域。如圖3（b）、（g）、（l）所示，1998—2021年Slope標準化回歸系數正向作用區域從安徽北部和西部逐漸轉移到西南部和東北部，負向作用區域由東南部逐漸向西北部擴張；1980年和2010年正負作用面積大小差距較小，僅在2021年負作用面積明顯大于正作用面積。如圖3（c）、（h）、（m）所示，1998—2021年TWI標準化回歸系數負向作用區域集中分布在安徽北部，正向作用區域大部分在南部，且多年來TWI因子對土壤pH值的作用大部分為正向。如圖3（d）、（i）、（n）所示，1998—2021年MrRTF標準化回歸系數正向作用區域從安徽西部向中部擴張，繼而縮減至西南部，正向作用區域略大于負向區域，因此MrRTF整體為正向作用因子。如圖3（e）、（j）、（o）所示，1998—2021年MrVBF標準化回歸系數負向作用區域逐漸擴大，由安徽西南角擴張到安徽西部，但正向作用面積遠大于負向作用面積。

3.5.2 植被因素回歸系數時空分布分析 如圖4（a）、（b）、（c）所示，1998—2021年NPP標準化回歸系數對土壤pH值正向作用區域由安徽西部向東北部擴張，但負向作用的面積大于正向作用的面積，總體對安徽省土壤pH值呈現負向作用。如圖3（d）、（e）、（f）所示，1998和2010年NDVI標準化回歸系數正向作用區域集中在安徽北部，2021年正向作用區域集中在安徽北部和東南部；負向作用區域主要分布在安徽中部和南部，負作用面積較大；NDVI整體為負向作用因子。

3.5.3 氣候因素回歸系數時空分布分析 如圖5（a）、（b）、（c）所示，1998—2021年MATspr標準化回歸對土壤pH值主要為負向作用，僅小部分區域為正向作

用，因此MATspr整體為負向作用因子。如圖5（d）、（e）、（f）所示，1980年MAPaut標準化回歸系數有微小正向作用區域，2010年和2021年均為負向作用，因此MAPaut為負向作用因子。

3.5.4 人類活動因素回歸系數時空分布分析 如圖6（a）、（b）、（c）所示，1998—2021年DMSP負向作用區域呈擴張趨勢，1980年和2010年集中在安徽南端，2021年擴張到東南部和西部小部分區域，但總體DMSP仍為正向作用因子。

4 討論與結論

Elevation影響因子對安徽省土壤pH值的總體作用方向為負向，且有負向作用的區域集中在安徽西南部，正向作用區域分布在安徽北部，原因可能是安徽省整體海拔呈現西南高東北低的特征。隨著海拔的增加，降雨量增大，土壤中可溶性物質隨水分下行，致使海拔高處土壤膠體的鹽基飽和度降低，從而土壤酸性增強[20]。Slope影響因子的作用機理與Elevation影響因子相似，坡度越大，土壤淋溶作用越強，土壤酸性增強[20]。TWI是基于柵格單元的匯流累積量計算得到的，與土壤含水量顯著相關[21]。TWI越大，土壤含水量越大，淋溶作用加強，土壤pH值降低。但該研究中TWI影響因子對土壤pH值的作用大部分為正向，推測原因在于人類活動的復合影響。安徽北部是淮北平原所在地，種植業發達，化學肥料中的酸性物質進入土壤，所以安徽北部是TWI作用主要為負向；南部多為山地礦區，礦山開發可能導致堿性開發廢棄物混合在土壤中，造成土壤pH值升高[2]。安徽省耕地面積占全省面積的39.59%，可能負向作用有限，因此TWI整體呈正向作用。NDVI指數可以反映當地植被覆蓋數量，植被數量越多，降水量越大，土壤pH值越小[22]。MAPaut為負向作用因子，降水量越大，土壤含水量越大，土壤中鹽基被沖刷，鹽基飽和度下降，土壤pH值降低[23]。DMSP可以很好的反應當地人類活動程度，對土壤pH值產生影響的人類活動可能是城市化和礦山開采。1980—2021年，隨著安徽省城市化、工業化的推進，大量堿性建筑材料和礦山開發材料進入周圍的土壤中，導致大量碳酸鹽混合物分散在土壤各處，從而造成土壤pH值升高[2]。

綜上，研究結論如下。

（1）安徽省1980、2010、2021年土壤pH值的平均值分別為6.40、6.35、5.84，總體上存在酸化趨勢，且安徽省土壤呈現南酸北堿的空間分布特征。

（2）基于GTWR模型將環境因子劃分為動態影響因子和非動態影響因子，發現1980、2010、2021年對土壤pH值影響最大的環境因子分別是MATspr、MAPaut、MATspr。動態影響因子中DMSP在2021年變化程度最大，2010年變化最小；NPP在2021年變化程度最大，在1980年變化程度最小；NDVI在1980年變化程度最大，在2021年變化程度最小；MATspr在2021年變化程度最大，在1980年變化最小；MAPaut在1980年變化程度最大，在2010年變化程度最小。

（3）基于GTWR模型，發現各影響因子回歸系數時空分布存在較強的異質性。1980年MATspr影響程度最大，系數為-1.323；Slope最小，系數為-0.019。2010年MAPaut影響程度最大，系數為-1.163，Slope最小，系數為-0.044。2021年MATspr影響程度最大，系數為-1.256；NDVI最小，系數為-0.003。

（4）根據基于GTWR模型的環境因子作用的時空分布情況，可知1980—2021年10個環境因子中對安徽省pH值正向作用的因子為TWI、MrVBF、MrRTF和DMSP，負向作用的因子為Elevation、Slope、NPP、NDVI、MATspr和MAPaut。

參考文獻：

[1] 陳懷滿. 環境土壤學[M]. 3版. 北京：科學出版社，2018.

[2] 郭治興，王靜，柴敏，等. 近30年來廣東省土壤pH值的時空變化[J]. 應用生態學報，2011，22（2）：425-430.

[3] 徐仁扣. 土壤酸化及其調控研究進展[J]. 土壤，2015，47（2）：238-244.

[4] ZHAO B Q，LI X Y，LI X P，et al. Long-term fertilizer experiment network in China：crop yields and soil nutrient trends[J]. Agronomy Journal，2010，102（1）：216-230.

[5] CURTIN D，TROLOVE S. Predicting pH buffering capacity of New Zealand soils from organic matter content and mineral characteristics[J]. Soil Research，2013，51（6）：494.

[6] 張向寧，王海燕，崔雪，等. 土壤pH與養分的空間異質性及土壤肥力分析：以內蒙古旺業甸林場為例[J]. 干旱區資源與環境，2023，37（7）：127-136.

[7] 叢微，于晶晶，喻海茫，等. 不同氣候帶森林土壤微生物多樣性和群落構建特征[J]. 林業科學，2022，58（2）：70-79.

[8] 鐘松雄，尹光彩，陳志良，等. Eh、pH和鐵對水稻土砷釋放的影響機制[J]. 環境科學，2017，38（6）：2530-2537.

[9] 馬紅媛，梁正偉. 不同pH值土壤及其浸提液對羊草種子萌發和幼苗生長的影響[J]. 植物學通報，2007，24（2）：181-188.

[10] JENNY H. Factors of soil formation：a system of quantitative pedology[M]. New York：Dover Publications，1994.

[11] 趙明松，陳宣強，徐少杰，等. 基于MGWR的土壤pH值空間建

模及其影響因素分析[J]. 環境科學，2023，44（12）：6909-6920.

[12] HUANG B，WU B，BARRY M. Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices[J]. International Journal of Geographical Information Science，2010，24（3）：383-401.

[13] 龔旭昇，柯碧欽，何超. 長江經濟帶地表臭氧時空格局與驅動因素分析[J]. 長江流域資源與環境，2022，31（11）：2489-2499.

[14] 趙明揚，周乾宇，王榮榮，等. 基于時空地理加權回歸模型的中國肺結核發病情況及影響因素研究[J]. 中國全科醫學，2023，26（5）：583-590.

[15] 田鵬，李加林，王麗佳，等. 基于GTWR模型的浙江省海岸帶三維生態足跡動態變化及其影響因素[J]. 應用生態學報，2020，31（9）：3173-3186.

[16] 李德成，張甘霖，王華. 中國土系志·安徽卷[M]. 北京：科學出版社，2017.

[17] GALLANT J C，DOWLING T I. A multiresolution index of valley bottom flatness for mapping depositional areas[J]. Water Resources Research，2003，39（12）：291-297.

[18] BRUNSDON C，FOTHERINGHAM A S，Charlton M E. Geographically weighted regression：a method for exploring spatial nonstationarity[J].

Geographical Analysis，1996，28（4）：281-298.

[19] LIU B R，QIAN J C，ZHAO R，et al. Spatio-temporal variation and its driving forces of soil organic carbon along an urban-rural gradient：

a case study of Beijing[J]. International Journal of Environmental Research and Public Health，2022，19（22）：15201.

[20] 明雪，康振威，黃智剛. 廣西扶綏縣亞熱帶典型丘陵區耕地土壤

pH的時空變異特征[J]. 西南農業學報，2022，35（1）：217-225.

[21] BEVEN K J，KIRKBY M J. A physically based，variable contributing area model of basin hydrology/Un modèle à base physique de zone d’appel variable de l’hydrologie du bassin versant[J]. Hydrological Sciences Bulletin，1979，24（1）：43-69.

[22] WANG J，RICH P M，PRICE K P. Temporal responses of NDVI to precipitation and temperature in the central Great Plains， USA[J]. International Journal of Remote Sensing，2003，24（11）：2345-2364.

[23] 林躍勝，馬康，周浩，等. 基于地貌單元的安徽省耕地土壤pH空間變異及其驅動因子分析[J]. 環境科學學報，2023，43（7）：318-330.

（責任編輯：王婷）