沙地整治下榆林土地利用及土壤有機質時空分異特征

孫欣琪，張蚌蚌，柴朝卿，牛文浩，于 強,3

沙地整治下榆林土地利用及土壤有機質時空分異特征

孫欣琪1，張蚌蚌2，柴朝卿2，牛文浩2，于 強1,3※

（1. 西北農林科技大學資源環境學院，楊凌 712100；2. 西北農林科技大學經濟管理學院，楊凌 712100；3. 西北農林科技大學水土保持研究所，黃土高原土壤侵蝕與旱地農業國家重點實驗室，楊凌 712100）

毛烏素沙地是典型的生態脆弱區，近年來針對其在榆林境內的沙地整治利用取得顯著成效，也對土壤環境產生了深刻影響。為了探究沙地不同整治利用方式對土壤有機質的影響，該研究選取榆林市顯性沙地，利用多光譜遙感影像及相關光譜指數，結合沙地土地利用變化特征，通過XGBoost機器學習方法，反演1990—2020年土壤有機質含量；分析不同土地類型下土壤有機質含量變化，通過半變異函數揭示了其空間變異性，厘清人為因素和自然環境的影響程度。結果表明，30 a間榆林5 460 km2沙地中超過半數得到整治和利用，沙地-草地是最主要的地類轉變方式，建設用地面積增長最迅速；沙區土壤有機質含量上升，但整體呈現先增加后降低的趨勢，有機質均值由0.34%增長至0.79%，近10年降低至0.51%；榆林沙區土壤有機質具有較強的空間自相關性。起初，人為利用對其有積極作用，但隨著沙地的利用強度增大，對土壤有機質產生負向作用，進而致使其含量下降，面臨土地退化危機。建議加強退化林草的修復改良，放緩建設用地開發力度，研究以期為沙地整治提供理論和實踐借鑒意義，保護榆林沙地土壤環境安全。

土地利用；遙感；土壤有機質；XGBoost；半變異函數

0 引 言

中國是全球遭受荒漠化最嚴重的國家之一，2014年荒漠化土地面積約為261.16萬km2，占國土面積的27.2%[1]，位于陜西省榆林市長城線以北的毛烏素沙漠是中國四大沙地之一，嚴重威脅著當地的生態環境安全。新中國成立之后，國家開展了巨大的改造沙漠工程，通過引水拉沙、種植防護林等多項工程措施，毛烏素沙漠水土流失現象得到極大改善，土地治理率達到93.24%以上，毛烏素沙漠即將從陜西版圖上消失[2]。然而，治沙作為一項長期的工程，不能一味地追求植被覆蓋度的增加，更應該關注沙地治理和土地利用變化對土壤質量的影響。已有專家提出，由于治沙過程中造林質量不高、生態環境惡劣、植被老化、人類不當利用等原因，榆林毛烏素沙地有發生“二次沙化”的危機[3-4]。

土壤有機質作為衡量土壤肥力和生產力的重要指標，極大程度影響了植物的生長過程。沙地的整治與利用改變土壤有機質的輸入與分解，影響土壤碳素生物化學循環過程，又再次作用于沙地植被恢復、生態系統修復等過程[5]，故土壤有機質也是衡量土地沙化治理效果的關鍵指標。同時，其空間分布與動態變化也受到自然環境、植被生長、土地利用、人為改良、恢復時間等多種因素的影響[6-7]。目前大多數學者集中于討論沙地整治中具體不同植被類型對于土壤養分的改良效果[8-9]，忽略人為利用和開發對其造成的影響，很少關注大尺度下沙地土地利用變化過程中對土壤環境的作用，且受試驗客觀因素影響，對土壤有機質的分析局限于開展研究的這一特定時間，如賈漢忠等[10]探究了裸沙地、配土改良地和植被覆蓋地下土壤溶解有機質的來源和含量；趙朋波等[11]分析了不同固沙灌木對土壤養分空間異質性特征的影響，都難以做到對其長時間序列上的動態變化進行觀測，研究結果不能反映不同沙地整治和利用方式下對土壤環境的影響差異。

在利用遙感影像進行土壤有機質反演方面，高光譜遙感影像數據冗雜，獲取及處理過程復雜[12-13]，多光譜遙感影像具有可利用數據充足、便于處理和分析的優點，然而目前針對土壤有機質的多光譜遙感反演研究大多在較小研究區范圍內展開，未能充分發揮遙感技術能夠監測大范圍區域、多光譜遙感數據長時序觀測且易獲取和操作的優勢；在反演方法上，基于多元回歸的模型受擬合精度限制在反映土壤有機質發展規律上表現較差[14-15]，機器學習方法能夠充分挖掘數據之間的內在聯系，進而精確預測其未來發展趨勢，但大多數研究局限于支持向量機[16]、隨機森林[17]、BP神經網絡[18]等傳統方法上；在反演參數的選擇上，眾多研究只對光譜波段、自然條件等因素進行考慮，忽略了土地利用類型信息在幫助判別土壤有機質空間分布中的可能性。此外，利用遙感影像進行土壤有機質反演的研究區域大多位于土地較為肥沃，土壤有機質含量高、地域差異大的地區[19-20]，對于本身土地較為貧瘠的西北沙漠地區，相應的研究較少，對土壤有機質變化的探測仍停留在野外采集階段[21]。

因此，本文聚焦1990—2020年榆林市顯性沙地的土地利用變化過程，在此基礎上結合多光譜遙感影像，并充分考慮土地利用類型信息，從多種機器學習方法中篩選出反演精度最優的XGBoost方法對榆林市沙地土壤有機質含量進行反演，并利用半變異函數對導致其空間分異的人為和自然因素作用變化進行分析，厘清近30年針對沙地的不同整治和利用方式對土壤有機質含量的影響變化，有助于全面認識毛烏素沙地治理的成果以及對土壤環境帶來的影響，同時有效識別土地退化區域，把握其發展變化規律，以及時調整土地利用方式及治沙政策和手段，維護毛烏素沙地區域生態環境安全。

1 研究方法與數據來源

1.1 研究區概況

榆林市（36°57′～39°34′N，107°28′～111°15′E）位于陜西省的最北部，長城線以北是風沙草灘區，地處毛烏素沙漠的南緣。榆林屬暖溫帶和溫帶半干旱大陸性季風氣候，是中國的日照高值區域之一，年平均日照時數2 593.5～2 914.4 h，四季分明，日差較大，年平均氣溫10 ℃，年平均降水400 mm左右[22]。毛烏素沙區在草原氣候下處于荒漠草原-草原-森林草原的過渡地帶，是農、林、牧的交錯地區，屬于典型的生態脆弱區，遭受嚴重的風蝕沙化和水土流失[23]。土地利用現狀分類（GB/T 21010—2017）中規定沙地為除灘涂中的沙地，表層為沙覆蓋和基本無植被的土地，即顯性沙地（明沙）[24]。本文所研究的沙地范圍即1990年榆林市土地利用類型二級分類為“沙地”的顯性沙地，共計5 460 km2，涉及到神木、榆陽、橫山、靖邊、定邊等區縣，見圖1。

圖1 研究區位置

1.2 數據來源及處理

本文所使用的遙感數據來源于地理空間數據云（http://www.gscloud.cn），1990、2000年采用Landsat5 TM遙感影像，2010、2020年采用Landsat7 ETM+遙感影像，二者波段與帶寬相同，分辨率為30 m。由于2003年以后，Landsat7衛星出現故障，故對相關影像進行條帶修復。對所有影像進行輻射定標、大氣校正、鑲嵌以及裁剪等預處理得到具體各波段反射率；氣象數據涉及年均溫度、年降水量，來自中國科學院資源環境科學與數據中心（https://www.resdc.cn）以及CRU TS（https://crudata.uea. ac.uk），分辨率為1 km；除此之外，全國土地利用類型遙感監測空間分布數據（CAS-LUCC）、中國DEM空間數據、中國行政區劃數據以及中國生態功能保護區數據均來自于中國科學院資源環境科學與數據中心，其中CAS-LUCC產品精度達到91.68%，對林地和草地做了詳細區分，適用于植被變化、土地退化及荒漠化等相關研究[25]；全國土壤第二次普查1∶100萬數據來自于中國土壤數據庫（http://vdb3.soil.csdb.cn）。通過ArcGIS對所有數據進行統一的投影轉換，并重采樣至1 km空間分辨率，進行柵格轉點，得到1 km間隔的帶有各屬性值的空間網格點。

1.3 研究方法

1.3.1 土地利用動態度

土地利用動態度能夠體現土地資源的數量變化，反映各土地利用類型面積的變化速度[26]。

1）單一土地利用動態度

單一土地利用動態度用來體現一定時間范圍內研究區單一某種土地利用類型的數量變化情況，其計算式[26]為

式中為研究時段內某一類土地利用類型的動態度；L、L分別為研究期初和研究期末某一種土地利用類型的面積，km2；為研究時間區間，a。

2）綜合土地利用動態度

綜合土地利用動態度能夠描述在一定時間范圍內研究區整體的土地利用變化情況，其計算式[26]為

式中為研究期內研究區的綜合土地利用動態度，L為研究期初第類土地利用類型面積，km2；DL-j為在研究期內第類土地利用類型向類土地利用類型轉化的面積絕對值，km2。

1.3.2 遙感反演土壤有機質

1）數據獲取及遙感影像預處理

1958年至1960年國家開展第一次全國土壤普查，西北地區土壤有機質均值為8.81 g/kg，1979年開始開展第二次全國土壤普查，并于1991年前后基本結束，西北地區土壤有機質均值為9.13 g/kg，30 a間西北地區土壤有機質變化率為3.6%，可見1990年以前土壤有機質變化極小[27]。從中國科學院資源環境科學與數據中心公布的土地利用數據來看，1980—1990年，98.5%的沙地未發生變化，主要原因是勞動生產力落后，人為對土壤環境的影響較小，且易對土壤有機質分解和轉化過程造成影響的氣候、生物等因子變化不明顯。

中國土壤數據庫中的農田肥力數據來自于全國第二次土壤普查，考慮到遙感影像的可得性及研究時間序列的規律性，故采用1990年Landsat遙感影像作為反演本底數據代表土壤第二次普查中的土壤情況。由于榆林地區土壤環境相對較為穩定，土壤有機質含量較少，利用遙感反演方法不易監測到其細微變化，且其他影響土壤環境的自然及人為因子對土壤的作用過程漫長，變化緩慢，故確定10年為研究時間區間，以準確捕獲土壤有機質的變化情況。為排除地表上的植被對土壤光譜反射率的影響，均選取12—次年3月份無積雪覆蓋且云量小于2%的冬季影像。經過影像預處理后提取Landsat遙感影像6個波段反射值。

2）衍生光譜指數計算

只利用遙感6個波段的光譜信息獲得的信息是有限的，衍生光譜指數能夠結合不同地物對不同波段光譜的反射率特性提取出更多有價值的信息以指示植被生長、土壤下墊面等狀態。結合以往的研究[28-29]，共選取出NDVI、EVI、GLI等28個光譜指數進行遙感反演的輔助參數，具體參數和計算方法見表1。

3）其他反演參數計算

土地利用方式的不同對土壤有機質會產生深刻的影響[30-32]，在進行土壤有機質的反演中有必要將土地利用方式作為參數考慮在內[33]。獨熱編碼與啞變量類似，能夠將具有個屬性的某特征量化為個二進制編碼，因此，將定性的19種土地利用數據進行獨熱編碼生成19個0～1變量，分別是耕地（水田、旱地）、林地（有林地、灌木地、疏林地、其他林地）、草地（高覆蓋度草地、中覆蓋度草地、低覆蓋度草地）、水體（水域、湖泊、水庫坑塘、灘地）、城鄉居民工礦用地（城鎮用地、農村居民點、其他建設用地）、未利用地（沙地、鹽堿地、裸土地）。此外，土壤有機質的分布受自然環境影響極大，不同的地形、氣候條件下，土壤有機質的空間和數量分布也呈現顯著差異，故通過研究區DEM生成坡度和坡向數據，并結合當年年降水量和年均溫度數據共同作為輔助反演參數。

4）機器學習回歸方法

決策樹回歸是一種運用決策樹結構進行逐級分層分類的機器學習方法，其中一個父節點和多個子節點組成決策樹，每一個節點即代表一個獨立的分類過程，在節點末端得到其分類結果；隨機森林回歸（Random Forest，RF）是包含多個決策樹對數據集進行訓練和預測的機器學習模型方法，決策樹之間相互獨立，采用bagging思想進行集成學習；BP神經網絡回歸是一種按誤差逆傳播算法訓練的多層前饋網絡，使用最速下降法使網絡的誤差平方和最??；支持向量機回歸（Support Vector Regression，SVR）是通過非線性映射把數據映射到高維數據特征空間當中并在其中進行擬合后再返回到原始空間中。

表1 衍生光譜指數及計算式

注：B指B1波段；G指B2波段；R指B3波段；NIR指B4波段；MIR指B5波段；SWIR指B7波段。

Note: B refers to B1 band; G refers to B2 band; R refers to B3 band; NIR refers to B4 band; MIR refers to B5 band; SWIR refers to B7 band.

XGBoost 是Chen等[34]在2016年提出的一種基于集成思想的機器學習方法，通過多個學習器進行建模。XGBoost 采用boosting思想，通過串行方式產生子樹且通過加權的方法集成產生結果，是GBDT 的一種高效實現，在損失函數上添加了正則化項；且由于有些損失函數是難以計算導數的，XGBoost 使用損失函數的二階泰勒展開作為損失函數的擬合[34]。

XGBoost的最終預測結果是多個決策樹預測結果的總和，如式（3）所示：

在假設土壤有機質與相關反演參數之間關系的時間平穩性和空間平穩性的前提下，本研究中運用spsspro軟件分別進行決策樹、隨機森林、XGBoost機器學習回歸，選取回歸結果最佳的模型作為遙感反演模型進行回歸，將土壤有機質值作為因變量，6個波段的反射率光譜信息以及其余52個輔助參數（28個衍生光譜指數、19個土地類型變量、DEM、坡度、坡向及年降水量和年平均氣溫）作為自變量參與運算。運用dart基學習器，通過不斷調整樹的深度、子節點數目等參數優化擬合精度。

1.3.3 半變異函數模型

半方差函數是地統計學中用來描述區域化變量空間連續變異性質的函數，其計算兩個點在空間上的變異程度以及間距，通過計算它們之間的關系來刻畫要素的分布特征，其計算式如下[36]。

式中()是空間距離為的所有樣本點對變異值的平均值；()為區域化隨機變量；()為空間距離的樣本點的個數；(x)、(x+h)(1,2,...,())分別代表區域化變量()在x和x+h的空間位置上的數值[36]。通過該式能夠繪制出基于-()的半變異方差圖，其中半變異函數在其圖像穩定時所在的高度是基臺值（0+），由于塊金效應函數模型在軸上的截距為塊金值（0），塊金值和基臺值的比值稱為塊基比（0/(0+)）。塊基比能體現隨機因素導致的空間變異在總體變異中的貢獻大小，當塊基比值<0.25，證明變量空間自相關性十分顯著，其空間變異主要由自然因素決定；塊基比值0.25～0.75表示變量呈現中等自相關，同時受到自然和人為因素的影響作用；塊基比值>0.75證明變量的自相關程度不強，更多的受到人為因素的影響[37]。土壤有機質的空間變異是環境和人為活動等因素綜合作用的結果，環境因素主要指氣候、地形、母質和土壤類型等結構性因素，通常使土壤有機質的塊基比較小，人為因素包括土地利用和農業生產等隨機性因素，常表現為減弱土壤有機質空間相關性，增大塊基比[38-39]。本研究中運用GS+軟件對反演得到的發生土地利用變化的沙地各年的土壤有機質含量進行平方根變換使其符合正態分布，進而進行半方差函數模型擬合，通過調整有效滯后距和間距尋找最優擬合結果。

2 結果與分析

2.1 基于沙地整治的榆林土地利用時空變化特征

沙地土地利用方式的轉變可以揭示其整治和利用程度的發展過程。利用中國科學院資源環境與數據中心中1990—2020年全國土地利用遙感監測數據產品，通過ArcGIS提取出1990年榆林市土地利用類型為“沙地”的圖斑，同時提取出2000、2010、2020年相應的圖斑，研究1990—2020年沙地的土地利用變化情況，結果見圖2。

圖2 1990—2020年榆林沙地土地利用變化

1990年榆林市共計沙地5 460 km2，主要分布在西北部區域，其中榆陽區和神木市以及靖邊縣、定邊縣北部分布較廣。神木市和榆陽區的沙地利用和整治早于榆林市其他區縣，以低覆蓋度草地為主。隨后，自2000年起榆林市沙地整治和利用范圍逐漸擴大，由北向西南不斷發展，土地利用類型也呈多樣化趨勢，低覆蓋度草地向高覆蓋度草地和灌木地、林地發展，逐漸出現居民地和農田。由此可以看出，傳統的沙地整治方式即通過種植沙生植物增加植被覆蓋率以遏制荒漠化發展，防治風沙。在此基礎上，近些年來隨著人們對于耕地和城市擴張的需求不斷增強，沙地也在逐漸發揮著更大的經濟價值，其利用程度也在逐年加深，利用方式不斷增加。這些不同的土地利用類型零散分布在沙地中，由點及面一步步發展，體現了沙地多樣化的土地利用形式和發展方向。

統計每10 a榆林由沙地轉變的各土地利用類型面積，計算各地類和其所屬一級地類的單一土地利用動態度，結果見表2。

表2 1990—2020年不同地類面積及單一土地利用動態度

30 a間沙地面積大幅降低，由5 460 km2降至2 445 km2，超過一半的沙地已經轉變為其他土地利用類型，主要發生在前10年，后20年沙地轉變速率逐漸降低，單一土地利用動態度絕對值由2.1%降至0.34%。沙地—草地是沙地整治中最主要的途徑，2000年草地面積占比達到30.7%，至2010年，草地仍以2.09%的增長速度緩慢擴大，在近10年面積逐漸保持穩定狀態。榆林沙地-草地的土地利用整治仍主要以低覆蓋度草地為主，未能發育成植被覆蓋度較高調節環境能力更強的植被，同樣，由沙地轉化成林地的土地面積一直保持在較低水平，灌木地和疏林地是主要的林地類型，在近10年增長遲緩。

耕地和城鄉、工礦居民用地是人類對于沙地進行利用改造的最主要的土地利用方式，會對沙地的生態環境及發展趨勢造成巨大的影響。30 a間對于土地的利用程度不斷深化，耕地面積逐年顯著上升，以旱地為主要的耕地類型，2020年榆林市由沙地轉變的耕地面積達到617 km2，近10年增長速度由3.52%降至1.24%?？梢钥吹?，在沙地中進行居民用地的利用仍然比較少，大部分的面積增加來源于以工礦用地為代表的其他建設用地，到2020年共有222 km2的沙地用地進行其他建設用地的開發，2000—2010年單一土地利用動態度達到123.33%，在2010—2020年雖然增速減緩仍然以17.75%的動態度成為增長最迅速的土地利用類型?？梢?，沙地中蘊藏巨大的能量礦產資源，隨著榆林市經濟增長和城鄉建設，沙地也在以較快的開發速率不斷的被利用發掘。

整體來看，榆林沙地的土地利用綜合動態度在逐漸降低，由前10年的41.34%下降至12.51%，2010—2020年為4.03%，1990—2020年整體土地利用綜合動態度為55.22%。對于沙地的整治和開發利用在1990—2000年力度最大，成果顯著，植被面積大幅增加，耕地及建設用地面積不斷擴大，由此產生的環境影響特別是對土壤質量的影響需要進一步的分析。

2.2 利用機器學習方法反演土壤有機質

由于遙感傳感器接收的地物反射光譜的復雜性，傳統的線性模型難以準確概括，機器學習回歸模型的運用大大增加了模型的適用性以及精確度，以往研究最常采用隨機森林回歸、決策樹回歸模型進行模擬預測，但大部分只在小區域內展開，針對大面積區域的研究較少且精度不高，故本研究綜合考慮隨機森林、決策樹、BP神經網絡、支持向量機以及XGBoost 5種回歸方法，從中選取最優結果作為反演模型，5種模型的回歸精度如表3所示?？梢钥闯?，運用XGBoost回歸方法的模型精度大于其他模型，表明在土壤比較貧瘠有機質含量普遍較低的大范圍沙區內運用XGBoost機器學習回歸方法能夠較準確地進行多光譜遙感反演有機質。分別對2000、2010、2020年遙感影像進行預處理，提取各波段反射率，計算衍生光譜指數和氣候地形參數等輔助反演參數，運用XGBoost回歸模型進行各年份的土壤有機質反演。

表3 回歸模型精度

由于條件限制，通過查找收集過往榆林市相關土壤理化性質研究中的實測土壤有機質數據對反演結果進行精度驗證。由于相關研究較少且研究區域大小不同，對于點位信息從反演結果中通過經緯度確定實測采樣點位置，對于區域信息則運用ArcGIS裁剪出相應范圍并計算區域內土壤有機質含量均值，反演結果與實測數據對比見表4?？梢婋S機抽取出的不同時間和地點的反演土壤有機質含量結果與相關文獻中實測土壤有機質含量誤差在0～13%之間，考慮實際樣本采集與測定的誤差，該反演結果能夠較準確地對研究區土壤有機質含量進行反演。

2.3 沙地整治下榆林不同土地利用方式的土壤有機質時空變化特征

將模型反演得到的每年土壤有機質值和空間坐標導入ArcGIS，由點轉為柵格并按掩膜裁剪出本研究所關注的沙地范圍，通過自然斷點法將土壤有機質含量分為6級，1990—2020年土壤有機質分布情況如圖3所示。

1990年榆林沙區的土壤有機質含量大多在0～0.18%區間內，高肥力土壤呈條帶狀分布在沙區中部區域。隨著對沙地的利用和整治，土壤有機質含量也在逐漸升高，其中榆陽區和神木市是最主要的上升區域，2010年，神木市西部有大片沙區土壤有機質含量上升至1.25%～2.42%區間，榆陽區有機質含量在0.97%～1.25%區間內的土壤也大幅增加。然而，在2020年，榆林市沙區土地面臨較嚴重的退化現象，沙區大部分土壤有機質含量下降至0.79%～0.97%區間，各縣區土壤有機質含量差異減小，只有在神木市西北部個別區域內的土壤有機質含量大于0.97%。為更直觀分析不同土地利用方式下沙區土壤有機質變化情況，統計由沙地轉變的六大土地利用類型的土壤有機質含量均值，并與當年沙區整體土壤有機質含量進行對比，結果見圖4。30 a間，榆林沙區土壤有機質含量整體呈現先增加后降低的趨勢，由0.34%增長至0.79%，近10年間再次降低至0.51%。

表4 遙感反演結果與文獻實測土壤有機質含量對比

圖3 1990—2020年沙地土壤有機質空間分布

圖4 1990—2020年不同土地利用類型下土壤有機質均值變化

1990—2000年是土壤有機質增速最快時期，以耕地和水域為代表的土地利用類型土壤有機質均值達到近0.8%，林地漲幅最小，由原沙地的0.34%增長至0.66%。2000—2010年除水域和城鄉居民用地，其余土地利用方式下土壤有機質含量仍呈緩慢增長態勢，未利用地含量最高，達到0.82%。2010年以后，所有土地利用方式下的土壤有機質均明顯下降，未利用地下降最為顯著，跌至0.49%，耕地、水域、城鄉居民用地以及林地、草地土壤有機質含量依次下降。

2.4 沙地整治下榆林不同土地利用方式的土壤有機質空間分異

為探究沙地不同整治利用方式下土壤有機質的空間變異情況，利用GS+軟件對榆林市沙地30 a間的土壤有機質含量進行地統計學分析，得到主要的函數參數，根據分析結果得到表5。

除水域擬合2介于0.7～0.8，其余地類土壤有機質函數2均大于0.8，準確性較高，達到結果使用要求。塊基比的大小可以描述土壤有機質的空間分異情況，反映其受人為改造影響和自然條件因素限制的綜合作用結果。榆林市沙地的整治和利用正是在自然環境塑造的基礎上通過人為治沙采取一系列工程措施恢復植被，進而加以多樣化利用的結果。土地利用方式的不同會深刻改變土壤性質、影響土壤有機質的積累、分解過程，具體即體現在有機質含量的大小及空間分布中。從沙地全局上來看，30 a間土壤有機質塊基比在前10年由0.14增長至0.198，達到最高點，接著經歷明顯降幅，在近10年又緩慢上升至0.141，與1990年持平。整體而言，土壤有機質塊基比始終保持在0.25以下，說明其具有較強的空間自相關性，空間分布主要受如氣溫、降水、地形等自然環境因素影響，但其內部的波動依然不容忽視。

2000年，榆林沙區土壤有機質顯著增長至0.74%，與人為一系列工程措施的開展關系緊密，由沙地轉變的草地、林地共計1 814 km2，由塊基比的較大幅度上升可以印證此時期人為改造對土壤有機質的提升作用。2000 —2010年，榆林沙區土壤有機質含量增速減小，更在近10年間急劇下降，從塊基比的顯著下降中，也可以看出在此20年間，人為因素對土壤的改良作用逐漸減損，通過增加植被、施用肥料等措施對土壤有機質的提升作用正逐漸被作物對土壤有機質的消耗和其自身分解而削弱。截止至2020年，塊基比回歸至1990年水平，人為影響與自然因素影響創造新的土壤有機質空間分布格局，人為開發和利用對沙區土壤呈負面作用，榆林沙區土壤有機質平均含量由0.79%下降至0.51%，雖然仍高于1990年時的0.33%水平，但整體提升效果并不明顯。

表5 1990—2020年沙地半變異函數分析結果

城鄉居民工礦用地土壤有機質含量與其塊基比大致呈反比。2000年，其空間自相關性達到最強，土壤有機質的空間分布幾乎完全受自然條件控制，此時該地類面積僅11 km2，人力對于沙地的利用可忽略不計，自然條件的改變使土壤有機質含量上升至0.71%。2000—2020年，塊基比的增大表明人類對于沙地的干預程度不斷加強，居住地、工礦用地面積大幅上升，破壞土壤環境，導致其有機質含量明顯下降，由2000年達到最高點0.71%之后，直線下降至0.54%，近20年來的城市和農村對土地的開發和利用不斷消耗土壤肥力，存在過度和不合理利用現象。

草地土壤有機質塊基比在30 a間經歷先上升再下降的波動，2000年，達到峰值0.285，超過0.25的閾值，人為影響因素作用逐漸突出，此時由沙地-草地的沙地整治方法可以大幅改善土壤肥力，使其由0.34%上升至0.75%，植被的生長能夠增加土壤有機質的輸入，調節自然環境，對土壤有機質起到明顯的促進作用。但近20年，塊基比逐步下降至0.157，與1990年時草地土壤有機質塊基比達到同一水平。自然條件因素再次限制草地土壤有機質的增長，沙地—草地的整治方式后勁乏力，土壤有機質降至0.5%，整體上來看改良效果不明顯。

耕地是對土壤環境依賴和影響最深入的土地利用方式，通過客土改良、施用化肥、有機肥等方式能夠顯著提升土壤有機質含量，提高土壤肥力，但是2000年后，塊基比下降至接近0，空間自相關性極其顯著，人為改良的效果近乎消失，土壤有機質也極緩慢上升至峰值0.78%，2010年后，土壤有機質含量開始下降，其塊基比回歸至0.16水平，人為開墾耕地對土壤的負面作用開始顯現，土壤有機質的輸出大于輸入，農作物生長消耗土壤養分，土地退化趨勢開始顯露，需要及時做出調整。

3 討 論

本研究在假設土壤有機質含量與相關反演參數之間關系的時間平穩性和空間平穩性的前提下，通過對1990年榆林市土壤有機質含量的機器學習模型來反演2000—2020年榆林市土壤有機質分布情況。但榆林市內分布有風沙土、綿沙土、黃綿土、淤土、潮土等多種類型的土壤，其成土母質、理化性質等不盡相同，相同外界作用下也會表現出不同的土壤有機質循環過程。此外，各種人為和自然作用對土壤有機質的影響隨時間變化也會發生變化，比如不同年限的林地下的土壤養分情況存在著明顯差異，用統一的土地利用類型信息作為參數進行反演將中和土壤有機質的變化信息，降低極值的出現頻率。盡管光譜反射率和各衍生光譜指數能夠表征出不同時間和地點下的土壤養分差異，但用同一個機器學習模型進行概括仍將帶來無法消除的誤差。鑒于上述原因，本文最終利用XGBoost機器學習模型進行精度驗證時，訓練集與測試集差異較大。盡管通過提取出反演結果中的沙地部分與基礎實測數據進行再次進行比較，發現僅在本文所研究的沙地范圍內反演模型仍然可以取得較高精度，但回歸模型仍不能精確預測不同區域的土壤有機質變化情況，這也為接下來針對大范圍區域的土壤有機質分區反演工作提供了借鑒和思路。

利用多光譜遙感影像進行土壤有機質的反演也存在眾多誤差。首先，盡管研究選取12—次年3月植被生長相對影響較小月份的遙感影像進行反演，仍無法消除地表覆蓋物對土壤反射率的影響；其次，多光譜遙感影像波段較寬，無法捕捉對地表反射率的細微變化；研究中統一將分辨率設置為1 km，聚焦于分析“顯性沙地”的土壤變化情況，無法顧及由植被覆蓋度所確定的“隱性沙地”的識別，忽略了小斑塊地類，影像中存在混合像元，降低反演精度；由于沙地區域本身土壤肥力較差，土壤有機質含量少，對利用遙感反演的方法進行土壤有機質的變化估計帶來極大挑戰，因此研究結果中存在一定的實驗誤差。

由于數據來源的限制，本研究還存在一些不足。比如，利用1990年的土壤情況代表全國第二次土壤普查中的數據，盡管在1990年前研究區沙地整治效果不明顯，西北地區整體土壤環境較為穩定變化極小，但還是帶來了無法消除的影響；所使用的1∶100萬土壤普查數據得到的土壤有機質含量精度較低，不能精確區分土壤有機質含量的空間分布和大小差異。此外，由于研究時間和經費有限，未能對研究區土壤進行現場采樣，測量其有機質含量驗證反演準確性，故只能通過對照過往相關研究中的實測數據進行比較，但由于無法精確實地采樣的時間和地點，且實測數據也僅靠抽樣的方式來代表區域內的整體土壤有機質分布情況，近30年關于榆林市的土壤理化性質研究不足，可比較數據有限，該驗證結果也不能完全代表本研究中土壤有機質反演的精度。

盡管如此，本文對于榆林沙區的土壤有機質時空變異分析仍然可以反映其大致的變化趨勢，對于揭示近30年來沙地整治和利用成果，探究其影響作用具有深刻意義，也為今后的治沙用沙相關方面的政策制定提供相關依據和參考，促進保護毛烏素沙漠生態環境，實現人與自然和諧共生。

4 結 論

1）1990—2020年榆林超過半數沙地得到整治和利用，30 a間，沙地面積大幅降低，以由北向西南的縮小趨勢由5 460 km2降至2 445 km2，超過一半的沙地已經轉變為其他土地利用類型，主要發生在前10年，后20年沙地轉變速率逐漸降低。沙地—草地是沙地整治中最主要的途徑，以低覆蓋度草地為主。以工礦用地為代表的其他建設用地面積增長最為迅速。

2）利用多光譜遙感影像，通過XGBoost機器學習方法在土壤環境較為貧瘠的沙漠地區進行大尺度長時間序列的土壤有機質反演能夠獲得較高的精度，通過與研究區域內其他相關文獻中土壤有機質實測數據進行對比，反演誤差基本控制在13%以內，反演結果與事實相符，能夠較好的進行土壤有機質含量的估計。

3）30 a間，榆林沙區土壤有機質含量上升，但整體呈現先增加后降低的趨勢。前10年間是土壤有機質增速最快時期，以耕地和水域為代表的土地利用類型土壤有機質均值達到近0.8%，人為改造對土壤有機質的提升作用明顯；2000—2010年，大部分土地利用方式下土壤有機質含量仍呈緩慢增長態勢，人為因素對土壤的改良作用逐漸減損；2010年以后，城市和農村對土地的開發和利用不斷消耗土壤肥力，所有土地利用方式下的土壤有機質含量均明顯下降。

4）榆林市治沙成果顯著，但在治沙用沙的過程中，其土壤環境受到較大影響。一是沙區惡劣的自然環境無法支撐地表植被生長，反而造成土壤有機質的消耗，沙區整治不宜過分追求植被覆蓋率的提升，更應因地制宜，尋求符合當地生態環境的作物植被生長；二是近十年人類對于沙地的過度開發造成土壤有機質含量下降。毛烏素沙漠是典型的生態脆弱區，任何土地活動都要在保護其生態安全不受侵害的基礎上進行，因此，更應放緩開發力度，為土壤環境的修復創造時間和空間。同時，加強退化林修復、退化草原改良工程，突出解決沙地再治理問題，謹防“二次沙化”的發生。

[1] 張平，孫強強，孫丹峰，等. 基于遙感光譜的干旱區土地退化評價體系構建[J]. 農業工程學報，2019，35(9)：228-237.

Zhang Ping, Sun Qiangqiang, Sun Danfeng, et al. Establishment of land degradation assessment system in arid region based on remote sensing spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(9): 228-237. (in Chinese with English abstract)

[2] 朱海，黃觀文. 毛烏素沙地地區1960—2018年氣溫時空特征分析[J]. 測繪地理信息，2021，46(S1)：276-281.

Zhu Hai, Huang Guanwen. Analysis on spation-temporal characteristics of temperature in Mu Us dune field from 1960 to 2018[J]. Journal of Geomatics, 2021, 46(S1): 276-281. (in Chinese with English abstract)

[3] 路強. 及早防范毛烏素沙地“二次沙化”風險[N]. 人民政協報，2022-04-28(5).

[4] 石輝，劉秀花，陳占飛，等. 陜北榆林毛烏素沙地大規模土地整治開發的生態環境問題及其對策[J]. 生態學雜志，2019，38(7)：2228-2235.

Shi Hui, Liu Xiuhua, Chen Zhanfei, et al. Eco-environmental problems and their solution strategy for large-scale land consolidation and development in Mu Us Sandy Land of Yulin in North Shaanxi[J]. Chinese Journal of Ecology, 2019, 38(7): 2228-2235. (in Chinese with English abstract)

[5] Qiu K, Xie Y, Xu D, et al. Ecosystem functions including soil organic carbon, total nitrogen and available potassium are crucial for vegetation recovery[J]. Scientific Reports, 2018, 8(1): 1-11.

[6] Ibrahim M, Ghanem F, Al-Salameen A, et al. The estimation of soil organic matter variation in arid and semi-arid lands using remote sensing data[J]. International Journal of Geosciences, 2019, 10(5): 576.

[7] Ebrahimzadeh G, Yaghmaeian M N, Khosravi A K, et al. Predicting spatial distribution of soil organic matter using regression approaches at the regional scale (Eastern Azerbaijan, Iran)[J]. Environmental Monitoring and Assessment, 2021, 193(9): 1-20.

[8] 孔濤，鄭爽，夏宗偉，等. 沙地不同林齡樟子松人工林土壤微生物量特征[J/OL]. 環境化學:1-9[2022-07-03]. http: //kns. cnki. net/kcms/detail/11.1844. X. 20220522.1753.014. html.

Kong Tao, Zheng Shuang, Xia Zongwei, et al. Characteristics of soil microbial biomass in Pinus sylvestris var. mongolica plantations with different ages in sandy land[J/OL]. Environmental Chemistry: 1-9[2022-07-03]. (in Chinese with English abstract)

[9] 趙鑫，朱超，鄭云珠，等. 毛烏素沙地長柄扁桃林地土壤水分時間穩定性[J]. 中國水土保持科學(中英文)，2021，19(6)：8-17.

Zhao Xin, Zhu Chao, Zheng Yunzhu, et al. Temporal stability of soil moisture of Amygdalus pedunculate woodland in Mu Us sandy land[J]. Science of Soil and Water Conservation, 2021, 19(6): 8-17. (in Chinese with English abstract)

[10] 賈漢忠，劉子雯，石亞芳，等. 不同植被恢復類型的沙地土壤中溶解性有機質演變特征[J]. 科學通報，2021，66(34)：4425-4436.

Jia Hanzhong, Liu Ziwen, Shi Yafang, et al. Spectral characteristics of soil dissolved organic matter under different vegetation types in sandy soil[J]. Chinese Science Bulletin, 2021, 66(34): 4425-4436. (in Chinese with English abstract)

[11] 趙朋波，邱開陽，謝應忠，等. 毛烏素沙地南緣不同固沙灌木下土壤養分的空間異質性[J]. 草地學報，2021，29(9)：2040-2048.

Zhao Pengbo, Qiu Kaiyang, Xie Yingzhong, et al. Spatial heterogeneity of soil nutrients under different sand-fixing shrubs in southern Mu Us sandy land, China[J]. Acta Agrestia Sinica, 2021, 29(9): 2040-2048. (in Chinese with English abstract)

[12] 孫浩然，趙志根，趙佳星，等. 珠海一號高光譜遙感的表層土壤有機質含量反演方法[J]. 遙感信息，2020，35(4)：40-46.

Sun Haoran, Zhao Zhigen, Zhao Jiaxing, et al. Inversion of topsoil organic matter content by hyperspectral remote sensing of Zhuhai-1[J]. Remote Sensing Information, 2020, 35(4): 40-46. (in Chinese with English abstract)

[13] 張東輝，趙英俊，秦凱，等. 光譜變換方法對黑土養分含量高光譜遙感反演精度的影響[J]. 農業工程學報，2018，34(20)：141-147.

Zhang Donghui, Zhao Yingjun, Qin Kai, et al. Influence of spectral transformation methods on nutrient content inversion accuracy by hyperspectral remote sensing in black soil[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(20): 141-147. (in Chinese with English abstract)

[14] 王琪，吳成永，陳克龍，等. 基于多光譜遙感圖像的青海湖流域土壤有機質估算初探[J]. 土壤，2019，51(1)：160-167.

Wang Qi, Wu Chengyong, Chen Kelong, et al. Estimating topsoil organic matter in Qinghai lake basin using multi-spectral remote sensing images[J]. Soils, 2019, 51(1): 160-167. (in Chinese with English abstract)

[15] 楊榮榮，曹廣超，曹生奎，等. 祁連山南坡表層土壤有機質含量反演[J]. 生態科學，2020，39(5)：57-63.

Yang Rongrong, Cao Guangchao, Cao Shengkui, et al. The surface soil organic matter content inversion on the South Slope of Qilian Mountain[J]. Ecological Science, 2020, 39(5): 57-63. (in Chinese with English abstract)

[16] 王曦，李玉環，王瑞燕，等. 基于無人機的冬小麥拔節期表層土壤有機質含量遙感反演[J]. 應用生態學報，2020，31(7)：2399-2406.

Wang Xi, Li Yuhuan, Wang Ruiyan, et al. Remote sensing inversion of surface soil organic matter at jointing stage of winter wheat based on unmanned aerial vehicle multispectral[J]. Chinese Journal of Applied Ecology, 2020, 31(7): 2399-2406. (in Chinese with English abstract)

[17] 鄭建樂，張家禎，劉微，等. 土壤有機質含量高光譜定量反演研究[J]. 北方園藝，2022(16)：83-91.

Zheng Jianle, Zhang Jiazhen, Liu Wei, et al. Study on quantitative inversion of soil organic matter content by hyperspectral[J]. Northern Horticulture, 2022(16): 83-91. (in Chinese with English abstract)

[18] 陳超群，戴慧敏，馮雨林，等. 基于Sentinel-2A的孫吳地區土壤有機質反演研究[J]. 物探與化探，2022，46(5)：1141-1148.

Chen Chaoqun, Dai Huimin, Feng Yulin, et al. Sentinel-2A based inversion of the organic matter content of soil in the Sunwu area[J]. Geophysical and Geochemical Exploration, 2022, 46(5): 1141-1148. (in Chinese with English abstract)

[19] 王麗萍，劉煥軍，鄭樹峰，等. 東北農牧交錯帶耕地土壤有機質遙感反演研究[J]. 土壤，2022，54(1)：184-190.

Wang Liping, Liu Huanjun, Zheng Shufeng, et al. Soil organic matter inversion in Agro-pastoral ecotone of northeast China[J]. Soils, 2022, 54(1): 184-190. (in Chinese with English abstract)

[20] 劉煥軍，張美薇，楊昊軒，等. 多光譜遙感結合隨機森林算法反演耕作土壤有機質含量[J]. 農業工程學報，2020，36(10)：134-140.

Liu Huanjun, Zhang Meiwei, Yang Haoxuan, et al. Invertion of cultivated soil organic matter content combining multi-spectral remote sensing and random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(10): 134-140. (in Chinese with English abstract)

[21] 陳宇軒，丁國棟，高廣磊，等. 呼倫貝爾沙地風沙土有機質和碳酸鈣含量特征[J]. 中國水土保持科學，2019，17(4)：104-111.

Chen Yuxuan, Ding Guodong, Gao Guanglei, et al. Content characteristics of organic matter and calcium carbonate of Aeolian soils in Hulun Buir Sandy Land[J]. Science of Soil and Water Conservation, 2019, 17(4): 104-111. (in Chinese with English abstract)

[22] 羅小慶，趙景波，馬曉華. 陜西省榆林地區1644-1949年旱災與干旱氣候事件[J]. 水土保持通報，2015，35(1)：311-316.

Luo Xiaoqing, Zhao Jingbo, Ma Xiaohua. Drought disaster and drought events in Yulin area of Shaanxi province from 1644 to 1949[J]. Bulletin of Soil and Water Conservation, 2015, 35(1): 311-316. (in Chinese with English abstract)

[23] 姜麗娜，馬潔，劉建康，等. 毛烏素沙地不同植被恢復措施下土壤理化性質空間分布特征[J]. 水土保持通報，2022，42(5)：1-7.

Jiang Lina, Ma Jie, Liu Jiankang, et al. Spatial distribution of soil physicochemical properties under different vegetation restoration measures in Mu Us Sand Land[J]. Bulletin of Soil and Water Conservation, 2022, 42(5): 1-7. (in Chinese with English abstract)

[24] 張鳳榮，周建，徐艷，等. 基于地學規律的科爾沁沙地土地整治與生態修復規劃方法[J]. 地學前緣，2021，28(4)：35-41.

Zhang Fengrong, Zhou Jian, Xu Yan, et al. Land consolidation and ecological restoration in Horqin Land use planning strategy based on geosciences knowledge[J]. Earth Science Frontiers, 2021, 28(4): 35-41. (in Chinese with English abstract)

[25] 丁曉彤，孫文義，穆興民，等. 多源土地利用/覆被產品在黃土高原應用和精度評估[J/OL]. 水土保持研究：1-10[2022-10-19]. https: //kns. cnki. net/kcms/detail/detail. aspx?FileName=STBY20220928000&DbName=CAPJ2022.

Ding Xiaotong, Sun Wenyi, Mu Xingmin, et al. Application and accuracy evaluation of multi-source land use/cover products on the Loess Plateau[J/OL]. Research of Soil and Water Conservation: 1-10[2022-10-19]. (in Chinese with English abstract)

[26] 王秀蘭，包玉海. 土地利用動態變化研究方法探討[J]. 地理科學進展，1999(1)：83-89.

[27] 劉書田. 中國農田土壤有機碳時空分布規律及影響因素研究[D]. 吉林：吉林農業大學，2016.

Liu Shutian. The Rule of Temporal and Spatial Distribution of Soil Organic Carbon of Cropland and Its Influencing Factors in China[D]. Jilin: Jilin Agricultural University, 2016. (in Chinese with English abstract)

[28] 高琪，彭杰，馮春暉，等. 基于Landsat 8數據的荒漠土壤水分遙感反演[J]. 水土保持通報，2021，41(1)：125-131，151.

Gao Qi, Peng Jie, Feng Chunhui, et al. A study on inversion for remote sensing of desert soil moisture based on Landsat 8 data[J]. Bulletin of Soil and Water Conservation, 2021, 41(1): 125-131,151. (in Chinese with English abstract)

[29] 方珂. 基于多光譜遙感的隨機森林回歸模型反演土壤重金屬含量[D]. 西安：長安大學，2020.

Fang Ke. Retrieval of Heavy Metal Content in Soil Based on Random Forest Regression Model Based on Multispectral Remote Sensing[D]. Xi’an: Chang'an University, 2020. (in Chinese with English abstract)

[30] Wang Z, Wang G, Zhang G, et al. Effects of land use types and environmental factors on spatial distribution of soil total nitrogen in a coalfield on the Loess Plateau, China[J]. Soil and Tillage Research, 2021, 211: 105027.

[31] Ramesh T, Bolan N S, Kirkham M B, et al. Soil organic carbon dynamics: Impact of land use changes and management practices: A review[J]. Advances in Agronomy, 2019, 156: 1-107.

[32] 雷琪，蔣洪麗，吳淑芳，等. 西北地區有機質空間分布及其影響因素研究[J]. 水土保持學報，2022，36(3)：274-279，293.

Lei Qi, Jiang Hongli, Wu Shufang, et al. Spatial distribution of organic matter and its influencing factors in northwest China[J]. Journal of Soil and Water Conservation, 2022, 36(3): 274-279, 293. (in Chinese with English abstract)

[33] 趙明松，張甘霖，王德彩，等. 徐淮黃泛平原土壤有機質空間變異特征及主控因素分析[J]. 土壤學報，2013，50(1)：1-11.

Zhao Mingsong, Zhang Ganlin, Wang Decai, et al. Spatial variability of soil organic matter and its domination factors in Xu-Huai alluvial plain[J]. Acta Pedologica Sinica, 2013, 50(1): 1-11. (in Chinese with English abstract)

[34] Chen T, Guestrin C. Xgboost: A scalable tree boosting system[C]//Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016: 785-794.

[35] 王坤章，蔣書波，張豪，等. 基于XGBoost的回歸-分類-回歸壽命預測模型[J/OL]. 中國測試：1-8[2022-07-04]. http: //kns. cnki. net/kcms/detail/51. 1714. TB. 20220616. 1537. 002. html.

Wang Kunzhang, Jiang Shubo, Zhang Hao, et al. Regression-classification-regression life prediction model based on XGBoost[J/OL]. China Measurement & Test: 1-8[2022-07-04]. http: //kns. cnki. net/kcms/detail/51. 1714. TB. 20220616. 1537. 002. html. (in Chinese with English abstract)

[36] 江穎慧，焦利民，張博恩. 城市地表溫度與NDVI空間相關性的尺度效應[J]. 地理科學進展，2018，37(10)：1362-1370.

Jiang Yinghui, Jiao Limin, Zhang Boen. Scale effect of the spatial correlation between urban land surface temperature and NDVI[J]. Progress in Geography, 2018, 37(10): 1362-1370. (in Chinese with English abstract)

[37] 劉斌，郭星，朱宇恩. 基于隨機森林模型的土壤重金屬源解析：以晉中盆地為例[J]. 干旱區資源與環境，2019，33(1)：106-111.

Liu Bin, Guo Xing, Zhu Yuen. Analysis of soil heavy metal sources in Jinzhong basin based on random forest model[J]. Journal of Arid Land Resources and Environment, 2019, 33(1): 106-111. (in Chinese with English abstract)

[38] 賈魯凈，楊聯安，封涌濤，等. 寶雞市農耕區土壤養分空間變異及其影響因素分析[J]. 干旱區資源與環境，2022，36(12)：135-143.

Jia Lujing, Yang Lianan, Feng Yongtao, et al. Spatial variation of soil nutrients and its influencing factors in Baoji city[J]. Journal of Arid Land Resources and Environment, 2022, 36(12): 135-143. (in Chinese with English abstract)

[39] 王婕，牛文全，張文倩，等. 農田表層土壤養分空間變異特性研究[J]. 農業工程學報，2020，36(15)：37-46.

Wang Jie, Niu Wenquan, Zhang Wenqian, et al. Spatial variability of soil nutrients in topsoil of cultivated land[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(15): 37-46. (in Chinese with English abstract)

[40] 王樹雄，張玉生. 榆林沙地土壤養分狀況調查[J]. 陜西林業科技，1999(3)：28-29.

[41] 張鐵嬋，常慶瑞，劉京. 土壤養分元素空間分布不同插值方法研究：以榆林市榆陽區為例[J]. 干旱地區農業研究，2010，28(2)：177-182.

Zhang Tiechan, Chang Qingrui, Liu Jing. Comparison of spatial interpolation methods for soil nutrient elements: A case study of Yuyang County, Shaanxi Province[J]. Agricultural Research in the Arid Areas, 2010, 28(2): 177-182. (in Chinese with English abstract)

[42] 蔡紅明，王士超，劉巖，等. 陜西日光溫室養分平衡及土壤養分累積特征研究[J]. 西北農林科技大學學報（自然科學版），2016，44(9)：83-91.

Cai Hongming, Wang Shichao, Liu Yan, et al. Nutrient balance and accumulation in soil of solar greenhouse in Shaanxi[J]. Journal of Northwest A&F University(Natural Science Edition), 2016, 44(9): 83-91. (in Chinese with English abstract)

[43] 馬存平，李軍保，董強，等. 榆林沙區不同固沙林地土壤養分特征[J]. 防護林科技，2017(9)：1-3，17.

Ma Cunping, Li Junbao, Dong Qiang, et al. Soil nutrient characteristics in different sand fixation forest land in Yulin sandy land desert area[J]. Protection Forest Science and Technology, 2017(9): 1-3, 17. (in Chinese with English abstract)

[44] 張靜. 荒漠化土地植被恢復對土壤質量的影響研究[D]. 楊凌：西北農林科技大學，2006.

Zhang Jing. Effection of Vegetation Restoration on Soil Quality to Desertification Land[D]. Yangling: Northwest A&F University, 2006. (in Chinese with English abstract)

[45] 唐啟敏. 基于GIS的陜西省榆林市耕地土壤養分空間變異及其地力評價[D]. 楊凌：西北農林科技大學，2018.

Tang Qimin. Spatial Variability of Soil Nutrients and Evaluation of Farmland Productivity in Yulin City Based on GIS[D]. Yangling: Northwest A&F University, 2018. (in Chinese with English abstract)

[46] 馬在昊. 陜北防護林建設的土壤環境效應評估[D]. 楊凌：西北農林科技大學，2021.

Ma Zaihao. Evaluation of Soil Environmental Effects of Shelterbelt Construction in Northern Shaanxi[D]. Yangling: Northwest A&F University, 2021. (in Chinese with English abstract)

[47] 王彥武，廖超英，孫長忠，等. 毛烏素沙地固沙林土壤化學性質差異[J]. 土壤通報，2009，40(4)：776-780.

Wang Yanwu, Yan Chaoying, Sun Changzhong, et al. Soil chemical properties of sand-fixing forests in Maowusu sand land[J]. Chinese Journal of Soil Science, 2009, 40(4): 776-780. (in Chinese with English abstract)

[48] 白曉霞，艾海艦. 榆林沙地樟子松人工林土壤養分變化特征[J]. 西部林業科學，2020，49(3)：80-85.

Bai Xiaoxia, Ai Haijian. Soil nutrients variability of pinus sylvestris var. mongolica plantations in desertificated land of Yulin[J]. Journal of West China Forestry Science, 2020, 49(3): 80-85. (in Chinese with English abstract)

[49] 趙慧淵. 榆林市府谷縣耕地土壤肥力現狀及提升思路與對策[D]. 楊凌：西北農林科技大學，2021.

Zhao Huiyuan. Current Status of Cultivated Soil Fertility and Strategy for Improvement in Fugu County, Yulin City[D]. Yangling: Northwest A&F University, 2021. (in Chinese with English abstract)

Spatial-temporal characteristics of land use and soil organic matter in Yulin under sandy land remediation

Sun Xinqi1, Zhang Bangbang2, Chai Chaoqing2, Niu Wenhao2, Yu Qiang1,3※

(1.,,712100,; 2.,,712100,; 3.,,,712100,)

Yulin is one of the prefecture-level cities bordering Mu Us Sandy Land and Loess Plateau in Shaanxi Province, China. Among them, the Mu Us Sandy Land is one of the most typical ecologically fragile areas. The soil environment in Yulin City has presented the profound impact after remarkable remediation and utilization in recent years. Soil organic matter (SOM) can be an important indicator of soil fertility and productivity. The trend of SOM can also greatly contribute to the decision-making on the stability and security of soil ecosystem under different natural conditions and anthropogenic influence. It is a high demand to monitor the SOM dynamic changes from the large-scale space and long time series. Taking the conspicuous sandy land in Yulin City as the research area, the purpose of this study is to determine the characteristics of land use changes from 1990 to 2020. A systematic investigation was also performed on the variations in the SOM content under different land types that transformed from the sandy land, in order to clarify the effects of different remediation and utilization on the SOM in the sandy land. The dominant sandy land was selected to calculate the dynamic attitude of land use for the transformation characteristics of land use. Three machine learnings (decision tree, random forest, and XGBoost) were used to evaluate the factors related to the natural conditions and land use change characteristics of sandy land. The fitting accuracy was then obtained, according to each waveband of multispectral remote sensing images and related spectral indices. Finally, the XGBoost was selected to invert the SOM content. A systematic analysis was made on the SOM content and spatial distribution characteristics under different land types. After that, a semi-variance function was used to reveal the spatial variability. The average SOM content was calculated to clarify the influence of anthropogenic factors and natural environment on the desert SOM. The results show that more than half of the sandy land was remediated and utilized from 1990 to 2020, indicating the fastest transformation. Specifically, the sandy grassland was the most important land transformation, whereas, the fastest increase was found in the construction land area. The better inversion was also obtained to estimate the SOM content with the inversion error within 13% than before, according to the multispectral remote sensing using XGBoost machine learning. The average SOM of arable land and water area reached nearly 0.8% of land use types. The SOM of all land use types decreased significantly, with the average SOM of 0.51% in 2020. A strong spatial autoregulation of SOM was depended mainly on the natural environmental factors, such as temperature, precipitation, and topography. Initially, the human activities posed a positive impact. But, a negative impact was led to the decline in the SOM content and the land degradation, as the intensity of sand use increased. Some recommendations were given to strengthen the restoration and improvement of degraded forest and grass. The finding can provide the theoretical and practical implications for the sandy land remediation, particularly for the protection of the soil environmental safety of Yulin sandy land.

land use; remote sensing; soil organic matter; XGBoost; semi variogram

10.11975/j.issn.1002-6819.2022.24.023

S288

A

1002-6819(2022)-24-0207-11

孫欣琪，張蚌蚌，柴朝卿，等. 沙地整治下榆林土地利用及土壤有機質時空分異特征[J]. 農業工程學報，2022，38(24)：207-217.doi：10.11975/j.issn.1002-6819.2022.24.023 http://www.tcsae.org

Sun Xinqi, Zhang Bangbang, Chai Chaoqing, et al. Spatial-temporal characteristics of land use and soil organic matter in Yulin under sandy land remediation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(24): 207-217. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.24.023 http://www.tcsae.org

2022-08-26

2022-10-27

國家自然科學基金項目（No.41961124006，No.42171267）；陜西省重點研發計劃項目（No.2022ZDLNY02-01）

孫欣琪，研究方向為土地利用變化。Email：sxq@nwafu.edu.cn

于強，博士，研究員，研究方向為氣候變化與農業生態。Email：yuq@nwafu.edu.cn