Research Progress and Prospect of Spatial Interpolation Method for Cultivated Land Quality

doi:10.11924/j.issn.1000-6850.casb2020-0404

Abstract

Abstract:

Constructing an efficient and standardized spatial interpolation method is an important issue for building the big data platform for cultivated land quality and serving macroscopic decision-making, and is conducive to quickly and accurately obtain the distribution map of cultivated land quality indicators of counties and even the whole country. Through literature and research review, this study summarized the current concept and process of spatial interpolation method, and clarified its precision influencing factors and application status in monitoring and evaluation of cultivated land quality. Combined with the actual application requirements of the big data platform for cultivated land quality, four in-depth research directions were put forward, including regional interpolation, geographic barriers interpolation, auxiliary variables interpolation, and module design of interpolation. The research results could provide method reference for the standardized processing of cultivated land quality data.

Key words: cultivated land quality, soil, spatial variability, interpolation, data processing

CLC Number:

F301.21

Ren Yanmin, Gao Yunbing, Liu Yu. Research Progress and Prospect of Spatial Interpolation Method for Cultivated Land Quality[J]. Chinese Agricultural Science Bulletin, 2021, 37(12): 45-50.

Figures/Tables 2

References 53

[1]	沈仁芳, 陈美军, 孔祥斌, 等. 耕地质量的概念和评价与管理对策[J]. 土壤学报, 2012,49(6):1210-1217.
[2]	陆安祥, 曹姗姗, 高秉博. 面向农业环境监测的空间插值方法[M]. 北京: 经济科学出版社, 2017.
[3]	张贝尔, 黄标, 赵永存, 等. 采样数量与空间插值方法对华北平原典型区土壤质量评价空间预测精度的影响[J]. 土壤, 2013,45(3):540-547.
[4]	巫振富, 赵彦锋, 程道全, 等. 样点数量与空间分布对县域尺度土壤属性空间预测效果的影响[J]. 土壤学报, 2019,56(6):1321-1335.
[5]	刘啸林. 安徽省不同区域土壤养分空间差异性研究[D]. 合肥:安徽农业大学, 2017.
[6]	龙军, 张黎明, 沈金泉, 等. 复杂地貌类型区耕地土壤有机质空间插值方法研究[J]. 土壤学报, 2014,51(6):1270-1281.
[7]	张诗祁, 牛文全, 李国春. 关中平原田间土壤含水量的空间变异性[J]. 应用生态学报, 2020,31(3):821-828.
[8]	安永龙, 杜子图, 黄勇. 基于地统计学和GIS技术的北京市大兴区礼贤镇土壤养分空间变异性研究[J]. 现代地质, 2018,32(6):1311-1321.
[9]	史文娇, 岳天祥, 石晓丽, 等. 土壤连续属性空间插值方法及其精度的研究进展[J]. 自然资源学报, 2012,27(1):163-175.
[10]	Burgess R, Webster T R. Optimal interpolation and isarithmic mapping of soil properties. I. The semi-variogram and punctual kriging[J]. European Journal of Soil Science, 1980,31(2):333-341.
[11]	Vauclin M, Vieira S R, Vachaud G. et al. The use of cokriging with limited field soil observations[J]. Soil Science Society of America Journal, 1983,47(2):175-184. doi: 10.2136/sssaj1983.03615995004700020001x URL
[12]	Mcbratney R, Oliver M A. Optimal interpolation and isarithmic mapping of soil properteis. V. Co-regionalization and multiple sampling strategy[J]. European Journal of Soil Science, 2010,34(1):137-162.
[13]	Gumiere S J, Lafond J A, Hallema D W, et al. Mapping soil hydraulie conductivity and matric potential for water management of cranberry: Characterisation and spatial interpolation methods[J]. Biosystems Engineering, 2014,128:29-40. doi: 10.1016/j.biosystemseng.2014.09.002 URL
[14]	徐吉炎, R.韦甫斯特. 土壤调查数据地域统计的最佳估值研究—彰武县表层土全氮量的半方差图和块状Kriging估值[J]. 土壤学报, 1983,20(4):419-430.
[15]	孙智妍, 周秋文, 张思琪, 等. 喀斯特地区春季土壤水分空间插值方法对比[J]. 热带地理, 2019,39(5):770-779.
[16]	程先富, 史学正, 于东升, 等. 基于GIS的土壤全氮空间分布估算—以江西省兴国县为例[J]. 地理研究, 2007,26(1):110-116.
[17]	王胜利, 刘伟, 张连蓬, 等. 地学环境变量支持的土壤全钾含量自适应曲面建模—以青海湖流域典型地区为例[J]. 水土保持研究, 2018,25(1):132-138.
[18]	赵凯, 夏振. 基于GARBF神经网络耕地土壤有机质空间插值方法研究[J]. 广东土地科学, 2016,15(4):43-48.
[19]	马利芳, 熊黑钢, 孙迪, 等. 不同干扰程度下土壤有机质空间最优插值法研究[J]. 生态学报, 2019,39(19):7153-7160.
[20]	李莉婕, 赵泽英, 彭志良, 等. 基于GIS的大比例尺度土壤空间变异特性与插值方法[J]. 贵州农业科学, 2013,41(8):195-199.
[21]	石淑芹, 陈佑启, 李正国, 等. 基于土壤类型和微量元素辅助信息的土壤属性空间模拟[J]. 农业工程学报, 2010,26(12):199-205,432.
[22]	李晓婷, 刘清, 李晓琳. 基于气候地形云南省土壤养分最佳插值方法研究[J]. 南方农业, 2020,14(2):190-194.
[23]	T K Chang, G S Shyu, Y P Lin, et al. Geostattstical analysis of soil arsenic content in taiwan[J]. Journal of Environmental Science&Health Part A, 1999,34(7):1485-1501.
[24]	Facchinelli, E Sacchi, L Mallen. Multivariate statistical and GIS based approach to identify heavy metal sources in soils[J]. Environmental Pollution, 2001,114(3):313-324. doi: 10.1016/S0269-7491(00)00243-8 URL
[25]	郑一, 王学军, 刘瑞民, 等. 天津地区土壤多环芳烃的克里格插值与污染评价[J]. 中国环境科学, 2003,23(2):2-5.
[26]	Mcgrath D, Zhang C, Carton O. Geostatistical analyses and hazard assessment on soil lead in Silvermines area, Ireland[J]. Environmental Pollution, 2004,127(2):239-48. doi: 10.1016/j.envpol.2003.07.002 URL
[27]	钟晓兰, 周生路, 赵其国, 等. 长三角典型区土壤重金属有效态的协同区域化分析、空间相关分析与空间主成分分析[J]. 环境科学, 2007,28(12):2758-2765.
[28]	史舟, 李艳, 程街亮. 水稻土重金属空间分布的随机模拟和不确定评价[J]. 环境科学, 2007,28(1):209-214.
[29]	吴春发, 吴嘉平, 骆永明, 等. 冶炼厂周边土壤重金属污染范围的界定与不确定性分析[J]. 土壤学报, 2009,46(6):1006-1012.
[30]	罗娜, 陆安祥, 王纪华. 基于空间插值的土壤重金属污染评估分析系统设计与实现[J]. 食品安全质量检测学报, 2016,07(2):497-504.
[31]	张苏. 土壤重金属的空间插值方法比较分析—以阳谷县为例[J]. 测绘与空间地理信息, 2020,43(4):148-150,153.
[32]	肖艳桐, 张瑞雪, 吴攀. 土壤重金属分析常用空间插值法研究进展[J]. 环境科学与技术, 2019,42(3):198-205.
[33]	陈思萱, 邹滨, 汤景文. 空间插值方法对土壤重金属污染格局识别的影响[J]. 测绘科学, 2015,40(1):63-67.
[34]	章清, 张海涛, 郭龙, 等. 基于主成分分析的协同克里格插值模型对土壤铜含量的空间分布预测[J]. 华中农业大学学报, 2016,35(1):60-68.
[35]	侯沁言, 张世熔, 马小杰, 等. 基于GIS的凯江流域农田重金属污染评价研究[J]. 农业环境科学学报, 2019,38(7):1514-1522.
[36]	吴倩鑫, 杨联安, 于世锋, 等. 蔬菜地土壤重金属含量空间插值精度分析[J]. 中国农学通报, 2016,32(23):81-86.
[37]	肖艳桐, 张瑞雪, 吴攀. 土壤重金属分析常用空间插值法研究进展[J]. 环境科学与技术, 2019,42(3):198-205.
[38]	P Goovaerts. Ordinary cokriging revisited[J]. Mathematical Geology, 1998,30(1):21-42 doi: 10.1023/A:1021757104135 URL
[39]	Zhang Z, Dongsheng Y, Shi X, et al. Application of categorical information in the spatial prediction of soil organic carbon in the red soil area of China[J]. Soil Science and Plant Nutrition, 2010,56(2):307-318. doi: 10.1111/j.1747-0765.2010.00457.x URL
[40]	Bourennan H, King D, Couturier A, et al. Uncertainty assessment of soil water content spatial patterns using geostatistical simulations: An empirical comparison of a simulation accounting for single attribute and a simulation accounting for secondary information[J]. Ecological Modelling, 2007,205(3):323-335. doi: 10.1016/j.ecolmodel.2007.02.034 URL
[41]	Neuman S P, Jacobson E A. Analysis of nonintrinsic spatial variability by residual kriging with application to regional groundwater levels[J]. Mathematical Geosciences, 1984,16(5):499-521.
[42]	Soutter M, Musy A. Coupling 1 D Monte-Carlo simulations and geostatistics to assess groundwater vulnerability to pesticide contamination on a regional scale[J]. Journal of Contaminant Hydrology, 1998(32):25-39.
[43]	赵士鹏, 金伦. 地统计学及其在土壤环境背景值制图中的应用[J]. 中国环境监测, 1992,08(5):61-64.
[44]	庞龙辉, 刘峰, 赵霞, 等. 青海省表层土壤属性数字制图[J]. 土壤通报, 2019,50(3):505-513.
[45]	张路伟, 赵彦锋, 程道全, 等. 基于空间差异度的不同插值方法土壤属性制图效果及影响因素分析—以新乡县为例[J]. 河南农业科学, 2013,42(11):76-80.
[46]	张世文, 张立平, 叶回春, 等. 县域土壤质量数字制图方法较[J]. 农业工程学报, 2013,29(15):254-262.
[47]	王库. 回归克里格在土壤全氮空间预测上的应用[J]. 中国农学通报, 2013,29(20):142-144, 146-147.
[48]	檀满枝, 陈杰. 模糊c-均值算法在区域土壤预测制图中的应用[J]. 土壤学报, 2009,46(4):571-577.
[49]	厉彦玲, 赵庚星. 黄河三角洲典型地区耕地土壤养分空间预测[J]. 自然资源学报, 2018,33(3):489-503.
[50]	赵业婷, 常庆瑞, 李志鹏, 等. 渭北台塬区耕地土壤有机质全氮空间特征[J]. 农业机械学报, 2014,45(8):140-148.
[51]	张海平, 周星星, 代文. 空间插值方法的适用性分析初探[J]. 地理与地理信息科学, 2017,33(6):14-18,105.
[52]	秦玮, 何方, 范贵娟, 等. 不同插值方法对土壤养分空间插值结果的影响—以寿西湖农场为例[J]. 安徽农学通报, 2017,23(19):51-53.
[53]	杨顺华, 张海涛, 郭龙, 等. 基于回归和地理加权回归Kriging的土壤有机质空间插值[J]. 应用生态学报, 2015,26(6):1649-1656.

分类依据	主要方法类型
要素特征	点插值、面插值
插值表面是否经过所有采样点	确定性插值、非确定性插值
方法实现的数学原理	地统计插值、非地统计插值

分类依据	主要方法类型
要素特征	点插值、面插值
插值表面是否经过所有采样点	确定性插值、非确定性插值
方法实现的数学原理	地统计插值、非地统计插值