不同方法预测苏南农田土壤有机质空间分布对比研究

准确把握土壤有机质(SOM)的空间分布规律对于土壤资源的高效持续利用具有重要意义。以江苏南部为研究区,以辅助因子与SOM的相关性强弱及辅助因子的可获取性为切入点,运用普通克里格(OK)、回归克里格(RK)和随机森林(RF)方法,结合地形、气候、土壤类型、土壤理化性质和施肥、碳投入等辅助数据预测了苏南地区农田SOM含量(0~20 cm)的空间分布。结果表明,三种方法预测的SOM空间分布总体趋势相似,表现为东高西低,但局部分异还存在差异;OK预测的精度最低,100次预测的均方根误差(RMSE)均值为6.97 g·kg~(-1)。RK和RF的预测精度则均高于OK方法,表现为整合与SOM相关性最强的辅助因子全氮(TN)时,RK和RF预测的RMSE分别降低至5.25 g·kg~(-1)和4.97 g·kg~(-1),而移除相关性最强的辅助因子TN后,RK和RF预测的RMSE亦较OK方法低,分别为6.21 g·kg~(-1)和6.29 g·kg~(-1);移除TN后,RK的预测精度稍高于RF,表明在其他辅助数据与SOM相关性相对较弱的条件下,RK方法有助于提高本研究区SOM预测精度;同时,尽管RK和RF的预测精度依然较OK高,但RK和RF对SOM方差的解释度则分别由51%和55%降低至了29%和28%。这表明,目前容易获取且相对廉价的辅助数据,对本研究区的SOM空间预测方面,还面临着数据质量低、预测精度不足等问题。     

平原丘陵过渡区土壤有机质空间变异及其影响因素

研究土壤有机质(SOM)在平原丘陵过渡区域的空间变异规律及其影响因素对指导农业生产实践具有重要意义。选取平原丘陵过渡区域(江汉平原与鄂西山区)作为研究区,采集500个土壤表层(0~20 cm)样本,利用相关分析和逐步回归分析从14个影响因素中选取与土壤有机质密切相关的7个变量作为解释变量:高程、坡度、坡向、有效铁、容重、砾石度、黏粒含量。利用普通克里格(OK),回归克里格(RK)和地理加权回归克里格(GWRK)方法对研究区土壤有机质含量进行预测,并用平均误差(ME)、平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(r)和不精确度(IP)作为验证指标来检验模型的预测精度。结果表明,GWRK插值结果最优,局部空间回归模型可以更好地表明过渡区域SOM的空间变异规律。且GWR模型的系数空间分布图可以反映环境变量在不同地理位置对SOM的空间非平稳性的影响程度,为探讨SOM在不同地形条件下的主导影响因子提供了依据,同时也为精确模拟过渡地带土壤有机质空间制图提供了重要的参考方法。     

大尺度采样下不同模型方法预测土壤全氮空间分布研究——以海南岛为例

在大区域尺度、有限土壤样点情况下,为探索准确预测土壤属性的方法,以海南岛为研究区,采用近似网格采样方法,采集130个样点,用多元线性回归(MLR)、普通克里格(OK)和回归克里格(RK)3种模型方法进行土壤全氮预测,并以29个验证点比较了预测精度。结果显示:1)对较大区域进行土壤全氮的空间分布的预测精度为OKRKMLR;2)3种模型对土壤全氮含量空间预测分布趋势基本一致,总趋势为岛内自东向西方向逐渐降低;3)0~5 cm土壤全氮含量与土地利用方式呈极显著相关关系,0~20 cm土壤全氮含量与归一化植被指数呈显著相关,20~40、40~60 cm土壤全氮含量与归一化植被指数、坡度呈极显著或显著相关。     

黄土高原不同地貌区农田土壤有机质预测方法研究

  【目的】  开展黄土高原不同地貌区农田土壤有机质 (SOM) 预测方法研究,探讨不同预测方法在不同区域的适用性及不确定性,以便更准确地估算农田SOM空间分布特征,对土壤资源高效利用和农田精细化管理具有重要意义。  【方法】  在黄土高原3种典型地貌区进行试验,包括丘陵沟壑区 (庄浪县)、高塬区 (宁县) 和平原区 (武功县),分别布设样点3788、4048和3860个,分析农田土壤0—20 cm SOM含量。运用地统计学理论,分析各典型区SOM空间分布特征。提取原始样本75%为建模点,其余25%为验证点,利用普通克里格 (OK)、随机森林 (RF) 和随机森林+普通克里格 (RF + OK) 等方法,结合土壤类型、地形、气候、植被、人类活动等多源影响因子,对SOM分布进行空间预测,并对预测结果进行误差分析和空间结构检验,明确各方法的不确定性。  【结果】  丘陵沟壑区、高塬区、平原区SOM平均含量分别为14.29、13.15、14.48 g/kg,均属于较低水平;变异系数分别为18.96%、19.54%、26.71%,呈中等变异;块金效应分别为8.60%、17.41%和10.01%,受随机性和结构性因子共同作用,且受后者影响更大;丘陵沟壑区和平原区SOM含量的Moran’s I分别为0.26和0.14,Z[I]分别为26.56和13.51,存在显著空间自相关性,而高塬区SOM含量Moran’s I为0.02,Z[I]为1.55,不存在空间自相关性。丘陵沟壑区、高塬区、平原区SOM含量空间分布分别受温度、海拔、降水影响最大。在平原区,RF + OK法较RF法和OK法,MSE、RMSE、MAE等误差均最小,实测值与预测值的相关系数 (r) 最高,预测值的空间结构与实测值更接近。高塬区SOM空间分布无规律,OK法在该区域不适用,RF法和RF+OK法的各项误差无明显差异,但RF法的r更高,且预测值的空间结构更符合宁县实际特征。在平原区,OK法预测结果的不确定性较大,RF和RF + OK方法各项误差和r均无明显差异,但RF方法预测值的空间结构与实测值更接近,且较其它两个地区,其SOM变异性及建模点和验证点的各项误差均最大。  【结论】  在不同地貌区,环境要素、空间结构不同,同一预测方法的预测精度存在差异,平原区较丘陵沟壑区和高塬区,其空间预测结果的不确定性更大。在同一地貌区,3种预测方法的预测结果存在差异,丘陵沟壑区使用RF + OK法预测SOM空间分布效果较好,而高塬区和平原区则用RF法较好。当区域SOM存在显著空间相关性,且半方差函数的拟合度较高、残差较小时,采用RF + OK方法可显著提高模型预测精度。     

消减残差自相关性的县域土壤有机质整合模型预测研究

提升土壤属性空间预测精度对实现农田精准施肥和保护生态环境具有重要意义。利用河北省滦平县采集的1773个样点耕地表层(0～20 cm)土壤有机质(SOM)及其地理环境数据，通过逐步回归分析方法筛选出最优环境变量；基于其中1426个农田样点分别建立多元线性回归(Multiple Linear Regression，MLR)、随机森林(Random Forest, RF)、贝叶斯正则化神经网络(Bayesian regularization, BRNNBP)以及与普通克里格(OK)整合模型 (MLR-OK、RF-OK和BRNNBP-OK)预测SOM空间分布,以其余347个样点数据为测试集检验分析不同模型预测精度,并对模型残差进行半方差函数和空间自相关分析以评价模型拟合效果。结果表明，研究区耕地表层土壤SOM处在8.62~35.64 g·kg-1变化区间，变异系数为20.26%，属中等程度空间变异；SOM高值区主要分布在东北及东南海拔较高地区，低值区多分布在西南及中部河谷地区；海拔、坡度和年均温度与SOM关系密切(P<0.001)；整合模型BRNNBP-OK的平均绝对误差MAE和均方根误差RMSE最低分别为2.162 g·kg-1和2.801g·kg-1，相较于OK、MLR、RF、BRNNBP、MLR-OK和RF-OK预测模型，R2提升1.81%~30.42%，成为SOM空间预测优选模型。与单一模型相比，整合模型残差块金系数大于0.75，Moran"s I指数均小于0且数值更趋近于0，表明整合模型残差空间自相关性减弱且空间分布呈离散状态。同时，各模型精度与模型残差Moran"s I指数呈显著相关。因此，整合模型可以拟合更多的趋势项，模型残差空间聚集性降低甚至趋于离散时，模型总体精度提升，揭示了模型精度提升的内在原因。     

基于GIS和随机森林算法的宁东土壤饱和导水率分布与预测

为探明宁东土壤饱和导水率(Ks)的空间分布特征,在宁东采集136个原状土,采用经典统计和地统计方法分析土壤Ks的空间结构特征,并以地形因子、土壤属性等作为辅助变量,运用随机森林法(RF)、普通克里格法(OK)和逐步回归克里格法(RK)对区域土壤Ks进行预测并对3种方法的预测结果进行精度评价。结果表明:Ks介于0.05~7.13 mm/min,平均值为1.46 mm/min,变异系数为106.86%;Ks与容重、孔隙度、高程、坡度、坡向、平面曲率和剖面曲率在不同滞后距离下具有自相关关系和交互相关关系;土壤Ks块金值为38,表明随机因素引起的土壤Ks变异性较大,空间异质比为15.32%,在空间上呈现强变异性;RF法的预测精度最高,其平均相对误差(MRE)和均方根误差(RMSE)绝对值均为最小,相比OK和RK方法预测精度分别提高了5.53%和2.49%,且对局部细节的描述更准确、模拟效果最佳。RF法可以较为准确的预测宁东土壤Ks,为了解研究区土壤水文过程及林草植被建设提供数据参考。     

基于土壤变异解释力的几种土壤制图方法的对比研究——以南阳市1m土体土壤有机碳密度制图为例

为克服方法的复杂性和数据的详细性解释土壤制图效果的不足,基于土壤变异解释力对多种方法进行对比研究。收集南阳1∶5万土壤类型图、30 m分辨率数字高程模型和TM影像,计算出高程、坡度、坡向、归一化植被指数(NDVI)、穗帽变换的湿度(TCW)参数等,以439个土壤剖面为训练数据,分别按土壤类型连接法(SCLM)、加权最小二乘法(WLS)回归、地理权重(GWR)回归、随机森林(RF)、普通克里格(OK)、回归克里格(RK)进行1m土体土壤有机碳密度(SOCD)制图,其余49个土壤剖面作为验证集。结果表明:(1)对SOCD变异的解释力是影响制图效果的本质因素。土壤类型、土壤表层有机质(OM)是主要预测变量,SCLM、WLS和GWR均只能利用其中一种主要变量,土壤图的详细化和回归模型的复杂化均不能明显改善SOCD制图效果。基于土属和OM变量,RF对SOCD变异的解释力最强,预测效果最优;地统计学空间变异函数对SOCD变异的解释力大于回归模型,小于RF,而与土壤类型相当,其相对制图效果亦如此。(2)预测变量建模和空间相关是两类不同的土壤变异解释机制,RK未必能使它们产生最佳组合:只有WLS回归、GWR回归和缺乏土壤类型信息的RF(OM+TCW)适合RK算法,在原始模型中它们对训练数据的拟合效果依次升高,但其RK结果的优劣排序则相反;所有RK的结果均未达到土属和OM参与下RF制图的精度。     

黑河中游荒漠绿洲过渡带斑块植被区土壤水分与有机质空间变异特征

以黑河中游荒漠绿洲过渡带斑块植被区土壤为研究对象,对土壤含水量与土壤有机质含量空间变异特征及两者相关性进行研究,并对土壤含水量和土壤有机质含量的空间变异函数模型进行拟合。结果表明:(1)20~40 cm土层的土壤含水量空间变异性最为强烈,C_V=1.780;而40~60 cm土层的土壤有机质含量空间变异性最为强烈,C_V=0.561。(2)0~120 cm土层的土壤含水量空间变异函数理论模型均为指数模型;0~60 cm土层的土壤有机质含量空间变异函数理论模型为纯块金模型;而60~120 cm土层的土壤有机质含量空间变异函数理论模型为指数模型和球状模型。(3)土壤含水量和土壤有机质含量均随土层深度的增加而相应的增加,且二者之间呈显著对数相关关系,R~2=0.9597。     

基于地形因子和随机森林的丘陵区农田土壤有效铁空间分布预测

为了掌握丘陵地区农田土壤有效铁含量及其空间分布,本文以重庆市江津区永兴镇内同源成土母质的典型丘陵(2 km2)为研究区,采集309个土壤样点,利用普通克里格(Ordinary Kriging,OK)、多元线性回归(Multiple Linear Regression,MLR)、随机森林(Random Forest,RF)模型,结合高程、坡度、坡向、谷深、平面曲率、剖面曲率、汇聚指数、相对坡位指数、地形湿度指数等地形因子对土壤有效铁进行空间分布预测,并通过85个验证点评价、筛选预测模型。结果表明:1)土壤有效铁与谷深、地形湿度指数存在极显著水平正相关关系,与坡度、平面曲率、剖面曲率、汇聚指数、相对坡位指数存在极显著水平负相关关系。2)随机森林模型的预测精度明显高于多元线性回归和普通克里格插值,其平均绝对误差为22.33 mg·kg-1、均方根误差为27.98 mg·kg-1、决定系数为0.76,是研究区土壤有效铁含量空间分布的最适预测模型。3)地形湿度指数和坡度是影响该区域土壤有效铁含量空间分布的主要地形因子。土壤有效铁与坡度、谷深、平面曲率、剖面曲率、汇聚指数、相对坡位指数、地形湿度指数均达到极显著水平相关关系。4)研究区土壤有效铁含量范围为3.00~276.97 mg?kg-1,水田有效铁含量大于旱地;土壤有效铁具有较强的空间相关性,土壤有效铁含量空间变异主要受到结构性因素的影响。可见,基于地形因子的随机森林预测模型可以较好地解释丘陵区农田土壤有效铁含量的空间变异,研究结果为丘陵区土壤中、微量元素含量及空间分布预测提供方法借鉴和理论依据。     

复杂地形区土壤有机质空间变异性分析及制图

数字土壤制图作为获取土壤属性空间分布的一种新方法,目前已成为土壤科学的研究热点。探究土壤有机质在复杂地形区的空间变异特征及其空间分布制图,可为土地利用合理规划与管理、精准农业及生态环境模拟等提供有价值的数据。复杂地形区由于其地形起伏大,地貌类型多样以及采样点获取难度大等,对土壤属性制图带来一定的困难,也使得获取的属性空间分布图很难用于实际的使用。基于湟水流域2016年10—11月份采集的0—20 cm的253个土壤表层数据,采用GIS与地统计学相结合的方法,研究协同克里格(COK)、地理加权回归克里格(GWRK)以及结合土地利用类型的均值、中值修正协同克里格4种方法在湟水流域的预测精度并进行比较,旨在探索复杂地形区土壤有机质制图中地统计学方法的适用性。结果表明:(1) 4种插值方法对SOM的解释能力均较优,均可用于复杂地形区土壤有机质制图。(2)均值、中值修正协同克里格方法与地理加权回归克里格模型准确度分别为0.905,0.923,0.909,中值修正协同克里格精度最高,未考虑土地利用类型的协同克里格插值精度最低,为0.883。(3)有机质的变异系数为90.90%,存在中等空间变异性;表明其空间变异主要受土壤母质、土壤类型与土地利用管理方式、施肥等共同影响。(4) 4种方法预测图表明湟水流域的SOM高值主要分布在大通县西北部、海晏县南部等地,低值主要分布在民和县东南部等地;整体来看研究区SOM含量有利于农业发展。     

基于土壤－地形关系的合理样点对土壤有机质空间预测的影响

针对土壤精细化管理体系中合理样点数及空间预测优化问题,本文将基于土壤－地形关系,探讨了不同采样方式下以局部样点数量为代表提供最优数据的可能性。以地统计学、土壤－地形关系、地理加权回归克里格（GWRK）模型为基础,经系统格网、地形单元分区和地形起伏度最佳统计单元等三种采样方式分析合理样点集的空间分布对土壤有机质空间预测精度的影响。结果表明:（1）确定地形起伏度最佳统计单元大小为10 × 10像元,且平原区样点分布最为密集,合理样点数为1656;（2）高程、坡向、地形位置指数、相对位置指数、地形起伏度是影响土壤有机质空间变异的主要因素,能够解释研究区内有机质含量空间变异的69.2%;（3）GWRK模型精度均比普通克里金插值（OK）精度高,且山脊、背坡、陡坡、坡脚等坡位内合理样点数分别为39、481、9、28。在样点数最多时（n = 2806）,GWRK精度提高幅度及样点数量对预测结果影响有限。当样点数量减少时,有机质预测值空间分布的局部变异性随样点数减少而减少。因此,不同采样方式下合理样点集明显影响有机质预测精度,但预测结果分布趋势相似,仍可完整表征土壤有机质空间分布的空间格局。     

Do model choice and sample ratios separately or simultaneously influence soil organic matter prediction?

This study was performed to examine the separate and simultaneous influence of predictive models’ choice alongside sample ratios selection in soil organic matter (SOM). The research was carried out in northern Morocco, characterized by relatively cold weather and diverse geological conditions. The dataset herein used accounted for 1591 soil samples, which were randomly split into the following ratios: 10% (～150 sample ratio), 20% (～250 sample ratio), 35% (～450 sample ratio), 50% (～600 sample ratio) and 95% (～1200 sample ratio). Models herein involved were ordinary kriging (OK), regression kriging (RK), multiple linear regression (MLR), random forest (RF), quantile regression forest (QRF), Gaussian process regression (GPR) and an ensemble model. The findings in the study showed that the accuracy of SOM prediction is sensitive to both predictive models and sample ratios. OK combined with 95% sample ratio performed equally to RF in conjunction with all the sample ratios, as the latter did not show much sensitivity to sample ratios. ANOVA results revealed that RF with a ～10% sample ratio could also be optimum for predicting SOM in the study area. In conclusion, the findings herein reported could be instrumental for producing cost-effective detailed and accurate spatial estimation of SOM in other sites. Furthermore, they could serve as a baseline study for future research in the region or elsewhere. Therefore, we recommend conducting series of simulation of all possible combinations between various predictive models and sample ratios as a preliminary step in soil organic matter prediction.     

Spatial prediction of soil nutrient in a hilly area using artificial neural network model combined with kriging

It is widely recognized that using correlated environmental factors as auxiliary variables can improve the prediction accuracy of soil properties. In this study, a radial basis function neural network (RBFNN) model combined with ordinary kriging (OK) was proposed to predict spatial distribution of four soil nutrients based on the same framework used by regression kriging (RK). In RBFNN_OK, RBFNN model was used to explain the spatial variability caused by the selected auxiliary factors, while OK was used to express the spatial autocorrelation in RBFNN prediction residuals. The results showed that both RBFNN_OK and RK presented prediction maps with more details. However, RK does not always obtain mean errors (MEs) which were closer to 0 and lower root mean square errors (RMSEs) and mean relative errors (MREs) than OK. Conversely, MREs of RBFNN_OK were much closer to 0 and its RMSEs and MREs were relatively lower than OK and RK. The results suggest that RBFNN_OK is a more unbiased method with more stable prediction performance as well as improvement of prediction accuracy, which also indicates that artificial neural network model is more appropriate than regression model to capture relationships between soil variables and environmental factors. Therefore, RBFNN_OK may provide a useful framework for predicting soil properties.     

海伦市耕层土壤有机质含量空间预测方法研究

有机质含量是表征土壤肥力质量的重要属性,其空间分布模式对于施肥等耕作管理措施的推荐具有重要的指导意义。本文以我国黑土区黑龙江省海伦市为研究区域,在土壤采样点数量较有限的情况下,分别采用普通克里格、反距离权重、遥感反演和基于土壤学专业知识四种方法对耕层土壤有机质含量进行了空间预测。结果表明:四种方法表征的海伦耕地土壤有机质含量空间分布特征具有相似性,即由东北向西南方向递减。空间预测精度从高到低依次为反距离权重、普通克里格、基于土壤学专业知识和遥感反演法;而在有机质的局部变异细节表达方面,从高到低为遥感反演、基于土壤学专业知识、反距离权重和普通克里格法。四种方法中仅遥感反演法预测结果的极差范围较宽,普通克里格法则存在明显的平滑效应,而综合比较结果则表明,最合适的方法是基于土壤学专业知识的方法。     

优化光谱输入量的土壤有机质随机森林预测模型

以往的土壤有机质预测研究往往只提取一种光谱输入量,忽略了不同光谱输入量之间的互补性。为探究光谱输入量在预测土壤有机质时的最佳组合,以及不同光谱输入量在离散小波变换不同分解尺度下的变化趋势,该研究以宝清县土壤有机质为研究对象,对光谱反射率进行离散小波变换,对各个分解尺度下的特征光谱提取光谱特征参数、光谱指数以及主成分并分别组合,基于8种光谱输入量建立随机森林模型进行土壤有机质预测。结果表明：1)利用不同光谱输入量预测有机质的精度均高于直接使用光谱反射率建模的精度,将不同光谱输入量组合可以提升预测效果,单个光谱输入量中主成分的预测效果最好,组合中光谱特征参数和主成分的组合预测效果最好;2)随着分解尺度的变化,不同光谱输入量的预测精度的变化趋势也不同,并且单个光谱输入量的变化趋势也会影响该光谱输入量组合的变化趋势;3)所有预测结果中,精度最高的是分解尺度为6时光谱特征参数与主成分的组合,R²达到0.78,均方根误差达到1.32%,可以较好地预测土壤有机质。研究结果说明光谱输入量结合离散小波变换预测土壤有机质是可行的,可以为土壤有机质的预测提供可靠思路。     

基于不同模型的区域尺度耕地表层土壤有机质空间分布预测

研究不同模型对土壤有机质空间预测的性能差异对制定更加科学合理的采样策略、提升采样效率和提高土壤空间预测精度有着重要的指导意义。本研究将6496个土壤样点按8∶2的比例分层随机分成训练集与验证集,应用普通克里格、随机森林以及随机森林－回归克里格三种有代表性的数字化土壤制图（Digital Soil Mapping,DSM）模型,对河南省许昌市耕地表层土壤有机质含量及空间分布进行预测,对三种模型性能表现进行综合评价。三种模型输出的预测结果显示:研究区耕地表层土壤有机质含量水平一般,均值为18.70 ~ 18.81 g kg?1,变异系数0.15 ~ 0.17,属中等强度变异;空间分布总体格局为西北与西南部分山地褐土区、东南部砂姜黑土区表层有机质含量高,中北部脱潮土、石灰性潮土区表层有机质含量低。验证结果表明:三种模型性能表现无明显差距,预测精度基本一致,输出结果对研究区耕地表层土壤有机质变异解释百分比在33% ~ 34%之间,在相同和相近尺度土壤有机质空间预测案例研究里属中等水平。在协变量有限且样点分布较为均匀的情况下,普通克里格模型便于快速获得研究区目标变量的空间分布;如果协变量比较丰富且易于收集利用,或是进行空间预测的同时还需要甄别不同因素对目标变量的影响大小,则建议采用随机森林模型;协变量有限,但样点密度较大时,随机森林－回归克里格模型可能是对目标变量进行空间预测的不错选择。     

基于环境变量的渭干河-库车河绿洲土壤盐分空间分布

土壤属性的数字制图对精准农业生产和环境保护治理至关重要。为了在大尺度上尽可能精确的监测土壤盐分空间变异性,该文使用普通克里格(ordinary kriging,OK)、地理加权回归(geographically weighted regression,GWR)和随机森林(random forest,RF)方法,结合地形、土壤理化性质和遥感影像数据等16个环境辅助变量,绘制渭干河-库车河绿洲表层土壤盐分分布图。基于决定系数(R^2)、均方根误差(RMSE)和平均绝对误差(MAE)验证模型精度。结果表明:不同方法预测的盐分分布趋势没有显著差异,大体上从研究区的西北向东南部方向增加;结合辅助变量的不同预测方法中,RF方法预测精度最高,R^2为0.74,RMSE和MAE分别为9.07和7.90 mS/cm,说明该模型可以有效地对区域尺度的土壤盐分进行定量估算;RF方法对电导率(electric conductivity,EC)低于2 mS/cm时预测精度最高,RMSE为3.96 mS/cm,很好的削弱了植被覆盖对电导率EC的影响。     

基于特征变量与支持向量机回归克里格(SVRK)法的湿地土壤有机质空间变异特征分析

选取适宜变量与有效方法有助于揭示河口湿地土壤有机质的空间异质性,对维护湿地生态平衡和全球碳循环的具有重要作用。以福州市闽江河口湿地为研究区,采用逐步回归分析与主成分分析法筛选显著的特征变量,运用支持向量机回归克里格法(SVROK)分析湿地土壤有机质的空间异质性,并与神经网络克里格法(BPNNOK)、回归克里格法(RK)进行比较。结果表明：归一化植被指数(NDVI)、比值植被指数(RVI)、土壤水分指数(PDI)、汇流累积量(FA)及沉积物移动指数(STI)与土壤有机质含量关系密切,其逐步回归模型的判定系数R_²为0.446,显著性概率值P<0.0001,可转换为3个独立的主成分作为模型的自变量。研究区土壤有机质的空间变异主要受结构性因素影响,呈现出“北低南高”的空间格局,采用SVROK模型的预测精度更高,可较好的体现河口湿地土壤有机质的空间异质特征。该研究可为同类区域的土壤有机质空间特征研究提供方法支撑。