山东省昌乐县农田土壤有机碳空间分异特征及土壤肥力评价

李蕴峰; 李辉; 甘杰; 陈卓; 陈洋; 李涛涛; 王岑

doi:10.12404/j.issn.1671-1815.2502954

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (5) :2215-2225 DOI: 10.12404/j.issn.1671-1815.2502954

环境科学、安全科学

山东省昌乐县农田土壤有机碳空间分异特征及土壤肥力评价

李蕴峰 ¹^,²^,³ ,
李辉 ⁴^,⁵ ,
甘杰 ⁴^,⁶ ,
陈卓 ¹^,²^,³^,^* ,
陈洋 ¹^,² ,
李涛涛 ¹^,² ,
王岑 ¹^,²

作者信息 +

Spatial Variability Characteristics of Organic Carbon in Agricultural Land and Assessment of Soil Fertility in Changle County, Shandong Province

LI Yun-feng ¹^,²^,³ ,
LI Hui ⁴^,⁵ ,
GAN Jie ⁴^,⁶ ,
CHEN Zhuo ¹^,²^,³^,^* ,
CHEN Yang ¹^,² ,
LI Tao-tao ¹^,² ,
WANG Cen ¹^,²

Author information +

文章历史 +

摘要

精准评估农田土壤肥力,有利于发展精准农业,开展农田质量保护,为实现土壤资源可持续利用提供决策依据。以山东省昌乐县为研究区,获取农田土壤样品1 151件,基于14个环境特征因子,通过极致梯度提升树模型(extreme gradient boosting, XGBoost)模型对土壤有机碳空间分布进行预测;以pH、有机碳、碱解氮、有效磷、速效钾为评价指标,分析含量及空间分布特征,并应用变异系数法对土壤肥力进行综合评价。结果表明,研究区土壤有机碳含量为5.62~12.10 g/kg,处于较缺乏水平,土壤有机碳含量受养分因素、土壤质地、生物因素的共同影响;土壤pH以中性为主,碱解氮、有效磷、速效钾具有明显的空间相关性且总体处于适中及以上水平;土壤综合肥力为较贫瘠-中等,较贫瘠和中等等级合计占比91.84%,有机质含量为障碍因子,空间分布呈现出四周高、中间低的空间格局,需增施有机肥,优化耕种方式,以提高土壤有机质含量,提升耕地土壤肥力。

Abstract

Accurate assessment of soil fertility in agricultural land is beneficial for the development of precision agriculture, protecting the quality of agricultural land, and providing a decision-making basis for the sustainable use of soil resources. A total of 1 151 agricultural soil samples were collected in Changle County, Shandong Province. Based on 14 environmental characteristic factors, the spatial distribution of soil organic carbon was predicted by extreme gradient boosting(XGBoost)model. Using pH, organic carbon, alkaline nitrogen, available phosphorus and available potassium as evaluation indicators, the content and spatial distribution characteristics were analyzed, and the coefficient of variation method was applied to comprehensively evaluate soil fertility. The results show that the soil organic carbon content in the study area is 5.62~12.10 g/kg, which is at a relatively low level. The soil organic carbon content is influenced by nutrient factors, soil texture and biological factors. The soil pH in the study area is mainly neutral, and alkaline nitrogen, available phosphorus and available potassium have significant spatial correlations and are generally at moderate or above levels. The overall fertility of the soil in the research area is relatively poor to moderate, with a total of 91.84% of poor and moderate classes. The organic matter content is a limiting factor and the spatial distribution shows a spatial pattern of high, medium and low in the surrounding areas. It is necessary to increase the application of organic fertilizer and to optimize the cultivation method in order to improve the soil organic matter content and the soil fertility of the cultivated areas.

Graphical abstract

关键词

土壤有机碳 / 土壤肥力评价 / 养分状况 / 空间分布 / XGBoost模型 / 变异系数法

Key words

soil organic carbon / soil fertility evaluation / nutrient status / spatial distribution / XGBoost model / coefficient of variation method

引用本文

引用格式 ▾

李蕴峰, 李辉, 甘杰, 陈卓, 陈洋, 李涛涛, 王岑. 山东省昌乐县农田土壤有机碳空间分异特征及土壤肥力评价[J]. 科学技术与工程, 2026, 26(5): 2215-2225 DOI:10.12404/j.issn.1671-1815.2502954

LI Yun-feng, LI Hui, GAN Jie, CHEN Zhuo, CHEN Yang, LI Tao-tao, WANG Cen. Spatial Variability Characteristics of Organic Carbon in Agricultural Land and Assessment of Soil Fertility in Changle County, Shandong Province[J]. Science Technology and Engineering, 2026, 26(5): 2215-2225 DOI:10.12404/j.issn.1671-1815.2502954

登录浏览全文

4963

注册一个新账户忘记密码

土壤肥力是土壤最基本的特征,是反映土壤能够提供给作物生成所需的各种养分的能力^[1]。厘清农田土壤肥力水平及空间分布^[2],因地制宜开展土壤培肥措施对提高粮食产量与质量具有重要意义。土壤肥力受成土母质^[3]、自然条件^[4]、耕种方式^[5]以及人为影响^[6]的共同作用,在空间分布上具有空间非平稳特征,通常表现为空间非均匀分布,因此,对土壤肥力进行科学准确预测,掌握土壤肥力空间分布规律,对保证粮食安全、发展精准农业,实现土壤资源可持续发展目标具有重要意义。

土壤肥力评价是研究区域土壤肥力状况、变化方向和趋势,通过评价预测土地的生产潜力。土壤肥力评价常以土壤养分指标为依据,将其引入预测模型,进行土壤肥力预测^[7]。碳、氮、磷和钾是农作物生长的主要竞争性营养资源,其养分状况直接影响到植株的生长和发育^[8-11],土壤有机碳、碱解氮、有效磷、速效钾以及pH等养分指标的空间分布情况对土壤肥力空间分布异质性具有重要影响^[12-13]。目前,土壤肥力评价的研究方法主要有指数法和模型法。指数法包括指数和法^[14-15]、内梅罗指数法^[16-17]、土壤质量综合指数法^[18]等;模型法包括灰色关联分析法^[19]、主成分分析法^[20]、投影寻踪模型法^[21]、聚类分析法^[22]、模糊综合评判法^[23]等。随着机器学习技术的发展,机器学习方法在拟合数据非线性分布的优势进一步体现,越来越多的学者采用统计分析算法与机器学习相结合的方法进行土壤肥力评价^[24-26],取得了良好的应用效果。任凤玲等^[27]详细论述了中国耕地质量研究现状,阐述了机器学习方法开展耕地质量评价的流程和步骤,得出机器学习方法显著提高了耕地质量评价的效率和准确性;吴霞等^[28]也提出构建基于机器学习的土壤健康评价模型,可更加客观地表征和模拟土壤健康状况;因此,机器学习方法比传统方法更适宜开展土壤肥力评价。

土壤肥力水平取决于土壤养分的空间分布,精准获取土壤养分空间分布信息,即可提高土壤肥力空间分布预测精度。而现有土壤肥力空间分布预测研究多采用“以点带面”的方式开展,即利用采样点的土壤养分信息,计算采样点位土壤肥力情况,而后通过克里金插值等方法获取土壤肥力空间分布,研究结果受采样点的影响较大。

针对上述问题,采用机器学习、统计学等方法通过环境变量获取土壤养分空间分布信息^[29],通过“面面叠加”的方式获取土壤肥力空间分布,可有效提升土壤肥力空间分布预测精度,同时避免土壤肥力预测结果受个别异常样本点的影响产生明显波动的情况。通过拟合土壤肥力空间分布与土壤养分空间分布的耦合关系,能够清晰表现出相互之间的影响和制约关系,为土壤养分管理和施肥策略提供依据。

山东省昌乐县作为全国蔬菜产业重点县和山东省农业产业化先进县,是山东省重要的粮食、果蔬生产基地之一,但关于昌乐县土壤肥力和土壤养分评价的研究却鲜有报道,鉴于此,现以昌乐县农田土壤为研究对象,开展昌乐县土壤有机碳空间分布预测与土壤肥力评价研究,探讨昌乐县土壤有机碳空间分异与环境变量因子耦合关系和土壤养分管理与施肥对策,以期为发展特色农业、农田质量保护、土壤肥力改良和提升等提供科学依据和决策支撑。

1 材料与方法

1.1 研究区概述

研究区隶属于山东省潍坊市昌乐县,地理坐标为(118°43'E~119°10'E,36°11'N~36°46'N),地处山东半岛中部,泰沂山脉北麓。研究区面积约1 101 km²,农田面积约820 km²,地处华北板块东南部,位于郯庐断裂带与沂沭断裂带的复合影响区,地质构造复杂;地层出露以新生代玄武岩为主,其次为太古界泰山群变质岩、元古界粉子山群片岩及古生界寒武-奥陶系灰岩。研究区属鲁中低山丘陵区,整体地势南高北低、西高东低,形成由南部山地向北部平原过渡的阶梯状地貌格局,地貌类型以丘陵为主,其次为平原和低山,山地集中分布于县域中部,丘陵主要分布在东南部,平原则发育于南北两端。研究区属暖温带半湿润大陆性季风气候,四季分明,雨热同期,年均气温12.9 ℃,年均降水量571.4 mm,降水集中于夏季。

1.2 土壤数据及环境变量

获取研究区农田土壤样品1 151个,样本点覆盖整个研究区,样本点空间分布如图1所示。样本点土壤有机碳(soil organic carbon,SOC)含量为6.10~26.60 g/kg,平均值为13.17 g/kg,中位数为13.00 g/kg,标准差为2.86,方差为8.17,偏度为0.514,峰度为1.014,变异系数(coefficient of variation,CV)为21.72%。

从全部样本点中随机选取921个(80%)作为训练集,用于模型训练,其余230个(20%)样本点作为验证集,用于模型泛化能力和准确性验证。各数据集的平均值、标准差、中位数和变化系数均接近;训练集和测试集的最大值和最小值差异均较小,因此模型构建和评估的结果具有可靠性。

基于McBratney的Scorpan理论模型^[30],系统收集土壤类型、pH、碱解氮(available nitrogen,AN)、有效磷(available phosphorus,AP)、速效钾(available potassium,AK)、砂土含量、粉砂土含量、黏土含量、净初级生产力(net primary productivity,NPP)、归一化植被指数(normalized difference vegetation index,NDVI)、高程、坡度、坡向、距水系距离等14个环境特征因子作为表征SOC空间变异的环境自变量(表1),采用最邻近插值法统一因子的空间分辨率至100m,土壤养分环境特征因子空间分布如图2所示。

1.3 土壤有机碳空间分布预测方法

极致梯度提升树模型(extreme gradient boosting, XGBoost)是基于梯度提升(gradient boosting)的原理,通过不断叠加弱学习器来提升模型性能。每次在现有模型的基础上,根据损失函数的梯度方向来训练一个新的弱学习器,将新的弱学习器与现有模型进行组合,从而不断减小损失函数的值,提高模型的准确性。目标函数由损失函数和正则化项两部分组成,损失函数用于衡量模型的预测结果与真实标签之间的差异;正则化项则用于控制模型的复杂度,防止过拟合。其计算公式为

(1)

${\stackrel{\wedge }{y}}_{i}=\stackrel{n}{\sum _{i=1}}{f}_{k}\left({x}_{i}\right)$

式(1)中:

${\stackrel{\wedge }{y}}_{i}$

为预测值;f_k(·)为回归树;x_i为相应数据的特征向量;n为迭代次数。

损失函数的计算公式为

(2)

$\mathrm{O}\mathrm{b}\mathrm{j}\left(\theta \right)=\stackrel{n}{\sum _{i=1}}l({y}_{i},{\stackrel{\wedge }{y}}_{i})+\stackrel{K}{\sum _{k=1}}\Omega \left({f}_{k}\right)$

式(2)中:y_i为真实值;

${\stackrel{\wedge }{y}}_{i}$

为预测值;Ω(f_k)为正则化项。

在每一轮迭代中,计算当前模型的损失函数关于预测值的梯度和二阶导数,然后确定新的弱学习器的结构和参数,使得新的学习器能够在一定程度上减小损失函数的值。

1.4 土壤肥力评价方法

土壤肥力评价方法拟采用变异系数法;评价指标包括有机碳、碱解氮、有效磷、速效钾以及pH等5项指标,由于评价指标中量纲关系不统一,因此无法直接比较其差异程度,为了消除各项评价指标量纲不同的影响,使用变异系数来衡量各项指标值的差异程度,计算公式为

(3)

${\sigma }_{i}=\sqrt{\frac{1}{n-1}\stackrel{n}{\sum _{i=1}}({x}_{i}-{\overline{x}}_{i}{)}^{2}}$

(4)

${v}_{i}=\frac{{\sigma }_{i}}{{\overline{x}}_{i}}$

式中:σ_i为第i项指标的标准差;n为指标总数;x_i为第i项指标值;

${\overline{x}}_{i}$

为第i项指标的平均数;v_i为第i项指标的变异系数。

各项指标的权重计算公式为

(5)

${W}_{i}=\frac{{v}_{i}}{\stackrel{n}{\sum _{i=1}}{v}_{i}}$

土壤综合肥力计算公式为

(6)

$\mathrm{I}\mathrm{F}\mathrm{I}=\stackrel{n}{\sum _{i=1}}{x}_{i}{W}_{i}$

式(6)中:IFI为土壤综合肥力。

1.5 分级指标

1.5.1 土壤养分分级

根据《土地质量地球化学评价规范》(DZ/T 0295—2016),土壤酸碱度划分为5个等级:强碱性(pH>8.5)、碱性(7.5<pH≤8.5)、中性(6.5<pH≤7.5)、酸性(5.0<pH≤6.5)、强酸性(pH≤5.0),其他4项土壤肥力单指标分级标准如表2所示。

1.5.2 土壤综合肥力分级

由于需要计算每100 m区域内土壤肥力值,因此采用土壤养分空间分布数值范围进行权重计算。利用土壤肥力权重计算公式,计算出的pH、有机碳、碱解氮、有效磷、速效钾的权重依次为0.074、0.123、0.113、0.442、0.248。根据表2土壤肥力单指标分级标准结合各指标权重得出研究区土壤肥力分级依次为:>105.43为肥沃,79.76~105.43为较肥沃,56.32~79.76为中等,35.23~56.32为较贫瘠,<35.23为贫瘠,各养分指标的肥力指数及统计分析如表3、表4所示。

2 结果与分析

2.1 土壤有机碳空间分布预测结果

采用XGBoost方法,通过14个环境变量因子,对研究区SOC空间分布进行预测,利用Arcgis10.8软件进行空间制图操作,研究区SOC空间分布预测结果如图3所示。

由图3可知,研究区SOC含量呈现出明显的空间异质性,总体呈现北高南低的空间分布趋势,但变化幅度较小,而高值区域结合环境变量因子分析主要发育在土壤类型为石质土中,含量约10 g/kg,石质土是在基岩表面很薄的半风化物上,由于生物生长而出现的一种初始土壤,土壤剖面构型为典型的A-R型构型,生物富集作用弱,有机碳含量整体偏低,但依然是研究区SOC富集区。研究样本数据的SOC范围为6.02~26.60 g/kg,而模型的预测结果区间为5.62~12.10 g/kg,表现出了明显的平滑作用,且SOC含量偏低,属较缺乏,究其原因,由于研究区地层岩性以玄武岩和灰岩为主,受岩石矿物组成影响,两种岩石的风化速度相对缓慢,因此,提供的成土母质数量有限,不利于土壤发育和有机碳积累。

2.2 土壤养分空间分布评价结果

依据土壤肥力单指标分级标准,对研究区农田土壤pH、有机碳、碱解氮、有效磷、速效钾等指标进行分析(图4、表5)。

结果表明,研究区农田土壤以中性为主,酸性为辅,土壤pH平均值为6.83,中性占比78.21%,酸性土壤占比19.77%,从空间分布上看,酸性土壤出露于研究区南侧和西南侧,北部零星出露部分碱性土壤,其他区域为中性;研究区农田SOC较缺乏,SOC含量平均值为7.271 g/kg,较缺乏和缺乏区域占比99.92%;研究区农田土壤AN总体处于适中等级,适中等级空间分布占比86.12%,AN平均值为104.27 mg/kg,在空间分布上,研究区北部AN含量总体上高于南部;研究区农田土壤AP含量处于较丰富-丰富,占比92.23%,AP平均值为34.50 mg/kg,空间分布上呈现出明显的四周高、中间低的情况;研究区农田土壤AK总体处于适中及以上水平,仅南部部分地区处于较缺乏等级,平均值为132.42 mg/kg。

从土壤养分空间分布上可以得出,AN、AP、AK等因子具有明显的空间相关性且总体处于适中及以上水平,而SOC含量较低,土壤养分的分布与含量受成土母质、地理特征以及微生物活性等因素共同影响。从成土母质方面分析,玄武岩为基性喷出岩,主要由斜长石、辉石和橄榄石等矿物组成,橄榄石受成土作用在风化过程中会释放出N、P、K等微量元素,为土壤提供了丰富的矿物质来源,而矿物质在成土作用的影响下会与有机质发生化学反应,形成难以分解的聚合物,从而降低了有机物质的活性和可分解性。从地理特征方面分析,研究区地势总体呈西南高东北低展布,从空间分布上分析,土壤养分空间分布与地理空间分布相关性较弱,进一步验证了平原丘陵区地理特征对土壤属性空间变异的解释能力有限。从微生物活性方面分析,NPP影响植物固定和转化光合产物的效率,而NDVI直接影响生物活性,研究区NPP、NDVI属于较低水平,此外研究区土地利用方式为农田,植被种类单一,生物多样性较少,且定期耕种,植物遗体、排泄物、分泌物以及部分分解产物和土壤腐殖质被清理,导致土壤碳来源较少。

2.3 土壤综合肥力空间分布评价结果

依据土壤综合肥力计算公式,以100 m空间分辨率精度,对研究区土壤综合肥力进行计算,其空间分布和土壤综合肥力分级空间分布结果如图5、图6所示。

由图5可知,研究区农田土壤综合肥力空间分异明显,呈现出明显的四周高、中心低的空间分布特征。土壤综合肥力较贫瘠等级占比37.92%,中等等级占比53.92%,较肥沃等级占比7.56%,肥沃等级占比0.60%,因此,研究区整体肥力为较贫瘠-中等,结合各土壤养分分析结果,认为有机质含量是昌乐县土壤肥力的障碍因子,建议增施有机肥,增加土壤中有机质的含量;其次多采用深翻、轮作、间作的耕作模式,以期改善土壤肥力。

3 讨论

3.1 土壤有机碳空间分异与环境变量因子耦合关系分析

基于XGBoost模型的SOC空间分布预测结果,对SOC的空间分异与环境变量因子耦合关系进行分析探讨,因子分级采用各因子分布曲线的突变点作为各因子状态等级划分的临界值,因子分级与SOC含量对应信息如表6所示。

由表6可知,pH、AN、AK、距水系距离与SOC呈负相关;AP、NPP与SOC呈正相关;砂土含量、粉砂土含量、黏土含量等因子与SOC无明显正负相关性,但是可以得出土壤质地较粗,孔隙度较大,土壤通气性良好的区域,有利于提升微生物活性,进而利于SOC富集;NDVI和地形因子与SOC无明显线性关系,与贾德伟等^[31]研究结果一致,在平原-丘陵地区SOC贫化与富集受地形因子控制较少;在土壤类型方面,SOC含量石质土>褐土>潮土>棕壤土>粗骨土>其他土体。

综上可知,研究区SOC含量受养分因素、土壤质地、生物因素的共同影响,与地形因素关联关系较小,不同土壤类型间SOC含量差异明显。

3.2 土壤养分管理与施肥对策

研究区作物种植以粮食作物为主,种植面积391 km²,占耕地面积的47.68%,其中小麦种植面积约149 km²,占比18.17%,玉米种植面积约242 km²,占比29.51%;辅以蔬菜作物,种植面积258 km²;水果作物,种植面积115 km²;其他区域种植烤烟等经济作物。根据土壤肥力和作物种植空间分布特征,建议充分考虑作物需肥特性与土壤养分分布特点,采用“按需施肥、灵活施肥”的施肥策略。在全区域增施有机肥的同时,优化耕种方式,采用作物秸秆粉碎、过腹还田或种植绿肥等技术措施,以期提高土壤有机质含量,进而提升总体肥力。土壤碱解氮水平整体适中,可继续保持现有施肥策略。土壤有效磷水平处于较丰富-丰富,应适量降低磷肥的施用量,基于作物磷养分需要和土壤磷的供给能力因地制宜地调整磷肥的施用量。土壤速效钾水平以中等为主,因此施肥策略为总体保持现有施肥量,但在尧沟镇等区域应酌情减少钾肥的施用,提高土壤中钾的利用效率。

4 结论

以山东省潍坊市昌乐县为研究区,获取农田土壤样品1 151个,基于14个环境变量因子,采用XGBoost模型,对农田土壤有机碳空间分布进行预测,并开展了土壤肥力评价,得到结论如下。

(1)研究区土壤有机碳含量为5.62~12.10 g/kg,空间分布呈现出北高南低的空间分布趋势,但变化幅度较小;SOC含量受养分因素、土壤质地、生物因素的共同影响;不同土壤类型SOC含量差异明显。

(2)研究区农田土壤以中性为主,SOC处于较缺乏水平,较缺乏和缺乏区域占比99.92%,AN、AP、AK具有明显的空间相关性且总体处于适中及以上水平。

(3)研究区土壤总体肥力水平为较贫瘠-中等,空间分布为四周高、中间低,各肥力等级数量占比为中等>较贫瘠>较肥沃>肥沃,需增施有机肥,优化耕种方式,以提高土壤有机质含量,提升耕地土壤肥力。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	蒲成伟, 周立, 张绩, 等. 不同评价方法下土壤肥力的差异性——以南充市为例[J]. 热带作物学报, 2025, 46(2): 460-473.

[2]	Pu Chengwei, Zhou Li, Zhang Ji, et al. Differences in soil fertility under different evaluation methods—a case study of Nanchong, Sichuan, China[J]. Chinese Journal of Tropical Crops, 2025, 46(2): 460-473.

[3]	王婷, 陆忠军, 辛蕊, 等. 马铃薯主产区土壤养分空间异质性及其肥力评价[J]. 科学技术与工程, 2025, 25(16): 6682-6689.

[4]	Wang Ting, Lu Zhongjun, Xin Rui, et al. Spatial heterogeneity and fertility evaluation of soil nutrients in main potato producing areas[J]. Science Technology and Engineering, 2025, 25(16): 6682-6689.

[5]	Afu M S, Isong A I, Olim M D, et al. The nexus of clay mineralogy and soil fertility under diverse parent materials in two distinct geomorphological settings[J]. Environmental Earth Sciences, 2024, 83(23): 653-653.

[6]	Matthias S, Gerzabek M H, Nicola R, et al. Soil fertility changes with climate and island age in Galápagos: new baseline data for sustainable agricultural management[J]. Frontiers in Environmental Science, 2021, 9(9): 788082.

[7]	Mpanda M, Majule A, Marchant R, et al. Soil fertility dynamics across varied land use types and cropping systems on Mount Kilimanjaro, Tanzania: implications for sustainable soil management[J]. Applied and Environmental Soil Science, 2025(1): 3057259.

[8]	肖顺枝, 陈安强, 陈兴位, 等. 云南麒麟区耕地土壤养分时空变化特征及肥力评价[J]. 西南农业学报, 2025, 38(4): 820-830.

[9]	Xiao Sunzhi, Chen Anqiang, Chen Xingwei, et al. The spatiotemporal variation characteristics and fertility evaluation of soil nutrients in cultivated land of Qilin District, Yunnan Province[J]. Southwest China Journal of Agricultural Sciences2025, 38(4): 820-830.

[10]	贾壮壮, 郭潇君, 王龙杰, 等. 棉秆木醋液的制备优化及配施有机肥对土壤肥力的影响[J]. 科学技术与工程, 2024, 24(25): 11030-11038.

[11]	Jia Zhuangzhuang, Guo Xiaojun, Wang Longjie, et al. Optimization of the preparation process of cotton stem wood vinegar and its effect on soil fertility in combination with organic fertilizer application[J]. Science Technology and Engineering, 2024, 24(25): 11030-11038.

[12]	王利娜, 赵文, 孙佳, 等. 南疆4个地区枣园土壤养分状况分析及肥力评价[J]. 经济林研究, 2022, 40(2): 144-152.

[13]	Wang Lina, Zhao Wen, Sun Jia, et al. Analysis of soil nutrients and evaluation of fertility in jujube orchards in four regions of southern Xinjiang[J]. Non-wood Forest Research, 2022, 40(2): 144-152.

[14]	谢珊, 陈祖拥, 舒英格, 等. 贵州典型茶园土壤酸化及其养分变化特征[J]. 科学技术与工程, 2024, 24(19): 8025-8035.

[15]	Xie Shan, Chen Zuyong, Shu Yingge, et al. Characteristics of soil acidification and nutrient changes in typical tea plantations in Guizhou[J]. Science Technology and Engineering, 2024, 24(19): 8025-8035.

[16]	杨树俊, 韩张雄, 王思远, 等. 土壤阳离子交换量与有机质、机械组成的关系[J]. 科学技术与工程, 2023, 23(7): 2799-2805.

[17]	Yang Shujun, Han Zhangxiong, Wang Siyuan, et al. Study on the relationship between cation exchange capacity and organic matter, mechanical composition in soil[J]. Science Technology and Engineering, 2023, 23(7): 2799-2805.

[18]	何绍浪, 林小兵, 黄尚书, 等. 江西省茶叶主产地茶园土壤生态化学计量特征[J]. 科学技术与工程, 2022, 22(23): 9976-9981.

[19]	He Shaolang, Lin Xiaobing, Huang Shangshu, et al. Soil ecological stoichiometry characteristics of main tea gardens in Jiangxi Province[J]. Science Technology and Engineering, 2022, 22(23): 9976-9981.

[20]	李玮, 乔玉强, 曹承富, 等. 安微省不同生态区冬小麦产量及土壤肥力评价[J]. 干旱地区农业研究, 2025, 43(2): 242-252.

[21]	Li Wei, Qiao Yuqiang, Cao Chengfu, et al. Winter wheat yield and soil fertility evaluation in different ecological zones of Anhui Province[J]. Agricultural Research in the Arid Areas, 2025, 43(2): 242-252.

[22]	林小兵, 陈国钧, 周利军, 等. 南方典型稻田土壤-水稻系统环境质量评价[J]. 科学技术与工程, 2024, 24(16): 6973-6979.

[23]	Lin Xiaobing, Chen Guojun, Zhou Lijun, et al. Environmental quality assessment of soil-rice system in typical paddy fields in southern China[J]. Science Technology and Engineering, 2024, 24(16): 6973-6979.

[24]	Zeinab A Z, Danya K, Kazem R, et al. Assessment of soil fertility and nutrient management strategies in calcareous soils of Khuzestan Province: a case study using the nutrient index value method[J]. Environmental Monitoring and Assessment, 2024, 196(6): 503.

[25]	Chaudhry H, Vasava B H, Chen S, et al. Evaluating the soil quality index using three methods to assess soil fertility[J]. Sensors (Basel, Switzerland), 2024, 24(3): 864.

[26]	刘梓莹, 高志伟, 吴肇惠, 等. 不同生态修复方式对内蒙古荒漠草原露天矿山土壤肥力的影响[J]. 天津师范大学学报(自然科学版), 2024, 44(4): 39-45.

[27]	Liu Ziying, Gao Zhiwei, Wu Zhaohui, et al. Effects of different ecological restoration methods on soil fertility of open-pit mine in Inner Mongolia desert grassland[J]. Journal of Tianjin Normal University (Natural Science Edition), 2024, 44(4): 39-45.

[28]	余顺平, 熊于斌, 廖涛, 等. 连续化肥减量配施有机肥提升植烟土壤肥力质量的综合评价[J]. 中国土壤与肥料, 2024(1): 70-78.

[29]	Yu Shunping, Xiong Yubin, Liao Tao, et al. Comprehensive evaluation of continuous chemical fertilizer reduction with organic fertilizer application to improve soil fertility quality of planted tobacco[J]. Soil and Fertilizer Sciences in China, 2024(1): 70-78.

[30]	Vasu D, Tiwary P, Chandran P. A novel and comprehensive soil quality index integrating soil morphological, physical, chemical, and biological properties[J]. Soil & Tillage Research, 2024, 244: 106246.

[31]	冯嘉仪, 储双双, 王婧, 等. 华南地区5种典型林分类型土壤肥力综合评价[J]. 华南农业大学学报, 2018, 39(3): 73-81.

[32]	Feng Jiayi, Chu Shuangshuang, Wang Jing, et al. Comprehensive evaluation of soil fertility of five typical forest stands in South China[J]. Journal of South China Agricultural University, 2018, 39(3): 73-81.

[33]	Gonzaga M I S, Guimares D V, Ricardo E R S, et al. Assessing the impact of pretreated green coconut waste biochar on tropical soil fertility, initial plant growth, and nutrient uptake using PCA analysis[J]. Journal of Soils and Sediments, 2025, 25(4): 1213-1226.

[34]	兰代萍, 谢贤健. 投影寻踪模型在绿地土壤肥力分级评价中的应用[J]. 山西化工, 2022, 42(2): 4-6.

[35]	Lan Daiping, Xie Xianjian. Application of projection pursuit model in grading evaluation of soil fertility in green land[J]. Shanxi Chemical Industry, 2022, 42(2): 4-6.

[36]	王会来, 马嘉伟, 柳丹, 等. 基于主成分-聚类分析的山区果园土壤肥力评价[J]. 果树学报, 2025, 42(5): 1097-1111.

[37]	Wang Huilai, Ma Jiawei, Liu Dan, et al. Evaluation of soil fertility of major hilly orchards based on principal component analysis and cluster analysis[J]. Journal of Fruit Science, 2025, 42(5): 1097-1111.

[38]	王杰, 张春燕, 卢加文, 等. 广安区柑橘土壤养分状况及综合肥力评价[J]. 土壤通报, 2021, 52(6): 1360-1367.

[39]	Wang Jie, Zhang Chunyan, Lu Jiawen, et al. Nutrient status and comprehensive fertility evaluation of the citrus soil in Guang’an District[J]. Chinese Journal of Soil Science, 2021, 52(6): 1360-1367.

[40]	Marzi D, Dell’Acqua F. Satellite-based detection of farmland manuring using machine learning approaches[J]. Remote Sensing, 2025, 17(6): 1028-1028.

[41]	陈浩峰, 方彦奇, 彭江英, 等. 基于伽玛能谱数据土壤肥力因子空间分布预测初探[J]. 土壤通报, 2024, 55(6): 1534-1542.

[42]	Chen Haofeng, Fang Yanqi, Peng Jiangying, et al. Prediction of soil fertility factor spatial distribution using Gamma-ray spectrum data[J]. Chinese Journal of Soil Science, 2024, 55(6): 1534-1542.

[43]	李安琪, 杨琳, 蔡言颜, 等. 基于递归特征消除-随机森林模型的江浙沪农田土壤肥力属性制图[J]. 地理科学, 2024, 44(1): 168-178.

[44]	Li Anqi, Yang Lin, Cai Yanyan, et al. Digital mapping of soil fertility attributes in croplands in Jiangsu, Zhejiang and Shanghai based on recursive feature elimination-random forest model[J]. Scientia Geo-graphica Sinica, 2024, 44(1): 168-178.

[45]	任凤玲, 王谦. 我国土壤健康研究现状与展望[J]. 环境工程技术学报, 2024, 14(5): 1403-1411.

[46]	Ren Fengling, Wang Qian. Current status and prospects of soil health research in China[J]. Journal of Environmental Engineering Technology, 2024, 14(5): 1403-1411.

[47]	吴霞, 蔡进军, 雷金银, 等. 基于文献计量的土壤健康评价研究进展可视化分析[J]. 土壤, 2023, 55(3): 647-657.

[48]	Wu Xia, Cai Jinjun, Lei Jinyin, et al. Visual analysis of research progress in soil health assessment based on bibliometric[J]. Soils, 2023, 55(3): 647-657.

[49]	刘尊方, 雷浩川, 雷蕾. 湟水流域土壤有机质和速效磷空间布局分析[J]. 科学技术与工程, 2022, 22(34): 15095-15102.

[50]	Liu Zunfang, Lei Haochuan, Lei Lei. Analysis on the spatial distribution of soil organic matter and available phosphorus in Huangshui River Basin[J]. Science Technology and Engineering, 2022, 22(34): 15095-15102.

[51]	Mcbratney A B, Santos M L M, Minasny B. On digital soil mapping[J]. Geoderma, 2003, 117(1/2): 3-52.

[52]	贾德伟, 周磊, 王宁, 等. 基于Sentinel-2数据的豫北平原耕作层土壤有机碳估算[J]. 土壤, 2024, 56(4): 866-872.

[53]	Jia Dewei, Zhou Lei, Wang Ning, et al. Estimation of soil organic carbon in plow layer of northern Henan Plain based on Sentinel-2 data[J]. Soils, 2024, 56(4): 866-872.

基金资助

中国地质调查局东北地质科技创新中心区创基金(QCJJ2024-16)

中国地质调查局项目(DD20242535)

PDF (18472KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-24	2026-02-18	2025-11-12
Online Date
2026-05-27

摘要