基于不同模型的四川盆地土壤侵蝕強度制圖

周穎智，李先鋒，王 梅

（1. 四川省南充市自然資源與規(guī)劃局，四川 南充 637000；2. 南充市農(nóng)業(yè)科學研究院，四川 南充 637000）

四川盆地是我國八大綜合農(nóng)業(yè)區(qū)之一，在全國具有舉足輕重的地位[1-2]。隨著生態(tài)環(huán)境與社會經(jīng)濟快速發(fā)展矛盾的不斷突出，四川盆地中部的丘陵地區(qū)成為長江上游水土流失最嚴重的地區(qū)之一[3]，其土壤侵蝕量約占長江上游的24%，嚴重制約了該地區(qū)的糧食生產(chǎn)和社會可持續(xù)發(fā)展[4]。因此，開展四川盆地的土壤侵蝕強度定量研究極具緊迫性和現(xiàn)實意義。

土壤侵蝕定量評估一直是土壤侵蝕研究的核心問題之一，也是我國乃至全球水土保持科學研究急需解決的關鍵技術問題。目前，國內(nèi)外研究學者常用的土壤侵蝕定量評估方法包括USLE 方程、RUSLE 方程和數(shù)學模型，如王莉娜[5]等將USLE 方程與遙感、GIS 相結(jié)合，定量評估了甘肅省2000—2010年的土壤侵蝕狀況，認為人類對生態(tài)環(huán)境的不合理利用是造成土壤侵蝕的主要原因；Ganasri B P[6]等將RUSLE方程與GIS相結(jié)合，定量評估了位于印度西南部的Nethravathi 盆地的土壤流失情況，得到農(nóng)業(yè)面積增加引起的土壤侵蝕速率預測約為14 673.5 t/a 的結(jié)論；朱雪梅[7]等利用BP神經(jīng)網(wǎng)絡對川中丘陵區(qū)坡耕地的土壤侵蝕情況進行了預測研究，得到量化后的水土保持措施因子能有效提高建模效果的結(jié)論。上述研究對川中丘陵地區(qū)土壤侵蝕強度的定量評估具有重要的借鑒意義，但對于不同方法評估結(jié)果的對比研究還較少見，因此本文在遙感和GIS技術的支持下，結(jié)合川中丘陵地區(qū)的土壤侵蝕現(xiàn)狀，構(gòu)建了降雨侵蝕力因子、土壤可侵蝕因子、植被覆蓋管理因子、坡度坡長因子和水土保持措施因子5個評估指標的空間數(shù)據(jù)庫；采用RUSLE方程、SMA-RUSLE方程和BP人工神經(jīng)網(wǎng)絡模型分別對研究區(qū)土壤侵蝕強度進行了評估與制圖；并利用ROC曲線對3種模型的評估結(jié)果進行了對比分析，為研究區(qū)的水土流失分區(qū)防治、合理施以水土保持措施提供方法參考。

1 研究區(qū)概況

本文選取的研究區(qū)為四川盆地，地理位置為28°18′34″～31°54′43″E、103°25′13″～107°15′40″N，涉及廣安、巴中、南充、德陽、綿陽、遂寧、成都、資陽、自貢、內(nèi)江、樂山、眉山、宜賓等13市，面積為8.4 km2。研究區(qū)屬亞熱帶季風氣候，年均氣溫為16～18℃，每年無霜天數(shù)為280～350 d，年均降水量為900～1 000 mm。研究區(qū)內(nèi)土壤類型主要為紫色土、水稻土、黃壤和沖積土（圖1），土壤侵蝕類型以水力侵蝕為主[8]；植被覆蓋率較低，平均為28.88%，主要植被類型為針葉林和闊葉林。

圖1 研究區(qū)土壤類型分布

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源與預處理

本文采用的數(shù)據(jù)包括Landsat 數(shù)據(jù)、DEM、土壤類型、年均降水等（表1）。基于Google Earth Engine遙感大數(shù)據(jù)平臺中的Landsat 圖像（2015—2020 年），利用SVM 分類[9]方法提取了研究區(qū)的土地利用數(shù)據(jù)，并隨機選擇100 個點進行精度評估，其準確性為85%。DEM數(shù)據(jù)在ArcGIS軟件中可派生出坡度和坡向數(shù)據(jù)。根據(jù)土壤類型，在已有研究的基礎上[10]，確定研究區(qū)不同土壤類型的可侵蝕值。在ArcGIS軟件中利用克里金插值法對年均降水數(shù)據(jù)進行空間數(shù)據(jù)插值。

表1 數(shù)據(jù)類型與來源

2.2 研究方法

本文以坡度、坡向、土壤類型、土地利用和植被覆蓋度5 個評估指標為基礎，通過構(gòu)建RUSLE 方程、SMA-RUSLE 方程和BP 人工神經(jīng)網(wǎng)絡模型，分別對研究區(qū)土壤侵蝕強度進行評估與制圖。根據(jù)評估結(jié)果，利用ROC 曲線對3 種模型的評估結(jié)果進行對比分析，以評估3 種模型在川中丘陵地區(qū)土壤侵蝕強度評估中的實用性。

2.2.1 RUSLE方程

RUSLE方程是目前最常用的土壤侵蝕強度評估方法之一，是在USLE的基礎上發(fā)展起來的。與USLE相比，RUSLE 方程在因子的算法和技術上均進行了改進，提高了評估精度。具體表達式為：

式中，A為單位面積的年均土壤侵蝕量，單位為t/(hm2·a)，表示由降雨和徑流導致的坡面細溝和細溝間的年均土壤侵蝕量；R為降雨侵蝕力因子，單位為MJ·mm/(hm2·h·a)，表示降雨引起的土壤分離和推動土壤分離動力的大小，利用Wischmeier W H法進行計算；K為土壤可侵蝕因子，反映土壤對侵蝕的敏感性；L為坡度因子；S為坡長因子，為無量綱數(shù)據(jù)；C為植被覆蓋管理因子，即植被覆蓋度，主要采用像元二分法[11]進行提取；P為水土保持措施因子，通過土地利用數(shù)據(jù)和已有研究結(jié)果[12]表示，無量綱。

2.2.2 SMA-RUSLE方程

SMA-RUSLE 方程和RUSLE 方程基本一致，不同點在于其植被覆蓋管理因子主要利用混合像元分解模型[13]進行提取。根據(jù)選取的端元組分，建立植被覆蓋管理因子的評估公式為：

式中，fsoil為裸土豐度；fveg為植被豐度；fshade為陰影豐度；其的取值范圍均為0～1，且三者之和為1。

混合像元分解結(jié)果如圖2所示。

圖2 研究區(qū)像元分解結(jié)果

2.2.3 BP人工神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡[14]包括輸出層、隱含層和輸入層。本文研究的目的是向BP網(wǎng)絡中輸入規(guī)范化后的R、K、LS、C、P等評估指標，再通過隱含層和輸出層計算得到研究區(qū)土壤侵蝕狀況。輸入層由5 個節(jié)點組成，分別代表上述5 個指標，輸出層為一個節(jié)點，代表土壤侵蝕強度。

1）模型建立。在Matlab 2014a軟件平臺上，通過調(diào)用函數(shù)庫中的newff 函數(shù)即可快速建立一個BP人工神經(jīng)網(wǎng)絡，實現(xiàn)代碼為：net=netff(P_train,T_train,[Si],{TF},BTF,BLF,PF,IPF,OPF,DDF )，其中P_train為輸入自變量矩陣，此處為9×183階矩陣，包含輸入神經(jīng)元的最大值和最小值；T_train為因變量矩陣；Si為隱含層的神經(jīng)元數(shù)量。

2）確定隱含層節(jié)點數(shù)目。本文將隱含層節(jié)點數(shù)量分別設置為4、5、6、7、8、9開展對比訓練。結(jié)果表明，當節(jié)點數(shù)為7 時，訓練效果最佳，可決系數(shù)和均方誤差分別為0.83和0.017。

3）模型訓練。將確定的隱含層節(jié)點數(shù)分別代入BP 人工神經(jīng)網(wǎng)絡模型中，模型中的參數(shù)設置如表2 所示。

表2 BP-ANN模型參數(shù)設置表

4）模型模擬與驗證。BP 神經(jīng)網(wǎng)絡通過學習訓練后，利用sim 函數(shù)完成仿真模擬測試輸出，即

式中，net 為訓練完成的網(wǎng)絡；P_test為輸入矩陣。

通過模擬樣本驗證訓練完成的網(wǎng)絡的有效性，只有樣本性能良好，訓練完成的神經(jīng)網(wǎng)絡才能更有效地解決實際問題[15]。通過對BP模型進行訓練和驗證，本文選擇訓練效果最佳的隱含層節(jié)點數(shù)（節(jié)點數(shù)為7），得到的模擬效果如圖3所示。

圖3 BP人工神經(jīng)網(wǎng)絡模擬效果圖

3 研究結(jié)果比較

本文利用上述模型得到研究區(qū)的土壤侵蝕強度分布如圖4所示，可以看出，RUSLE方程評估結(jié)果的土壤侵蝕強度最大值為49 110.6 t/（hm2·a），最小值為0，平均值為38.8 t/（hm2·a）；SMA-RUSLE方程評估結(jié)果的土壤侵蝕強度最大值為32 482.6 t/（hm2·a），最小值為0，平均值為18.3 t/（hm2·a）；BP 人工神經(jīng)網(wǎng)絡模型評估結(jié)果的土壤侵蝕強度最大值為29 863.6 t/（hm2·a），最小值為0，平均值為12.7 t/（hm2·a）。

圖4 研究區(qū)不同模型的土壤侵蝕強度評估分布圖/（t/hm2·a）

ROC 曲線是一種對靈敏度進行描述的功能圖像，以預測結(jié)果的每個值作為可能的判斷閾值，由此計算得到相應的靈敏度和特異度[16]。因此，為有效比較不同模型的評估結(jié)果，本文在已有侵蝕數(shù)據(jù)的基礎上[17]，利用ROC 曲線下的面積（AUC 值）來衡量不同模型的評估結(jié)果精度，并進行對比分析。將3 種模型的評估結(jié)果導入SPSS22.0進行ROC曲線分析，得到其ROC 曲線和AUC 值，并根據(jù)ROC 曲線和AUC 值判斷不同模型的在研究區(qū)土壤侵蝕定量評估中的實用性。通過ROC曲線分析（圖5）發(fā)現(xiàn)，AUC值分別為0.81、0.82 和0.79，表明基于SMA 的RUSLE 模型更適合于研究區(qū)的土壤侵蝕定量評估。

圖5 不同模型的ROC曲線

4 結(jié) 語

以四川盆地為研究區(qū)，結(jié)合研究區(qū)的土壤侵蝕現(xiàn)狀，本文構(gòu)建了降雨侵蝕力因子、土壤可侵蝕因子、植被覆蓋管理因子、坡度坡長因子和水土保持措施因子的空間數(shù)據(jù)庫， 分別利用RUSLE 方程、SMA-RUSLE 方程和BP 人工神經(jīng)網(wǎng)絡模型對研究區(qū)土壤侵蝕強度進行了評估，并利用ROC曲線對3種模型的評估結(jié)果進行了對比分析，得到SMA-RUSLE 方程的評估結(jié)果更準確的結(jié)論。

在遙感和GIS技術的支持下，傳統(tǒng)RUSLE方程是以像元為基礎，并假設任何像元內(nèi)部物質(zhì)的組成和空間分布都是均勻的，不存在空間異質(zhì)性；而實際上，當影像空間分辨率較低時，像元內(nèi)地物信息多樣、空間異質(zhì)性就不能被忽略。引入SMA可較好地解決像元內(nèi)的空間異質(zhì)性問題，因此SMA-RUSLE 方程的評估結(jié)果優(yōu)于RUSLE 方程。BP 人工神經(jīng)網(wǎng)絡模型能自動篩選變量中的特異信息訓練網(wǎng)絡，以降低仿真輸出結(jié)果受到冗雜信息的影響，但易出現(xiàn)過度訓練或訓練不足、陷入局部最小、導致評估結(jié)果與已有侵蝕數(shù)據(jù)不符的問題。