南方红壤区植被覆盖因子估算模型构建与验证

研究红壤区植被覆盖因子变化规律、构建植被覆盖因子计算模型可为该区域水土流失防治及动态监测提供科学依据。该研究基于广东省五华县水土保持试验推广站200余场降雨试验观测数据,分析了影响水土流失的各关键因子与次降雨土壤侵蚀模数(Individual Rainfall Event Soil Erosion Modulus,ISEM)间定量关系,基于中国土壤流失方程计算了系列次降雨事件不同植被覆盖度对应植被覆盖因子值,构建了植被覆盖因子值与植被覆盖度间数学模型,从点、面2个尺度对模型计算精度进行了验证。结果表明:1)ISEM随植被覆盖度增加而降低;ISEM与雨前土壤表层含水率间存在显著正相关对数关系;ISEM随坡度增加呈先增后减的变化规律;ISEM随次降雨量、次降雨侵蚀力和次降雨径流深呈显著正相关线性变化关系。2)构建了植被覆盖因子值与植被覆盖度间二阶指数衰减模型,该模型决定系数和纳什系数分别达0.947和0.876。点尺度验证结果表明90%样本模型计算值与观测值相对误差均小于0.30;面尺度验证结果表明,70%~80%的植被覆盖因子计算值相对误差不超过0.1。总体而言,该模型计算精度较为理想,但由于研究对象典型的时空尺度特征,仍需要更多观测数据对该模型进行完善和验证。研究成果可为深入理解红壤区土壤侵蚀规律、水土流失动态监测提供有益参考。

基于无人机遥感的植被覆盖与管理因子计算

[目的]研究传统遥感的混合像元分解法在无人机遥感中的应用,提出小区域尺度的植被覆盖与管理因子(C因子)快速估算方法。[方法]借助无人机航拍获取南京江宁谷里地区土地利用情况的遥感影像,采用面向对象分类法提取各类型用地的地物盖度,基于混合像元分解的C因子模型计算了研究区C值,通过与已有研究成果的分析比较,评价该方法的准确性。[结果]对象分类结果(植被、裸地和非光合地物)总正确率都在95%以上,基于混合像元分解的C因子模型估算南京江宁谷里地区的林地、耕地和草地的C值分别为0.057,0.176,0.043,结果与已有研究成果接近。[结论]利用无人机遥感进行C因子估算是可行的,且相较于传统的径流小区实测法,更为高效便捷。

考虑植被覆盖因子的地形辐射校正模型

针对传统的地形辐射校正模型无法适用复杂地表覆盖类型而导致的校正精度较低的问题,该文提出了一种考虑像元植被覆盖因子的模型。山区遥感影像像元大部分为植被与岩石、裸土的混合像元,针对混合像元中岩石、裸土部分应用太阳-地表-传感器模型,而对于植被覆盖区则采用考虑植被垂直生长特性的太阳-树冠-传感器模型,两模型用像元植被覆盖因子拟合为新的太阳-植被覆盖因子-传感器模型。利用覆盖江西实验区的Landsat-8陆地成像仪影像和数字高程模型数据进行了校正比对分析,结果表明该方法可有效地消除地形起伏对辐射亮度的影响。

基于叶面积指数的植被覆盖管理措施因子C的遥感定量估算

以植被结构因子——叶面积指数(LAI)取代长期以来用于水土保持定量评价的植被覆盖度,通过遥感技术反演植被结构因子LAI,构建研究区LAI与植被覆盖管理措施因子C量化耦合模型,并进行模型精度验证。结果表明:基于LAI模拟的土壤侵蚀模数为455.89t·km-2a-1,属于微度侵蚀,与径流小区野外观测结果一致。本文提出的LAI取代植被覆盖度作为水土保持定量估算与评价指标是可行的。

闽西红壤区植被覆盖及管理因子与水土流失强度关系分析

以福建省西部的武平县中山镇为例,运用RS和GIS等相关技术软件提取土地利用、坡度、植被覆盖度、经营管理措施等信息,通过GIS空间叠加分析,获取当地水土流失斑的强度分布特征。研究发现:当地水土流失强度分布特征除了与当地植被覆盖度有关,更与植被后期管理经营密切相关;在一些高植被覆盖度地区如马尾松林地、水源涵养林地等区域,由于经营管理不当也分布相当程度的水土流失。

USLE／RUSLE中植被覆盖与管理因子研究进展

通用土壤流失方程(USLE)及修正通用土壤流失方程(RUSLE)是世界范围内应用最广泛的土壤侵蚀预报模型,模型中C因子表示植被覆盖和管理措施对土壤侵蚀的作用,是人为控制土壤侵蚀的重要因子。回溯了C因子发展演变历程,依据国内外最新研究成果,系统阐述了不同尺度C因子估算方法。在小区、坡面、小流域尺度上,C因子确定主要依赖于野外实验观测,研究条件的一致性尤其是标准小区的统一是C因子值可比性的前提。流域、区域尺度C因子确定通常需要利用遥感影像,遥感技术的发展促进了流域、区域尺度C因子估算方法的进步,使提取的C因子图更加精细、准确,但是使用遥感数据全面刻画C因子含义仍然是一大挑战,因此仍需加强C因子相关研究。共归纳了10种确定C因子的方法,介绍了不同方法的优缺点及适用条件,提出了我国C因子研究应加强的工作,希望为相关领域研究者提供参考。

基于混合像元分解的海坛岛植被覆盖度因子研究

在USLE/RUSLE中,降雨侵蚀力与地表植被覆盖度因子具有季节变化特征.本研究考虑到两者的时空耦合性,采用基于混合像元分解的计算方法,得到了海坛岛不同月份的地表植被覆盖度因子C i值(第i月的地表植被覆盖度因子值)和不同地类的年植被覆盖度因子C值,为岛内土壤侵蚀预报和水保工作提供参考.对第i月的地表NDVI i值与年C/C i值进行分析,发现它们呈现较好的线性关系,用SPSS软件进行回归分析得到两组线性回归参数.年C值与11月份的地表NDVI拟合程度最好,NDVI i与C i值的拟合程度好于年C值与NDVI i.最后得到海坛岛通用的C i值估算模型C i=1.007-1.119·NDVI i,该模型的决定系数达到0.8,可用于计算岛内各月份的C i值.

天山北坡中段山区植被覆盖管理措施因子的时空格局动态变化

植被覆盖管理措施因子(Vegetation cover and management factor,以下简称C因子)是评估植被因素抵抗土壤侵蚀的能力及准确估算土壤侵蚀模数的重要参数,而区域尺度C因子高质量时间序列的准确估算和空间特征对于土壤侵蚀预测、水土保持规划尤为重要。为研究天山北坡中段山区C因子时空动态,采用线性光谱混合模型(Linear Spectral Mixture Model,LSMM)、像元二分模型、增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)等方法计算C因子,定量分析2000—2018年研究区C因子的时空格局特征,并对不同土地利用类型的C因子进行分析。结果表明,时间上,2000—2018年C因子总体呈现先上升后下降的趋势,不同时段C因子值不同,表现为秋季>春季>夏季、旱季>雨季。空间上,南部高山区(海拔>3000 m)的C因子值较高,北部中低山丘陵区(2000 m<海拔<3000 m)的C因子值较低。C因子值的分布与土地利用类型关系密切,表现为裸土地>其他林地>采矿用地>内陆滩涂>其他草地>农村宅基地>灌木林地>旱地>天然牧草地>风景名胜设施用地>水浇地>人工牧草地>乔木林地。本研究探究C因子遥感定量估算方法,分析不同土地利用格局对C因子的影响,为开展大尺度C因子的准确估算及不同土地利用格局水土保持效益的综合评价提供了参考。

浙江省水土流失动态监测中农村建设用地B因子赋值研究

农村建设用地的植被覆盖与生物措施因子即B因子,在使用中国土壤流失方程模型进行区域水土流失动态监测中具有非常关键的作用。按照浙江省水土保持三级区划,在区划范围内随机选择县(市、区)和自然村作为样本,采用高精度无人机遥感影像,详细调查并解译了农村建设用地地块内部的土地利用构成,依据相同的技术路线和赋值方法,重新计算整个地块的B因子,根据自然村的位置分区、海拔、地形和面积分布情况等不同维度因素,探讨不同的农村建设用地B因子值的分组统计方法,分析不同因素可能对B因子值的影响。结果表明:3个因素均不会对B因子值产生较为明显的影响,影响更大的还是农村建设用地内部的地物结构,这是后续新农村建设和水土流失防治工作中需要重点关注的方向;修订浙江省B因子值为0.016,较全国标准化赋值0.025减少36%,采用修订后的数据计算,2021年的农村建设用地水土流失面积将减少14%。

USLE/RUSLE模型中植被覆盖管理因子的遥感定量估算研究进展

通用土壤流失方程(USLE)及其后续修正方程(RUSLE)是区域土壤侵蚀风险评估和水土保持规划的有效工具.植被覆盖管理因子作为USLE和RUSLE的重要参数之一,其合理估算对土壤侵蚀的准确预测尤为重要.基于野外实地调查和测量的传统估算法费时、费力且费用高,无法满足宏观尺度上植被覆盖管理因子的快速提取.近年来,遥感技术的发展为大尺度植被覆盖管理因子获取提供了丰富的数据和方法.本文基于国内外相关研究成果,综述了植被覆盖管理因子遥感定量估算方法的研究进展,评述了各类方法的优劣,以期为进一步开展大尺度植被覆盖管理因子的定量估算及拓展现有研究思路提供借鉴.

云南省金沙江流域土壤流失方程研究

云南金沙江流域是长江中上游水土流失最严重的区域。本项研究以“通用土壤流失方程”(USLE)为蓝本,运用小区实验等手段,综合分析了各个侵蚀因子,建立了云南金沙江流域土壤流失方程A=R·K·LS·c·P,并确定了方程中诸因子的求算方法和数值,以及该流域土壤允许流失量,为方程的应用提供了基本的技术数据。同时,还进行了方程的检验,方程计算值与小区实测值的相对误差在6.3％以下,表明该方程在实际应用中是可靠的。该方程的建立,可为云南金沙江流域预测预报土壤侵蚀,制定土地合理利用规划方案、水土保持措施和土地生态安全格局提供了一套可靠的科学方法和依据。

基于改进RUSLE模型的西南土石山区水土流失评价——以湖南省龙山县为例

本文基于Landsat遥感影像,引入归一化山地植被指数(NDMVI),改进RUSLE模型中的植被管理因子C,得到改进的RUSLE模型,并利用其对湖南省龙山县2000~2020年的土壤侵蚀进行估算,旨在快速、科学地评价研究区水土流失变化情况,为以龙山县为代表的西南土石山区水土流失治理提供科学依据。2000年的NDMVI数值范围较均一化植被指数(NDVI)增加了0.3158,2020年的NDMVI数值较NDVI增加了0.2076,增加幅度均较大,这说明NDMVI区分地物的能力更强,具有较强地消除复杂地形影响的能力。通过影像对比,可以看出NDMVI区分地物的能力要优于NDVI,提取城镇用地、水体等地物的精度更高,尤其在地形起伏地区以及山坡的阴影地区,能更好地反演植被覆盖管理因子。基于山地植被指数修正的植被覆盖管理因子C可以更准确地区分地物,尤其是在地形起伏和山坡阴影地区。该方法能有效地运用于西南土石山区的水土流失监测和评价,实现动态变化的快速定量监测。

北京市土壤风蚀扬尘排放因子本地化

土壤风蚀扬尘源是细颗粒物(PM2.5)的来源之一,对比国内典型省市扬尘源排放清单,发现土壤风蚀扬尘源对本地扬尘源PM2.5排放清单的贡献率最大差别为4个数量级.本研究改进一种土壤风蚀扬尘排放因子公式及参数值确定方法,利用遥感影像、中国土壤数据集和各区气象数据,分别获得北京市平原区植被覆盖因子(V)、土壤风蚀指数(I)和气候因子(C)空间分布,并估算土壤风蚀扬尘PM2.5排放因子空间分布.结果表明:①以北京市2017年为例,发现国内学者计算的C值都存在不同程度低估,PM2.5排放因子存在高估或低估;②V、I和C值都具有明显空间差异,V、I和C值平均值分别为0.63±0.09、188±73和0.029±0.009,各区V、I和C值的最大值分别是最小值的1.5、2.1和4.5倍;③北京市土壤风蚀扬尘PM2.5排放因子呈现西北和东南方向较高的空间分布,全市平均排放因子为(0.0018±0.0008)t·(hm^2·a)^-1,是最高区(西城)和最低区(平谷)数值的0.54和3.12倍,较高强度(0.6~0.8]和高强度(0.8~1.0]的标准化排放因子面积占比分别为0.72%和0.04%.

纵向岭谷区人口密度的空间分布规律及其影响因素

将GIS手段和统计方法相结合,选择地貌因子和气候因子,研究各类因子对人口分布的影响强度和函数形式,并通过人口分布影响因子法模拟西南纵向岭谷区的人口密度分布状况.研究结果表明:(1)各类自然地理要素对纵向岭谷区人口的空间格局均具有影响,但影响程度、影响形式存在差异.地貌因子和交通网密度对人口分布影响较为强烈,而温度和降水因子对研究区人口分布影响甚微;人口分布与海拔和交通网密度分别呈现负线性和正线性相关趋势,水网密度和坡度对人口分布分别表现为指数和对数的函数关系;(2)受自然条件影响,人口在纵向岭谷区的分布不均匀,具有整体零散,局部集中的特点,在纵向岭谷区中部形成人口高密度分布带,在东南部形成人口高密度片区;(3)西南纵向岭谷区的人口密度与土地利用的人为活动指数(HAI)具有很好的线性回归关系,人口密度可以反映人为活动对区域自然生态系统的干扰强度;(4)人口密度提高导致植被指数NDVI降低.

基于GIS的河南省土壤侵蚀定量评估研究

在RUSLE经验模型的基础上结合"3S"技术对河南省土壤侵蚀现状进行研究。结合河南省当地的地貌特征,根据我省相关的观测资料,计算土壤侵蚀的各因子值,建立适合本省的土壤侵蚀预报模型;应用GIS不仅可以方便地进行参数输入,还可以按照计算结果描述土壤侵蚀空间分布差异,同时用户可用GIS模块中的数据分析工具,根据所需目的进行数据分析、查询和图形输出。遥感影像作为数据源为侵蚀因子提供基础数据,同时还可以从遥感影像中直接判读土壤侵蚀类型。首先找出土壤侵蚀模型所需要的适合河南省的降水侵蚀力因子、土壤可蚀性因子、地形因子、植被覆盖与水土保持措施因子并栅格化之后,在ARCGIS的Raster Calculator模块里根据其土壤流失预测公式获得河南省土壤侵蚀强度分布图,再根据sl190-96的分级标准(表)进行分级,获得河南省土壤侵蚀强度等级分布图,河南省内各地土壤侵蚀情况即可一目了然,为政府决策提供了科学参考,为今后的研究提供了理论依据。