劉加敏 陳敏 劉洋 周廣華 張郁

摘? ? 要：探究耕地土壤質(zhì)量的空間分布及影響因素，為指導(dǎo)農(nóng)戶行為及促進(jìn)農(nóng)業(yè)生態(tài)可持續(xù)發(fā)展提供理論依據(jù)，基于中國(guó)土壤數(shù)據(jù)集（HWSD V2.1），利用主成分分析構(gòu)建耕地土壤質(zhì)量評(píng)價(jià)的最小數(shù)據(jù)集，結(jié)合灰色-TOPSIS多目標(biāo)評(píng)價(jià)模型，對(duì)全國(guó)（港澳臺(tái)除外）耕地土壤質(zhì)量進(jìn)行評(píng)價(jià)，運(yùn)用地理探測(cè)器探索外部因子（年平均降水、年平均溫度、人口密度和GDP）對(duì)耕地土壤質(zhì)量的影響程度。結(jié)果表明：（1）最小數(shù)據(jù)集能有效減少指標(biāo)體系之間的相關(guān)性，改進(jìn)灰色-TOPSIS方法一定程度上提高耕地土壤質(zhì)量評(píng)估的準(zhǔn)確性；（2）根據(jù)耕地土壤質(zhì)量評(píng)價(jià)結(jié)果，將耕地質(zhì)量分為5個(gè)等級(jí)，從全國(guó)范圍來(lái)看，長(zhǎng)江中下游區(qū)、華南區(qū)耕地土壤質(zhì)量較好，而黃土高原區(qū)、青藏高原區(qū)、內(nèi)蒙古高原區(qū)耕地土壤質(zhì)量則較差；（3）從地理探測(cè)器結(jié)果來(lái)看，年平均溫度與年平均降水量共同對(duì)耕地土壤質(zhì)量的解釋程度大的省份共有20個(gè)，遠(yuǎn)遠(yuǎn)大于其他兩兩因子共同對(duì)耕地土壤的解釋程度，2個(gè)因素交互作用效果大于單因子對(duì)耕地土壤質(zhì)量的影響。綜上，年平均降水量和年平均溫度是影響耕地土壤綜合質(zhì)量的主要因素。

關(guān)鍵詞：最小數(shù)據(jù)集；灰色-TOPSIS；土壤質(zhì)量評(píng)價(jià)；地理探測(cè)器

中圖分類號(hào)：S158? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ?DOI 編碼：10.3969/j.issn.1006－6500.2024.05.013

Evaluation of National Arable Land Soil Quality and Influencing Factors by Combining Minimum Dataset and Improved Gray TOPSIS

LIU Jiamin1，2，3， CHEN Min1，2，3， LIU Yang1，2，3， ZHOU Guanghua1，2，3， ZHANG Yu1，2，3

（Guangzhou Urban Planning Survey and Design Research Institute Company Limited， Guangzhou， Guangdong 510060， China）

Abstract：In order to explore the spatial distribution and influencing factors of arable soil quality and provide a theoretical basis for guiding farmers' behaviour and promoting sustainable agroecological development. Based on the China Soil Dataset （HWSD V2.1）， the minimum dataset for the evaluation of arable soil quality was constructed using principal component analysis， and combined with the grey-TOPSIS multi-objective evaluation model， the soil quality of arable land in the whole country （except Hong Kong， Macao and Taiwan） was evaluated. Geo-detectors were used to explore the degree of influence of external factors （mean annual precipitation， mean annual temperature， population density and GDP） on the soil quality of arable land. The results showed that： （1） the minimum data set could effectively reduce the correlation between indicator systems， and the improvement of the grey-TOPSIS method improved the accuracy of the arable land soil quality assessment to a certain extent. （2） According to the results of arable land soil quality assessment， the quality of arable land was classified into five grades， and from a national perspective， the quality of arable land soil was better in the middle and lower reaches of the Yangtze River and in South China， while the quality of arable land soil was worse in the Loess Plateau Zone， the Qinghai-Tibet Plateau Zone， and the Inner Mongolia Plateau Zone. （3） From the results of the geodetector， the average annual temperature and average annual precipitation together explained the quality of arable soil to a greater extent in 20 provinces， which was much greater than that explained by the other two factors together， and the interaction effect of the two factors was greater than that of a single factor on the quality of arable soil. In conclusion， average annual precipitation and average annual temperature were the main factors affecting the comprehensive quality of arable soils.

Key words： minimum data set; gray-TOPSIS; soil quality assessment; geoprobe

土壤是人類生存發(fā)展的物質(zhì)基礎(chǔ)和重要的戰(zhàn)略資源，而耕地土壤質(zhì)量可以反映施肥和農(nóng)作物營(yíng)養(yǎng)元素吸收綜合作用下土壤養(yǎng)分含量演變趨勢(shì)[1]，是落實(shí)“藏糧于地、藏糧于技”戰(zhàn)略、守住耕地紅線、保障國(guó)家糧食安全的重要指標(biāo)[2]。因此，開(kāi)展對(duì)耕地土壤質(zhì)量評(píng)價(jià)及探索影響耕地土壤質(zhì)量因素的研究具有重要意義。

傳統(tǒng)的耕地土壤質(zhì)量評(píng)價(jià)方法在選取指標(biāo)時(shí)，未考慮指標(biāo)之間的相關(guān)性[3]且多采用主觀性較強(qiáng)的層次分析法和模糊評(píng)價(jià)方法[4]，缺乏客觀性。而改進(jìn)灰色-TOPSIS多目標(biāo)評(píng)價(jià)模型能改善這種不足。同時(shí)，耕地土壤質(zhì)量評(píng)價(jià)研究尺度多聚焦于省級(jí)/地區(qū)、流域/集水區(qū)、景觀/農(nóng)場(chǎng)、田塊、多尺度5個(gè)類別，目前關(guān)于國(guó)家尺度的研究均以土種為評(píng)價(jià)單元，并未有全國(guó)尺度的土壤質(zhì)量分布特征的研究。

采用方差分析等傳統(tǒng)統(tǒng)計(jì)方法進(jìn)行影響因素分析需要滿足很多假設(shè)的條件[5-7]，并且需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，很少考慮到數(shù)據(jù)的空間屬性特征。王勁峰等[8]在利用空間方差理論構(gòu)建了地理探測(cè)器模型，不僅能探測(cè)地理因素之間的空間相關(guān)性，還可以探測(cè)影響因子的交互作用。與傳統(tǒng)統(tǒng)計(jì)學(xué)方法相比，地理探測(cè)器可以更加全面客觀地分析土壤質(zhì)量空間分布的特征和機(jī)理[9]。目前已有利用地理探測(cè)器探究影響土壤重金屬空間分布的因子的研究[10-11]。因此，通過(guò)地理探測(cè)器能更加科學(xué)地分析影響土壤質(zhì)量空間差異的因素。

1 材料與方法

1.1 研究區(qū)概況

我國(guó)的山脈大多呈東西走向或者東北—西南走向。我國(guó)西部有“世界屋脊”之稱的青藏高原是我國(guó)地勢(shì)的第一級(jí)階梯。我國(guó)地勢(shì)的第二級(jí)階梯是內(nèi)蒙古、新疆地區(qū)、黃土高原、四川盆地和云貴高原。我國(guó)地勢(shì)的第三級(jí)階梯多為平原和丘陵。全國(guó)主要有15種土壤類型，主要包含磚紅壤、赤紅壤、紅黃壤、高山漠土等。我國(guó)由南向北土壤分布狀況：磚紅壤—赤紅壤—紅壤、黃壤—黃棕壤—棕壤—暗棕壤—漂灰土。我國(guó)由東向西土壤分布狀況：黑土—灰褐土—栗鈣土—棕鈣土—灰漠土。我國(guó)主要的農(nóng)業(yè)耕作區(qū)在東北平原、華北平原和長(zhǎng)江中下游平原三大平原。除此以外，我國(guó)還有珠江三角洲、臺(tái)灣西部平原等重要的農(nóng)業(yè)耕作區(qū)。本研究將主要對(duì)全國(guó)（港澳臺(tái)除外）的耕地土壤質(zhì)量及影響因素進(jìn)行研究。

1.2 數(shù)據(jù)來(lái)源

本研究主要包括的數(shù)據(jù)：全國(guó)土壤理化指標(biāo)數(shù)據(jù)來(lái)源于世界土壤數(shù)據(jù)庫(kù)（HWSD）的中國(guó)土壤數(shù)據(jù)集（v1.2），空間分辨率為1 km；土地利用現(xiàn)狀數(shù)據(jù)來(lái)源于地理國(guó)情監(jiān)測(cè)云平臺(tái)，其空間分辨率為1 km；歸一化植被指數(shù)數(shù)據(jù)：時(shí)間分辨率是15 d，空間分辨率是8 km，數(shù)據(jù)來(lái)源于國(guó)家青藏高原科學(xué)數(shù)據(jù)中心網(wǎng)站[12-13]；中國(guó)省級(jí)行政邊界數(shù)據(jù)、年平均溫度數(shù)據(jù)、年平均降水量數(shù)據(jù)、人口密度數(shù)據(jù)、GDP數(shù)據(jù)均來(lái)源于資源環(huán)境科學(xué)與數(shù)據(jù)中心。

1.3 研究方法

1.3.1 最小數(shù)據(jù)集的建立 最小數(shù)據(jù)集是對(duì)每個(gè)指標(biāo)的統(tǒng)計(jì)特征和可變性以及不同指標(biāo)之間的相關(guān)性進(jìn)行了評(píng)估，評(píng)估結(jié)果用于確定從預(yù)選指標(biāo)中篩選每個(gè)指標(biāo)的必要性。如果存在數(shù)據(jù)冗余，用PCA對(duì)指標(biāo)進(jìn)行分組，只選取特征值≥1的分量。同一組分中負(fù)荷≥0.5的指標(biāo)歸為一組。如果指標(biāo)在不同成分中的負(fù)荷≥0.5，則將該指標(biāo)歸入與其他指標(biāo)相關(guān)性最低的一組。如果一個(gè)指標(biāo)與同一組中其他指標(biāo)相關(guān)，并且所有的相關(guān)性≤0.3，則將該指標(biāo)分為單獨(dú)的組。計(jì)算每個(gè)指標(biāo)的向量范數(shù)值來(lái)篩選指標(biāo)，范數(shù)值代表一個(gè)指標(biāo)在所有組件中的綜合負(fù)載。

式中，Nij是特征值≥1的所有元件中指示器i的綜合載荷；Uik是元件k中指示器i的載荷；λk是元件k的特征值。

1.3.2 改進(jìn)灰色-TOPSIS模型 灰色-TOPSIS法是多目標(biāo)決策分析中常用的評(píng)價(jià)方法。但該方法在對(duì)喜好程度參數(shù)進(jìn)行設(shè)定時(shí)存在一定的主觀性，本研究通過(guò)先遍歷灰色-TOPSIS法模型中的喜好程度參數(shù)，從不同參數(shù)下得到的評(píng)價(jià)結(jié)果中選出最符合實(shí)際情況的，作為最終的耕地土壤質(zhì)量評(píng)價(jià)結(jié)果。其計(jì)算的過(guò)程參照王國(guó)振等[14-15]的研究方法，喜好程度參數(shù)遍歷過(guò)程如下：

計(jì)算過(guò)程中，為更加量化觀測(cè)樣本與理想解之間的偏差，特引入逼近程度值Ri，即

Ri+=λ1di ++λ1ki +（2）

Ri-=λ1di -+λ2ki -（3）

式中，i=1，2，...，m；λ反映主觀決策者的喜好程度，且λ1+λ2=1，對(duì)λ進(jìn)行遍歷（λ1=0.1，λ2=0.9；…；λ1=0.9，λ2=0.1）。

1.3.3 地理探測(cè)器 地理探測(cè)器是可以探測(cè)空間分異性、揭示其背后驅(qū)動(dòng)力的一種統(tǒng)計(jì)學(xué)方法，其核心思想基于假設(shè)：假設(shè)某個(gè)解釋變量對(duì)某個(gè)被解釋變量有重要影響，則解釋變量和被解釋變量在空間分布規(guī)律上有一定的相似[8]。地理探測(cè)器的優(yōu)勢(shì)在于可以探測(cè)2個(gè)解釋變量對(duì)被解釋變量的交互作用。地理探測(cè)器包含4個(gè)探測(cè)器：因子探測(cè)、交互作用探測(cè)、風(fēng)險(xiǎn)區(qū)探測(cè)、生態(tài)探測(cè)。本研究主要使用因子探測(cè)和交互作用探測(cè)對(duì)解釋變量與被解釋變量進(jìn)行相關(guān)性分析。

因子探測(cè)器：探測(cè)某因子X(jué)多大程度上解釋了屬性Y的空間分異性，用q值度量。表達(dá)式為：

式中，L為土壤質(zhì)量及影響因素的分類數(shù)；Nh和N分別為類h和全區(qū)的樣點(diǎn)量；σh 2和σ2分別為類h和全區(qū)的方差；q的值域?yàn)閇0，1]，值越大表明影響因素對(duì)土壤質(zhì)量空間差異的解釋力越強(qiáng)；q值表示X解釋了100×q%的Y。q值的一個(gè)簡(jiǎn)單變換滿足非中心F分布：

式中，λ為非中心參數(shù)；Yh? ?為層h的均值。λ值可以檢驗(yàn)q值是否顯著。

2 結(jié)果與分析

2.1 建立最小數(shù)據(jù)集

通過(guò)PCA可以將指標(biāo)分為5組，對(duì)各指標(biāo)的Norm值進(jìn)行計(jì)算，將組內(nèi)中大于最大Norm值的90%的指標(biāo)留下，最后選取了6個(gè)指標(biāo)（碎石體積百分比、沙含量、容重、有機(jī)碳含量、交換性鹽基、電導(dǎo)率）作為本次土壤質(zhì)量評(píng)價(jià)的最小數(shù)據(jù)集（表1）。

2.2 耕地土壤質(zhì)量評(píng)價(jià)

采用改進(jìn)灰色-TOPSIS評(píng)價(jià)方法，結(jié)合《中國(guó)耕地質(zhì)量等級(jí)調(diào)查與評(píng)定》[16]中我國(guó)耕地質(zhì)量等級(jí)在空間上的變化規(guī)律（耕地從南到北，隨著緯度的升高，等別總體上呈下降的趨勢(shì)；從東到西，隨著經(jīng)度的降低，等別總體上呈下降的趨勢(shì)；從西北到東南，等別總體上呈上升的趨勢(shì)），利用排除法得到λ1=0.9，λ2=0.1時(shí)的耕地土壤質(zhì)量評(píng)價(jià)結(jié)果，將其作為最終的評(píng)價(jià)結(jié)果，可以在一定程度上提高評(píng)估的準(zhǔn)確性。最后，采用自然斷點(diǎn)法將耕地土壤質(zhì)量分為I-V等級(jí)，I級(jí)最優(yōu)，V級(jí)最劣。

評(píng)價(jià)結(jié)果顯示，耕地土壤質(zhì)量較好的地區(qū)主要分布在東北地區(qū)、華中地區(qū)、華南地區(qū)和華東地區(qū)。東北地區(qū)中黑龍江西部及吉林西北部地區(qū)的土壤質(zhì)量較好；華中地區(qū)中河南北部以及湖南西南部的耕地土壤質(zhì)量較差，其中，耕地土壤質(zhì)量最差的地區(qū)位于新疆和內(nèi)蒙古，其次是西藏和青海，廣西和海南局部地區(qū)土壤質(zhì)量也較差，其他省份均處于中等甚至偏上水平。

2.3 耕地土壤質(zhì)量影響因素分析

2.3.1 因子探測(cè)分析 通過(guò)裁剪、重分類、重投影、多值提取至點(diǎn)操作，對(duì)耕地土壤質(zhì)量與人口密度、GDP、年平均溫度和年平均降水量進(jìn)行因子探測(cè)分析，各省的探測(cè)結(jié)果如表2所示。

各省份q（人口）范圍為0.07%～17.35%，q（GDP）范圍為0.07%～9.49%。其中，人口對(duì)耕地土壤質(zhì)量解釋程度較大的省份是寧夏、黑龍江，解釋程度較低的是新疆、四川、重慶等。GDP對(duì)耕地土壤質(zhì)量解釋程度較大的省份是上海，解釋程度較小的省份有新疆、甘肅和青海等。就社會(huì)經(jīng)濟(jì)因子而言，寧夏的人口因子對(duì)耕地土壤質(zhì)量的解釋程度最大，為17.35%，上海的GDP因子對(duì)耕地土壤質(zhì)量的解釋程度最大，為9.49%。

各省份q（溫度）范圍為0.1%～17.64%，q（降水）范圍為0.34%～16.43%。其中，年平均溫度對(duì)耕地土壤質(zhì)量解釋程度較大的省份是內(nèi)蒙古、吉林和福建等，解釋程度較低的是甘肅、重慶、云南和江西。年平均降水量對(duì)耕地土壤質(zhì)量解釋程度較大的省份有西藏、青海、寧夏和海南等，解釋程度較小的省份有四川、重慶、山東和吉林。就氣候因子而言，海南省耕地土壤質(zhì)量受溫度影響最大，解釋程度達(dá)到17.64%，上海耕地土壤質(zhì)量受降水影響最大，解釋程度達(dá)到16.43%。

2.3.2 交互探測(cè)分析 對(duì)全國(guó)各省各因子進(jìn)行交互探測(cè)分析，對(duì)交互得到的q值最大的因子進(jìn)行統(tǒng)計(jì)，如表3所示。溫度與降水共同對(duì)耕地土壤質(zhì)量的解釋程度大的省份共有20個(gè)，人口與降水解釋程度大的省份共有9個(gè)，GDP與溫度解釋程度大的省份有1個(gè)，人口和溫度解釋程度大的省份有1個(gè)，GDP和降水解釋程度大的省份有1個(gè)。因此，影響全國(guó)耕地土壤綜合質(zhì)量的因素主要有年平均降水量和年平均溫度，同時(shí)2個(gè)因子交互作用均大于單因子對(duì)耕地土壤質(zhì)量的影響。以溫度與其他因子的交互探測(cè)分析為例：溫度與降水對(duì)耕地土壤質(zhì)量的解釋程度相較于溫度與其他因子而言最大，且2個(gè)因子相互作用對(duì)耕地土壤質(zhì)量的解釋程度比單因子大。相比于溫度單獨(dú)對(duì)耕地土壤質(zhì)量的解釋程度而言，各省中溫度與其他因子共同對(duì)耕地土壤質(zhì)量的解釋程度均有或大或小的提升。其中提升最明顯的是上海，說(shuō)明上海的土壤質(zhì)量與這2種因素有較強(qiáng)的相關(guān)性。因子相互作用對(duì)提升耕地土壤質(zhì)量的解釋程度最不明顯的是四川，說(shuō)明對(duì)于四川來(lái)說(shuō)，溫度和GDP共同作用對(duì)提升耕地土壤質(zhì)量的解釋程度影響較小。

綜上所述，溫度和降水因子相互作用對(duì)耕地土壤質(zhì)量的解釋程度比較大，是影響我國(guó)耕地土壤質(zhì)量很重要的環(huán)境因子，且兩個(gè)因子交互作用均大于單因子對(duì)耕地土壤質(zhì)量的影響。

3 討論與結(jié)論

3.1 討論

耕地土壤質(zhì)量的評(píng)價(jià)、空間顯現(xiàn)和影響因素的識(shí)別是判別耕地土壤生產(chǎn)力和健康能力以及有針對(duì)性地改善耕地土壤環(huán)境的重要證據(jù)。本研究中，耕地土壤質(zhì)量評(píng)價(jià)結(jié)果為V級(jí)的大多分布在新疆、內(nèi)蒙古、青海、廣西、海南等地，新疆和內(nèi)蒙古的土壤質(zhì)量明顯比其他地區(qū)差。原因是新疆有很大面積的干旱土，內(nèi)蒙古有漠土、干旱土、鈣層土等，干旱土有機(jī)質(zhì)含量低，礦化作用強(qiáng)，腐殖質(zhì)含量低，除在有灌溉條件的干旱土區(qū)可以發(fā)展種植業(yè)外，其他大部分地區(qū)適宜發(fā)展畜牧業(yè)。西藏和青海的耕地土壤質(zhì)量偏低，多為高山土。新疆和青海還有鹽成土，鹽成土受水資源和氣候條件的限制，土壤性狀不良，難以改良應(yīng)用，農(nóng)業(yè)經(jīng)濟(jì)效率低。華北部分省份土壤質(zhì)量較差，主要為新成土，水土流失嚴(yán)重。

年平均降水量對(duì)耕地土壤質(zhì)量解釋程度較大的省份有西藏、青海等，解釋程度較小的省份有四川、重慶等。從溫度和降水量的q值的差值來(lái)看，共有14個(gè)省份的溫度對(duì)土壤質(zhì)量的解釋程度小于降水量對(duì)土壤質(zhì)量的解釋程度，其余省份降水量的解釋程度更大。由此可知，年平均溫度和年平均降水量對(duì)土壤質(zhì)量的解釋程度差別不大。人口對(duì)耕地土壤質(zhì)量解釋程度較大的省份是寧夏、黑龍江，解釋程度較低的是新疆、四川等。GDP對(duì)耕地土壤質(zhì)量解釋程度較大的省份是上海，解釋程度較小的省份有新疆、甘肅等。就社會(huì)經(jīng)濟(jì)因子而言，寧夏的人口因子對(duì)耕地土壤質(zhì)量的解釋程度最大，為17.35%，上海的GDP因子對(duì)耕地土壤質(zhì)量的解釋程度最大，為9.49%。自然因素平均降水量和年平均溫度共同對(duì)耕地土壤質(zhì)量的解釋程度大的省份共有20個(gè)，遠(yuǎn)遠(yuǎn)超過(guò)其他因素的兩兩交互作用，且2個(gè)因子相互作用對(duì)耕地土壤質(zhì)量的解釋程度比單因子大。

3.2 結(jié)論

（1）最小數(shù)據(jù)集的建立。通過(guò)各組計(jì)算的Norm值，在全國(guó)土壤理化性質(zhì)10個(gè)指標(biāo)選擇了沙含量、容重、交換性鹽基、有機(jī)碳含量、碎石體積百分比和電導(dǎo)率作為全國(guó)耕地土壤質(zhì)量評(píng)價(jià)指標(biāo)，可以有效促進(jìn)耕地土壤質(zhì)量評(píng)估的準(zhǔn)確性。

（2）耕地土壤質(zhì)量評(píng)價(jià)。耕地土壤質(zhì)量評(píng)價(jià)結(jié)果為V級(jí)的大多分布在新疆、內(nèi)蒙古、西藏和青海，耕地土壤質(zhì)量較好的地區(qū)主要分布在東北地區(qū)、華中地區(qū)、華南地區(qū)和華東地區(qū)。

（3）影響因素分析。從地理探測(cè)器中的因子探測(cè)來(lái)看，影響耕地土壤綜合質(zhì)量的因素主要有年平均降水量和年平均溫度。從因子交互探測(cè)結(jié)果來(lái)看，2個(gè)因子交互作用均大于單因子對(duì)耕地土壤質(zhì)量的影響。

參考文獻(xiàn)：

[1] 李超， 趙洋， 楊翠翠， 等. 基于耕地資源質(zhì)量分類成果的東北地區(qū)耕地土壤條件空間分布特征[J/OL]. 土壤通報(bào)： 1-9[2023-12-09]. https：//doi.org/10.19336/j.cnki.trtb.2023072801. DOI： 10.19336/j.cnki.trtb.2023072801.

[2] 武巖， 劉宏金， 遲文峰， 等. 基于AHP-CRITIC法的耕地質(zhì)量等級(jí)評(píng)價(jià)方法研究與實(shí)證[J/OL]. 中國(guó)土壤與肥料： 1-10[2023-12-09]. http：//kns.cnki.net/kcms/detail/11.5498.S.20230824.1427.002.html.

[3] 婁義寶， 史東梅， 蔣光毅， 等. 基于最小數(shù)據(jù)集的紫色丘陵區(qū)坡耕地耕層土壤質(zhì)量評(píng)價(jià)[J]. 中國(guó)水土保持科學(xué)， 2019， 17（5）： 75-85.

[4] 鄧遠(yuǎn)文， 江林香. 基于熵權(quán)-層次分析法的土壤質(zhì)量綜合評(píng)價(jià)——以甘洛縣松樹(shù)坪村為例[J]. 中國(guó)資源綜合利用， 2023， 41（4）： 33-35.

[5] 羅由林， 李啟權(quán)， 王昌全， 等. 川中丘陵縣域土壤氮素空間分布特征及其影響因素[J]. 環(huán)境科學(xué)， 2015， 36（2）： 652-660.

[6] 方淑波， 崔曲， 龐慧煥， 等. 上海市城鄉(xiāng)梯度上土壤重金屬空間分布及其影響因素定量分析[J]. 環(huán)境科學(xué)學(xué)報(bào)， 2015， 35（12）： 3976-3984.

[7] 王合玲， 張輝國(guó)， 秦璐， 等. 新疆艾比湖流域土壤有機(jī)質(zhì)的空間分布特征及其影響因素[J]. 生態(tài)學(xué)報(bào)， 2012， 32（16）： 4969-4980.

[8] 王勁峰， 徐成東. 地理探測(cè)器： 原理與展望[J]. 地理學(xué)報(bào)， 2017， 72（1）： 116-134.

[9] 張敏， 陳海， 史琴琴， 等. 黃土丘陵溝壑區(qū)耕層土壤重金屬空間分異及影響因素[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)， 2019， 38（11）： 2465-2475.

[10] 肖武， 隋濤， 王鑫， 等. 巢湖流域典型農(nóng)田土壤重金屬污染評(píng)價(jià)與地理探測(cè)分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（7）： 144-152.

[11] 李雨， 韓平， 任東， 等. 基于地理探測(cè)器的農(nóng)田土壤重金屬影響因子分析[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2017， 50（21）： 4138-4148.

[12] PINZON J E， TUCKER C J. A non-stationary 1981-2012 AVHRR NDVI3g time series[J]. Remote Sensing， 2014， 6（8）： 6929-6960.

[13] TUCKER C J， PINZON J E， BROWN M E， et al. An extended AVHRR 8-km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing， 2005， 26（20）： 4485-4498.

[14] 王國(guó)振， 卜崇峰， 馮偉. 基于灰色關(guān)聯(lián)度的TOPSIS模型的 “丹治” 工程生態(tài)效益評(píng)價(jià)[J]. 水土保持通報(bào)， 2019， 39（5）： 189-193.

[15] 張霞， 鄭郁， 王亞萍. 基于灰色關(guān)聯(lián)度的TOPSIS模型在秦嶺生態(tài)功能區(qū)水土保持治理效益評(píng)價(jià)中的應(yīng)用[J]. 水土保持研究， 2013， 20（6）： 188-191.

[16] 程鋒， 王洪波， 鄖文聚. 中國(guó)耕地質(zhì)量等級(jí)調(diào)查與評(píng)定[J]. 中國(guó)土地科學(xué)， 2014， 28（2）： 75-82， 97.