植被覆盖与管理因子C值遥感定量估算方法研究
摘要：通用土壤流失方程(USLE) 及后续修正方程(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方程的重要参数之一，其合理估算对土壤侵蚀的准确预测尤为重要。传统的估算法费时、费力且费用高，无法满足大尺度上植被覆盖管理因子的快速提取。而近年来，遥感技术的快速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，为进一步开展大尺度植被覆盖管理因子的定量估算提供借鉴。
关键字：植被覆盖与管理因子 遥感 植被覆盖指数
- 引言
通用土壤流失方程( universal soil loss equation，USLE)及其后续修正方程( revised universal soilloss equation，RUSLE)是美国农业部门基于坡面尺度建立的经验统计模型，因其简洁的计算公式和较低的数据需求已成为全球应用最广泛的土壤侵蚀定量估算模型。在 USLE / RUSLE 模型中，年均土壤侵蚀量A=Rtimes;Ktimes;LStimes;Ctimes;P，式中，R、K、LS、C、P 分别表示降雨侵蚀力因子、土壤可蚀性因子、地形因子、植被覆盖管理因子和土壤保持工程措施因子。C 是评价植被因素抵抗土壤侵蚀能力的重要指标，指在相同的土壤、坡度和降雨条件下，有特定植被覆盖或田间管理的土地上的土壤流失量与实施清耕、无覆盖裸露休闲地上的土壤流失量之比，其值在0 ～ 1，无量纲，C 值越大说明所对应土地利用类型的土壤侵蚀越严重。因此，植被覆盖管理因子( C) 的合理估算及空间分布图制作对土壤侵蚀的准确预测和水土保持规划尤为重要。
- 国内外研究现状
传统大尺度的 C 因子估算方法，是利用遥感影像数据解译获取区域土地覆盖类型分布图，再根据文献记载的经验值或个别样地实测数据对不同土地覆盖类型的 C 因子进行赋值。如 Onyando 等和Pandey 等基于 RUSLE/USLE 评估肯尼亚中部高原、印度喜马拉雅流域土壤侵蚀量时，参照以往文献中的经验值对不同土地利用类型 C 值进行赋值。史志华等、许月卿等和秦伟等在评估三峡库区王家桥小流域、贵州猫跳河流域、黄土高原小流域土壤侵蚀时，基于遥感分类获得土地覆盖类型图，并依据前人研究结果对各地类 C 值进行赋值。由于该方法简单易行，仍是当前区域土壤侵蚀评估中获取C 因子的主要手段。但对一种土地覆盖类型赋一个固定 C 值，显然忽略了地表植被的时空变化特征。 即使在同一土地覆盖类型中，植被生长也会受气候、土壤及耕作制度等因素的影响，所以每种土地覆盖类型的 C 值都存在一定空间异质性，而非固定常数。
为准确反映植被覆盖的空间变异并减少影像解译带来的误差，部分学者直接通过样地实测 C 值，并建立 C 值与遥感信息( 波段组合或植被指数) 间的回归模型，再将该模型推广到研究区求取 C 因子图。如 De Jong在评估法国南部地区侵蚀风险时，利用 TM 影像建立了归一化植被指数( NDVI) 与 C因子的线性回归方程;Karaburun在土耳其伊斯坦布尔 Buyukcekmece 流域，基于样地调查数据建立了 TM 影像 NDVI 与 C因子间的线性关系式；Van der Knijff在评估欧洲大陆土壤侵蚀风险时，指出NDVI 与 C 因子间的曲线关系优于传统线性关系，并基于NOAA AVHRR 影像数据建立了关系式； Lin 等在预测台湾地区小流域土壤侵蚀风险时，基于 TM 影像建立了 NDVI 与 C 因子的非线性回归方程；有研究指出，NDVI 仅反映地表植被绿色部分的信息，无法探测到地表枯枝落叶等覆盖物对土壤的保护作用，极易造成林地 C 值的高估。增强型植被指数 EVI 提高了对高生物量区植被的敏感度，同时通过消弱冠层背景信号和降低大气影响，改善了对植被的监测。垂直植被指数 PVI 能够消除土壤表面背景噪声的影响，增强植被信息。转换型土壤调整植被指数TSAVI 是土壤调整植被指数 SAVI 的转换形式，能显著降低稀疏植被区土壤背景的影响。可见，根据研究区植被特点选择合适的植被指数能改善 C 因子估计，但以上植被指数无法评估作物残茬等地表枯落物。NDSVI、NDTI、NDI5、NDI7 等衰败植被指数可以反映林下枯枝落叶层信息，Wen 等引入冬季影像的衰败植被指数表示枯落层，与绿度指数( NDVI 等)联合估算结构化植被指数，结构化植被指数能够更准确表达植被的减蚀作用。
结论
植被覆盖管理因子的准确估算，对于土壤侵蚀预测和植被水土保持作用评价有重要意义。目前，虽然已有许多学者利用径流小区实测资料，估算出不同地区植被类型或土地利用类型的 C 值。但。不同区域研究得到的同一植被类型 C 值相差较大，主要原因是计算 C 值的基准条件不统一，导致现有植被覆盖管理因子研究多是地方性的，不能适用于较大区域，此外，由于每宗地块的利用方式并不统一，而基于遥感分类的土地利用覆盖图很难判断每宗地块的利用方式。因此，基于遥感分类的植被覆盖管理因子赋值法无法反映大尺度植被覆盖管理因子的时空异质性。基于 NDVI 的大尺度植被覆盖管理因子估算方法可反映出 C 值的时空变异，并从最初的线性回归方程发展到曲线回归方程，其估算精度有一定改进。但 NDVI 在植被高覆盖区易饱和，并或多或少的受到土壤等背景信息的影响，存在很多噪音。更重要的缺陷是该方法忽视了枯枝落叶层等地表覆盖物对 C值的影响。今后可在绿度指数( NDVI) 基础上，考虑引入植物群落的黄度指数( 如 NDSVI、NDTI) 用以探测林下枯枝落叶层的覆盖信息，以进一步提高估算精度． 如雷婉宁等为反映植物群落的垂直差异，基于植被的绿度和黄度指数构建了结构化植被因子指数及其计算模型，并在陕北黄土地区进行了适用性研究。基于植被覆盖度的植被覆盖管理因子估算方法，是利用径流小区观测结果建立的经验方程，可以在小范围内取得较高的模拟精度，但只适于特定区域或特定植被类型，还需针对不同区域的环境特征，建立相应算法以降低模型的不确定性。
- 参考文献
[1] Feng Q, Zhao W, Ding J, et al. Estimation of the cover and management factor based on stratified coverage and remote sensing indices: a case study in the Loess Plateau of China[J]. Journal of Soils amp; Sediments, 2017:1-16.
