趙銘，常春艷，王卓然，趙庚星

（山東農業(yè)大學資源與環(huán)境學院土肥高效利用國家工程研究中心，山東泰安 271000）

0 引言

土壤鹽漬化是一全球性環(huán)境問題，易導致農田退化、土地生產力降低等問題。中國鹽漬土面積約3600萬hm2，占全國耕地面積的6.62%[1]。黃河三角洲自然資源豐富，被譽為最有開發(fā)潛力的三角洲，但區(qū)域內生態(tài)環(huán)境脆弱[2]，土壤鹽漬化現(xiàn)象較為嚴重，由于長期海水的浸漬作用以及黃河水動力的影響，導致地下水埋深較淺、礦化度較高，土壤積鹽問題嚴重[3]，同時人類對土地的不合理開發(fā)利用，使得區(qū)域土壤鹽漬化程度日益加劇，制約著當?shù)亟洕鐣目沙掷m(xù)發(fā)展。

土壤鹽漬化的產生是多種因素綜合作用的結果，在對其探究時，既要理清土壤鹽漬化的主要因素，也要對不同因素間的作用關系進行分析。蘇春利等[4]探究了地下水因素是河套灌區(qū)土壤鹽漬化產生的主控因素；臧亮等[5]探知了黃驊市土壤含鹽量的主要影響因素為地下水礦化度、地下水埋深和高程。而地理探測器方法可以很好的用于土壤鹽分影響因素之間的綜合性分析，此方法可以通過探究不同變量之間的空間分異性進行背后驅動力的揭示[6-7]，主要包括因子探測器、風險探測器、生態(tài)探測器、交互作用探測器，目前地理探測器在不同研究方向中都被廣泛應用，如社會科學[8]、自然科學[9]、環(huán)境科學[10-11]等。

在對土壤鹽分進行預測模型的構建時，主要是基于統(tǒng)計分析方法和機器學習方法來進行分析[12-13]，常用的模型主要有多元線性回歸模型、偏最小二乘回歸模型、BP 神經網絡、支持向量機、隨機森林[14-16]。如馬國林等[17]基于構建的隨機森林、極限學習機、偏最小二乘回歸模型進行了新疆干旱地區(qū)土壤鹽漬化監(jiān)測，并選出最優(yōu)模型為RF 模型。張智韜等[18]分析了支持向量機、BP 神經模型、隨機森林模型和多元線性模型的精度效果，得出結論RF模型可作為土壤鹽分的最佳反演模型。在土壤鹽漬化的模擬研究中，多數(shù)通過水鹽運動進行數(shù)值模擬[19-20]，或者通過模擬鹽分的影響因素變化程度進行分析[21]。如黃亞捷等[22]利用Sahysmod 模型模擬未來10 年的土壤水鹽動態(tài)變化情況。朱文東[23]通過模擬不同地下水埋深和地下水礦化度的情形來分析土壤鹽漬化的水鹽運移規(guī)律。賈春青[24]模擬了地下水位在1.0～2.1 m之間的變化幅度，分析了在不同深度的埋深下土壤鹽分的動態(tài)變化情況。由于不同地區(qū)土壤環(huán)境及鹽漬化狀況的差異，土壤鹽分驅動力及其最佳模型并未有很好的兼容性，特別瀕海區(qū)域尚需進一步的研究探索。

因此，本研究選取黃河三角洲墾利區(qū)為研究區(qū)，篩選出土壤鹽分主要驅動因子，構建鹽分的最佳預測模型，進而對土壤鹽分進行情景模擬分析，為黃河三角洲瀕海區(qū)土壤鹽漬化的治理和開發(fā)利用提供科學依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

墾利區(qū)(118°15′—119°19'E，37°24′—38°10′N)隸屬于山東省東營市（圖1），位于黃河入?？冢瑬|瀕渤海，區(qū)域屬于暖溫帶大陸性季風氣候，四季分明，春季干旱多風，夏季炎熱多雨，秋季涼爽溫和，冬季寒冷干燥。地勢自西南到東北呈扇狀分布，地貌類型主要有微斜平地、海灘地、河灘高低，植被有天然植被和人工植被，天然植被多為耐鹽性植被。土地利用類型主要有耕地、林地、草地等，主要農作物有小麥、玉米和棉花，土壤類型多為濱海鹽化潮土，土壤質地以輕壤和砂壤為主，毛細管作用強烈，加上區(qū)域地下水埋深較淺且礦化度較高，同時受到海水浸漬的影響，土壤鹽漬化普遍。

圖1 研究區(qū)地理位置及采樣點分布

1.2 數(shù)據(jù)采集與處理

1.2.1 數(shù)據(jù)采集綜合考慮研究區(qū)地理位置、植被類型、土地利用方式等因素，在墾利區(qū)布設觀測點位47 個，如圖1所示，每個點位有多個觀測樣點，使用EC110便攜式鹽分計，對土壤表層(0～15 cm)電導率進行測定，并采集土壤樣本，同時手持GPS 定位儀記錄實地坐標，一共獲得108組樣點數(shù)據(jù)。

1.2.2 數(shù)據(jù)處理對土壤樣本進行室內自然風干、研磨過篩，采用烘干法測定土壤鹽分含量，建立土壤電導率Eco(dS/m)和土壤含鹽量St(g/kg)之間關系模型(1)[25]。利用模型進行電導率轉換，最終得到所有樣點土壤含鹽量數(shù)據(jù)。

1.3 研究方法

1.3.1 土壤鹽漬化程度分級根據(jù)土壤含鹽量(g/kg)的高低，將研究區(qū)土壤鹽漬化程度分為非鹽漬化土(0～1 g/kg)；輕度鹽漬化土(1～2 g/kg)；中度鹽漬化土(2～4 g/kg)；重度鹽漬化土(4～10 g/kg)；鹽土(＞10 g/kg)。

1.3.2 土壤鹽分驅動因子的篩選基于前期研究與實地調查，綜合選取了蒸發(fā)量、降水量、地下水埋深、地下水礦化度、土壤粘粒含量、相對高程、植被覆蓋度、距海遠近8 個與土壤鹽分有關的影響因子，通過地理探測器方法分析土壤鹽分與其相關因子之間的關系，從而進行驅動力的篩選。

地理探測器，通常用于探測兩個變量之間可能會發(fā)生的因果關系，主要分為因子探測器、風險探測器、生態(tài)探測器和交互作用探測器四部分。本研究從因子探測和交互作用探測兩方面進行分析，其中因子探測器用于分析不同的影響因子對土壤鹽分的解釋力大小，用q值來表示，值越大說明解釋能力越強；交互作用探測器用于分析不同影響因子之間的相互作用力，用q值來衡量，因子間的關系有非線性減弱、單因子非線性減弱、雙因子增強、獨立和非線性增強5種。

1.3.3 土壤鹽分預測模擬

（1）土壤鹽分預測模型構建。在進行模型的構建時，將研究區(qū)的樣本數(shù)據(jù)分為兩組，隨機選取2/3樣本數(shù)據(jù)用于建模集，1/3 用于驗證集，建模集與驗證集數(shù)據(jù)的基本特征也保持一致，使二者都能反映整體的鹽分狀況。

以篩選出的土壤鹽分驅動因子為輸入變量，以土壤鹽分為輸出變量，分別采用統(tǒng)計分析中的多元線性回歸(Multiple Linear Regression，MLR)、偏最小二乘回歸(Partial Least Squares Regression，PLSR)以及機器學習中的BP 神經網絡(Back Propagation Neural Network，BPNN)、支持向量機(Support Vector Machine，SVM)4 種方法進行模型構建。通過決定系數(shù)R2(Coefficient of determination) 和RMSE(Root mean square error)驗證模型的預測精度，選用精度最高的模型作為土壤鹽分最佳預測模型，其中R2表示模型的構建與驗證的穩(wěn)定性，其數(shù)值與1越相近，說明模型穩(wěn)定性越強；RMSE用來檢驗模型的預估效果，其數(shù)值越小，說明模型精度越高。同時統(tǒng)計分析模型通過SPSS 19 軟件實現(xiàn)，機器學習模型通過MATLAB R2016a 軟件完成。

（2）土壤鹽分情景模擬。以篩選出的土壤鹽分驅動因子為輸入變量，以土壤鹽分為輸出變量，通過選出的最佳預測模型進行土壤鹽分的模擬預測，主要分為以下步驟：a.將模型應用于研究區(qū)的點位數(shù)據(jù)，從而得到各點位的鹽分預測值；b.通過ARCGIS 軟件將土壤鹽分值進行空間插值分析；c.將插值結果圖根據(jù)土壤鹽漬化的分級標準進行重分類；d.統(tǒng)計不同鹽漬化的占比情況。

2 結果與分析

2.1 土壤鹽分空間分布特征

通過ArcGIS軟件對土壤鹽分進行插值，根據(jù)鹽漬化程度等級進行劃分，所得墾利區(qū)土壤鹽分空間分布圖（圖2），可以看出，整體上研究區(qū)的鹽漬化程度呈現(xiàn)出北高南低、東高西低的分布，東部沿海地區(qū)較易受到海水的入侵，導致鹽土在這些區(qū)域分布廣泛；重度鹽漬土主要分布在中東部地區(qū)；中度鹽漬土主要分布在西南和中部地區(qū)，這些區(qū)域種植農作物多，較多的植被覆蓋使得鹽漬化程度較輕；研究區(qū)的輕度鹽漬土分布較少。

圖2 土壤鹽分空間分布圖

2.2 土壤鹽分驅動因子分析

（1）因子探測器。表1是因子探測器的分析結果，通過顯著性檢驗P值可以看出，蒸發(fā)量、降水量、地下水埋深、地下水礦化度、地表高程、植被覆蓋度、距海遠近和粘粒含量8 個影響因子均通過了顯著性檢驗，說明各影響因子均對土壤鹽分的分布和土壤鹽漬化的產生有著一定的控制作用。各因子對土壤鹽分的影響力大小為地下水礦化度(0.762)＞植被覆蓋度(0.737)＞地下水埋深(0.730)＞距海遠近(0.627)＞粘粒含量(0.613)＞地表高程(0.609)＞降水量(0.419)＞蒸發(fā)量(0.364)，說明不同因子對土壤鹽漬化的影響存在差異性。因子探測器的結果表明，土壤鹽漬化是在蒸發(fā)量、降水量、地下水埋深、地下水礦化度、地表高程、植被覆蓋度、距海遠近和粘粒含量這8 個因素的共同影響下發(fā)生的，其中地下水礦化度、植被覆蓋度、地下水埋深是土壤鹽漬化的主導因素；距海遠近、粘粒含量和地表高程是土壤鹽漬化的重要因素；蒸發(fā)量和降水量對土壤鹽漬化的影響力較小。

表1 因子探測器結果

（2）交互作用探測器。表2 是交互作用探測器的分析結果，可以看出不同因子間的交互作用影響力均大于單一影響因子對土壤鹽漬化的影響力，均表現(xiàn)為雙因子增強，說明因子間的交互作用對土壤鹽漬化的影響力顯著增加。交互作用探測器的結果表明，地下水礦化度與植被覆蓋度交互作用的影響力最高，達到了94.2%，地下水礦化度與地下水埋深、距海遠近交互作用的影響力也分別高達93.2%、93.0%，地下水礦化度與蒸發(fā)量、降水量、地表高程、距海遠近和粘粒含量之間的交互作用力也均在70%以上，同時地下水礦化度、地下水埋深、植被覆蓋度和距海遠近這4個因子之間的兩兩交互作用力也較強。由此可以看出地下水礦化度是土壤鹽漬化的最主要影響因子，植被覆蓋度、地下水埋深、距海遠近是土壤鹽漬化的重要影響因子。

表2 交互作用探測器結果

結合因子探測器和交互作用探測器的分析結果可以看出，土壤鹽漬化主要受到地下水、植被和海水的影響，由此，將地下水礦化度、地下水埋深、植被覆蓋度和距海遠近作為土壤鹽分的主要驅動因子。

2.3 土壤鹽分預測模型

以地下水礦化度、地下水埋深、植被覆蓋度和距海遠近為輸入數(shù)據(jù)，以土壤含鹽量為輸出數(shù)據(jù)，構建了BPNN、SVM、MLR 和PLSR 模型，不同模型的預測精度結果如表3 所示，以驗證集樣本數(shù)據(jù)對模型進行驗證的結果如圖3所示。由表3可以看出，4個模型的建模集R2均在0.6 以上，其中BPNN 模型的建模精度最高，R2為0.8847，RMSE為1.1350；SVM 模型次之，R2為0.8397，RMSE為1.1112，二者均表現(xiàn)出了較強的預測能力；PLSR模型的建模精度最差。BPNN模型的驗證集R2為0.7999，RMSE為1.1204，模型表現(xiàn)出較強的穩(wěn)定性，依次是SVM模型、MLR模型、PLSR模型。從模型驗證結果來看（圖3），BPNN 模型的驗證效果與SVM 模型、MLR 模型和PLSR 模型相比結果最佳，其實際值與預測值的R2最高，為0.8263，其余3個模型的R2均在0.8以下。

表3 土壤鹽分預測模型評價指標表

圖3 土壤鹽分預測模型驗證結果

經對比分析，BPNN 模型在4 個模型中的擬合程度最好，其穩(wěn)定性最強，模型精度最高，由此可選用BPNN模型作為土壤鹽分的最佳預測模型。

2.4 土壤鹽分預測結果

通過BP 神經網絡最佳預測模型對墾利區(qū)表層土壤鹽分進行預測，得到的預測結果與實測結果面積統(tǒng)計如表4 所示。輕度鹽漬土占比最少，實測面積比例為0.38%，預測結果面積比例為0.27%；中度鹽漬土實測面積比例為27.91%，預測結果面積比例為25.72%；重度鹽漬土實測面積比例為23.90%，預測結果面積比例為25.73%；鹽土占比最多，實測面積比例為47.81%，預測結果面積比例為48.29%。

表4 不同鹽漬化程度面積統(tǒng)計 %

實測與預測結果面積統(tǒng)計的結果顯示，不同程度的鹽漬土面積比例差別較小，因此使用BP神經網絡模型對土壤鹽分進行預測分析是可行的，同時預測效果良好。

2.5 土壤鹽分情景模擬

通過上述土壤鹽分驅動因子分析結果可以看出，地下水因素對土壤鹽漬化的產生起到關鍵性影響作用，因此本研究模擬地下水的變化情景，同時借助上述最佳預測模型-BP神經網絡模型對土壤鹽漬化狀況進行分析討論。

在地下水的變化情景下，將水位變化幅度限定為0.5 m，分別設定對照組、地下水位下降0.5 m、地下水位上升0.5 m 3種情景。

通過地下水位變化情景下的土壤鹽漬化程度以及面積統(tǒng)計可知（圖4，表5），當?shù)叵滤幌陆禃r，輕度鹽漬土在研究區(qū)分布最少，其變化最小，面積比例較對照組增加了0.22%，由0.39%變化到0.61%；中度鹽漬土在中東部地區(qū)變化顯著，同時呈現(xiàn)減少的趨勢，面積比例由27.76%減少到22.30%；中部地區(qū)黃河兩岸多為重度鹽漬化，西南地區(qū)的部分鹽土也轉變?yōu)橹囟塞}漬土，重度鹽漬土的面積比例由23.70%變化到了39.98%；鹽土仍集中分布在沿海地區(qū)，同時部分鹽土轉換到重度鹽漬土水平，面積比例由48.15%減少到38.11%。

表5 地下水位變化情景下的土壤鹽漬化面積統(tǒng)計 %

圖4 地下水位變化情景下的土壤鹽漬化程度

當?shù)叵滤簧仙龝r，輕度鹽漬土呈現(xiàn)微弱變化，面積比例從0.39%變化到了0.37%；中度鹽漬土變化顯著，面積比例從27.76%減少到了12.99%，重度鹽漬土面積比例由23.70%增加到46.21%，二者主要體現(xiàn)在西南地區(qū)和中部地區(qū)，中度鹽漬土逐漸變化為重度鹽漬土；南部沿海區(qū)域的鹽土面積略有減少，從鹽土水平變化到了重度鹽漬土水平，面積比例由48.15%變化到40.43%，同時鹽土仍集中在沿海分布。

整體來看，當?shù)叵滤幌陆禃r，鹽漬化程度有所改善，主要表現(xiàn)為鹽土面積大幅減少，改變了最初以鹽土所主導的鹽漬化現(xiàn)象。地下水位的上升，加重了土壤鹽漬化程度，主要體現(xiàn)在中、重度鹽漬化水平上，使得中度鹽漬化面積下降，重度鹽漬化面積大幅升高。

3 結論

（1）地理探測器中因子探測結果表明，各因子對土壤鹽分的影響力大小為地下水礦化度＞植被覆蓋度＞地下水埋深＞距海遠近＞粘粒含量＞地表高程＞降水量＞蒸發(fā)量；交互作用探測結果表明地下水因素、植被覆蓋度、距海遠近之間的交互作用影響力較強，由此選定土壤鹽分的主要驅動因子為地下水礦化度、地下水埋深、植被覆蓋度、距海遠近。

（2）4種預測模型的精度評價表明，BP神經網絡模型的建模集R2為0.8847，RMSE為1.1350，驗證集R2為0.7999，RMSE為1.1204，因此選用BP神經網絡模型作為土壤鹽分的最佳預測模型。土壤鹽分預測結果分析顯示，鹽漬化預測面積結果與實際面積結果較為一致：輕度鹽漬土預測結果為0.27%，實測面積比例為0.38%；中度鹽漬土預測結果為25.72%，實測面積比例為27.91%；重度鹽漬土預測結果為25.73%，實測面積比例為23.90%；鹽土預測結果為48.29%，實測面積比例為47.81%。

（3）地下水變化模擬情景結果表明，地下水位的適當下降改善了土壤鹽漬化狀況，在對照組、地下水位下降0.5 m、地下水上升0.5 m 3種情景下，輕度鹽漬土面積比例分別為0.39%、0.61%、0.37%，中度鹽漬土面積比例分別為27.76%、22.30%、12.99%，重度鹽漬土面積比例分別為23.70%、38.98%、46.21%，鹽土面積比例分別為48.15%、38.11%、40.43%。

本研究對黃三角瀕海區(qū)進行分析探究，篩選出土壤鹽分的主要驅動因子，構建了最佳預測模型，并根據(jù)設定的情景對土壤鹽分進行模擬分析，為黃河三角洲土壤鹽漬化的調控及防治提供了依據(jù)。

4 討論

土壤鹽分含量的高低受到多種因素的共同作用，除自然因素外，人類活動也會在一定程度上對鹽漬化產生影響，通過篩選土壤鹽分的主要驅動因子發(fā)現(xiàn)，地下水因素對土壤鹽漬化的影響較大，影響因子的篩選結果與馬玉蕾[26]、周在明[27]、阮本清[28]等結果相似。氣候、地形、土壤質地等這些自然因素不會輕易改變，但人為因素對土壤鹽分的影響綜合體現(xiàn)在地下水水位和水質方面[29]，因此要加強地下水的有效調控與動態(tài)檢測，對水資源進行合理的利用，實現(xiàn)對土壤鹽漬化的高效治理。

在黃河三角洲土壤鹽分預測模型的探究中，機器學習模型的精度顯著高于統(tǒng)計分析模型[30-32]，其中BP神經網絡模型表現(xiàn)出較高的模擬精度，這與前人的探究結果相一致[33-35]。通過此方法對研究區(qū)的土壤鹽漬化現(xiàn)狀進行分析，得到該區(qū)域的土壤鹽漬化預測分布圖，該圖符合研究區(qū)土壤鹽漬化分布的實際狀況，因此BP 神經網絡模型為快速準確的對黃河三角洲瀕海區(qū)土壤鹽漬化預測分析提供可能。但是不同地區(qū)的土壤鹽漬化狀況不同，本研究所建立的最佳預測模型是否在黃河三角洲其他地區(qū)所適用，還需進一步的驗證。

對于地下水位變化的情景模擬結果可以看出，當?shù)叵滤幌陆岛?，地下水補給的蒸發(fā)量減少，鹽分在土壤中的積累作用減弱，能夠在一定程度上減輕土壤鹽漬化程度，因此，情景化模擬可以對鹽漬化發(fā)展趨勢進行有效的探究預測。但當前對于鹽漬土的影響因子進行情景化模擬的研究較少，鑒于鹽漬化的影響因子有多種，本研究只對地下水這一個因素進行了模擬，在之后的研究中，對其他因子以及因子間的綜合作用也要進行相應的情景模擬分析。