群落尺度植被水土保持功能評價模型的構建
——以大別山北麓安徽省金寨縣為例

張洪達, 趙傳普, 戴玉婷, 袁 利, 楊綺夢頔, 吳 傲, 劉 霞

(1.南京林業大學 南方現代林業協同創新中心, 江蘇省水土保持與生態修復重點實驗室,江蘇 南京 210037; 2.水利部 淮河水利委員會 淮河流域水土保持監測中心站, 安徽 蚌埠 233001)

植被是防止水土流失、維持生態平衡、改善生態環境的重要因素[1]，具有涵養水源、保持水土、防風固沙等作用[2]。植被作為影響水土流失的一個重要因子受到人們的廣泛關注[3-4]，而研究植被水土保持功能對生態保護、減少地表徑流及土壤流失等研究具有重要意義。

長期以來，植被水土保持功能評價主要以植被覆蓋度單一指標為主，在植被覆蓋度與土壤流失量定量關系研究中[5]，植被覆蓋度與土壤流失量之間相關性顯著，但尚未形成統一的定量關系[6]。此外，在相同覆蓋度下，不同植被類型、結構的水土保持功能存在明顯差異。因此，采用單一指標評價其結果存在一定的局限。隨著植被水土保持機理研究的深入，近來許多學者提出了包含植被垂直結構(層次)、植被類型、枯枝落葉層、根系層等[7]多指標體系的綜合評價方法，可較全面的反映植被特性。但因受地理區域、自然條件差異影響，確定的最優水土保持植被類型、植被結構、群落組成都不相同。到目前為止，尚未能形成一個公認統一的指標體系，綜合性的評價指標研究還停留在小尺度的定點觀測上，未能滿足于生產實踐的需要[8-11]。

大別山區為中國中部地區的重要生態功能區和淮河上游地區生態屏障。隨著區域經濟社會發展，該區水土流失問題日益嚴峻，其植被水土保持功能狀況及其評價成為研究熱點。本文以大別山區北麓金寨縣為研究區，以森林、灌草植被為研究對象，探索面向群落尺度的植被水土保持功能評價模型構建方法，以期為大別山區植被水土保持生態建設提供參考依據。

1 研究區概況

研究區位于鄂豫皖3省交界的大別山主脈北麓安徽省金寨縣(115°22′—116°11′E，31°06′—31°48′N)，總面積3 814 km2。地勢南高北低，以斜坡(8°～15°)、陡坡(15°～25°)為主。屬北亞熱帶濕潤季風氣候區，多年平均降雨量1 389.6 mm，多年平均氣溫15～16.3 ℃。巖石主要為花崗巖和花崗片麻巖，土壤主要是粗骨土、黃棕壤、山地棕壤、紫色土等。研究區森林覆蓋率達74.1%。防護林主要樹種有馬尾松(Pinusmassoniana)、麻櫟(Quercusacutissima)、青岡櫟(Cyclobalanopsisglauca)、化香(Platycaryastrobilacea)；用材林主要樹種有杉木(Cunninghamialanceolata)、毛竹(Phyllostachysedulis)；經濟林主要樹種有板栗(Castaneamollissima)、山核桃(Caryacathayensis)、油茶(Camelliaoleifera)、茶(Camelliasinensis)等。

2 材料與方法

2.1 數據獲取

2.1.1 數據來源 金寨縣森林資源2類調查圖斑數據和森林資源分布圖(1∶30萬，2018年)由林業部門提供，SRTM分辨率30 m數字高程模型來源于地理空間數據云。文獻數據源來自于2020年中國學術期刊網絡數據庫，檢索相關研究文獻并分析研究熱點，統計高頻詞頻次。

2.1.2 野外調查 基于森林資源分布圖，植被類型分為防護林、用材林、經濟林、灌草4個組，在考慮代表性、易獲取性及空間分布均勻等原則基礎上，按照植被類型采用分層抽樣方法確定野外調查樣區。在每組優勢樹種中按圖斑數量隨機抽取1%，研究區整體抽樣比例為0.67%，結合坡度、坡向、高程等確保在各等級均有分布。 確定地面調查樣區120個、多光譜無人機調查樣區100個，于2019年8月開展野外實地調查。調查樣區選擇結果見表1，其空間分布見圖1。

圖1 大別山北麓安徽省金寨縣調查樣區分布

表1 野外調查樣區統計

野外調查包括地面調查和無人機調查。其中，地面調查樣方設置為喬木層(30 m×30 m)、灌木層(5 m×5 m)、草本層(1 m×1 m)地被層(1 m×1 m)。郁閉度、蓋度及葉面積指數測量采用五點測量法，即以樣區4個角點和中心點為測定位置，多次測量求平均值；采用植被覆蓋度動態測量系統測量郁閉度、蓋度；葉面積指數儀(型號：LAI-2 000)測量葉面積指數。

無人機調查借助無人機(型號：大疆m600-pro)搭載多光譜傳感器(型號：MicaSense RedEdge-M)獲取植被覆蓋度信息。航線規劃不低于75%的航向、旁向重復度，飛行相對高度為200 m，主航向重疊率設置80%，范圍500 m×500 m。

2.2 研究方法

2.2.1 植被水土保持功能指標篩選

(1) 文獻計量法。采用CNKI網5.3.R4數據分析模塊，對涉及植被水土保持功能關鍵詞進行統計，通過有效挖掘和分析比較實現指標預選[12]。

(2) 專家咨詢法。選取從事水土保持功能相關研究的教學與科研人員、已發表類似文章且有較高引用率的研究人員、以及研究區具有高級技術職稱的水土保持生產實踐工作者對預選指標進一步分析與遴選[13]。

2.2.2 指標變量篩選方法

(1) 隨機森林。隨機森林方法在對數據進行分類的同時，可以給出各個指標變量在分類中的重要性評分，依據該評分可以對指標變量進行排序來判斷指標變量在分類中起到的作用大小，并篩選出相對重要的指標變量[14-15]。

(2) 決策樹。決策樹以樹狀結構表現，葉子結點代表一個結論，內部結點描述一個屬性，是從上到下一條路徑來確定的分類規則[15]。通過構建決策樹規則幫助了解各指標變量的貢獻大小、方向，指標變量間的關系更加易懂。

2.2.3 土壤流失評價方法 結合野外調查實測數據，基于CSLE模型計算調查樣區土壤流失量。公式如下[16]：

A=R·K·L·S·B·E·T

(1)

式中：A為年單位面積的土壤流失量〔t/(hm2·a)〕;R為降雨侵蝕力因子〔MJ·mm/(hm2·h·a)〕;K為土壤可蝕性因子〔t·hm2·h/(hm2·MJ·mm)〕;L為坡長因子(無量綱);S為坡度因子(無量綱);B為生物措施因子(無量綱)；E為工程措施因子(無量綱)；T為耕作措施因子(無量綱);各因子采用年度水土流失動態監測成果。

2.2.4 植被水土保持功能評價模型 基于隨機森林重要性排序指標同土壤流失量建立回歸關系。多元線性回歸模型可以表示為[17]：

A=β0+β1X1+β2X2+，…，+biXi+ui

(2)

式中：A為模型因變量,即土壤侵蝕模數。X1,X2,…,Xi為解釋變量,即郁閉度、蓋度、坡度、枯落物厚度等;β0,β1,…,βi為模型回歸系數,即被估計量;ui隨機誤差項。

3 結果與分析

3.1 植被水土保持功能評價指標篩選

3.1.1 基于文獻計量學的評價指標預選 以植被水土保持功能、植被水土保持效應、植被水土保持功能評價等作為主題詞，對1980—2020年文獻進行檢索，共檢索相關文獻2 916篇。通過進一步甄別，篩選出中國國內與本研究相關度較高的198篇文獻進行分析。

基于詞頻分析法，對植被水土保持功能及評價的相關文獻進行分析，并對關鍵詞進行詞頻統計(表2)。在植被水土保持功能研究中核心關鍵詞是枯落物層、林分結構和植被類型等。詞頻統計結果可歸納為3大類72項指標，即：功能表征指標(如非毛管孔隙度、土壤最大持水量、林冠截留、地表徑流、土壤抗沖性、毛管孔隙度等)、功能影響指標(群落類型、結構、數量特征、枯落物層、植被類型、土壤層/根系層等)、地形因子指標(坡度、坡位等)。

表2 植被水土保持功能研究關鍵詞統計

3.1.2 基于專家咨詢的評價指標初選 專家組由3方面人員組成：①從事水土保持與荒漠化防治教學與科研任務的人員；②長期從事水土保持工作，且有5 a以上工作經驗的并取得高級技術職稱的一線工作者；③已發表了類似文章的且有較高引用率的研究人員。確定了30名在植被水土保持功能研究及評價領域較為熟悉的專家。

基于文獻計量學指標預選結果，對每一項指標通過“A(極重要)，B(重要)，C(一般)，D(不重要)”4個選項來咨詢，保留均值X≥3且變異系數CV≤0.25的指標[13]，確定了植被水土保持功能初選指標集。以植被水土保持功能為評價的總體目標，指標體系包括自然因素和人為因素兩大類。構建了3層指標體系，其中一級指標4項，二級指標7項，三級指標30項。植被水土保持功能初選指標詳見表3。

3.2 基于決策樹的植被水土保持功能評價模型構建

3.2.1 基于決策樹的指標相關關系分析 為進一步分析各特征指標的作用規律，利用指標決策樹分類回歸模型通過一些顯著指標進行量化。根據生成的復雜度參數與交叉驗證誤差(圖2)，查找其最優的切分變量和最理想的分割節點，目的是將決策樹大小控制在一個理想的范圍內。可知決策樹最優分割為4個節點時誤差達最小。

由圖2及圖3a可知，決策樹各節點對應的指標特征同下文的指標重要性特征規律基本一致。其中，在決策樹中坡度是一項具有全局性的重要變量指標，閾值9.5°時決策樹分成了左、右兩類。為了更好的分析坡度指標對侵蝕量的影響，繪制了坡度與侵蝕量的散點圖(圖3b)，由圖3b可知，在10°臨界坡度處土壤侵蝕模數分布特征存在顯著差異，在<10°范圍呈現明顯“聚集性”分布特征；在>10°范圍呈正相關關系。

圖2 復雜度參數與交叉驗證誤差

圖3 植被水土保持功能決策樹、坡度與土壤侵蝕關系

綜合上述指標變量間決策樹關系分析，較清晰的展示出了指標同土壤流失量相互關系，基于此在群落尺度植被水土保持功能評價模型構建。根據坡度關鍵變量特征10°坡度為臨界值，以<10°坡度和≥10°坡度劃分成兩部分，將野外調查實測值分別進行局部回歸建模。

3.2.2 局部回歸 基于上述分析按10°坡度為臨界點將野外調查點實測值分成兩部分，將指標引入多元回歸方程，然后根據分析結果剔除統計學意義不顯著的變量，直至所構建的回歸方程中不再有可剔除變量。經多元逐步回歸，當坡度<10°時構建方程包括草蓋度、枯落物厚度為極顯著(p<0.001)，喬木郁閉度、喬木密度為較顯著(p<0.01)，灌木高、喬木胸徑為顯著(p<0.05)共6項指標，模型決定系數R2為0.74；當坡度≥10°構建方程包括草蓋度、灌木蓋度及枯落物厚度為極顯著(p<0.001)，喬冠層厚度較顯著(p<0.01)，坡度、喬胸徑為顯著(p<0.05)6項指標，模型決定系R2為0.64。局部回歸模型詳細參數見表4。

表4 水土保持功能評價局部回歸模型參數

3.3 基于隨機森林的植被水土保持功能評價模型構建

3.3.1 基于隨機森林的指標重要性排序 基于R語言隨機森林，將植被類型、群落結構、地形等因素所選取的30項初選指標的實測值為自變量，與對應點位土壤流失量為因變量進行隨機森林回歸。本文采用隨機森林重要性評價進行指標分析，分析指標重要性及影響規律，可以為植被水土保持功能評價提供重要指導[18]。

隨機森林中涉及ntree和mtry兩個參數，即決策樹顆數和節點分裂的次數。通常在ntree增加時，模型預測精度不能提高的情況下，ntree設定應盡可能小，mtry設定為變量個數的1/3。此外隨機森林算法對樣本數據的量綱和單位不敏感，故運算時無需對樣本數據進行歸一化處理[10]。以初選30項指標建立訓練集獲取最優試算參數，可知，隨機森林模型參數為特征數10決策樹為500棵時，誤差趨于穩定且達到最小。決策樹數量與誤差關系圖4。

圖4 決策樹數量與誤差關系

由圖5指標重要性排序結果可看出，影響水土保持功能的主要指標是坡度、坡位，其次是枯落物厚度、葉面積指數，而道路距離、村莊距離影響最小。如圖5所示，水土保持功能評價模型指標重要性排序為：坡度>坡位>枯落物厚度>，…，>村莊距離。由圖5可知，坡度、坡位、枯落物厚度、葉面積指數等排序前12個指標(%IncMSE>3.2)，對模型的整體貢獻度超70%，在植被水土保持功能評價模型構建時可以前12項指標進行回歸建模。

圖5 水土保持功能評價模型評價指標重要性排序

3.3.2 全局回歸 將野外調查點實測值作為一個整體，以指標重要性排序的前12項與土壤侵蝕模數建立回歸關系，并進行逐步回歸根據回歸結果剔除統計學意義不顯著的變量，直至所構建的回歸方程中不再有可剔除變量。表5結果顯示最終顯著性水平高的指標有5項，其中，坡度、草蓋度和枯落物厚度顯著性為極顯著(p<0.001)，林齡、灌木蓋度為顯著(p<0.05)，模型決定系數R2為0.71。全局回歸模型詳細參數見表5。

表5 水土保持功能評價全局回歸模型參數

綜上對比兩種建模回歸結果來看，其全局回歸效果(R2為0.71)較局部回歸(R2均值為0.69)更優，可見，坡度在植被水土保持功能中并非其關鍵變量。因此，選取全局回歸5項指標作為評價，從群落尺度評價植被水土保持功能更簡便、高效。

3.4 植被水土保持功能評價結果驗證

采用前文研究的群落尺度植被水土保持功能評價全局回歸模型，對研究區植被類型進行評價。根據評價結果將植被水土保持功能劃分為5個等級：優(>0.8)，良(0.6～0.8)，中(0.4～0.6)，差(0.2～0.4)，極差(<0.2)。由表6各植被類型水土保持功能評價結果均值可知，研究區植被水土保持功能為防護林(0.705)>用材林(0.529)>經濟林(0.513)>灌草(0.457)。

表6 金寨縣群落尺度植被水土保持功能評價結果

4 討論與結論

(1) 水土保持功能評價研究，主要有單一指標評價、多指標綜合評價兩類[5]。眾多研究表明植被水土保持功能是多個結構層次共同作用的結果，綜合指標評價優于單一指標評價。多指標綜合評價將植被劃分為多個層次(群落組成、垂直結構等)，強調枯落物層的作用，多以枯落物的蓋度、厚度及持水量等做為重要指標[19]。在群落尺度水土保持功能研究中黃進等[20]利用林冠截留率、灌草層蓋度、枯落物蓋度等8個指標，采用加權綜合法對浙江省生態公益林的水土保持功能進行評價。張銳[21]選取了植被、枯枝落葉、土壤、地形4個準則層的19個評價指標，以綜合評價理想點法比較了5種類型人工林地的水土保持功能。以上均對森林的水土保持功能做出合乎實際的科學評價，指標體系也能較為全面地反映植物特性。本文與同類研究對比來看指標間存在一定差異，其主要原因是研究區地理位置、立地條件、植被類型及分布差異所致。

(2) 植被水土保持功能評價指標體系構建。本文基于已有研究通過“預選—初選—復選”分層逐級聚焦構建。“預選”是以文獻計量法對已發表文獻的研究熱點及方向進行詞頻統計分析共選取了72項指標；其后利用專家咨詢法打分評判方式選取包括植被類型、結構層次等“初選”指標30項，以野外調查獲取現場實測值；最后以隨機森林機器學習方法將初選指標重要性量化排序結合數學建模逐步回歸的方式，構建了群落尺度的指標評價體系包括坡度、林齡、灌木蓋度、草蓋度、枯落物厚度5項R2為0.71。本文利用隨機森林機器學習算法與多元線性回歸法結合建立植被水土保持功能評價模型，相較于已有研究所采用的層次分析、主成分分析法[22-23]，在處理高維復雜數據時，隨機森林算法表現更穩健、是精度和效率均較高的算法，而且結果也更易于解釋。線性回歸對于功能的綜合性、整體性能有較好的體現，此方法在群落尺度水土保持功能評價應用可操作性強更易于掌握。

(3) 研究區植被水土保持功能評價結果為：防護林(0.705)>用材林>(0.529)經濟林(0.513)>灌草(0.457)。評價結果與前人研究基本一致呈現出：林>灌>草的規律，植被具有成層現象，天然植被相較于人工植被所發揮的水土保持功能更強[24]。