Qin C-Z, An Y-M, Liang P, Zhu A-X*, Yang L. Soil property mapping by combining spatial distance information into Soil Land Inference Model (SoLIM). Pedoshpere, in press. doi:10.1016/S1002-0160(20)60016-9. 

这篇文章源自于2016年底某个夜里的灵机一动：朱阿兴老师提出的基于土壤-环境关系的SoLIM模型，20年来发展了一系列不同应用场景下的具体方法，例如不同样点场景下的样点质量评价、新样点设计方法、新的环境因子刻画方法、单一环境因子上的相似性计算方法等，但基于土壤样点推测土壤属性空间分布的SoLIM模型最后一步一直没有改变——基于待推理位置和已有样点间环境条件的相似度对已知样点土壤属性值进行加权计算得到待推理位置的土壤属性推测值。这意味着SoLIM系列方法主要是在环境变量的属性空间中进行计算（隐含假定或是应用条件是所选择的环境变量可足以体现土壤-环境关系的空间变化），而不直接考虑样点和待推测点之间的距离，这使得与待推测样点具有相同相似度、但距离不同（甚至距离差距很大）的多个样点对估算待推测点土壤属性时具有同等重要性的，这与地理学第一定律的思想有冲突（尤其是当所选择的环境变量集不足以足够详尽地刻画土壤-环境关系时），不够合理。

2016年底夜里想到这个时，冒出个念头——兼顾地理学第一定律，假设“如果两点间环境条件越相似，且空间距离越相近，则其土壤属性越相似”，基于此修改SoLIM方法最后一步推测土壤属性的计算方式，借鉴地理学第一定律的反距离加权（IDW）的思想，综合以反距离权重和环境条件相似度共同对已知样点的土壤属性值进行加权，计算待推测样点的土壤属性值，由此提出了SoLIM-IDW方法。让学生在两个研究区实验了一系列反距离加权的幂系数r值的效果，的确在一定r值范围内（0.5左右），SoLIM-IDW的结果误差低于SoLIM方法、多元线性回归、地理加权回归和随机森林方法（实验区是有限建模点的应用场景，所以后几个基于统计关系、需要足够数量样点的方法效果不够好），但两个研究区的最优r系数值并不一样——这也合理，留给后面继续研究如何对不同应用条件来确定最优r值。

2016年底的点子，方法的初步试验在2017年初完成了，我在2017年Pedometrics会议上作了口头报告，下半年把文章初稿写完，2018年开始投《Pedoshpere》，一次大修+一次小修（每轮都好几个月审稿），2019年上半年终于接收。但Pedosphere好像接收后一直没有象Elsevier出版社的大多数期刊那样接收后尽快在线发表，前不久看到《Pedoshpere》邮件通知的2020年最后一期文章列表，还是没有赶上刊出来，要等2021年见刊了（好在数字土壤制图方法研究可能还算相对小众，至今还没到有类似思想的方法文章后来居上的，幸好）。正好偶然在搜索时发现Pedoshpere国内网站已有这篇文章外部可访问的一校稿链接，所以就有了这篇博文——等不及正式见刊了，先“自宣”一下（前两年已经几次在非正式交流场合中自宣过）。

=====

SoLIM系列方法所基于的核心思想已由朱老师总结提升为地理学第三定律，即地理相似性定律——地理环境越相似，地理目标特征越相近。理论思想文章已先后发表了两篇（1、Zhu A-X, Lu G, Liu J, Qin C-Z, Zhou C. Spatial prediction based on Third Law of Geography. Annals of GIS, 2018, 24(4): 225-240.（获得该期刊2018年最高引文章奖） 2、朱阿兴，闾国年，周成虎，秦承志. 地理相似性：地理学的第三定律？地球信息科学学报，2020，22（4）：673-679.）

SoLIM-IDW方法的工作早于地理学第三定律的明确提出时间，在我个人看来，相当于沟通地理学第三定律和第一定律的一个数字土壤制图领域的方法工作，可能较适合于当单独应用第三定律时，针对目标地理变量所选择的环境变量集不能保证较详尽地有效刻画目标地理变量-地理环境关系（如土壤-环境关系）的情况。