本文是Huang等人于2025年发表在《Soil Biology and Biochemistry》上的一篇文章。
1 引言
近几十年来，工业发展和城市化进程不断加快，导致土壤生态系统退化。健康的土壤资源是维持所有生态系统平衡与可持续性的关键。在城市中，土壤健康直接影响植物生长，具有重要的生态效益和景观功能。目前，关于城市土壤健康及其生态效应的研究较为有限。因此，开展城市森林土壤健康评价，明确其健康状况，对于培育和保护城市土壤、保障城市可持续发展至关重要。
土壤健康评价是改善土壤生态系统质量、完善管理体系、可持续维持土壤生产力的有效途径。传统评价主要考虑化学和物理性质来评价土壤肥力和质量，而忽略了土壤的生物特性、生态功能和活力。因此，有必要量化土壤健康状况，整合土壤理化、环境、生物和生态等特性，进行综合诊断和评估。最小数据集（MDS）是指在不影响土壤健康评价效果的前提下，最大限度提高工作效率的一组变量。其所采用的主要方法——主成分分析法（PCA）是一种将多个指标简化为少数关键指标的统计方法，可实现降维，并有效处理变量间的多重共线性，确保指标的独立性。因此，采用PCA确定最小数据集更有利于城市土壤健康评价，所确定的各指标权重使评估结果更具有效性和科学性。此外，最小数据集指标可整合为无量纲指数（即土壤健康指数），用于量化土壤健康状况。
本研究以南昌市为研究区域。南昌市受强烈人为活动影响，多数土壤出现板结、结构变差、水土流失严重等问题，威胁城市土壤环境的持续发展。考虑到城市生态系统受人为活动影响显著，本研究假设土壤健康指数适用于城市土壤健康评价，且受土壤指标、城市化进程和城市森林类型的共同影响。研究目标如下：1）探究土壤健康指数方法在城市土壤健康评价中的潜在应用，为长江中游地区城市生态空间（如树木生长）管理者提供科学依据；2）为缓解快速城市扩张对城市土壤生态系统带来的压力和不利生态效应提供参考。
2 材料与方法
2.1 城市化强度划分与城市森林分类
采用遥感卫星解译技术量化城市化程度。研究区域设定为南昌市建成区（505km²），共设置184个森林样地，每个样地面积400m²，样地间距至少1km。将研究区域划分为多个100×100m的网格，计算每个网格的不透水面率，以此作为城市化强度或进程的量化表达。如表1所示，参照城市森林分类方法，将南昌城市森林分为4种功能类型：景观林（48个样地）、单位附属林（48个样地）、道路林（63个样地）和生态林（25个样地）。初步比较树木健康状况顺序为：景观林>生态林>单位附属林>道路林。为降低误差，选择南昌市市树--樟树作为每个样地的优势树种。在184个样地中，樟树占树木总数的79.19%，其中79个样地的乔木树种全部为樟树，占比达100%。其他树种包括桂花、银杏、白玉兰和杜英。优势草本植物包括狗牙根、沿阶草、吉祥草、结缕草和井栏边草。此外，测定每个样地的平均树高、平均冠幅、平均胸径、草本植物盖度和木本植物丰富度（表1）。
表1 城市森林分类方法与描述
2.2 数据来源
于2020年夏季采用五点取样法采集土壤样品。使用土壤钻采集每个样地0–20cm土层的土壤样品，采集前去除地表枯落物。样品装入自封袋，混合为一个复合样品并立即称重，共获得184个土壤样品。
2.3 土壤健康评价
2.3.1 指标筛选
首先，对四种森林类型的20项土壤指标进行单因素方差分析（ANOVA），经ANOVA分析，20项土壤指标均存在显著差异，因此最终确定全数据集指标为：全氮、土壤有机碳、全钾、全磷、速效磷、电导率、pH值、土壤含水量、容重、铵态氮、硝态氮、总球囊霉素相关土壤蛋白、易提取球囊霉素相关土壤蛋白、几何平均直径、平均重量直径、黏粒、粉粒、蔗糖酶、脲酶和过氧化氢酶活性。
2.3.2 最小数据集建立
土壤健康评估中，采用主成分分析（PCA）从全数据集中筛选最小数据集。选择特征值>1的主成分（PC），以及每个主成分中因子载荷较高的指标。若某一主成分仅含一个高因子载荷指标，则将其纳入最小数据集；若某一主成分含多个高因子载荷指标，若指标间相关系数（r）<0.6，则将所有高因子载荷指标纳入最小数据集；若相关系数>0.6，则存在指标冗余，需进一步筛选。
2.3.3 土壤健康指数构建
构建最小数据集后，基于PCA得到的公因子方差（COM）计算各指标权重（Wᵢ）。各指标权重（Wᵢ）的计算公式如下，其中Scom为所有指标公因子方差（COM）的总和。
采用标准化函数确定各土壤指标的得分值（Sᵢ，即贡献值）。基于土壤指标的不同功能属性，采用递增、最优和递减三种函数对土壤指标进行标准化。根据相关研究、经验总结和城市土壤指标特征，全氮、土壤有机碳、全钾、全磷、速效磷、电导率、土壤含水量、硝态氮、铵态氮、总球囊霉素相关土壤蛋白、易提取球囊霉素相关土壤蛋白、几何平均直径、平均重量直径、蔗糖酶、脲酶、过氧化氢酶、黏粒和粉粒采用递增函数；pH值采用最优函数；容重采用递减函数。
最后，采用以下公式将指标整合为无量纲综合指数（土壤健康指数）：
其中，Wᵢ为各指标权重，Sᵢ为各指标得分，n为全数据集或最小数据集的指标数量。土壤健康指数根据以下分类标准分为五个等级：I级（极高）、II级（高）、III级（中等）、IV级（低）、V级（极低）。III级为土壤健康指数平均值±10%，其他等级相较于相邻等级递增或递减20%，等级越低表示土壤质量越好。
2.4 统计分析
采用科尔莫戈罗夫-斯米尔诺夫检验法（Kolmogorov–Smirnovtest）来检验所有土壤指标是否符合正态分布。采用SPSS软件对各土壤指标进行标准化处理；采用逐步回归分析分析不同关键土壤因子对不透水面率的响应；根据土壤健康指数分级标准，采用ArcGIS10.8软件对土壤健康指数进行空间插值分析，生成空间分布图；采用Origin2022软件绘制相关分析图表。
3 结果
3.1 土壤指标描述性统计
选取20项土壤指标作为评估因子（表2）。土壤pH值范围为4.48–8.61，平均土壤含水量为19.94%。与第二次全国土壤普查结果相比，南昌城市森林土壤全磷和速效磷含量高于平均水平，土壤有机碳和全氮含量低于平均水平，全钾含量较低。容重范围为1.00–1.60g/cm³，变异系数（CV）最小（9.01%），表明其为不敏感指标；速效磷和蔗糖酶的变异系数超过80%，表明其为中等敏感指标。
3.2 最小数据集合理性验证
基于PCA确定各指标权重，对指标进行标准化后，代入土壤健康指数函数计算不同数据集的土壤健康指数。全数据集土壤健康指数（SHI-TDS）范围为0.29–0.72，平均值为0.45；最小数据集土壤健康指数（SHI-MDS）范围为0.35–0.75，平均值为0.49。图1显示，SHI-MDS与SHI-TDS呈极显著正相关（p<0.001），R²为0.7728，表明建立的最小数据集能较好地反映全数据集的信息，是南昌城市森林土壤健康评价的有效工具。
图1 全数据集土壤健康指数与最小数据集土壤健康指数的相关性。
注：SHI-TDS为全数据集土壤健康指数；SHI-MDS为最小数据集土壤健康指数。
3.3 土壤健康指数空间分布特征
基于最小数据集指标的得分和权重，土壤健康指数范围为0.35–0.75，平均值为0.49，65.22%的样地属于III级（中等健康水平）（表3）。南昌市城市森林土壤健康水平分布如图2所示，大部分区域为III级，中部和西北部部分区域土壤健康指数较高（II级及以上），北部和西南部部分区域土壤健康等级较低（IV级）。
图2 南昌市城市森林土壤健康指数空间分布
注：SHI-MDS为最小数据集土壤健康指数。
3.4 不同森林类型和城市化强度下土壤健康指数差异
不同森林类型间，20项最小数据集指标存在显著差异（表4），景观林土壤健康状况显著优于其他森林类型，道路林土壤质量相对较差。生态林土壤的土壤含水量、全钾和粉粒含量显著高于其他三种森林类型，而电导率、脲酶和过氧化氢酶活性则呈相反趋势（p<0.05）。土壤pH值表现为：道路林>单位附属林>景观林>生态林；土壤有机碳、硝态氮和平均重量直径表现为：景观林>单位附属林>道路林>生态林；铵态氮含量表现为：景观林>单位附属林>生态林>道路林。
随着不透水面率增加，土壤有机碳、全氮、pH值、电导率、土壤含水量、容重、粉粒、总球囊霉素相关土壤蛋白和易提取球囊霉素相关土壤蛋白均发生显著变化（p<0.05）。其中，不透水面率与粉粒、土壤有机碳、全氮、易提取球囊霉素相关土壤蛋白、总球囊霉素相关土壤蛋白和土壤含水量呈极显著负相关。逐步回归模型分析进一步证实，土壤有机碳和粉粒是与不透水面率关联最密切的土壤因子。
如图3所示，不同森林类型间土壤健康指数存在显著差异（p<0.05），景观林土壤健康指数显著高于道路林和生态林。此外，不透水面率与土壤健康指数呈显著负相关（p<0.05，r=-0.168）（图4），表明城市扩张梯度下土壤健康状况存在明显差异，随着不透水面率增加，土壤健康指数呈显著下降趋势。进一步分析显示，土壤pH值对土壤健康指数的相对贡献率最高（31.33%），其次为土壤含水量（SMC，19.39%）、平均重量直径（MWD，16.73%）和土壤有机碳（SOC，16.33%），黏粒和硝态氮的贡献率较低（<11%）。通过分析最小数据集指标与土壤健康指数的相关性发现，土壤健康指数与pH值和黏粒无显著相关性。土壤有机碳、土壤含水量和平均重量直径的权重较高，是南昌城市森林土壤健康的主导影响因子。
不同土壤健康指数（SHI-MDS）等级下树木生长参数存在显著差异（图5）。I级土壤健康指数对应的树木树高（13.78m）和胸径（41.56cm）最高，且I级树高显著高于III级和IV级。此外，土壤健康指数（SHI-MDS）与树木树高和胸径呈极显著正相关（p<0.001）。
图3 不同城市森林类型对土壤健康指标的影响
注:不同小写字母表示不同城市森林类型间差异显著(p<0.05)。LF，景观林;IAF;RF，道路森林;EF，生态林。SHI-MDS，土壤健康指数最小数据集
图4 土壤健康指数最小数据集与不透水面比的关系。
注:ISR:不透水面比
图5 树木生长参数与土壤健康指数最小数据集之间的关系
注:DBH，胸高处直径;SHI-MDS，土壤健康指数最小数据集。不同程度的SHI-MDS差异有统计学意义(p<0.05)。
4 讨论
4.1 城市森林土壤健康评估最小数据集的筛选与确定
在受人类活动严重影响的城市区域，本研究验证了土壤健康指数适用于城市土壤健康评价的假设。从众多土壤指标中筛选代表性指标是土壤健康评价的关键。通过PCA获得的土壤健康评价最小数据集，不仅能对多个土壤指标进行浓缩和归纳，还能确保评估结果具有最优代表性。不同研究对象的土壤健康评价中，最小数据集的土壤指标选择存在显著差异。研究发现，土壤健康指标中理化性质的可监测项目和使用频率显著较高，物理指标中土壤质地、容重和土壤含水量的使用频率超过30%，化学指标中土壤pH值和土壤有机碳的使用频率超过50%。本研究中容重未被纳入最小数据集，因其与土壤含水量相关性较强，且公因子方差低于土壤含水量，为避免数据冗余，选择土壤含水量纳入最小数据集。综上，本研究确定的最小数据集能客观、全面地评估南昌城市森林土壤健康状况。
4.2 城市土壤整体健康状况及其影响因素
土壤健康指数可反映土壤健康程度，其数值越高代表状况越好。基于最小数据集评估发现，南昌城市森林土壤健康指数大部分区域处于III级（中等健康），仅中部和西北部局部达到II级或以上。在各指标中，pH值的相对贡献率最高（31.33%），但其与土壤健康指数无显著相关性，说明pH并非主导影响因子。这主要是因为南昌城市森林土壤pH多处于中性范围（6.5–7.5），在采用最优型函数标准化时获得较高赋值，因而贡献率突出；pH可能通过影响有机碳等间接作用于土壤健康。
研究表明，影响该区域土壤健康的主导因子为土壤含水量、有机碳和平均重量直径。城市化进程中，高强度人为活动导致土壤容重增加、保水能力下降，进而影响微生物活动与土壤肥力。土壤结构不良也会限制植物根系生长与养分吸收。此外，城市化引起的植被覆盖减少与夏季高温多雨的气候条件共同导致有机碳流失与土壤板结，进一步制约土壤健康。因此，土壤健康变化是多种自然与人为因子共同作用的结果。
4.3 不同森林类型和城市化强度下的土壤健康状况
南昌市不同森林类型的土壤健康指数存在差异，其中景观林显著高于其他类型。这种差异与林分管理措施及植被条件密切相关：景观林通常具有较高的植物覆盖度，有利于促进土壤水分渗透与均衡，增加有机碳积累，从而提升土壤健康水平。相比之下，单位附属林因常混有建筑垃圾，土壤多呈碱性且结构受损，有机碳易于流失；道路林受建筑与道路粉尘中钙离子沉降的影响，土壤也普遍偏碱性，条件相对较差。
研究还发现（表4），随着不透水面比例上升，土壤健康指数显著降低。高度城市化区域土壤含水量下降，主要由于人为践踏导致容重增加、孔隙减少、板结加剧。同时，高pH值与碳酸盐含量也会加速有机质分解，进一步削弱土壤健康。因此，建议在城市绿化管理中采用透气铺装、减少踩踏，以改善土壤物理结构和水气条件，提升土壤健康水平。
本研究不仅验证了土壤健康指数适用于城市土壤健康评估的假设，还对城市土壤健康水平进行了分级。城市森林类型和不透水面率均对南昌市土壤健康指数产生显著影响，景观林的土壤健康指数高于其他三种森林类型，不透水面率越高，土壤健康指数越低。采用PCA筛选的最小数据集包括土壤有机碳、黏粒、pH值、土壤含水量、硝态氮和平均重量直径。研究发现，南昌市城市森林大部分区域的土壤健康指数范围为0.44–0.54，属于III级中等健康水平，存在潜在风险。对南昌市城市森林土壤健康指数及其分布特征的深入分析，对于加强城市森林维护管理、改善土壤健康、保护城市环境、促进城市生态持续发展具有重要意义。
学习感悟
本研究以南昌城市森林为对象，采用土壤健康指数评估其土壤健康状况及空间差异。通过构建包含20项指标的初始数据集，筛选出土壤有机碳、黏粒、pH、含水量、硝态氮和平均重量直径6项关键指标，形成最小数据集。整合土壤物理、化学、生物多类指标，构建的最小数据集避免了指标冗余，且验证了其可靠性。评估结果显示，全数据集与最小数据集计算的土壤健康指数平均值分别为0.45和0.49，均处于Ⅲ级（中等健康）水平，且两者呈极显著正相关（R²=0.77，p<0.001），表明土壤健康指数适用于城市森林土壤健康评估，通过主成分分析构建的最小数据集能有效表征总数据集信息，可作为南昌市城市森林土壤健康评估的核心指标。进一步分析发现，不同森林类型中，景观林的土壤健康指数（0.51）显著高于其他类型（p<0.05）；随着城市化强度增加，土壤健康指数显著下降（p<0.05），表明人为活动和城市化进程是导致南昌市城市森林土壤健康退化的主要驱动因素，土壤板结、土壤有机碳不足、水分状况差是主要问题。该研究为长江中游城市森林的土壤管理与生态保护提供了依据，对缓解城市化过程中的土壤退化具有参考意义。
原文信息：Huang, F., Tu, J., Zhang, F., Ran, J., Wang, Y., Liu, W., Chen, W., Wang, X., & Wang, Q. (2025). Soil health assessment of urban forests in Nanchang, China: Establishing a minimum data set model. Soil Biology and Biochemistry, 206, 109795.
阅读原文：https://doi.org/10.1016/j.soilbio.2025.109795.
声明：本推送内容为课题组对论文的理解，因水平有限，难免出现错讹。敬请各位专家、同学批评指正。
本期编辑：刘晓雨 硕士
审稿：一审 修岩 博士 二审 张宇飞 老师 三审 边振兴 教授
邮箱：1533049490@qq.com
