2019, Vol. 36
2. 西南大学计算机与信息科学学院, 重庆 400716;
3. 重庆市数字农业重点实验室, 重庆 400716
2. College of Computer and Information Science, Southwest University, Chongqing 400716, China;
3. Chongqing Key Laboratory of Digital Agriculture, Chongqing 400716, China
质地作为一项重要的土壤物理属性，几乎在所有土壤活动中都起着重要的作用，与土壤的通气、保水、保肥状况及耕作难易都有着密切的联系。它影响了土壤质量、生产力及其管理，对制定土壤利用规划、进行土壤改良等具有重要的意义[1-2]。近年来，随自然环境变化和人为因素的影响，我国的耕地质量和土壤肥力也发生了重大变化。在长期的地球化学过程中，土壤质地受到了母质、地形、水文、气候等自然因素和人类活动的影响，在空间上呈现出一定结构性和规律性分布[3-5]。
为探究地形属性与土壤质地空间变异的关系，很多学者也做了相关研究，研究表明地形与土壤质地的变异存在密切联系[4-6]。张世文等[5]采用普通克里格插值法对县域尺度的土壤质地空间变异进行了研究，发现研究区土壤质地空间格局主要受地形、母质等因素的影响。Ließ等[7]在对南美洲厄瓜多尔土壤质地空间变异的研究中，基于地形因子分别构建了回归树（RT）模型和随机森林（RF）模型，研究了土壤质地空间变异的影响因子，结果表明海拔高度、坡度、距河网垂直距离等对土壤质地空间变异产生明显的影响。Gessler等[8]以坡度、汇流面积等数字地形属性为基础，对加利福尼亚州的山坡土壤构建土壤景观模型，结果能解释52%~88%的土壤属性变异。Gobin等[9]也采用以数字高程模型（DEM）为基础获取的地形属性，预测了尼日利亚东南部表层土壤质地的空间分布，发现地形属性能在一定程度上影响土壤质地的空间分布。Ceddia等[10]以巴西杰尼罗州的一个牧场为例，研究了包括土壤质地在内的土壤物理属性的空间变异性，结果表明海拔高度与土壤质地的变异密切相关，海拔越高，黏土含量越高。另一方面，国内外的相关研究大多针对微观的土壤颗粒含量和粒径，从山坡尺度来分析其与地形属性的关系。相对来说，国内直接分析地形属性对土壤质地类型影响的研究相对较少。
重庆市位于我国内陆西南部、长江上游地区，属于盆中丘陵和山地的交接地带，同时也是川东平行岭谷的一部分，地形比较复杂，形成了渝西北非喀斯特地貌区、渝中槽谷型、渝东南峡谷型和渝东北层状构造喀斯特山地区。研究区为喀斯特石灰岩地区，独特、复杂的地形使之形成了坡地和梯地并存、相对碎化的耕作方式，流域尺度下的研究更能准确反映地形属性对土壤质地变异的影响。在农业实践中对每个区域都进行具体的土壤粒径测量，会耗费大量的时间、人力和财力。所以本研究以手测法[11-12]划分的土壤质地类型为基础，采用分类回归树（Classification and regression tree，CART）模型从流域尺度来探讨地形属性对土壤质地类型变异的具体影响，为研究区农业区划、农业技术推广、土壤改良与管理提供技术支撑和科学依据。
1 材料与方法 1.1 研究区概况研究区位于重庆市东南部彭水县的一个小流域，地处北纬28°57′ ~29°51′、东经107°48′ ~108°36′，面积36.86 km2（图 1）。该地区气候温和、雨量充沛，多年平均气温17.50 ℃，常年平均降雨量1104.20 mm，相对高差900 m（473~1373 m），相对坡度差52°（0~ 52°），地形变化具有一定的渐变性，呈现西南-东北走向的条带状地质条件，地质年代为志留纪和奥陶系。土壤有机质平均含量为22.9 g·kg-1，pH为6.1，土壤呈酸性，质地包含黏质、壤质和砂质三种类型。复杂的地形地貌引起土壤和其他一些地形、生态因子的时空变异。
|
图 1 研究区高程图 Figure 1 Digital elevation map(DEM)of the study region |
采用GPS定位技术，以数字高程模型为基础，于2012年秋季对研究区进行定点采样，遵循均匀、代表性原则进行“S”型取样。在耕作层土壤深度0~20 cm取样，记录成土母质和土壤质地类型。共采集土壤样点1165个，均采自耕地土壤，分布如图 2所示。样点的土壤质地类型采用手测法[11-12]分类，共分为黏质、壤质和砂质三类，其样点数量分别是34、891、240个。
|
图 2 研究区样点分布图 Figure 2 Map of sample locations of the study region |
地形对土壤属性空间变异的影响不容忽视。有研究表明土壤的很多属性与地形因子之间存在紧密的联系，且这些地形因子能够通过DEM提取出来[13-15]。本研究以重庆市DEM为基础，通过SAGA GIS软件共提取56种地形因子。其中DEM数据为30 m的ASTER GDEM数据，来源于中国科学院计算机网络信息中心国际科学数据镜像网站（http://www.gscloud.cn）。在结合研究区地形和相关地学知识，以及相关研究[5-10, 16]的基础上进行了初步筛选，考虑到若将所有变量都参与到模型计算可能会因这些独立变量之间存在的多重共线性而导致模型精度有误，造成耗时计算[17-19]，所以用方差膨胀因子（Variance inflation factor，VIF）来检验这些独立变量之间的多重共线性[14, 19]。
|
(1) |
式中：Ri2为第i个独立变量Xi对其余独立变量线性回归模型的决定系数。
一般，VIF>10，模型有很强的共线性，VIF≤10可被接受参与到模型中进行计算[18]。本文通过初步筛选和共线性检验，最终选取13个地形因子（表 1），参与到模型中以评估地形因子对流域土壤质地类型变异的影响。选取的地形因子包括海拔（Ele）、坡度（Slp）、坡高（SlpH）、坡长（SlpLen）、汇流面积（FlowAcc）、地形湿度指数（SAGATWI）、径流长度（FlowPL）、矢量粗糙度测量（VRM）、谷底平坦综合指数（MRVBF）、脊顶平坦综合指数（MRRTF）、漫射辐射（DiffuseIns）、风效应（WindEff）、风蚀指数（Wind⁃ Exp）。其中漫射辐射指太阳辐射穿过地球大气层时，受水汽、尘埃等散射后到达地表的那部分辐射，是到达地表太阳总辐射的重要组成部分，在SAGA GIS的光分析模块（Terrain analysis / Lighting visibility）。风效应和风蚀指数[20]均在SAGA GIS的地貌形态测定模块（Terrain analysis/Morphometry）中提取，其中风效应包括了迎风和背风，与风向和风速有关，而风蚀指数直接依赖于DEM的海拔提取，二者皆反映气候与天气中的风力作用。
|
表 1 研究区地形因子选取 Table 1 Terrain attributes used in this study |
分类回归树是Breiman于1984年提出的一种数据分析的非参数统计方法，其计算原理是：对一个由测试变量和目标变量构成的已知类别的训练样本数，根据一定的规则进行二分，形成二叉树结构，并对每一个节点进行循环二分，直至不可再分，成为叶节点。该算法的优点在于：它本身是一种非参数统计方法，不需要有一定的统计假设，并且数据处理结果中所包含的规则清晰易懂。该模型采用基尼系数（Gini Index）作为选择最佳测试变量的准则，基尼系数定义为：
|
(2) |
|
(3) |
式中：P（i/m）指从训练样本中随机抽取一个样本，当某一测试变量的值为m时属于第i类的概率；ni（m）表示训练样本中测试变量值为m时属于第i类的样本个数；n（m）为训练样本中测试变量值为m的总样本数；J为类别个数。
CART算法在具有其他决策树算法的一些功能的同时，能够完成其他算法所不能做到的非数值型数据处理，是决策树模型的典型代表[21]。CART算法的输出结果能反映各独立变量对于该模型的相对重要性排序。因此，它也常被用来探索影响因子对某一目标变量的相对重要性差异，如气候、土壤参数和人工管理等对农作物质量及分布的影响[22-25]。在本研究中，CART模型被用来对研究区土壤质地类型进行分类并分析其影响因子相对重要性。经多次试验，确定相对较为适当的参数，即父节点最小个案和子节点最小个案分别为4和2，最大树深度为5，采用交叉验证进行分析。
2 结果与分析 2.1 土壤质地类型统计对研究区样点土壤质地进行统计，结果如表 2所示。从表 2可以看出，在总的1165个样点中，黏质240个（约21%），壤质34个（约3%），砂质891个（约76%），有746个（约64%）样点成土母质为奥陶系，419个（约36%）样点成土母质为志留系。其中，志留系成土母质中样点的土壤质地几乎全为砂质，黏质只占了非常少的一部分，且该研究区中壤质全部分布于奥陶系母质条件下。
|
|
表 2 土壤质地类型统计 Table 2 Statistics for soil texture class |
为探究不同质地、不同母质条件下，各地形因子是否存在差异，对选取的地形因子在两种成土母质和三种质地间分别做了t检验和单因素方差分析，显著性结果见表 3。除海拔、坡高和风蚀指数外，其余地形因子在两种成土母质之间均有显著差异（P < 0.05），且志留系成土母质对应更高的坡度、坡长以及风效应，而奥陶系母质则具有更高的汇流面积、地形湿度指数、径流长度、矢量粗糙度测量、谷底平坦综合指数、脊顶平坦综合指数和漫射辐射。这表明奥陶系成土母质条件下，与水分相关的一些复杂地形指数更占主导作用，地形因子和土壤水分平衡共同影响了土壤的空间分异，从而导致不同母质条件下发育的土壤在某些理化性质上有所不同。
|
|
表 3 不同母质和不同质地下地形因子均值比较 Table 3 Mean differences in terrain parameters for different parent materials and soil texture class |
除坡度、坡长、汇流面积、谷底平坦综合指数和脊顶平坦综合指数外，其余地形因子在三种质地间也存在显著差异（P < 0.05）。与黏质和砂质相比，壤质对应更高的海拔、坡度、风效应和风蚀指数，而黏质与砂质具有更高的地形湿度指数、漫射辐射。相较于砂质来说，黏质又具有更高的径流长度、矢量粗糙度测量，而砂质则比黏质对应更高的风效应。这表明黏土通常更倾向分布于土壤水分含量相对较多、地势较低的地区，而壤土和砂土更倾向于分布在地形相对复杂一些的位置；砂质质地相对较轻，受风蚀作用的影响大于其他较为黏重的质地。
2.3 土壤质地类型变异影响因子相对重要性分析为进一步分析研究区土壤质地类型与各影响因子之间的关系，将土壤质地类型作为因变量，成土母质类别和13个地形因子作为自变量，设定CART树的父节点和子节点数分别为4和2，并采用交叉验证，在SPSS 20.0软件上对上述因变量和自变量构成的样本进行学习，得到了各独立变量的相对重要性。图 3所示为流域尺度下各独立变量对土壤质地分类影响的相对重要性，成土母质（PAR）、风效应、地形湿度指数、海拔这四个独立变量的相对重要性较高，均达到了70%以上，可见不同的成土母质和地形因子对土壤质地类型变异都有重要的影响，且成土母质的影响最重要。而与地形平整度相关的变量（谷底平坦综合指数、脊顶平坦综合指数、矢量粗糙度测量）、与坡度相关的变量（坡度、坡高）、与风热相关的变量（风蚀指数、漫射辐射、径流长度）这些独立变量的相对重要性则介于37%~68%之间，相对处于中等水平。汇流面积和坡长的贡献率则相对较低，均低于20%。
|
图 3 流域尺度各变量对土壤质地类型变异影响的相对重要性 Figure 3 Relative importance of the variables of the watershed scale on the variation of soil texture type |
由图 3可知，流域尺度下成土母质对土壤质地类型变异有最为重要的影响，因此采用同上的CART模型进一步对不同成土母质条件下的土壤质地类别和各地形因子构成的样本进行了学习，结果见图 4和图 5。从相对重要性排序来看，风效应和漫射辐射分别是奥陶系成土母质和志留系成土母质下影响土壤质地分类最重要的地形因子。在奥陶系成土母质下，除风效应的影响最为显著外，海拔、漫射辐射和矢量粗糙度测量对土壤质地分类也有一定的影响，相对重要性均大于60%。对于志留系成土母质下的土壤质地分类，坡长有一定的影响，相对重要性为46.8%，而谷底平坦综合指数和海拔的相对重要性则不到3%，影响非常小，其余地形因子对其没有影响。
|
图 4 奥陶系成土母质下各地形因子相对重要性 Figure 4 Relative importance of the terrain parameters under the Ordovician |
|
图 5 志留系成土母质下各地形因子相对重要性 Figure 5 Relative importance of the terrain parameters under the Silurian |
将土壤质地类型作为因变量，成土母质类别和13个地形因子作为自变量，设定CART树的父节点和子节点数分别为4、2，并采用交叉验证来测试精度。在SPSS 20.0软件上对上述因变量和自变量构成的样本进行学习，得到的流域尺度、奥陶系成土母质条件下和志留系成土母质条件下的CART模型解释率分别为86.3%、82.3%和100%，流域尺度总体CART树结构如图 6所示，成土母质是分类树的根节点，随后的树节点分别是风效应和漫射辐射等。这也与前面的描述性统计和相对重要性分析结果相一致。模型展示了不同独立变量对土壤质地类型的分类规则。
3 讨论在本研究中，成土母质对土壤质地类型变异的影响最重要。土壤质地依据土壤颗粒组成进行划分，它的分类和特征主要继承了成土母质的类型和特点[1]。成土母质在一定程度上对土壤理化性质产生了不可忽视的影响，它与土壤质地也密切相关[5]，Campos等[26]发现土壤质地随母质和地形的变化而变化，不同母质间土壤质地存在显著差异。韩光中等[27]在南方丘陵区母质与水耕人为土理化性质演变关系的研究中发现，成土母质是决定黏粒和土壤有机碳演变的主要影响因素。研究区为石灰岩地区，母质主要为奥陶系灰岩、页岩泥岩和志留系砂岩、粉砂岩。奥陶纪时期，海侵范围不断扩大并向西侵进，自西向东陆源碎屑不断减少，从而导致其以碳酸盐沉积为主导[28-29]。志留系下统由黑色页岩和硅质页岩组成，中统是一套滨海相碎屑岩堆积[29]。页岩、泥岩均属于沉积岩中的泥质岩类，风化过程中形成的黏土矿物是其物质来源，经过长期的综合作用，更易形成较为细腻、聚集的质地。而砂岩、粉砂岩则属于沉积岩中的碎屑岩类，通常是由母岩机械破碎的碎屑物质经搬运、沉积、胶结而成，在长期环境作用下，更易形成易风化的砂质。
|
PAR表示成土母质，Ordovician和Silurian分别表示奥陶系和志留系；N代表土壤样点个数 PAR is soil parent material, Ordovician and Silurian are different parent materials; N stands for the soil samples 图 6 CART模型土壤质地类型分类规则图 Figure 6 Classification rule of soil texture classes by the CART model |
此外，成土母质对土壤质地类型的影响还表现在母质的化学组成方面，它在很大程度上控制了黏土潜在含量、坚固矿物质（如石英等）和黏粒活性。硅质含量越高的母岩下，黏土潜在含量越少，而硅质含量较低、铁镁质矿物含量越高的母岩下，其黏土潜在含量也就越高，如泥质岩的页岩就主要由黏粒构成[26]。因此，奥陶系页岩泥岩上发育的土壤，质地相对较为黏重，而志留系砂岩、粉砂岩，尤其是硅质类的风化物，属于石英含量较高的酸性岩母质，发育在该母质上的土壤一般质地较粗，即砂粒含量较多、粉粒和黏粒的含量较少。
地形和土壤质地类型的变化密切相关。在本研究中，风效应、地形湿度指数、海拔与土壤质地类型变异密切相关，相对重要性均达到70%以上，这也与Li等[6]和Moore等[30]的研究结果一致，他们研究得到相较于其他地形因子，地形湿度指数与土壤属性变异具有更为密切的联系，地形湿度指数反映的是土壤水分状况，其值越高表示土壤水分更高。研究区黏质相较于壤质来说，具有较高的地形湿度指数均值，而相较于砂质来说，则出现了相反的情况。这样的结果也出现在之前的研究中，如Stępień等[31]在对波兰的A、B（砂质壤土）、C、D（壤质砂土）四个区域土壤质地影响因素的研究中发现，B和C两个区域土壤质地与地形因子的相关性是相反的，B区域地形湿度指数与黏土含量呈正相关关系，而C区域黏土含量与地形湿度指数则呈负相关关系。黏质的海拔均值和风力作用指数均值相对较低，更多分布于海拔低的地方，受风蚀的作用相对较弱。低海拔地区都有黏性土，类似的结果也出现在其他研究中，如张世文等[5]在研究中发现，不同高程组的砂粒和粉黏粒含量不同，高程>400 m的粉黏粒含量最小，处于100~200 m高程的砂粒含量最小，且与其他组之间存在显著差异。海拔高度影响了土壤颗粒的运移速度和方向，从而影响质地分布。
土壤的空间变异主要受到了地形属性和土壤水分平衡的综合影响[20]。地形控制水和沉积物的分布，除母质为土壤发育的基础外，水侵蚀是形成大多数地貌特征的主要因素。Adhikari等[32]的研究也发现地形因子如地形湿度指数等对提高土壤质地预测模型的精度也非常重要，在他的研究中也考虑了太阳辐射等与环境更相关的因子，但影响较弱。而在本研究中该类因素作用较为明显，这可能与当地气候环境条件有关。研究区地形地貌复杂，气候潮湿，常年多云，风力和辐射作用在一定程度上影响了水热分布，从而影响质地分布。当然，本研究主要分析了地形属性对土壤质地类型的影响，对具体的气候环境影响有待进一步深入研究。
4 结论（1）研究区成土母质和地形因子对土壤质地类型变异都有重要影响，且流域尺度下成土母质的影响最大，壤质土壤和大部分黏质土壤分布于奥陶系地质条件下，砂质土壤均匀分布于两种地质条件。反映出研究区土壤质地类型的空间变异受背景地质条件的影响强烈。
（2）不同质地间各地形因子存在显著差异。黏质相对倾向分布于水含量高、地势较低的地方。不同成土母质条件下，产生最重要影响的地形因子也不同，奥陶系母质条件下风效应是最重要的影响因子，而志留系母质条件下的最重要影响因子则是漫射辐射。
（3）流域尺度CART模型解释率为86.3%，该模型及独立变量组合应用于土壤质地类型分类研究具有可行性。
在本研究中，以成土母质和地形因子为独立变量的CART模型中，这些因子能解释土壤质地80%以上的空间变异，展现出良好的精度。虽精度较高，但这些地形因子也是依赖于DEM数据本身而提取的，对于解释地形对土壤质地类型的空间变异可能存在不确定性。另一方面，本研究针对特定的小流域进行分析，其结论存在一定局限性。因此，在今后的研究中，一方面，可以考虑加入其他因素（如气候等），筛选最优变量组合共同参与模型构建，以得到更优的结果；另一方面，考虑与周围流域做比较研究，得到更有借鉴意义的结论。
| [1] |
黄昌勇. 土壤学[M]. 北京: 中国农业出版社, 2000: 66-82. HUANG Chang-yong. Soil science[M]. Beijing: China Agriculture Press, 2000: 66-82. |
| [2] |
Safari Y, Boroujeni I E, Kamali A, et al. Mapping of the soil texture using geostatistical method(a case study of the Shahrekord Plain, central Iran)[J]. Arabian Journal of Geosciences, 2013, 6(9): 3331-3339. DOI:10.1007/s12517-012-0559-9 |
| [3] |
俞海, 黄季焜, Scott Rozelle, 等. 土壤肥力变化的社会经济影响因素分析[J]. 资源科学, 2003, 25(2): 63-72. YU Hai, HUANG Ji-kun, Scott Rozelle, et al. Impact of socio-economic factors on soil fertility over time[J]. Resources Science, 2003, 25(2): 63-72. DOI:10.3321/j.issn:1007-7588.2003.02.011 |
| [4] |
潘成忠, 上官周平. 土壤空间变异性研究评述[J]. 生态环境, 2003, 12(3): 371-375. PAN Cheng-zhong, SHANGGUAN Zhou-ping. Review of the research on soil spatial variability[J]. Ecology and Environment, 2003, 12(3): 371-375. DOI:10.3969/j.issn.1674-5906.2003.03.028 |
| [5] |
张世文, 黄元仿, 苑小勇, 等. 县域尺度表层土壤质地空间变异与因素分析[J]. 中国农业科学, 2011, 44(6): 1154-1164. ZHANG Shi-wen, HUANG Yuan-fang, YUAN Xiao-yong, et al. The spatial variability and factor analyses of top soil texture on a county scale[J]. Scientia Agricultura Sinica, 2011, 44(6): 1154-1164. DOI:10.3864/j.issn.0578-1752.2011.06.010 |
| [6] |
Li A D, Guo P T, Wu W, et al. Impacts of terrain attributes and human activities on soil texture class variations in hilly areas, south-west China[J]. Environmental Monitoring & Assessment, 2017, 189(6): 281. |
| [7] |
Ließ M, Glaser B, Huwe B. Uncertainty in the spatial prediction of soil texture:Comparison of regression tree and Random Forest models[J]. Geoderma, 2012, 170(3): 70-79. |
| [8] |
Gessler P E, Chadwick O A, Chamran F, et al. Modeling soil-landscape and ecosystem properties using terrain attributes[J]. Soil Sci Soc Am J, 2000, 64(6): 2046-2056. DOI:10.2136/sssaj2000.6462046x |
| [9] |
Gobin A, Campling P, Feyen J. Soil-landscape modeling to quantify spatial variability of soil texture[J]. Physics & Chemistry of the Earth Part B Hydrology Oceans & Atmosphere, 2001, 26(1): 41-45. |
| [10] |
Ceddia M B, Vieira S R, Villela A L O, et al. Topography and spatial variability of soil physical properties[J]. Scientia Agricola, 2009, 66(3): 338-352. DOI:10.1590/S0103-90162009000300009 |
| [11] |
Zhang J H, Wang Y, Zhang Z H. Effect of terrace forms on water and tillage erosion on a hilly landscape in the Yangtze River basin, China[J]. Geomorphology, 2014, 216: 114-124. DOI:10.1016/j.geomorph.2014.03.030 |
| [12] |
Thien S J. A flow diagram for teaching texture-by-feel analysis[J]. Journal of Agronomic Education, 1979, 8: 54-55. |
| [13] |
Vos C, Don A, Prietz R, et al. Field-based soil-texture estimates could replace laboratory analysis[J]. Geoderma, 2016, 267: 215-219. DOI:10.1016/j.geoderma.2015.12.022 |
| [14] |
Florinsky I V, Eilers R G, Manning G R, et al. Prediction of soil properties by digital terrain modelling[J]. Environmental Modelling & Software, 2002, 17(3): 295-311. |
| [15] |
Guo P T, Wu W, Liu H B, et al. Effects of land use and topographical attributes on soil properties in an agricultural landscape[J]. Soil Research, 2011, 49(7): 606-613. DOI:10.1071/SR11134 |
| [16] |
邓欧平, 周稀, 黄萍萍, 等. 川中紫色丘区土壤养分空间分异与地形因子相关性研究[J]. 资源科学, 2013, 35(12): 2434-2443. DENG Ou-ping, ZHOU Xi, HUANG Ping-ping, et al. Correlations between spatial variability of soil nutrients and topographic factors in the purple hilly region of Sichuan[J]. Resources Science, 2013, 35(12): 2434-2443. |
| [17] |
丁元林, 孔丹莉, 毛宗福. 多重线性回归分析中的常用共线性诊断方法[J]. 数理医药学志, 2004, 17(4): 299-300. DING Yuan-lin, KONG Dan-li, MAO Zong-fu. Common linear diagnosis method in multiple linear regression analysis[J]. Journal of Mathematical Medicine, 2004, 17(4): 299-300. |
| [18] |
范立新. 回归分析中多重共线性诊断方法[J]. 环境卫生学杂志, 1994(1): 34-37. FAN Li-xin. Multiple collinear diagnosis in regression analysis[J]. Journal of Environmental Hygiene, 1994(1): 34-37. |
| [19] |
Wu W, Fan Y, Wang Z, et al. Assessing effects of digital elevation model resolution on soil-landscape correlations in a hilly area[J]. Agriculture Ecosystems & Environment, 2008, 126(3): 209-216. |
| [20] |
Böhner J, Köthe R, Conrad O, et al. Soil regionalisation by means of terrain analysis and process parameterisation[M]//Micheli E, Nachtergaele F, Montanarella L. Soil classfication. Ispra: The European Soil Bureau, Joint Research Centre, 2002.
|
| [21] |
马雄威. 线性回归方程中多重共线性诊断方法及其实证分析[J]. 华中农业大学学报(社会科学版), 2008(2): 78-81. MA Xiong-wei. Diagnosis and empirical analysis on multicollinearity in linear regression model[J]. Journal of Huazhong Agricultural University(Social Sciences Edition), 2008(2): 78-81. DOI:10.3969/j.issn.1008-3456.2008.02.019 |
| [22] |
Ferraro D O, Rivero D E, Ghersa C M. Analysis of the factors that influence sugarcane yield in northern Argentina using classification and regression trees[J]. Field Crops Research, 2009, 112(2): 149-157. |
| [23] |
Lobell D B, Ortizmonasterio J I, Asner G P, et al. Combining field surveys, remote sensing, and regression trees to understand yield variations in an irrigated wheat landscape[J]. Agronomy Journal, 2005, 97(1): 241-249. |
| [24] |
Tittonell P, Shepherd K D, Vanlauwe B, et al. Unravelling the effects of soil and crop management on maize productivity in smallholder agricultural systems of western Kenya:An application of classification and regression tree analysis[J]. Agriculture Ecosystems & Environment, 2008, 123(1): 137-150. |
| [25] |
许安定, 杜国伟, 刘洪斌. 基于CART模型的烤烟评吸质量影响因子研究[J]. 西南农业学报, 2013, 26(4): 1356-1361. XU An-ding, DU Guo-wei, LIU Hong-bin. Investigation of factors controlling smoking quality of flue-cured tobacco using CART models[J]. Southwest China Journal of Agricultural Sciences, 2013, 26(4): 1356-1361. DOI:10.3969/j.issn.1001-4829.2013.04.012 |
| [26] |
Campos M C C, Júnior J M, Pereira G T, et al. Soil texture spatial variability of different parent material in Pereira Barreto, Sao Paulo State[J]. Ciência Agronômica, 2007, 38(2): 149-157. |
| [27] |
韩光中, 张甘霖. 母质对南方丘陵区水耕人为土理化性质演变的影响[J]. 土壤学报, 2014(4): 772-780. HAN Guang-zhong, ZHANG Gan-lin. Influence of parent material on evolution of physico-chemical properties of hydragric anthrosols in hilly regions of south China[J]. Acta Pedologic Sinica, 2014(4): 772-780. |
| [28] |
郭彤楼. 四川盆地奥陶系储层发育特征与勘探潜力[J]. 石油与天然气地质, 2014(3): 372-378. GUO Tong-lou. Charateristics and exploration potential of Ordovician reservoirs in Sichuan basin[J]. Oil&Gas Geology, 2014(3): 372-378. |
| [29] |
梁成华. 地质与地貌学[M]. 北京: 中国农业出版社, 2002: 98-99. LIANG Cheng-hua. Geology and Geomorphology[M]. Beijing: China Agriculture Press, 2002: 98-99. |
| [30] |
Moore I D, Gessler P E, Nielsen G A, et al. Soil attribute prediction using terrain analysis[J]. Soil Science Society of America Journal, 1993, 57(2): 443-452. DOI:10.2136/sssaj1993.03615995005700020026x |
| [31] |
Stępień M, Samborski S, Gozdowski D, et al. Assessment of soil texture class on agricultural fields using ECa, Amber NDVI, and topographic properties[J]. Journal of Plant Nutrition and Soil Science, 2015, 178(3): 523-536. DOI:10.1002/jpln.v178.3 |
| [32] |
Adhikari K, Kheir R B, Greve M B, et al. High-resolution 3-D mapping of soil texture in Denmark[J]. Soil Science Society of America Journal, 2013, 77(3): 860-876. DOI:10.2136/sssaj2012.0275 |