论文导读：基于GIS的遥感定量监测方法是近年来新出现的土壤侵蚀性调查方法，其核心部分在于土壤侵蚀定量评价模型及各参数的算式算法。本文介绍了几种主要的土壤侵蚀性定量评价模型的构成，着重介绍模型因子中植被因子的提取方法，指出了目前研究的不足并提出了一些改进的建议。
关键词：GIS土壤侵蚀，遥感监测
土壤侵蚀是一个复杂的人文和地理过程，利用常规地面调查的方法，人为因素的影响很大，且费时费力。遥感技术具有信息丰富，实时性强和动态监测等优势，无疑是最快速有效的先进监测手段之一[1,2]。因此，利用遥感和GIS技术对我国土壤侵蚀性状况进行调查是近来水土保持研究的热点。
1． 土壤侵蚀模型
土壤侵蚀受到诸如降水、下垫面岩性、地形坡度、土地覆盖类型及管理方式等多种因素的影响。作为定量调查方法的核心，侵蚀量评价模型经历了单因子方程式到多因子侵蚀模型的发展，使得每个对土壤侵蚀发生作用的因子都能较好的被描述。根据建模方法，这些土壤侵蚀定量模型基本上可以分为两类：经验统计模型和物理模型。以下分别介绍这两类模型。
1.1经验统计模型
经验统计模型是根据标准小区试验结果，确定土壤侵蚀的控制因素并拟合出能最大概率重现观测数据的函数对应关系式。该方法基本不考虑土壤侵蚀过程的内部机制，因此又被称为黑箱模型。这类模型主要有USLE[3]、RUSLE[4]、卜兆宏模型[5,6]和我国的黄土高原模型[7]等。
USLE系列模型是为显示长期年平均侵蚀速率而设计的，主要包括USLE（通用土壤流失方程）、RUSLE（修正的通用土壤流失方程）和卜兆宏模型。他们均采用相同的模型结构，更确切的讲，后二者是在USLE模型的基础上发展起来的。
USLE系列模型的数学表达式为：
 (1)
式中，A为土壤流失量；R为降雨侵蚀力因子；K为土壤可蚀性因子；L为坡长因子；S为坡度因子；C为作物经营管理因子；P为土壤侵蚀控制措施因子。
RUSLE包含了近期研究的附加数据和USLE中所包含数据的修正版，对USLE做了包括技术性的和因子值算式的改进，因此在土壤流失预测中具有更高的准确率，且代表了当今最好的预测土壤侵蚀技术。
卜兆宏对USLE进行了一系列的中国本地化应用研究。虽然采用的监测模型鱼USLE具有相同的表达式，但是其因子算式、算法均为我国实测资料所建，因此更适合我国土壤流失的实际情况。
江忠善等通过在黄土高原的试验得出了次降雨无植被裸露坡耕地和人工草地的侵蚀量多元幂函数统计模型。如次降雨人工草地侵蚀模型为：
 (2)
式中，M为次降雨土壤侵蚀模数；P为降雨量；I30为最大30分钟雨强；S为坡度；L为坡长；e为雨量动能；c为植被覆盖度。
1.2物理模型
物理模型考虑了土壤侵蚀过程的内部机制，依据较为严密的质量、动量、能量守衡方程，经过一系列简化后，对土壤侵蚀过程及各因子的变化进行了定量表达。与统计模型相比，该模型应用经典物理定律描述土壤侵蚀的数学分析工作仍然太少。
从预报精度的角度来讲，物理模型无疑是极具潜力的。但目前发展的物理模型需要大量的参数，而有些参数又难以获取，因此在实际应用中还存在诸多困难，尚难以取代经验统计模型在土壤侵蚀定量调查中的主导地位。
本文基于USLE模型，运用ENVI的图像综合处理能力来对试验区的土壤侵蚀性作出评价。研究的基本流程图如下：
 
图1.土壤侵蚀性评价流程图
2. 植被因子的提取
植被因子是土壤侵蚀强度分级中重要的一个因子，植被因子一般用植被覆盖度来集中体现。植被覆盖度是指植被的垂直投影面积与地块总面积之比，它是植被冠层形状、植被空间分布、叶子倾角及重叠所形成的参量。
传统的植被覆盖度测量方法主要是目估法、采样法、仪器法等，但由于目估法主观性太强，采样法野外操作不方面，仪器法成本较高难以在大范围内快速提取植被覆盖度。因而，遥感成为了估算植被覆盖度的主要技术手段。
2.1 植被因子提取方法
2.1.1 三波段法
一般来说，植被在绿光波段有一个低反射峰，在近红外波段有一个高反射峰，在红光波段为一个吸收谷。而土壤光谱在绿到近红外波段近似线性变化。从土壤光谱库中全部25种土壤在0.56到0.8微米之间的光谱曲线可以看出，在该波长区间内，大部分土壤光谱近似现行变化。唐世浩等根据上述植被和土壤的光谱特点，提出了如下形式的三波段梯度差植被指数（T1）：
 （3）
若T1<0，则取T1为0。免费论文。
式中，Rir、Rr和Rg分别为近红外、红、绿波段的反射率；lir、lr、lg分别为响应波段的波长中值。
分析该植被指数可以看出，随着植被覆盖度的增加，绿光和近红外反射率增加，红光反射率减小，该植被指数增大；反之，该指数减小。对于植被来说，T1一般不会小于0。
利用T1计算植被覆盖度（Fc）的公式如下：
 （4）
式中，Timax为最大三波段梯度差。
2.1.2 回归模型法
通过对遥感数据某一波段、波段组合或利用遥感数据计算出的植被指数与植被覆盖度进行回归，建立经验模型，利用得道的模型求取大范围的植被覆盖度。包括了线性回归模型和非线性回归模型。
2.1.3 像元分解模型法
像元分解模型法的原理是图像中的一个像元实际上是可能由多个组分构成，每个组分对遥感传感器所观测的信息都有贡献，因此可以将遥感信息（波段或植被指数）分解，建立像元分解模型，并利用此模型估算植被覆盖度。
目前已开发出的模型主要有五种，分别是线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型。免费论文。最常用的是现行分解模型，其假设像元信息为个组分信息的线性组合。在线性分解模型中有一个简单使用的模型，即像元二分模型。
像元二分模型的原理为：通过遥感传感器所观测到的信息S可以表达为由绿色植被部分所贡献的信息Sv和由无植被覆盖（裸土）部分所贡献的信息Ss两部分，即：
 （5）
设一个像元中有植被覆盖的面积比例为Fc，即为该像元的植被覆盖度，则无植被覆盖的面积比例为1-Fc。如果全由植被所覆盖的纯像元所得的遥感信息为Sveg，则混合像元植被部分所贡献的信息可以表示为Sveg与Fc的乘积，即Sv=Fc*Sveg。同理，如果全由无植被所覆盖的纯像元所得的遥感信息为Ssoil，混合像元的土壤成分所贡献的信息Ss可以表示为Ssoil与1-Fc的乘积：
 （6）
通过公式变换。可得一下植被覆盖度的计算公式：
 （7）
该模型表达了遥感信息鱼植被覆盖度的关系，其参数Ssoil与Sveg都具有实际的含义，即土壤与植被的纯像元所反映的遥感信息，模型具有一定的理论基础，摆脱了地域的限制，易于推广。免费论文。同时，该模型也削弱了大气、土壤背景与植被类型的影响。
2.1.4 植被指数估算植被覆盖度
直接利用植被指数估算植被覆盖度是一个较好的方法。归一化差值植被指数是植被生长状态及植被覆盖度的最佳指示因子，计算公式为：
 （8）
根据像元二分模型理论，一个像元的NDVI可以表达为由绿色植被部分所贡献的信息NDVIveg与无植被覆盖部分所贡献的信息NDVIsoil两部分组成。将归一化植被指数带入公式（7）可以得到：
 （9）
3. 研究中存在的问题及改进
基于遥感和GIS技术，采用卫星影像，通过人机交互目视解译获取土地利用信息，应用数字高程模型DEM生成坡度图，遥感影像中提取植被指数NDVI，利用像元二分模型得到植被覆盖度，依据水力侵蚀标准将土地利用、坡度和植被覆盖度等进行编码后做空间叠加分析，得道土壤侵蚀强度分级数据。但是这种处理流程中仍存在一些缺陷有待改进：
不同季节的植被覆盖往往存在较大的差异。大面积的水土流失遥感调查数据往往是一个时间范围内影像的集合，为了得到统一而有效的植被因子，需要对数据做时相上的协调处理。
一些零散分部的小块地块，由于面积太小，数据处理中难以勾画界线，不能充分表达细节信息。
各个区域往往具有当地独特的地理环境，影响土壤侵蚀的因子也不尽相同，因而区域具体应用中可以扩充影响因子的选择，使其能更贴切的变现当地的土壤侵蚀机制。
参考文献：
[1] 李国英.对我国水土保持工作的几点思考[J].中国水土保持，1998(2):20-23.
[2] 景可,王万忠,郑粉莉.中国土壤侵蚀与环境[M].北京:科学出版社,2005.7-9.
[3] W.H.Wischmeier. Predicting rainfall-erosionlosses from cropland east of the Rocky Mountains.Handbook Department of Agriculture Washington D. C.1965.
[4] Renard, K. G., Foster,G. R., Weesies, G. A., McCool, D. K., Yoder, D. C. Predicting soil erosion bywater : a guide to conservation planning with the revised universal soil lossequation.Handbook Department of Agriculture Washington D. C.1997,703.
[5] 卜兆宏等,水土流失定量遥感方法及其应用的研究[J].土壤学报.1997,34(3):234-245.
[6] 卜兆宏等,应用水土流失定量遥感发发监测山东全省山丘区的研究[J].土壤学报.1999,36(1):1-8.
[7] 江忠善,郑粉莉,武敏. 中国坡面水蚀预报模型研究[J].泥沙研究,2005(4):1-6.
|
