4. 空间数据组织与预处理

在土壤重金属空间分布判别中，采样点坐标、含量值与辅助属性共同构成分析的基础数据。若数据组织不当，后续插值、地统计建模与污染评价都会出现系统性偏差。本节围绕五个关键环节展开：坐标系与投影选择、采样点数据数字化、异常值识别与处理、缺失值插补、数据标准化与分布检验，并给出可操作的判断依据与示例参数。

一、坐标系与投影选择

土壤采样点通常以经纬度（地理坐标系，如 CGCS2000）记录，而距离、面积、半变异函数拟合等计算需要平面长度单位，因此必须投影到投影坐标系。选择原则是：优先采用与项目区域匹配的国家或地方标准投影，控制投影变形。我国常用 CGCS2000 高斯-克吕格投影，按 3° 或 6° 分带；也可使用 UTM。判断依据是中央经线与采样区经度差尽量小，一般要求区域位于中央经线两侧 1.5°（3° 带）以内，以保证长度变形小于约 1/1000。

示例：某研究区经度约 113.5°E，若采用 3° 带，中央经线为 114°E（第 38 带），带号与中央经线关系为 L₀ = 3N。此时区域偏离中央经线约 0.5°，长度变形很小，适合直接使用。若误用 6° 带且中央经线为 117°E，则偏离约 3.5°，东西向距离会被明显拉伸，半变异函数变程估计偏大。实际操作中应在 GIS 中显式设置“投影坐标系”而非仅设置“地理坐标系”，并统一所有图层的坐标参考，避免混用。

二、采样点数据数字化

数字化是把采样记录转为带坐标的点图层。关键字段包括：点号、X、Y（或经度、纬度）、采样深度、重金属含量（如 Cd、Pb、Cu、Zn，单位 mg/kg）、土地利用类型、成土母质等。操作要点：一是统一坐标顺序，国内常见“X 为东向（经度方向）、Y 为北向（纬度方向）”，而部分软件默认相反，导入前须核对；二是统一单位与小数位；三是为每个点保留原始记录编号，便于回溯。数字化完成后应做拓扑检查：点是否落在研究区边界内、是否存在重复点、点号是否唯一。

三、异常值识别与处理

异常值来源有两类：录入或采样误差，以及真实的污染热点。识别方法可组合使用。箱线图法以四分位距 IQR 为尺度，超出 Q1−1.5IQR 或 Q3+1.5IQR 的记为可疑值；3σ 法适用于近似正态数据，超出均值 ±3 倍标准差记为异常；对多元素联合异常，可用马氏距离。示例：某批 120 个 Cd 样点，Q1=0.12、Q3=0.35 mg/kg，IQR=0.23，则上界为 0.35+1.5×0.23≈0.70 mg/kg，若某点记录为 7.0 mg/kg，需先核对原始记录与单位（是否误把 μg/kg 当 mg/kg）。

处理原则：先核实、再决定。确认是记录错误的，修正或剔除并保留原始值备查；确认是真实高值的（如靠近冶炼厂），应保留并作为污染热点参与建模，不能简单删除，否则会低估污染程度。剔除比例一般控制在 5% 以内，并记录处理日志。

四、缺失值插补

缺失可能来自未检出、样品丢失或属性未记录。插补前先统计缺失比例与缺失机制。若某元素缺失率低于 5%，可用中位数或同土地利用类型均值插补；若缺失率较高且空间自相关明显，可用普通克里金或回归克里金，以邻近点信息估计。示例：某点 Pb 缺失，其周围 500 m 内 6 个点均值为 32 mg/kg，且半变异函数显示变程约 800 m，则可用邻域均值或克里金估计值插补，并在数据表中新增“插补标志”字段，避免与实测值混淆。未检出值应统一按检出限的一半或按统计方法处理，并在报告中说明。

五、数据标准化与分布检验

不同重金属含量量级差异大（如 Cd 为 0.1 级、Zn 为 100 级），做多元素综合评价或聚类前需标准化。常用 Z-score 标准化：z=(x−μ)/σ，使各元素均值为 0、标准差为 1；也可用极差标准化到 [0,1]。注意标准化参数应基于训练数据计算，再应用到验证数据，避免信息泄漏。

分布检验决定后续方法选择。地统计插值通常假设数据近似正态，若偏态明显可先做对数变换。可用 Shapiro-Wilk 检验（小样本）或 Kolmogorov-Smirnov 检验（大样本），并结合直方图与 Q-Q 图判断。示例：某区 Cu 原始数据偏度 1.8，Shapiro-Wilk 检验 p=0.003，拒绝正态；取自然对数后偏度降至 0.4，p=0.21，可认为近似正态，适合直接用于普通克里金。检验结果、变换方式与标准化参数都应写入数据说明文档，保证分析可复现。