基于地基激光雷達監測不同地表覆蓋條件的土壤侵蝕試驗研究①

馮凱月，馬利霞，于東升*，陳 洋，王 鑫，宋 潔，劉曉利

基于地基激光雷達監測不同地表覆蓋條件的土壤侵蝕試驗研究①

馮凱月1,2，馬利霞1，于東升1,2*，陳 洋1,2，王 鑫1,2，宋 潔1,2，劉曉利3

(1 土壤與農業可持續發展國家重點實驗室(中國科學院南京土壤研究所)，南京 210008； 2 中國科學院大學，北京 100049；3 鷹潭農田生態系統國家野外科學觀測研究站(中國科學院南京土壤研究所)，江西鷹潭 335000)

土壤侵蝕量是土壤退化風險評估的重要指標，地基激光雷達(TLS)為土壤侵蝕量動態監測提供新技術手段，但野外不同地表覆蓋條件對監測精度的影響尚不明確。基于2019年11月和2021年7月在鷹潭紅壤生態實驗站獲取的地表裸露、石塊、稀疏象草、馬尾松、馬尾松+石塊，馬尾松+稀疏象草等不同地表覆蓋條件的6個徑流小區兩期TLS數據，運用移動曲面擬合濾波和反距離加權插值方法估算土壤侵蝕量，結合實測侵蝕量數據評價TLS精度，并探討不同地表覆蓋條件下TLS的最小變化識別度(minLOD)。研究表明，TLS監測精度與土壤侵蝕量呈正相關關系，更適用于中等強度以上或長時間發生明顯侵蝕的土壤侵蝕區監測。不同地表覆蓋條件下minLOD為4 ～ 60 mm，TLS監測相對誤差(RE)依次為：地表裸露(RE= –9.4%)<馬尾松+石塊(RE=12.6%)<石塊(RE=15.5%)<稀疏象草(RE= –18.9%)<馬尾松(RE=23.4%)<馬尾松+稀疏象草(RE= –25.2%)；地表覆蓋條件不僅影響土壤侵蝕強度、地表粗糙度，也產生點云濾波及空間插值誤差，進而影響TLS識別minLOD準確度和土壤侵蝕監測精度。本研究為野外復雜地表條件下TLS監測土壤侵蝕提供參考。

地基激光雷達(TLS)；土壤侵蝕；不同地表覆蓋條件；最小變化識別度(minLOD)

土壤侵蝕導致土壤肥力下降、水體污染、空氣質量降低[1]，嚴重威脅侵蝕區內的糧食生產及生態環境可持續發展。因此開展土壤侵蝕監測研究具有重要意義。傳統的土壤侵蝕定位監測方法成熟多樣，在實際應用中發揮了重要作用，但也具有一定缺陷性。徑流小區法和水文學法[2]收集試驗小區徑流泥沙耗時費力，特大暴雨監測條件時有疏漏。針對侵蝕樣點監測，核素示蹤法[3]無法估算短期或某個特定事件引起的土壤侵蝕速率[4]，且符合要求的對照基準點難以尋找。侵蝕針法[5]受人為干擾影響監測精度較低。因此，土壤侵蝕定位監測需要新方法。

現代地形高精度測量為土壤侵蝕定位監測提供新技術支持。數字攝影測量技術獲取影像紋理、光譜等豐富信息，監測速度快、存儲成本低[6]，但無法實現密集植被覆蓋下的地形測量，對大氣能見度要求高。機載激光雷達(ALS)技術一般用于大、中尺度的滑坡、泥石流和沖溝等裸露樣區侵蝕監測[7-8]，由于植被遮擋難以應用于林下侵蝕監測；地基激光雷達(TLS)克服ALS缺陷，其采用近距離觀測及靜態采集方式，生成更高分辨率和精度的3D模型[9]，更適用于小微尺度樣區或樣點定位監測[10-11]。但TLS監測土壤侵蝕還具有較高不確定性，如Li等[12]在室內模擬降雨條件下利用TLS監測土壤侵蝕量的相對誤差為6.8% ～ 31.8%；Goodwin等[11]基于GPS全站儀單點地表高程數據驗證了TLS監測地表高程的精度，結果表明兩者的高程標準差為4.7 cm。因此，需要深入研究和分析TLS監測土壤侵蝕的不確定性因素，以提升監測精度。

在TLS監測土壤侵蝕過程中，監測精度受點位精度、配準誤差、地表粗糙度及點云質量等產生噪聲的影響[13]。為此相關學者提出最小變化識別度(minimum of level of detection，minLOD)，即TLS可識別高程變化的最小限度[14]，以區分高程變化噪聲和真實高程變化量，進而提取真實地表形變，并確保TLS監測精度。Brasington等[15]曾提出基于兩期DEM誤差計算minLOD的方法，但未考慮配準誤差的影響。Lague等[16]利用配準誤差和地表粗糙度改進了minLOD計算方法，卻忽略了點云缺失區域的實際高程變化。因此，需同時考慮配準誤差和點云缺失區域的噪聲，以優化空間尺度上的minLOD。

目前，已有研究多基于模擬降雨條件下裸露土槽徑流實驗開展TLS監測土壤侵蝕精度的評價[12, 17]，而在野外自然降雨和地表覆蓋條件下TLS監測精度[14, 18-19]評價與分析嚴重不足。南方紅壤區土壤侵蝕多發生在土壤母質出露、植被稀疏的山地丘陵區，TLS監測土壤侵蝕易受植被和礫石遮擋，影響點云數據完整性，進而影響監測精度[12]，TLS監測土壤侵蝕的可靠性尤需探究。因此，本研究通過設置不同植被類型和礫石覆蓋的侵蝕徑流小區，在自然降雨條件下利用采集的徑流泥沙實測數據驗證TLS監測土壤侵蝕量精度，并探討不同地表覆蓋條件下TLS的minLOD，為TLS野外定位監測土壤侵蝕提供參考。

1 材料與方法

1.1 研究區概況

試驗位于南方紅壤丘陵區鷹潭紅壤生態實驗站(28°15′N，116°55′E)。該站處于中亞熱帶季風氣候區，干濕季節明顯，多年平均降水量為1 785 mm，集中在7—9月[20-21]；平均氣溫17.8 ℃，熱量充沛。現有植被主要為馬尾松(Lamb.)、象草(Schum.)和白茅((L.) Beauv)[22]。試驗土壤為第四紀紅色黏土發育的紅壤[21]，土壤砂粒、粉粒、黏粒含量分別為24.56%、37.48%、37.96%，土壤有機質含量為18.07 g/kg，土壤容重為1.23 g/cm3[22]。

1.2 試驗設計

依據南方紅壤侵蝕區常見的地表條件特征，2019年11月改建6個徑流小區并開始試驗(圖1)。P1 ～ P6小區改建前地表覆蓋類型分別為不同高度和覆蓋度的稀疏馬尾松裸地、馬尾松+象草地和象草地。各小區坡度為8°，水平投影面積2.5 m×10.0 m；小區四周用水泥板與外部隔開，在坡面下方設置3個徑流桶以收集徑流泥沙，桶高及內徑分別為0.88、0.55 m。各小區內地表條件設置處理如表1，其中，P1、P5小區設有稀疏低矮象草覆蓋，平均高度為50cm；P3、P4小區分別均勻放置146.30、156.40 kg當地第四紀紅色黏土層常夾有的長、寬分別為5.0 ～ 20.0 cm和5.0 ～ 15.0 cm鵝卵形石塊，塊石出露度[23](石塊出露面積占小區面積百分比)平均為3.7%；P4、P5、P6小區留有7、8、8棵馬尾松，平均高度3.2 m(圖 1)，覆蓋度35% ～ 46%。試驗期間通過淺扒不斷地破壞土壤表層結皮，人為增加侵蝕強度。

每次降雨并產生徑流后，分別采集各小區徑流收集桶中水樣和過濾網袋中泥沙樣，測定徑流含沙量及泥沙含水量，測量徑流桶水深及濾網總泥沙量。至2021年7月，各小區分別收集徑流泥沙樣品41組。同時，通過實驗站內氣象站點(http://www.yingtan. cern.ac.cn)獲取同期逐日降水數據。

圖1 研究區概況圖

表 1 徑流小區不同地表覆蓋條件

2019年11月、2021年7月利用地面三維激光掃描儀(Leica ScanStation P40)分別對P1 ～ P6小區進行四站掃描(圖1)獲取TLS點云數據，各測站水平、垂直視場角分別設置為0° ～ 360°、–45° ～ 90°。為提高多站/多期點云數據配準精度，在小區周圍設置3個水泥制固定基臺，確保Leica黑白標靶每次均能放置在同一空間位置。掃描方位角和天頂角方向分別設置0.036° 角度增量，在距離掃描儀10 m范圍內點云間距小于5 mm。以2019年TLS第一測站的坐標系統為空間參考，利用Cyclone軟件將多站/多期數據配準得到完整小區點云數據，并對明顯植被點進行手動濾波。

在TLS掃描后隨即沿坡面方向自上而下均勻設置了5行3列15個土壤容重采樣點，獲取各小區表層土壤容重平均值。土壤含水量、泥沙干重及土壤容重均利用烘干法進行測定[24]。

1.3 實測土壤侵蝕量計算

各小區利用徑流泥沙數據獲得次降雨侵蝕量的計算方法如下式[21]：

式中：S為第次降水產生的土壤侵蝕量(kg)，M為徑流樣品泥沙干重(g)，V為徑流樣品體積(cm3)，h為徑流水深(cm)，為圓柱徑流桶半徑(cm)，C為濾網泥沙濕重(g)，C為濾網泥沙含水量(%)。

各小區觀測期間平均土壤侵蝕強度(模數)計算如下式：

式中：A為第個小區土壤侵蝕模數(t/(km2?a))，area為第個小區地表面積(m2)，20(個月)指本研究中觀測時段，12指一年的12個月。

1.4 TLS監測土壤侵蝕方法

1.4.1 點云濾波 利用移動曲面擬合方法[25]進行點云濾波以去除植被、石塊等非地面點噪聲。考慮到各小區最大地物尺寸，首先構建10 cm×10 cm的固定網格，按平面坐標將點云數據網格化。將每個網格作為目標，依據地形坡度(Slope，式3)構建其鄰域。基于大量實驗確定，當Slope>5°時選擇領域為3 cm×3 cm網格，反之為5 cm×5 cm網格。然后，將鄰域內各網格的高程最低值作為初始地面點，構建最小二乘曲面(式4)。計算目標網格中所有的點與曲面高差，通過設置高差閾值，去除非地面點。

式中：、、分別為目標格網高程最低點的、、坐標，為第個鄰域網格，X、Y、Z為第個鄰域格網中高程最低點的、、坐標。

式中：x、y、z分別為第個初始地面點的坐標，0、1、2、3、4、5分別為擬合參數。

本研究的非地面點主要為樹干、象草及石塊，經統計與地面的高差范圍為0 ～ 5 cm。為確定最優高差閾值，以0.5 cm為間隔，依次比較0 ～ 5 cm范圍內不同高差閾值的濾波效果。試驗表明P2小區最優高差閾值為2 cm，其余小區為1.5 cm。將距離曲面高差大于高差閾值的非地面點予以濾除，反之保留。最后利用反距離加權方法(IDW)對點云數據缺失區域進行插值，并生成各小區2019年11月和2021年7月兩期完整DEM 數據。

1.4.2 地表形變監測算法 利用Brasington等[15]和Lague等[16]的計算方法，將配準誤差和點云粗糙度納入最小變化識別度minLOD計算。假設兩期DEM誤差相互獨立，則計算公式如下：

將DEM形變與minLOD空間分布數據疊加，獲取監測的地表高程變化量。只有高程發生顯著變化(高程變化大于minLOD)的柵格才參與土壤侵蝕量計算[12, 15-16]。其中，高程變化量正值表明泥沙沉積，負值為土壤侵蝕。

1.4.3 TLS監測土壤侵蝕量 將每一柵格的面積、高程變化量及土壤容重數據進行乘法運算即可得到土壤侵蝕量：

1.4.4 TLS監測結果驗證 通過比較實測與TLS監測土壤侵蝕量數據，利用相對誤差(RE)、均方根誤差(RMSE)對TLS監測精度進行評價：

式中：RE為相對誤差(%)，RMSE為均方根誤差(kg)，red為TLS監測土壤侵蝕量(kg)，bs為實測土壤侵蝕量(kg)，為試驗小區數量。

2 結果與分析

2.1 實測小區徑流與土壤侵蝕量

試驗區侵蝕性降水量標準為12 mm[26]，研究時段內共觀測到93次侵蝕性降水事件，降水量合計2 446.5 mm，集中于6—7月(圖 2)。不同地表覆蓋條件下各小區逐月累積徑流量及土壤侵蝕量存在差異(圖3)。P2、P4小區累積徑流量多達12 m3，其余小區累積徑流量較少，但也超出9 m3。不同地表覆蓋條件對小區徑流產生明顯影響。

研究時段內P2小區侵蝕最為強烈，侵蝕強度為強烈侵蝕，P1、P3、P4為中度侵蝕，P5、P6小區侵蝕作用較弱，為輕度侵蝕(表2，圖3)。不同植被覆蓋類型及結構影響了雨滴到達地表過程和土壤受雨水打擊的響應[22, 27]，造成了各小區土壤侵蝕量的差異。冠層截留雨滴、減小雨滴到達地表的動能及凈降水量，植被覆蓋度高的小區(P4、P5、P6)土壤侵蝕量均小于植被覆蓋度低的小區(P1、P2、P3)[28]。相較于馬尾松林，低矮灌草的土壤滲透能力較弱，土壤侵蝕量隨地表徑流增加而增大[29]，稀疏象草分布的P1小區土壤侵蝕量高于馬尾松覆蓋的P4、P5和P6小區。當地表石塊出露時，石塊攔截局部地表徑流，徑流能量受阻擋而削減，流速降低，水分入滲增加，一定程度減弱土壤侵蝕[23]，石塊出露的P3小區土壤侵蝕量低于無地物覆蓋的P2小區。不同地表覆蓋條件對土壤侵蝕存在明顯影響作用。

圖2 研究時段內逐日降水量

圖3 各試驗小區逐月徑流及土壤侵蝕量累積分布

表2 徑流小區的土壤侵蝕強度分級

2.2 TLS監測的土壤侵蝕特征

試驗小區地表形變的TLS監測結果表明，各試驗小區的侵蝕過程占主導地位，沉積作用較弱(表3)。試驗小區P2侵蝕面積最大，P3次之，P5最小。植被覆蓋通過改善地表水熱條件、土壤孔隙度和團聚體，增加土壤入滲和抗蝕性能力[22]，地表裸露和石塊出露的P2、P3小區土壤侵蝕面積高于其他有植被覆蓋的小區。馬尾松和象草分層覆蓋的P5小區侵蝕面積最小，原因在于多冠層植被結構可顯著減弱雨滴動能，增大土壤持水率和徑流攔蓄率[24]。

表3 試驗小區地表形變統計特征

受徑流影響，各小區下坡匯水面積、徑流量及流速遠大于上坡，下坡位置侵蝕過程相對強烈[31](圖4)。但由于植被和石塊對徑流的分配作用，不同地表覆蓋條件下土壤侵蝕空間分布存在差異。P1小區侵蝕主要分布在無象草覆蓋區域，沉積發生在象草根部，是因為徑流總沿著阻力最小的方向移動，象草起到攔蓄泥沙作用[24]。相較于地表裸露的P2小區，石塊出露的P3小區侵蝕主要發生在小區中部，這是由于出露石塊促進坡面匯流，增加徑流集中程度，因此中下部侵蝕作用更強[23]。而P2小區裸土坡面徑流分散，受地表微地形起伏影響，在下坡兩側區域形成細溝[31]。P4小區下坡石塊出露度高，不透水面積大，土壤水分入滲率低，侵蝕較強烈[23]。馬尾松和象草覆蓋增加土壤入滲率并減弱徑流動力，P5小區侵蝕集中在出水口區域，沉積區域以斑點狀分布于植被根部位置。P6小區侵蝕作用主要發生在馬尾松冠層空隙或無植被覆蓋區域，而邊緣位置由于受到石板阻滯，出現少量泥沙沉積。

圖4 土壤侵蝕–沉積空間分布圖

TLS監測的不同地表覆蓋條件土壤侵蝕與沉積空間分布特征存在明顯差異，而傳統徑流小區泥沙觀測難以揭示該特征，這體現了TLS定位監測土壤侵蝕的技術優勢。

2.3 TLS監測精度評價

以實測土壤侵蝕量為評價基準，不同地表覆蓋條件下TLS監測土壤侵蝕量的相對誤差絕對值ARE<25.2%，RMSE為20 kg(表4)。地表裸露的P2小區RE最小，馬尾松及稀疏象草分層覆蓋的P5小區RE最大。TLS在6個徑流小區侵蝕量監測精度依次為：P2(地表裸露)>P4(馬尾松+石塊)> P3(石塊)>P1(稀疏象草)>P6(馬尾松)>P5(馬尾松+稀疏象草)。相較于實測土壤侵蝕量，TLS監測的P1、P2、 P5號小區存在低估，其余小區存在高估(圖5)。顯然，不同地表覆蓋條件對TLS監測土壤侵蝕的精度產生了影響。

3 討論

3.1 TLS監測方法的適用性

本研究TLS監測野外土壤侵蝕量誤差(ARE，9.4% ～ 25.2%)與Li等[12]在模擬不同強度降水和坡度條件下監測土槽裸露砂礫壤土侵蝕的誤差范圍相近(7% ～ 32%)。而肖海等[17]室內模擬降水條件下TLS監測裸露小區土壤侵蝕量ARE也達到9.3%，說明TLS適用于野外條件下土壤侵蝕量監測。

表4 實測與TLS監測土壤侵蝕量誤差統計

圖5 實測與TLS監測土壤侵蝕量相關性

土壤表面高度變化越大，TLS垂直方向上激光傳播誤差產生影響越小[32]，侵蝕作用越強烈，TLS監測精度越高[12]。本試驗研究表明TLS監測誤差與實測土壤侵蝕量存在顯著負相關關系(R=0.79,0.01) (圖6A)，輕度侵蝕小區(P5、P6)的監測精度均低于中度、強烈侵蝕的小區(P1 ～ P4)，TLS監測技術對中等強度以上的水土流失區具有更好適用性。粵閩贛紅壤區稀疏馬尾松林等侵蝕劣地處于中度及以上侵蝕強度面積達11%[33]，可利用TLS在該地區進行小尺度侵蝕高精度長期定位監測。

3.2 地表覆蓋條件對TLS監測精度影響

除土壤侵蝕強度的趨勢化影響外(圖6A)，不同地表覆蓋條件對TLS監測精度也產生影響(圖6B)。TLS監測存在不同程度的高估或低估現象。P1、P5小區存在低估的原因主要在于近地表象草覆蓋，濾波過程中未將其基部去除，造成2021年點云高程被高估，進而導致土壤侵蝕量的低估。P3、P4小區監測存在高估，主要因為雨水沖刷導致前后兩期點云數據內石塊的相對位置發生改變，產生土體形變噪聲，誤差較大。由于植被遮擋，IDW插值方法造成2021年點云高程低估，導致P6小區土壤侵蝕量被高估。相較于P5、P6小區，近地表象草覆蓋度高的P1小區受遮擋、點云濾波、插值的影響更大，故誤差較高，表明近地表灌草比喬木更容易影響TLS監測精度。而降水沖刷導致礫石位移，引起兩期點云數據中礫石空間位置的不匹配是導致P3、P4小區監測誤差最大的原因。

圖6 實測土壤侵蝕量與TLS監測ARE線性趨勢(A)和去趨勢后ARE(B)

總之，TLS監測精度受到土壤侵蝕量[12]、地表覆蓋條件及由此產生的點云濾波、插值方法等因素的綜合影響。

3.3 地表覆蓋條件對TLS監測minLOD影響

TLS監測點云高程變化噪聲主要來自點云質量、配準誤差和地表粗糙度[16]。配準誤差及地表粗糙度越大，minLOD也越大。本研究平均minLOD(8 mm)較Li等[12](1 mm)的大，原因在于后者的配準誤差為室內單一理想條件下同一固定表面兩期點云高差的標準差；而本研究中TLS野外監測的配準誤差為Cyclone軟件中3個黑白標靶點配準誤差的最大值[16]，且P1 ～ P6多數小區地表分布植被和石塊，使得配準誤差和地表粗糙度均較大。但本研究6個小區的minLOD范圍(4 ～ 60 mm)與Eltner等[34](20 mm)和Lague等[16](6 ～ 60 mm)在野外農田及河岸侵蝕研究的計算范圍相近，表明相較于室內理想模擬條件，野外地表條件下的minLOD均較大。

此外，TLS野外監測過程中，受地表條件及坡度等因素的影響，難以控制地表粗糙度產生的噪聲，只能通過減小配準誤差，將minLOD降至最低。長時間序列土壤侵蝕監測中，用于配準的標靶點位置不能輕易受環境影響[35]，配準誤差在空間分布上需盡可能均勻分布[12, 16]。因此，如何在長時間序列土壤侵蝕監測過程中降低點云數據的配準誤差，并確定其空間分布，提高野外復雜地表條件下TLS的minLOD的精確度，還需深入探究。

4 結論

1)TLS適用于不同地表覆蓋條件下土壤侵蝕監測(RMSE=20.00 kg，ARE<25.2%)，但在象草、裸露及馬尾松+象草小區存在低估，在其余小區存在高估；地表條件對TLS監測造成的誤差為0.08% ～ 5.69%。象草小區近地表覆蓋度大于馬尾松小區，受點云缺失造成插值誤差的影響大，監測誤差較大；而降雨沖刷引起礫石位移，造成兩期點云數據中礫石空間位置不匹配，導致礫石小區誤差最大。

2)土壤侵蝕量是影響TLS監測精度的主要因素，兩者呈極顯著的正相關關系(2=0.79，<0.01)；TLS在土壤侵蝕累積達到中等強度及以上(>2 500 t/(km2?a))的水土流失區具有更好適用性，其監測精度均高于80%。因此，TLS更適用于中等侵蝕強度以上或長時間序列發生明顯侵蝕的裸露及稀疏林地的土壤侵蝕監測。

[1] 韓光中, 王德彩, 謝賢健. 土壤退化時間序列的構建及其在我國土壤退化研究中的意義[J]. 土壤, 2015, 47(6): 1015–1020.

[2] 梁音, 田剛, 潘賢章, 等. 不同監測方法對土壤侵蝕監測結果的影響——以江西省瀲水河流域為例[J]. 中國水土保持科學, 2008, 6(3): 18–23.

[3] 隋志龍, 楊浩, 楊九東, 等. 寧鎮地區137Cs與210Pbex坡面分布特征的地統計學分析[J]. 土壤學報, 2011, 48(4): 673–682.

[4] 唐強, 鮑玉海, 賀秀斌, 等. 土壤侵蝕監測新方法和新技術[J]. 中國水土保持科學, 2011, 9(2): 11–18.

[5] 姜艷敏. 土壤侵蝕下墊面形態演化數字近景攝影觀測系統研究[D]. 楊凌: 中國科學院大學, 2020.

[6] Ouédraogo M M, Degré A, Debouche C, et al. The evaluation of unmanned aerial system-based photogrammetry and terrestrial laser scanning to generate DEMs of agricultural watersheds[J]. Geomorphology, 2014, 214: 339–355.

[7] Bremer M, Sass O. Combining airborne and terrestrial laser scanning for quantifying erosion and deposition by a debris flow event[J]. Geomorphology, 2012, 138(1): 49–60.

[8] Perroy R L, Bookhagen B, Asner G P, et al. Comparison of gully erosion estimates using airborne and ground-based LiDAR on Santa Cruz Island, California[J]. Geomorphology, 2010, 118(3/4): 288–300.

[9] Telling J, Lyda A, Hartzell P, et al. Review of Earth science research using terrestrial laser scanning[J]. Earth-Science Reviews, 2017, 169: 35–68.

[10] Eitel J U H, Williams C J, Vierling L A, et al. Suitability of terrestrial laser scanning for studying surface roughness effects on concentrated flow erosion processes in rangelands[J]. CATENA, 2011, 87(3): 398–407.

[11] Goodwin N R, Armston J, Stiller I, et al. Assessing the repeatability of terrestrial laser scanning for monitoring gully topography: A case study from Aratula, Queensland, Australia[J]. Geomorphology, 2016, 262: 24–36.

[12] Li L, Nearing M A, Nichols M H, et al. Using terrestrial LiDAR to measure water erosion on stony plots under simulated rainfall[J]. Earth Surface Processes and Landforms, 2020, 45(2): 484–495.

[13] Wheaton J M, Brasington J, Darby S E, et al. Accounting for uncertainty in DEMs from repeat topographic surveys: Improved sediment budgets[J]. Earth Surface Processes and Landforms, 2010, 35(2): 136–156.

[14] Vericat D, Smith M W, Brasington J. Patterns of topographic change in sub-humid badlands determined by high resolution multi-temporal topographic surveys[J]. Catena, 2014, 120: 164–176.

[15] Brasington J, Langham J, Rumsby B. Methodological sensitivity of morphometric estimates of coarse fluvial sediment transport[J]. Geomorphology, 2003, 53(3/4): 299–316.

[16] Lague D, Brodu N, Leroux J. Accurate 3D comparison of complex topography with terrestrial laser scanner: Application to the Rangitikei canyon (N-Z)[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 10–26.

[17] 肖海, 夏振堯, 朱曉軍, 等. 三維激光掃描儀在坡面土壤侵蝕研究中的應用[J]. 水土保持通報, 2014, 34(3): 198–200.

[18] Eltner A, Baumgart P. Accuracy constraints of terrestrial Lidar data for soil erosion measurement: Application to a Mediterranean field plot[J]. Geomorphology, 2015, 245: 243–254.

[19] Rengers F K, Tucker G E, Moody J A, et al. Illuminating wildfire erosion and deposition patterns with repeat terrestrial lidar[J]. Journal of Geophysical Research: Earth Surface, 2016, 121(3): 588–608.

[20] Zhang W T, Yu D S, Shi X Z, et al. Variation of sediment concentration and its drivers under different soil management systems[J]. Pedosphere, 2010, 20(5): 578–585.

[21] 張黎明, 于東升, 史學正, 等. 不同降雨類型下的南方典型土壤侵蝕量差異研究[J]. 水土保持通報, 2011, 31(4): 1–6.

[22] 陳洋, 張海東, 于東升, 等. 南方紅壤區植被結構類型與降雨模式對林下水土流失的影響[J]. 農業工程學報, 2020, 36(5): 150–157.

[23] 張思琪, 馬芊紅, 朱彤, 等. 基于三維激光掃描技術的喀斯特地表微地形特征及其侵蝕響應[J]. 水土保持研究, 2021, 28(4): 8–14.

[24] 孫佳佳, 于東升, 史學正, 等. 植被葉面積指數與覆蓋度定量表征紅壤區土壤侵蝕關系的對比研究[J]. 土壤學報, 2010, 47(6): 1060–1066.

[25] 張小紅, 劉經南. 機載激光掃描測高數據濾波[J]. 測繪科學, 2004, 29(6): 50–53, 4.

[26] 章文波, 謝云, 劉寶元. 利用日雨量計算降雨侵蝕力的方法研究[J]. 地理科學, 2002, 22(6): 705–711.

[27] [27] Xu C, Yang Z J, Qian W, et al. Runoff and soil erosion responses to rainfall and vegetation cover under various afforestation management regimes in subtropical montane forest[J]. Land Degradation & Development, 2019, 30(14): 1711–1724.

[28] 張海東, 于東升, 董林林, 等. 侵蝕紅壤恢復區植被垂直結構對土壤恢復特征的影響[J]. 土壤, 2014, 46(6): 1142–1148.

[29] Price K, Jackson C R, Parker A J. Variation of surficial soil hydraulic properties across land uses in the southern Blue Ridge Mountains, North Carolina, USA[J]. Journal of Hydrology, 2010, 383(3/4): 256–268.

[30] 中華人民共和國水利部. 土壤侵蝕分類分級標準: SL 190—2007[S]. 北京: 中國水利水電出版社, 2008.

[31] 霍云云, 吳淑芳, 馮浩, 等. 基于三維激光掃描儀的坡面細溝侵蝕動態過程研究[J]. 中國水土保持科學, 2011, 9(2): 32–37, 46.

[32] Hartzell P J, Gadomski P J, Glennie C L, et al. Rigorous error propagation for terrestrial laser scanning with application to snow volume uncertainty[J]. Journal of Glaciology, 2015, 61(230): 1147–1158.

[33] 中華人民共和國水利部. 2019年中國水土保持公報[N]. 2020-09-24. http://mwr.gov.cn/sj/tjgb/zgstbcgb/ 202009/t20200924_1448752.html.

[34] Eltner A, Maas H G, Faust D. Soil micro-topography change detection at hillslopes in fragile Mediterranean landscapes[J]. Geoderma, 2018, 313: 217–232.

[35] Fan L, Smethurst J A, Atkinson P M, et al. Error in target-based georeferencing and registration in terrestrial laser scanning[J]. Computers & Geosciences, 2015, 83: 54–64.

Experimental Research on Soil Erosion Monitoring of Different Ground Cover Conditions Using Terrestrial Laser Scanning (TLS)

FENG Kaiyue1,2, MA Lixia1, YU Dongsheng1,2*, CHEN Yang1,2, WANG Xin1,2, SONG Jie1,2, LIU Xiaoli3

(1 State Key Laboratory of Soil and Sustainable Agriculture, Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China; 2 University of Chinese Academy of Sciences, Beijing 100049, China; 3 Farmland Ecosystem National Field Observation and Research Station, Nanjing Institute of Soil Science, Chinese Academy of Sciences, Yingtan, Jiangxi 335000, China)

The amount of soil erosion is a key indication for assessing the risk of soil degradation. Terrestrial laser scanning (TLS) is a new technical tool for monitoring soil erosion in real time, but its monitoring accuracy under various ground cover conditions is still unclear. In this study, two TLS scans with six different ground cover conditions were undertaken in Yingtan Red Soil Ecological Experimental Station in November 2019 and July 2021. Moving surface fitting filtering and the inverse distance weighted interpolation methods were used to create DEM. The erosion mass and accuracy of TLS were assessed using a combination of DEM datasets and a minimal level of detection. The results showed that there was significant positive correlation between the accuracy of TLS and soil erosion amount. TLS was better suited for monitoring the areas with moderate erosion intensity or higher, as well as the areas with significant erosion over time. Ground cover conditions not only influenced the intensity of soil erosion and surface roughness, but also caused point cloud filtering and spatial interpolation errors, which affecting TLS recognition minLOD and soil erosion monitoring accuracy. This study can provide reference for TLS monitoring of soil erosion in the wild under complicated surface conditions.

Terrestrial laser scanning; Soil erosion; Different ground cover conditions; Minimum of level of detection

S157.1

A

10.13758/j.cnki.tr.2022.04.026

馮凱月, 馬利霞, 于東升, 等. 基于地基激光雷達監測不同地表覆蓋條件的土壤侵蝕試驗研究. 土壤, 2022, 54(4): 856–864.

中國地質調查項目(DD20190540)、國家自然科學基金項目(42001302，41571206)和土壤與農業可持續發展國家重點實驗室開放研究基金項目(Y812000002)資助。

(dshyu@issas.ac.cn)

馮凱月(1996—)，女，山東菏澤人，碩士研究生，主要從事地基激光雷達及水土流失研究。E-mail: fengkaiyue@issas.ac.cn