第３２卷 第７期２０１９年７月环 境 科 学 研 究Ｒｅｓｅａｒｃｈ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ ＳｃｉｅｎｃｅｓＶｏｌ.３２ꎬＮｏ.７Ｊｕｌｙꎬ２０１９收稿日期 ２０１８￣０５￣１２ 修订日期 ２０１８￣１１￣１４作者简介陈运帷１９８５￣ꎬ男ꎬ北京人ꎬｂｅｉｏｗｏｌｆ００７＠ １６３.ｃｏｍ.∗责任作者ꎬ许超１９８５￣ꎬ男ꎬ河北石家庄人ꎬ助理研究员ꎬ硕士ꎬ主要从事环境遥感监测与区域污染状况分析研究ꎬｘｕｃｈａｏ＠ ｃｒａｅｓ.ｏｒｇ.ｃｎ基金项目国家重点研发计划项目Ｎｏ.２０１８ＹＦＦ０２１３４０１Ｓｕｐｐｏｒｔｅｄ ｂｙ Ｎａｔｉｏｎａｌ Ｋｅｙ Ｒｅｓｅａｒｃｈ ａｎｄ Ｄｅｖｅｌｏｐｍｅｎｔ Ｐｒｏｇｒａｍ ｏｆ Ｃｈｉｎａ Ｎｏ.２０１８ＹＦＦ０２１３４０１区域土壤重金属空间分布驱动因子影响力比较案例分析陈运帷ꎬ王文杰ꎬ师华定ꎬ王明浩ꎬ许 超∗中国环境科学研究院ꎬ北京 １０００１２摘要土壤重金属空间分布受到自然和人为驱动因子的共同影响ꎬ识别并评价各驱动因子对土壤重金属空间分布的影响力ꎬ对解析区域土壤重金属污染源、研究重金属迁移规律以及探明重金属空间分布模式具有重要意义.为研究不同自然和人类活动背景下各驱动因子对土壤重金属空间分布影响的差异性ꎬ并寻找在异质背景下的高影响力因子ꎬ采用地理探测器和随机森林模型ꎬ以贵州省安顺市作为土壤重金属高背景值典型地区、辽宁省葫芦岛市作为人类活动高强度典型地区ꎬ探讨市域尺度下土壤ｐＨ、地面累年值年值气温、坡度、海拔、地面累年值年值降水量０８００、夜间灯光指数和县ＧＤＰ这７个驱动因子的空间分异性ꎬ及其对研究区内５种重金属Ａｓ、Ｃｄ、Ｃｒ、Ｈｇ、Ｐｂ空间分布的单独及交互驱动力强度.结果表明安顺市Ａｓ、Ｃｄ、Ｃｒ、Ｈｇ、Ｐｂ这５种重金属的质量分数平均值均高于葫芦岛市ꎬ但ｗＨｇ差异不明显ꎻ在市域内采样点平均间距为１０ ｋｍ的尺度下ꎬ安顺市和葫芦岛市土壤重金属分布受到自然因子的影响程度均强于人为因子ꎻ在异质环境背景下ꎬ安顺市和葫芦岛市土壤ｐＨ、海拔和县ＧＤＰ的驱动能力较稳定ꎬ并且是对土壤重金属分布影响能力最大的３个因子ꎬ适宜在上述地区作为土壤重金属含量多元非线性回归模型的通用参数.研究显示ꎬ基于地理探测器的因子驱动力评价方法可以应用于评价其他因子对土壤重金属含量空间分布影响力ꎬ以及用于土壤重金属含量回归方程自变量的选择.关键词土壤污染ꎻ重金属ꎻ驱动因子ꎻ地理探测器ꎻ随机森林模型中图分类号 Ｘ１４４ 文章编号 １００１￣６９２９２０１９０７￣１２１３￣１１文献标志码 Ａ ＤＯＩ １０􀆰 １３１９８∕ｊ􀆰 ｉｓｓｎ􀆰 １００１￣６９２９􀆰 ２０１８􀆰 １２􀆰 ０６Ｃｏｍｐａｒａｔｉｖｅ Ｃａｓｅ Ｓｔｕｄｙ ｏｎ ｔｈｅ Ｉｎｆｌｕｅｎｃｅ ｏｆ Ｓｐａｔｉａｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ Ｈｅａｖｙ Ｍｅｔａｌｓ ｉｎＲｅｇｉｏｎａｌ ＡｒｅａＣＨＥＮ Ｙｕｎｗｅｉꎬ ＷＡＮＧ Ｗｅｎｊｉｅꎬ ＳＨＩ Ｈｕａｄｉｎｇꎬ ＷＡＮＧ Ｍｉｎｇｈａｏꎬ ＸＵ Ｃｈａｏ∗Ｃｈｉｎｅｓｅ Ｒｅｓｅａｒｃｈ Ａｃａｄｅｍｙ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅｓꎬ Ｂｅｉｊｉｎｇ １０００１２ꎬ ＣｈｉｎａＡｂｓｔｒａｃｔ Ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌｓ ｉｓ ｉｎｆｌｕｅｎｃｅｄ ｂｙ ｎａｔｕｒａｌ ａｎｄ ｈｕｍａｎ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ. Ｉｄｅｎｔｉｆｙｉｎｇ ａｎｄ ｅｖａｌｕａｔｉｎｇ ｔｈｅｉｎｆｌｕｅｎｃｅ ｏｆ ｔｈｅｓｅ ｆａｃｔｏｒｓ ｉｓ ｏｆ ｇｒｅａｔ ｓｉｇｎｉｆｉｃａｎｃｅ ｆｏｒ ｉｄｅｎｔｉｆｙｉｎｇ ｔｈｅ ｓｏｕｒｃｅｓꎬ ｍｉｇｒａｔｉｏｎ ａｎｄ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｐａｔｔｅｒｎｓ ｏｆ ｈｅａｖｙ ｍｅｔａｌｓ ｉｎ ｓｏｉｌ. Ｔｏｒｅｓｅａｒｃｈ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｖａｒｉｏｕｓ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ ｏｎ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｈｅａｖｙ ｍｅｔａｌ ｉｎ ｓｏｉｌ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｂａｃｋｇｒｏｕｎｄ ｏｆ ｎａｔｕｒａｌ ａｎｄ ｈｕｍａｎａｃｔｉｖｉｔｉｅｓꎬ ａｎｄ ｔｏ ｆｉｎｄ ｔｈｅ ｈｉｇｈ￣ｉｍｐａｃｔ ｆａｃｔｏｒｓ ｕｎｄｅｒ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｂａｃｋｇｒｏｕｎｄｓꎬ Ａｎｓｈｕｎ Ｃｉｔｙ ａｎｄ Ｈｕｌｕｄａｏ Ｃｉｔｙꎬ ｗｈｉｃｈ ａｒｅ ｒｅｓｐｅｃｔｉｖｅｌｙｃｈａｒａｃｔｅｒｉｚｅｄ ｗｉｔｈ ｈｉｇｈ ｂａｃｋｇｒｏｕｎｄ ｖａｌｕｅ ｏｆ ｈｅａｖｙ ｍｅｔａｌｓ ａｎｄ ｈｉｇｈ ｉｎｔｅｎｓｉｔｙ ｏｆ ｈｕｍａｎ ａｃｔｉｖｉｔｙꎬ ｗｅｒｅ ｃｈｏｓｅｎ ａｓ ｔｈｅ ｓｔｕｄｙ ａｒｅａ. Ｔｈｅ ｄｒｉｖｉｎｇｆａｃｔｏｒｓ ｉｎｃｌｕｄｉｎｇ ｐＨꎬ ａｎｎｕａｌ ｇｒｏｕｎｄ ｔｅｍｐｅｒａｔｕｒｅꎬ ａｎｎｕａｌ ｇｒｏｕｎｄ ｐｒｅｃｉｐｉｔａｔｉｏｎ ０８００ꎬ ｅｌｅｖａｔｉｏｎꎬ ｓｌｏｐｅꎬ ｎｉｇｈｔ￣ｔｉｍｅ ｌｉｇｈｔ ｉｎｄｅｘ ａｎｄ ＧＤＰｗｅｒｅ ｔａｋｅｎ ｉｎｔｏ ａｃｃｏｕｎｔ. Ｍｅｔｈｏｄｓ ｉｎｃｌｕｄｉｎｇ ｇｅｏｄｅｔｅｃｔｏｒ ａｎｄ ｒａｎｄｏｍ ｆｏｒｅｓｔｓ ｗｅｒｅ ａｄｏｐｔｅｄ ｔｏ ａｎａｌｙｚｅ ｔｈｅ ｉｎｄｉｖｉｄｕａｌ ａｎｄ ｉｎｔｅｒａｃｔｉｖｅ ｅｆｆｅｃｔｓ ｏｆｔｈｅ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ ｏｎ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ Ａｓꎬ Ｃｄꎬ Ｃｒꎬ Ｈｇ ａｎｄ Ｐｂ ｉｎ ｔｈｅ ｔｙｐｉｃａｌ ｒｅｇｉｏｎｓ. Ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｍｅａｎ ｃｏｎｃｅｎｔｒａｔｉｏｎｏｆ ｅａｃｈ ｈｅａｖｙ ｍｅｔａｌ ｉｎ Ａｎｓｈｕｎ Ｃｉｔｙ ｗａｓ ｈｉｇｈｅｒ ｔｈａｎ Ｈｕｌｕｄａｏ Ｃｉｔｙꎬ ｂｕｔ ｔｈｅ ｄｉｓｔｉｎｃｔｉｏｎ ｏｆ Ｐｂ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｗａｓ ｎｏｔ ｓｉｇｎｉｆｉｃａｎｔ. Ｉｎ ｔｈｅａｖｅｒａｇｅ ｓａｍｐｌｉｎｇ ｄｅｎｓｉｔｙ ｏｆ １０ ｋｍꎬ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｎａｔｕｒａｌ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ ｗａｓ ｓｔｒｏｎｇｅｒ ｔｈａｎ ｈｕｍａｎ ｆａｃｔｏｒｓ ｉｎ ｔｈｅ ｔｙｐｉｃａｌ ｒｅｇｉｏｎｓ. Ｓｏｉｌ ｐＨꎬｅｌｅｖａｔｉｏｎ ａｎｄ ＧＤＰ ｗｅｒｅ ｔｈｅ ｓｔｒｏｎｇｅｓｔ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ ｔｈａｔ ｇｒｅａｔｌｙ ａｆｆｅｃｔｅｄ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｈｅａｖｙ ｍｅｔａｌｓ ｉｎ ｓｏｉｌ ａｍｏｎｇ ｔｈｅ ｒｅｆｅｒｒｅｄ７ ｆａｃｔｏｒｓ. Ｍｅａｎｗｈｉｌｅꎬ ｔｈｅｙ ｗｅｒｅ ｒｅｌａｔｉｖｅｌｙ ｓｔａｂｌｅ ｉｎ ｔｈｅ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｂａｃｋｇｒｏｕｎｄｓꎬ ａｎｄ ｗｅｒｅ ｓｕｉｔａｂｌｅ ｔｏ ｂｅ ｕｓｅｄ ａｓ ｔｈｅ ｇｅｎｅｒａｌ ｐａｒａｍｅｔｅｒｓｉｎ ｔｈｅ ｍｕｌｔｉｐｌｅ ｎｏｎｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｆｏｒ ｃａｌｃｕｌａｔｉｎｇ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｉｎ ｓｏｉｌｓ ｉｎ ｔｈｅ ｓｔｕｄｙ ａｒｅａ. Ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｍｅｔｈｏｄｗｈｉｃｈ ｂａｓｅｄ ｏｎ ｇｅｏｄｅｔｅｃｔｏｒ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｅｖａｌｕａｔｅ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｏｔｈｅｒ ｆａｃｔｏｒｓ ｏｎ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｉｎｓｏｉｌ. Ｍｏｒｅｏｖｅｒꎬ ｉｔ ｉｓ ｕｓｅｆｕｌ ｔｏ ｓｅｌｅｃｔ ｔｈｅ ｉｎｄｅｐｅｎｄｅｎｔ ｖａｒｉａｂｌｅｓ ｉｎ ｔｈｅ ｒｅｇｒｅｓｓｉｏｎ ｅｑｕａｔｉｏｎｓ ｔｏ ｐｒｅｄｉｃｔ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ.Ｋｅｙｗｏｒｄｓ ｓｏｉｌ ｃｏｎｔａｍｉｎａｔｉｏｎꎻ ｈｅａｖｙ ｍｅｔａｌｓꎻ ｄｒｉｖｉｎｇ ｆａｃｔｏｒꎻ ｇｅｏｄｅｔｅｃｔｏｒꎻ ｒａｎｄｏｍ ｆｏｒｅｓｔｓ ｍｏｄｅｌ环 境 科 学 研 究第３２卷土壤重金属污染是土壤污染的一种主要形式ꎬ近年来常有农产品重金属含量超标的新闻报道ꎬ使得全社会对于土壤重金属污染的关注不断增加.不同于污染场地调查ꎬ大范围的非建设用地土壤污染情况调查受到人力、财力的限制ꎬ不可能通过高密度采样来获取调查结果.因此ꎬ通过使用地理统计方法结合适当数量和分布的样本ꎬ插值获取区域土壤污染因子的空间分布及其含量是最为有效和常用的技术方法.空间插值方法种类繁多ꎬ较为常用的是反距离权重法、径向基函数插值法和克里金插值法等.这些插值方法基于不同的假设条件和数据特征ꎬ数据特征不符或插值参数设置不合适均会导致插值结果产生较大误差[１].土壤污染的形成原因复杂ꎬ受到污染源分布、重金属存在形式[２]、土壤质地和土壤母质等多种因素的影响ꎬ不同地区、不同污染物的空间分布特征和规律并不相同.李湘凌等[３]在合肥义州地区对土壤重金属含量空间分布的研究表明ꎬＣｕ、Ｐｂ、Ａｓ元素采用普通克里金法进行插值结果最优ꎬ而Ｚｎ元素采用反距离加权法最优ꎬ对于Ｃｄ、Ｈｇ元素则采用径向基函数插值法最优.袁峰等[４]在对安徽省铜陵市多种重金属元素进行插值方法比较中也发现ꎬ不同重金属元素的最佳插值方法均方差最小并不一致.谢云峰等[５]对北京市通州区土壤中Ｃｄ元素多种插值方法的比较中发现ꎬ由于土壤重金属污染常呈现小范围内高浓度值集中出现的特征ꎬ所以克里金插值法存在的平滑效应导致其插值结果在极值计算和高浓度值区域分布预测方面表现不佳ꎬ精度低于反距离权重和径向基函数法.克里金插值法在土壤重金属空间分布研究中的应用由最开始的依靠地理自相关性进行线性插值ꎬ发展为结合地理、环境信息对污染物进行线性回归以提升插值精度ꎬ常用的方法是协同克里金插值法和回归克里金插值法[６].如庞夙等[７]以表层土壤Ｃｕ元素作为协同因子ꎬ通过协同克里金插值法预测深层土壤中的ｗＣｕꎻ姜勇等[８]通过建立表层土壤与深层土壤之间ｗＺｎ的线性回归方程ꎬ得到深层土壤中ｗＺｎ的回归拟合值ꎬ并进行普通克里金插值获取空间重金属含量及其分布模式ꎻＨｅｎｇｌ等[９]采用回归克里金插值法ꎬ借助地理和环境因子对土壤有机物含量、土壤表面温度进行了空间插值.在上述研究中ꎬ与普通克里金插值法相比ꎬ考虑协同变量的克里金插值法的插值精度提高了３％ １０％ꎬ且达到相同插值精度所需的采样点数量明显减少.可见ꎬ合理使用协同变量辅助克里金插值能够提高空间插值的预测精度ꎬ同时也能降低实现高精度预测所需的采样点数量ꎬ降低调查成本.使用协同变量辅助克里金插值的关键在于选取与插值对象相关的协同变量ꎬ但土壤污染成因复杂ꎬ同时受到成土过程中自然因子和人类开发利用时人为活动因子的共同影响[１０￣１２].我国幅员辽阔ꎬ不同地区自然因素各异ꎬ人类活动强度分布不均.虽然在我国西南地区土壤重金属含量背景值高于其他地区是一个客观事实[１３]ꎬ但近年来的快速发展使得人为因子对土壤重金属含量的影响大幅增加.已有的关于自然和人为因子对土壤污染影响力的分析多基于多元统计方法ꎬ关注重金属含量之间的统计关系如ＷＯＮＧ等[１４]使用相关系数和主成分分析法对珠三角地区其他农用地、水稻土和自然土壤中的Ｃｏ、Ｃｕ、Ｐｂ和Ｚｎ进行统计分析ꎬ通过主成分分析结果结合污染物来源特征ꎬ推测珠三角地区Ｐｂ主要来源于汽车尾气排放ꎬＣｕ和Ｚｎ的富集与农业耕作活动有关.朱求安等[１５]应用地形数据作为协同因子ꎬ配合径向基函数对我国南部地区酸雨空间分布进行插值估计ꎬ其精度高于单纯使用普通克里金和样条函数插值方法.Ｌｉｎａｒｄ等[１６]使用相关系数、主成分分析和半变异函数等统计方法ꎬ对比利时Ｓｃｌａｉｇｎｅａｕｘ市某锌矿石处理厂旧址周边３ ｋｍ区域内７种微量元素和６种主量元素进行分析ꎬ并以距污染源距离、土地利用方式和风向作为辅助变量ꎬ对上述元素进行协方差分析ꎬ得出土壤中Ｃｄ、Ｃｕ、Ｐｂ、Ｚｎ含量的空间分布主要受风向的影响.通过主成分分析等统计学方法分析污染物之间的数据特征并结合周边污染源的污染特征可以倒推污染源ꎬ但这些方法对污染物空间分布的驱动能力缺少定量分析ꎬ且无法对多因子交互作用的影响力进行评估.鉴于此ꎬ该研究从影响因子与土壤重金属含量统计关系的角度出发ꎬ选取位于我国东北地区的辽宁省葫芦岛市和西南地区的贵州省安顺市为２个典型区域ꎬ借助地理探测器和随机森林模型２种工具ꎬ探讨市域尺度下２个典型区域内自然因子和人为因子对土壤重金属元素Ａｓ、Ｃｄ、Ｃｒ、Ｈｇ、Ｐｂ空间分布的驱动能力及其特征ꎬ并试图寻找在不同地理、人文条件下对土壤重金属含量具有较大影响的因子ꎬ该因子即可作为土壤重金属多元非线性回归方程的重要自变量.研究结果既可作为土壤调查分层布点的辅助信息ꎬ也可以为区域土壤重金属含量非线性回归模型的建立提供参考.４１２１第７期陈运帷等区域土壤重金属空间分布驱动因子影响力比较案例分析 １ 材料与方法１􀆰 １ 研究区概况１􀆰 １􀆰 １ 葫芦岛市葫芦岛市是辽宁省西部的海滨城市ꎬ下辖连山区、龙港区、南票区、兴城市县级、绥中县和建昌县ꎬ总面积１０ ４００ ｋｍ２ꎬ海岸线长２５８ ｋｍ.年均气温为９􀆰 ０ ℃ꎬ年均降水量为５６３６４２ ｍｍ[１７].辽宁省土壤中５种重金属Ａｓ、Ｃｄ、Ｃｒ、Ｈｇ、Ｐｂ含量背景值在全国均处于较低水平ꎬ但葫芦岛市土壤和农产品重金属含量的调查结果显示ꎬ葫芦岛锌厂、杨家杖子矿周边和葫芦岛市区土壤的重金属含量远高于其背景值[１８￣１９]ꎬ重金属通过食物链传导造成二次污染的风险较大[２０].另有研究[２１]显示ꎬ葫芦岛本地蔬菜中重金属含量高于外地输入蔬菜.选取葫芦岛市作为典型地区是因为其所处区域土壤重金属含量背景值较低ꎬ但在葫芦岛锌厂等人类活动强度较大的区域已出现土壤重金属含量高于周边区域的情况.因此ꎬ该研究以葫芦岛市体现市域尺度下人为因子对土壤重金属含量分布的影响能力.１􀆰 １􀆰 ２ 安顺市安顺市位于贵州省中西部ꎬ下辖西秀区、平坝区、普定县、镇宁布依族苗族自治县、关岭布依族苗族自治县和紫云苗族布依族自治县ꎬ总面积９ ２６７ ｋｍ２ꎬ总人口３００１０４人.安顺市是世界上典型的喀斯特地貌集中区域ꎬ全境海拔５６０ １ ５００ ｍ.全年雨量充沛ꎬ年均降水量１ ３６０ ｍｍꎬ年均气温１４ ℃.安顺市矿产资源丰富ꎬ以煤矿开采为优势产业.根据张玉涛等[２２]对安顺市郊区某煤矿区周边菜园土壤重金属的研究和董钧铭等[２３]对于安顺市多种类型蔬菜中ｗＰｂ的综合分析ꎬ安顺市土壤中除ｗＰｂ是贵州省土壤重金属含量背景值的３倍外ꎬ其他重金属含量均接近其背景值ꎬｗＰｂ较高可能是由当地燃煤粉尘沉降造成的.值得注意的是ꎬ王志瑞[２４]对安顺市一级水源保护区内土壤重金属含量的研究显示ꎬ人类活动强度较低的水源保护区土壤仍然存在Ｃｄ和Ａｓ超标现象.贵州省土壤５种重金属Ａｓ、Ｃｄ、Ｃｒ、Ｈｇ、Ｐｂ含量背景值在全国属于较高水平.安顺市自然资源开采主要以煤矿开采和洗选为主ꎬ对土壤重金属污染比较严重的有色金属采选、冶炼等行业占比很低.因此ꎬ该研究将安顺市作为土壤重金属含量背景值高、但人类活动影响较为单一的对比区域.１􀆰 ２ 数据获取为获取研究区土壤样品ꎬ于２０１２年在葫芦岛市和安顺市市域内ꎬ按照１０ ｋｍ１０ ｋｍ网格中心方式进行布点采样ꎬ分别布设土壤采样点９５、７６个见图１ꎻ在２０ ｍ２０ ｍ内采用五点梅花采样法ꎬ采集表层０２０ ｃｍ土壤混合制成样品.各重金属总量测试方法参考ＧＢ １５６１８ １９９５土壤环境质量标准.图１ 研究区土壤采样点分布Ｆｉｇ.１ Ｍａｐ ｏｆ ｓｏｉｌ ｓａｍｐｌｅ ｐｏｉｎｔｓ ｉｎ ｓｔｕｄｙ ａｒｅａｓ２个典型地区２０１２年县ＧＤＰ数据分别来源于２０１３年辽宁省统计年鉴和２０１３年安顺市统计年鉴.研究区内１９８１ ２０１０年地面累年值年值气温简称“年值气温”和地面累年值年值降水量０８００简称“年值降水量”气象站点数据来源于中国气象网ｈｔｔｐ∕∕ｄａｔａ.ｃｍａ.ｃｎ∕ｓｉｔｅ∕ｉｎｄｅｘ.ｈｔｍｌꎬ年值气温和年值降水量栅格数据通过样条函数插值生成.海拔数据源于ＳＲＴＭ９０ ｍ数字高程模型ꎬ并在其基础上使用ＡｒｃＧＩＳ相关工具制作海拔分类和坡度５１２１环 境 科 学 研 究第３２卷数据.夜间灯光指数是由美国国防气象卫星计划ＤＭＳＰ所发射的卫星获取ꎬ该卫星由于处于太阳同步低地球轨道ꎬ可以获取地球２０３０ ２１３０的卫星影像[２５]ꎬ夜间灯光指数已广泛用于表征人类活动和经济发展水平[２６].研究区２０１２年ＤＭＳＰ∕ＯＬＳ稳定灯光影像１ ｋｍ１ ｋｍ下载自地理国情监测云平台ｈｔｔｐ∕∕ｗｗｗ.ｄｓａｃ.ｃｎ.虽然土壤样品采集时间为２０１２年ꎬ但土壤重金属空间分布模式的演变受气温、降水量等相对稳定的驱动因子所影响ꎬ土壤污染物含量变化速度比较缓慢.为配合土壤样品采集时间ꎬ在该研究中ꎬ反映人类活动强度的县ＧＤＰ和夜间灯光指数数据也均采用了采样年２０１２年的数据.因此所揭示的研究区土壤重金属空间分布与驱动因子之间的关系能够适用于当前及未来土壤重金属含量预测及演绎需求.土壤重金属污染的产生原因总体上可归纳为自然因素和人为因素ꎬ自然因素主要包括气候、母质、生物、地形等ꎬ人为因素主要包括农业开发、工业污染和人居活动等.根据土壤发生、土壤重金属生成和迁移规律并综合数据的可获取性ꎬ选取年值气温和年值降水量表征气候因子ꎬ海拔和坡度表征地形因子ꎬ夜间灯光指数表征人居活动因子ꎬ县ＧＤＰ表征总体人类活动强度.１􀆰 ３ 研究方法１􀆰 ３􀆰 １ 地理探测器地理探测器是中国科学院地理科学与资源研究所ＷＡＮＧ等[２７￣２８]提出的一种评价样本空间分异性和自变量分异性对因变量分异性影响力的统计学方法ꎬ其核心思想是基于以下假设如果某个自变量对某个因变量有重要影响ꎬ那么自变量和因变量的空间分布应该具有相似性.地理探测器包含４个探测器分异及因子探测器、交互作用探测器、风险区探测器、生态探测器.①分异及因子探测器用于探测变量Ｙ的空间分异性ꎬ以及探测某变量Ｘ在多大程度上解释了变量Ｙ的空间分异性.分异性强度用ｑ值度量ꎬ表达式[２９]为ｑ ＝ １ －∑ Ｌｈ ＝ １Ｎｈσｈ２Ｎσ２ ＝ １ －ＳＳＷＳＳＴ １ＳＳＷ ＝ ∑Ｌｈ ＝ １Ｎｈσｈ２ ２ＳＳＴ ＝ Ｎσ２ ３式中Ｌ为变量Ｙ或变量Ｘ的分层ｓｔｒａｔａ数ꎬ即分类或分区ꎻＮｈ和Ｎ分别为层ｈ和全区的单元数ꎻσｈ２和σ２分别为层ｈ和全区Ｙ值的方差ꎻＳＳＷ、ＳＳＴ分别为层内方差之和ｗｉｔｈｉｎ ｓｕｍ ｏｆ ｓｑｕａｒｅｓ、全区总方差ｔｏｔａｌ ｓｕｍ ｏｆ ｓｑｕａｒｅｓ.ｑ的值域为[０ꎬ１]ꎬ其值越大说明Ｙ的空间分异性越明显ꎻ如果分层是由自变量Ｘ生成的ꎬ则ｑ值越大表示自变量Ｘ对因变量Ｙ的解释力越强ꎬ反之则越弱.极端情况下ꎬｑ＝１表明自变量Ｘ完全控制了因变量Ｙ的空间分布ꎬｑ＝０则表明自变量Ｘ与因变量Ｙ没有任何关系.分异及因子探测器可以指示区域内变量空间异质性的强度[３０]ꎬ高强度的空间分异性是空间插值的前提.以年值气温、年值降水量、海拔、坡度、夜间灯光指数和市内各县ＧＤＰ作为探测变量Ｘꎬ分别对５种重金属含量Ｙ进行分异性探测ꎬ探测某单一变量对重金属空间分布格局的影响力.②交互作用探测器用于识别不同自变量Ｘ之间的交互作用ꎬ即评估自变量Ｘ１和Ｘ２共同作用时是否会增加或减弱其对因变量Ｙ的解释力ꎬ或其对因变量Ｙ的影响是否为相互独立的.评估方法首先分别计算自变量Ｘ１和Ｘ２对因变量Ｙ的ｑ值 ｑＸ１和ｑＸ２ꎬ再计算二者交互时的ｑ值 ｑＸ１∩ Ｘ２ꎬ最后对ｑＸ１、ｑＸ２与ｑＸ１∩ Ｘ２进行比较.两个自变量Ｘ１和Ｘ２之间的关系可分为５类见图２.地理探测器对变量分异性、变量间交互作用的分析主要基于数据统计特征所形成的层次ꎬ这种层次的划分既可以通过专业知识进行人工识别ꎬ也可以根据数据聚类分析获得.这种特性使地理探测器的使用领域跳出了地理学的范畴ꎬ因而被许多学者应用于公共医疗、环境保护等领域[３１￣３４].该研究以年值气温、年值降水量、海拔、坡度、夜间灯光指数和各县ＧＤＰ作为探测变量Ｘꎬ分别对５种重金属含量Ｙ进行分异性探测.探测在两个变量的交互作用下ꎬ各“变量对”对研究区土壤重金属空间分布格局的影响力.该研究未使用风险区探测器和生态探测器ꎬ故不予赘述.１􀆰 ３􀆰 ２ 随机森林模型随机森林模型ＲＦ是由Ｂｒｅｉｍａｎ[３５]提出的一种机器学习算法ꎬ其本质是以决策树为基础ꎬ多用于数据分类.为了保证数据分类的完整性ꎬ在特征采样中ꎬ以随机的形式从Ｍ个特征中选择ｍ个ｍ Ｍ组成一棵决策树ꎬ将数百个随机决策树组合为随机森林.剪枝作为随机森林实现过程中的一个重要步骤ꎬ６１２１第７期陈运帷等区域土壤重金属空间分布驱动因子影响力比较案例分析 图２ 两个自变量对因变量交互作用的类型Ｆｉｇ.２ Ｔｙｐｅｓ ｏｆ ｉｎｔｅｒａｃｔｉｏｎ ｂｅｔｗｅｅｎ ｔｗｏ ｃｏｖａｒｉａｔｅｓ是将期望错误率最小和描述长度最小原则相结合ꎬ防止最终分析结果出现过分拟合的现象[３６].通过标记好的训练数据对完成剪枝的随机森林进行训练ꎬ确定每一棵决策树决策节点的阈值.完成模型训练后ꎬ每棵决策树对待分类数据进行分类判断ꎬ随机森林对待判断的每一条数据进行分类ꎬ根据该条数据在随机森林每棵树分类的“投票”统计结果ꎬ选择票数最多者为该条数据的分类结果.随机森林模型在进行决策树节点变量选择和阈值确定时ꎬ经常采用的决策方式是基于置换检验和基于最小Ｇｉｎｉ系数这２种方式ꎬ该研究选取最小Ｇｉｎｉ系数法. Ｇｉｎｉ系数是一种对系统熵的有效近似ꎬ对于决策树这种二分结构ꎬ决策树节点τ的Ｇｉｎｉ系数〔ｉτ〕计算方法为ｉτ ＝ １ － ｐ１２ － ｐ０２ ４式中ꎬｐ１、ｐ０为某一变量在任意阈值ｋ下二分后ꎬ两个子类样本数占原样本总数的比例.变量ｘ在决策树节点τ处根据阈值ｋ分为ｌ和ｒ两个部分后ꎬ整个系统Ｇｉｎｉ值的变化量〔Δｉτ〕为Δｉτ ＝ ｉτ － ｐｌｉτｌ － ｐｒｉτｒ ５式中ꎬｐｌ、ｐｒ为两个子类样本数ｌ和ｒ分别占原样本总数的比例.在决策树节点τ中对变量ｘ进行穷举ꎬ并分别计算ｘ的所有可选取阈值所对应的Ｇｉｎｉ值变化量.选取Ｇｉｎｉ值下降最多时所对应的“变量￣阈值”对ꎬ就可以得到主导节点τ分支的变量及划分阈值.在模型训练完毕后ꎬ统计各变量在训练过程中的累计Ｇｉｎｉ下降值ꎬ即可得知训练过程中主要参考了哪些变量ꎬ以及每个变量对数据评价结果的影响力大小.随机森林模型以其对异常值不敏感和对空值的容忍度高的优势ꎬ特别适用于在数据中常存在离群值和空值的研究领域ꎬ如环境领域的污染物分析和生态领域的生态生产力分析等.随机森林模型可用于分类也可用于回归ꎬ体现自变量与因变量之间的非线性拟合关系ꎬ并给出各自变量对因变量的影响程度ꎬ这也十分适用于解释环境、土壤等影响因子之间复杂的非线性交互作用关系[３７].该研究使用Ｐｙｔｈｏｎ语言的Ｓｃｉｋｉｔ￣ｌｅａｒｎ工具包的随机森林模块ꎬ以重金属含量为因变量、各驱动因子为自变量ꎬ设计决策树数量为１ ０００ꎬ进行随机森林回归训练ꎬ输出各驱动因子在稳定回归关系中的权重.随机森林变量权重值总和为１ꎬ每个因子权重数值越大ꎬ表示该因子对研究区土壤重金属空间分布状态的影响力越大.２ 结果与讨论２􀆰 １ 描述性统计统计结果见图３显示ꎬ安顺市土壤中５种重金属质量分数平均值均高于葫芦岛市ꎬ其中ꎬｗＡｓ、ｗＣｄ、ｗＣｒ、ｗＰｂ显著较高ꎬｗＨｇ未通过显著性检验.葫芦岛市的杨家杖子矿、锦西炼油厂和葫芦岛硫酸厂等工矿企业均已开工采近百年ꎬ而安顺市第二产业中占优势的煤矿产业大多是１９４９年以后陆续开始开采的.相较而言ꎬ葫芦岛市的人类活动强度和历史累积性影响明显高于安顺市ꎬ但土壤重金属质量分数描述性统计显示ꎬ安顺市土壤中ｗＡｓ、ｗＣｄ、ｗＣｒ、ｗＰｂ却明显高于葫芦岛市.２􀆰 ２ 重金属含量分布驱动力地理探测器分析采用地理探测器进行驱动因子影响力分析时要７１２１环 境 科 学 研 究第３２卷图３ 研究区５种重金属质量分数箱型图Ｆｉｇ.３ Ｔｈｅ ｂｏｘ￣ｗｈｉｓｋｅｒ ｐｌｏｔ ｏｆ ｆｉｖｅ ｈｅａｖｙ ｍｅｔａｌｓ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｎ ｒｅｓｅａｒｃｈ ａｒｅａ求驱动因子为类型数据ꎬ需对连续型驱动因子数据进行离散化处理ꎬ所采用离散化方法应能够体现出指标间的最大差异化水平ꎬ以使地理探测器分析结果更加精确ꎬ不同指标的阈值间不存在相互影响关系.根据ＣＡＯ等[３８]的研究ꎬ不同的离散化方法和分类数量均会显著影响地理探测器的分析精度.参考ＣＡＯ等[３８]的研究结果ꎬ笔者对年值气温和年值降水量数据采用等分法ꎬ将二者分别划分为７个类型ꎻ对海拔、坡度、夜间灯光指数和土壤ｐＨ采用Ｊｅｎｋｓ Ｎａｔｕｒａｌ Ｂｒｅａｋｓ法各分为７类ꎬ其中ꎬ安顺市和葫芦岛市坡度以及安顺市夜间灯光指数分类中因第６、７类的阈值相同ꎬ故合并为６类.各因子分类阈值见表１.表１ 驱动因子离散化阈值Ｔａｂｌｅ １ Ｔｈｅ ｔｈｒｅｓｈｏｌｄ ｖａｌｕｅ ｏｆ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ ｄｉｓｃｒｅｔｉｚａｔｉｏｎ城市驱动因子分类１ ２ ３ ４ ５ ６ ７海拔∕ｍ ７８７ ９００ １ ０９０ １ ２００ １ ３００ １ ４００ １ ５００安顺市坡度∕ １􀆰 ６５ ６􀆰 ４６ １１􀆰 １５ １６􀆰 ２９ ２１􀆰 ２８ ３５􀆰 ７８夜间灯光指数６􀆰 ０ ７􀆰 ０ １０􀆰 ０ １１􀆰 ０ １４􀆰 ０ １６􀆰 ０土壤ｐＨ ４􀆰 ７ ５􀆰 ０ ５􀆰 ４ ５􀆰 ７ ６􀆰 ０ ６􀆰 ２ ６􀆰 ４海拔∕ｍ ２０ ８９􀆰 ０ １７５􀆰 ０ ２８８􀆰 ０ ３９９􀆰 ０ ５５０􀆰 ０ ６７６􀆰 ０葫芦岛坡度∕ １􀆰 ０２ ３􀆰 ０６ ５􀆰 ８３ ９􀆰 ７０ ２０􀆰 １３ ２７􀆰 ８８夜间灯光指数５􀆰 ０ ８􀆰 ０ １１􀆰 ０ １８􀆰 ０ ３３􀆰 ０ ５６􀆰 ０ ６２􀆰 ０土壤ｐＨ ４􀆰 ５９ ５􀆰 ２ ５􀆰 ８ ６􀆰 ５ ７􀆰 １０ ７􀆰 ５ ８􀆰 ０将各采样点检测的５种重金属质量分数与采样点位置６种驱动因子分类值分别导入地理探测器进行计算ꎬ结果如表２、３所示.地理探测器因子驱动力分析结果见表２显示ꎬ多数驱动因子的地理探测器分析结果ｑ统计量的Ｐ值均大于０􀆰 ０５ꎬ未能通过显著性检验ꎬ这可能与采样８１２１第７期陈运帷等区域土壤重金属空间分布驱动因子影响力比较案例分析 表２ 典型地区土壤重金属质量分数驱动力强度Ｔａｂｌｅ ２ Ｄｒｉｖｉｎｇ ｆｏｒｃｅ ｓｔｒｅｎｇｔｈ ｏｆ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｎ ｔｙｐｉｃａｌ ａｒｅａｓ项目城市统计量年值降水量年值气温海拔夜间灯光指数坡度县ＧＤＰ土壤ｐＨｗＡｓｗＣｄｗＣｒｗＨｇｗＰｂ安顺市ｑ ０􀆰 １１６ ０􀆰 １９０ ０􀆰 ２１５ ０􀆰 １７６ ０􀆰 ０９３ ０􀆰 ０６７ ０􀆰 １４５Ｐ ０􀆰 ７６７ ０􀆰 ４８０ ０􀆰 ３０９ ０􀆰 ８４３ ０􀆰 ９３８ ０􀆰 ８７１ ０􀆰 ６４０葫芦岛市ｑ ０􀆰 １４８ ０􀆰 ０９９ ０􀆰 １３７ ０􀆰 ０８６ ０􀆰 ０８７ ０􀆰 ０７４ ０􀆰 １２０Ｐ ０􀆰 ０１１∗ ０􀆰 ０８６ ０􀆰 ０２６∗ ０􀆰 １３１ ０􀆰 ３７１ ０􀆰 ２８４ ０􀆰 １３０安顺市ｑ ０􀆰 １７９ ０􀆰 ２２７ ０􀆰 ２３５ ０􀆰 ０３９ ０􀆰 ２９４ ０􀆰 １７９ ０􀆰 １８５Ｐ ０􀆰 ５３２ ０􀆰 ３７７ ０􀆰 ２３７ ０􀆰 ９７５ ０􀆰 ３９０ ０􀆰 ４２０ ０􀆰 ５１１葫芦岛市ｑ ０􀆰 １２５ ０􀆰 １１６ ０􀆰 １１４ ０􀆰 ０８６ ０􀆰 ０６７ ０􀆰 ０８６ ０􀆰 ３３３Ｐ ０􀆰 ０２９∗ ０􀆰 ０４３∗ ０􀆰 ０４７∗ ０􀆰 ６９２ ０􀆰 ５２１ ０􀆰 ３０８ ０􀆰 ０００∗ ∗安顺市ｑ ０􀆰 １９９ ０􀆰 １０２ ０􀆰 １６７ ０􀆰 ０８０ ０􀆰 ３４９ ０􀆰 １４３ ０􀆰 １１３Ｐ ０􀆰 ４７３ ０􀆰 ８１２ ０􀆰 ４７４ ０􀆰 ９９５ ０􀆰 ４５２ ０􀆰 ６２７ ０􀆰 ７８３葫芦岛市ｑ ０􀆰 ０４８ ０􀆰 ０４６ ０􀆰 １２２ ０􀆰 ０５８ ０􀆰 ０４１ ０􀆰 ０５０ ０􀆰 ０５１Ｐ ０􀆰 ４８７ ０􀆰 ５０５ ０􀆰 １０７ １􀆰 ０００ １􀆰 ０００ １􀆰 ０００ ０􀆰 ８０６安顺市ｑ ０􀆰 １５５ ０􀆰 １７４ ０􀆰 ２７７ ０􀆰 ２２３ ０􀆰 １０９ ０􀆰 １７２ ０􀆰 ０９８Ｐ ０􀆰 ６１５ ０􀆰 ５０８ ０􀆰 １８４ ０􀆰 ８１７ ０􀆰 ９４１ ０􀆰 ４８０ ０􀆰 ８４０葫芦岛市ｑ ０􀆰 ０７０ ０􀆰 ０６２ ０􀆰 ０６０ ０􀆰 ０７０ ０􀆰 ０１７ ０􀆰 ０１６ ０􀆰 ０３８Ｐ ０􀆰 ２４４ ０􀆰 ３１８ ０􀆰 ３４８ ０􀆰 ５５９ ０􀆰 ９８２ ０􀆰 ９２８ ０􀆰 ６７９安顺市ｑ ０􀆰 １０３ ０􀆰 ３４０ ０􀆰 ２３４ ０􀆰 ２５７ ０􀆰 ０３１ ０􀆰 ２７３ ０􀆰 ０９８Ｐ ０􀆰 ８２５ ０􀆰 １０３ ０􀆰 ３６２ ０􀆰 ９８３ １􀆰 ０００ ０􀆰 ３９３ ０􀆰 ８４２葫芦岛市ｑ ０􀆰 ０３４ ０􀆰 ０３９ ０􀆰 ０３６ ０􀆰 ０９７ ０􀆰 １６０ ０􀆰 ０２７ ０􀆰 ０６０Ｐ ０􀆰 ６８０ ０􀆰 ６１２ ０􀆰 ６９９ ０􀆰 ６１２ ０􀆰 ６８６ ０􀆰 ９２４ ０􀆰 ３４３注 ∗表示Ｐ０􀆰 ０５ꎻ ∗ ∗表示Ｐ０􀆰 ０１.下同.精度有关.根据ＬＵ等[２０]对葫芦岛锌厂周边土壤重金属污染的研究结果ꎬ企业对周边土壤重金属含量的影响范围不超过１０ ｋｍ.该研究中土壤采样点平均间距约为１０ ｋｍꎬ该尺度避免了人为活动对分析结果的影响ꎬ但同时损失了部分自然因子的差异信息ꎬ造成分析结果的显著性不明显.值得注意的是ꎬ地理探测器驱动力分析结果中ꎬ通过显著性检验的几个“污染物￣因子”对都出现在葫芦岛市ꎬ分别是“Ａｓ￣年值降水量”“Ａｓ￣海拔”“Ｃｄ￣年值降水量”“Ｃｄ￣海拔”“Ｃｄ￣年值气温”“Ｃｄ￣土壤ｐＨ”.这表明相较于Ｃｒ、Ｈｇ和Ｐｂꎬ自然因子对于Ａｓ和Ｃｄ在土壤中分布格局的影响更为明显和确定.与安顺市相比ꎬ葫芦岛市年值降水量、海拔、坡度等自然因子的地域差异性较小ꎬ相似自然条件的地域成片分布ꎬ这也是葫芦岛市土壤Ａｓ、Ｃｄ空间分异特征更为明显的原因之一.从两个典型地区土壤中５种重金属空间分布驱动因子交互作用分析结果中分别提取自然因子、人为因子中ｑ统计量最高的因子对.结果见表４显示ꎬ与葫芦岛市相比ꎬ安顺市土壤重金属分布驱动因子交互作用影响力较高ꎬ自然因子与人为因子影响力之间的差异也比较明显.这表明在市域尺度下ꎬ安顺市土壤重金属的空间分布更多地受到自然因子的影响ꎬ而葫芦岛市人为和自然因子都对土壤重金属分布影响造成一定影响.对最高影响力因子对进行分析发现ꎬ土壤ｐＨ、海拔和县ＧＤＰ是出现频率排前三的驱动因子ꎬ且在安顺市和葫芦岛市均有出现.这表明虽然两个典型地区在自然条件、人类活动强度、土壤重金属来源等方面都有较大差异ꎬ但土壤ｐＨ、海拔和县ＧＤＰ对这两个典型区内土壤重金属空间分布较强的影响力并未因上述条件的变化而发生改变.２􀆰 ３ 随机森林模型驱动力分析随机森林模型中各因子权重如表５所示.由表５可见ꎬ在两个研究区内影响土壤重金属空间分布的主要因子均为土壤ｐＨ、年值气温、海拔等自然因子ꎬ个别自然因子对土壤重金属空间分布的影响力在０􀆰 ５左右如安顺市海拔对Ｃｄ和Ｃｒ的影响力、葫芦岛９１２１表３ 典型地区土壤中各重金属质量分数驱动力交叉影响强度Ｔａｂｌｅ ３ Ｔｈｅ ｃｒｏｓｓ￣ｉｎｆｌｕｅｎｃｅ ｓｔｒｅｎｇｔｈ ｏｆ ｄｒｉｖｉｎｇ ｆｏｒｃｅ ｏｆ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｎ ｔｙｐｉｃａｌ ａｒｅａｓ项目驱动因子安顺市葫芦岛市年值降水量年值气温海拔夜间灯光指数坡度县ＧＤＰ土壤ｐＨ年值降水量年值气温海拔夜间灯光指数坡度县ＧＤＰ土壤ｐＨ年值降水量０􀆰 １１６ ０􀆰 １４８年值气温０􀆰 ９３０ ０􀆰 １９０ ０􀆰 ２５８ ０􀆰 ０９９海拔０􀆰 ８９４ ０􀆰 ６５９ ０􀆰 ２１５ ０􀆰 ２９２ ０􀆰 ３０２ ０􀆰 １３７ｗＡｓ夜间灯光指数０􀆰 ５６８ ０􀆰 ４１２ ０􀆰 ５５１ ０􀆰 １７６ ０􀆰 ２８３ ０􀆰 ２３３ ０􀆰 ２５１ ０􀆰 ０８６坡度０􀆰 ３０７ ０􀆰 ３８９ ０􀆰 ６３０ ０􀆰 ３５８ ０􀆰 ０９３ ０􀆰 ４２６ ０􀆰 ３１７ ０􀆰 ３２２ ０􀆰 ２１０ ０􀆰 ０８７县ＧＤＰ ０􀆰 ５７１ ０􀆰 ６１９ ０􀆰 ５３９ ０􀆰 ５３１ ０􀆰 ５２３ ０􀆰 ０６７ ０􀆰 ２５６ ０􀆰 １７０ ０􀆰 ３４０ ０􀆰 ２２５ ０􀆰 ２８１ ０􀆰 ０７４土壤ｐＨ ０􀆰 ７８５ ０􀆰 ５２５ ０􀆰 ８０７ ０􀆰 ７４３ ０􀆰 ３５８ ０􀆰 ５００ ０􀆰 １４５ ０􀆰 ４４７ ０􀆰 ３７８ ０􀆰 ４９４ ０􀆰 ３２８ ０􀆰 ２６１ ０􀆰 ３０１ ０􀆰 １２０年值降水量０􀆰 １７９ ０􀆰 １２５年值气温０􀆰 ９６８ ０􀆰 ２２７ ０􀆰 ２０４ ０􀆰 １１６海拔０􀆰 ４９０ ０􀆰 ４６０ ０􀆰 ２３５ ０􀆰 ２８９ ０􀆰 ２６４ ０􀆰 １１４ｗＣｄ夜间灯光指数０􀆰 ２９３ ０􀆰 ２６２ ０􀆰 ２６８ ０􀆰 ０３９ ０􀆰 ２００ ０􀆰 ２２６ ０􀆰 ３６５ ０􀆰 ０８６坡度０􀆰 ４９０ ０􀆰 ９７７ ０􀆰 ４８８ ０􀆰 ３２６ ０􀆰 ２９４ ０􀆰 ４０７ ０􀆰 ３７０ ０􀆰 ３５２ ０􀆰 ２１８ ０􀆰 ０６７县ＧＤＰ ０􀆰 ４０５ ０􀆰 ９６７ ０􀆰 ４７８ ０􀆰 ２３０ ０􀆰 ４９７ ０􀆰 １７９ ０􀆰 ２５５ ０􀆰 １９５ ０􀆰 ２８９ ０􀆰 ２００ ０􀆰 ３１１ ０􀆰 ０８６土壤ｐＨ ０􀆰 ５１１ ０􀆰 ９６４ ０􀆰 ９８５ ０􀆰 ５７５ ０􀆰 ９７９ ０􀆰 ９６０ ０􀆰 １８５ ０􀆰 ５２５ ０􀆰 ５３５ ０􀆰 ５６４ ０􀆰 ４５６ ０􀆰 ５０２ ０􀆰 ４３８ ０􀆰 ３３３年值降水量０􀆰 １９９ ０􀆰 ０４８年值气温０􀆰 ８９９ ０􀆰 １０２ ０􀆰 １１１ ０􀆰 ０４６海拔０􀆰 ６９３ ０􀆰 ３４６ ０􀆰 １６７ ０􀆰 ３３６ ０􀆰 ３１０ ０􀆰 １２２ｗＣｒ夜间灯光指数０􀆰 ４３４ ０􀆰 ２５３ ０􀆰 ３０９ ０􀆰 ０８０ ０􀆰 ２４０ ０􀆰 ２２１ ０􀆰 ２７９ ０􀆰 ０５８坡度０􀆰 ５８２ ０􀆰 ８２７ ０􀆰 ６５５ ０􀆰 ５１５ ０􀆰 ３４９ ０􀆰 ２０８ ０􀆰 １６３ ０􀆰 ２５３ ０􀆰 １６９ ０􀆰 ０４１县ＧＤＰ ０􀆰 ５７７ ０􀆰 ８９５ ０􀆰 ５６８ ０􀆰 ２９９ ０􀆰 ５３３ ０􀆰 １４３ ０􀆰 ２４５ ０􀆰 ２８９