2018, Vol. 38
[PDF全文]
土壤是农业生产的物质基础, 其养分供给能够协调植被的生长发展, 从而促进土壤有机质、腐殖质的分解和碳、氮循环等土壤系统过程(Bronson et al., 2004；史佳良等, 2016).而土壤侵蚀却是造成土壤磷等养分流失, 土壤质量下降, 以及引发面源污染和水质恶化等环境风险的主要因素(樊慧慧等, 2016；李瀚之等, 2017), 特别是表层土壤养分的流失(Rodríguez-Blanco et al., 2013).众多研究表明, 侵蚀泥沙具有富集养分的特征(史佳良等, 2016；李瀚之等, 2017), 并且侵蚀的增加会引起泥沙中养分含量不同程度的增强(史佳良等, 2016), 最终可致使高达98.4%的养分随泥沙流失(吴东等, 2015).但目前的研究大多集中在黄土高原、三峡库区和南方丘陵等水土流失频发区的土壤侵蚀特征及其与环境因子的关系方面(李月臣等, 2009；陈思旭等, 2014；高海东等, 2015), 忽视了产流产沙过程中伴随的土壤养分流失问题(徐国策等, 2013；赵明松等, 2016).近年来, 国内外学者对土壤养分流失的关注日益增多, 并基于径流小区对照、人工模拟降水试验和修正的通用土壤流失方程(RUSLE), 针对植被覆盖、坡度坡长、降水强度、道路建设和景观破碎等不同社会生态因子, 研究了土壤磷素流失特征及其影响因素(Hidayat et al., 2012；乌玲瑛等, 2014；吴东等, 2015；赵明松等, 2015；Du et al., 2016；范晓娟等, 2018).就研究方法而言, 径流小区对照、人工模拟降水试验耗时费力, 虽较为精确却受限于样区尺度；而RUSLE模型在各区域尺度土壤侵蚀定量研究方面得到了广泛应用并取得了良好的效果(怡凯等, 2015；Cunha et al., 2017), 同时, 基于模型结果和实测值的对比研究发现模型精度可靠(赵明松等, 2015).在影响因素方面, 多是控制环境变量的样区试验、基于GIS的磷流失空间因子统计和双变量空间关联性研究, 结果表明, 磷流失量随坡度抬升、地表植被覆盖减少和人为干扰增加等均呈增加趋势(赵旭珍等, 2016；范晓娟等, 2017), 但各因素及其交互作用的定量评估鲜有报道.
地理探测器(Geographical Detector)是探测地理现象空间分异, 并揭示其背后驱动因素的一种统计学方法(Wang et al., 2012).目前, 该方法已被应用于毛乌素沙地景观格局、自然过渡带生境质量时空差异和黑龙江垦区农场粮食生产等各尺度自然和社会经济问题的影响因素研究(Peng et al., 2016；刘春芳等, 2018；叶妍君等, 2018), 结果表明, 较常规统计学方法(主成分分析和多元线性回归等), 地理探测器具有探测多因子在不同空间单元下的不同影响作用及其相互关系的优势(Ju et al., 2016；湛东升等, 2015).甘肃白龙江流域地处青藏高原、秦巴山地和黄土高原交错过渡带, 是长江上游重要的水源涵养区和生态屏障, 但流域地形破碎复杂, 滑坡和泥石流频发, 水土流失严重, 深刻地影响着流域的土壤养分流失.因此, 本研究以甘肃白龙江流域土壤全磷为例, 运用RUSLE和地理探测器方法定量分析磷流失的空间分布及其影响因素, 以期为流域磷流失生态治理提供科学指导.
2 研究区与研究方法(Research areas and methods) 2.1 研究区概况甘肃白龙江流域(BLJW)地处甘肃省东南部(32°36′N~34°24′N, 103°00′E~106°30′E), 属青藏高原向黄土高原和秦巴山地交错过渡带, 流域面积为1.84万km2, 包括迭部、舟曲、文县及宕昌和武都大部(图 1a).流域气候类型复杂多样, 属北亚热带湿润气候向暖温带湿润气候过渡带, 年降水量400~850 mm, 年均温6.0~14.9 ℃.地势西北高东南低, 海拔568~4860 m, 主要有高原山地、河谷及黄土地貌等.土壤类型以棕壤、暗棕壤、高山草甸土、褐土等为主.植被覆盖度较高, 主要为亚高山针叶林、高山灌木林、落叶阔叶林、落叶阔叶和常绿阔叶混交林等.
 |
| 图 1 研究区位置(a)与土地利用(b) Fig. 1 The position (a) & land use (b) of research area |
研究所用主要数据包括：①2014年土地利用数据, 参考土地利用现状分类标准(GB/T21010―2007), 并结合研究区实际情况, 对2014年Landsat TM遥感影像进行人工目视解译和实地选点验证所得(图 1b)；②2014年降雨量和温度, 来源于研究区及周边气象站观测数据；③土壤类型数据, 由1:1×106甘肃省土壤类型图扫描数字化获得；④30 m空间分辨DEM数据, 来源于地理空间数据云；④典型土壤类型理化性质, 来源于2014年野外采样土壤数据集等；⑤各乡镇人口及农牧业发展状况, 来源于2014年各县区统计年鉴.
2.3 研究方法 2.3.1 基于RULES的全磷流失模型参考前人研究(赵明松等, 2016；唐湘伟等, 2018), 土壤养分流失空间分布由土壤流失与土壤养分相乘叠置所得.因此, 基于RULES的全磷流失方程可表示为：
|
(1) |
式中, LTP为土壤磷流失量(t·km-2·a-1)；TP为土壤全磷含量(g·kg-1), 采用地统计分析GS+9.0软件进行全磷的半方差函数模型参数分析, 并依据分析结果在ArcGIS10.4地统计分析模块中完成土壤磷的空间插值；R为降雨侵蚀力因子(MJ·mm·hm-2·h-1·a-1), 基于章文波等(2003)提出的简易模型, 利用2014年白龙江流域及邻近地区17个气象站点逐月降雨量数据估算降雨侵蚀力, 并经Kriging空间插值生成；K为土壤可蚀性因子(t·hm2·h·MJ-1·hm-2·mm-1), 采用EPIC模型计算, 并根据张科利等(2007)的研究成果进行修正；LS为坡长坡度因子, 其中, 坡长因子采用Wischmeier等(1978)提出的公式计算, 坡度因子综合Mc Cool等(1987)和Liu等(1994)研究成果, 分缓、陡坡段计算；C、P分别为植被覆盖与管理因子、水土保持措施因子, 在参考前人研究成果(张玲玲, 2016)及研究区植被覆盖和农事活动的基础上, 对不同土地利用类型进行赋值.
2.3.2 Gi*空间统计方法冷热点制图总体可分为直接分类和空间统计分析两类, 前者一般根据预先设定的保护面积比例(Zhang et al., 2015)或栅格单元高值前20%~40%作为热点区(刘焱序等, 2015；Xiao et al., 2016), 但该法所得热点区较为破碎；后者一般采用Gi*统计法进行显著性分级, 具有斑块连通性较好等优势(Li et al., 2017).基于GIS空间统计中的热点分析工具(Hotspot analysis), 可对数据集中的每一斑块计算Getis-Ord Gi*统计.通过计算各斑块间的Z得分, 直接反映高值(热点区)与低值(冷点区)在空间中的聚类分布, Z值越高, 说明热点区域的集聚越明显(Li et al., 2017).其计算公式如下所示：
|
(2) |
|
(3) |
|
(4) |
式中, xj为斑块j的属性值；wi, j为斑块i与斑块j之间的空间权重矩阵；n为总斑块数.
2.3.3 全磷流失影响因素分析地理探测器包含风险探测、因子探测、生态探测和交互探测4个部分.本研究主要运用因子探测和交互探测对流域全磷流失空间差异的不同影响因素和各因素间的相互作用进行定量分析.影响因素的地理探测力值可表示为：
|
(5) |
式中, PD, I为影响因子D对全磷流失I的探测力值, 值域为[0, 1], 值越大表明分类因素对全磷流失的影响力越强；N、σI2分别为整个流域的样本量和方差；Ni、σi2分别为i(i=1, 2, …, L)层样本量和方差.
3 结果分析(Results analysis) 3.1 土壤全磷流失空间分布特征甘肃白龙江流域2014年单位面积土壤磷流失量为0.214 t·km-2·a-1, 主要集中于0~0.1 t·km-2·a-1, 占流域面积的59.94%, 流失总量为3945.38 t·a-1.其空间分布格局较为破碎, 高值区呈条带状分布于迭部北部、舟曲与宕昌、迭部交界的高山地带, 低值区呈较大斑块状集中在宕昌北部较为平坦的耕种区和文县南部森林保护区(图 2).县域上, 迭部磷流失极为突出, 平均流失量为0.301 t·km-2·a-1；舟曲次之, 为0.231 t·km-2·a-1, 但主要集中于高山区, 中部低山河沟区较低；武都流失量为0.201 t·km-2·a-1, 低于流域平均流失量, 其北部(特别是白龙江河谷段)磷流失较为明显, 南部次之, 呈斑点状密集分布于白龙江与大团鱼河之间, 东北部、白龙江西部和大团鱼河东部最低；宕昌和文县最低, 流失量分别为0.162和0.159 t·km-2·a-1(图 2).
 |
| 图 2 甘肃白龙江流域土壤磷流失空间分布 Fig. 2 The spatial distribution of TP loss at BLJW |
地形不仅影响气候的再分布, 还影响植被分布、土壤形成和地表水文等生态过程, 更制约着人类活动的分布与强度(主要表现为土地利用方式), 从而导致土壤磷流失的空间分异.不同地形/地类间的土壤磷流失量差异较大, 整体表现为随海拔抬升、坡度增加, 流失量呈增加的趋势(图 3a、3b), 各地类间流失量排序为草地>林地>耕地(图 3c).具体而言, 磷流失量在2500 m以下先增后减, 高值点位于1000~1500 m区段, 为0.240 t·km-2·a-1, 低值点位于2000~2500 m区段, 为0.152 t·km-2·a-1, 2500 m以上呈指数增长趋势, 这与各海拔段的坡度、降水和植被覆盖度(NDVI)变化有关(图 3a).40°以下坡度区域, 植被覆盖虽呈增长趋势, 但其对磷流失的截留较弱于坡面径流冲蚀等其他生态过程(降水量和全磷含量随坡度增加略有增加)的影响；40°以上坡度区域, 降水和全磷含量微弱减少, 但坡度陡峻, 植被覆盖有所减小, 因而磷流失增加极为明显(图 3b).较流域植被覆盖和地形等状况, 耕地和草地的盖度、地形位和降水均较低, 而相比流域磷流失量, 耕地的下降80.92%, 草地的增加83.59%(图 3c)；林地的盖度和地形位均较高, 磷流失量相比流域下降50.96%(图 3c).
 |
| 图 3 不同地形/地类甘肃白龙江流域磷流失统计(a.海拔；b.坡度; c.用地类型) Fig. 3 Statistics of TP loss in different topography/land-use at BLJW |
生态管理的最小单元是乡镇, 但流域各乡镇面积差异大, 且若以乡镇为统计单元, 乡镇面积过大将弱化其内部的自然要素差异, 无法体现流域过渡性气候和地形的空间差异.因此, 根据乡镇面积统计特征(最小值、中位数和均值)分别选取5 km×5 km、12 km ×12 km、13.5 km×13.5 km的网格进行磷流失统计, 并依据空间关联性特征(Moran′s I分别为0.514、0.458和0.371), 最终选取5 km×5 km的网格进行Gi*热点分析, 得到流域土壤磷流失冷热点分布图(图 4), 同时对冷热点区的社会生态要素进行统计(表 1).
 |
| 图 4 甘肃白龙江流域土壤磷流失冷热点分布 Fig. 4 The hotspots and coldspots of TP loss at BLJW |
| 表 1 甘肃白龙江流域社会生态区域差异 Table 1 The regional difference of social ecology at BLJW |
 |
如图 4所示, 磷流失热点区占流域网格面积的14.02%, 主要集中于迭部北部、舟曲东北部及舟曲、文县和武都三区县交界, 迭部西部、南部和舟曲西南部也有些许分布；冷点区占流域网格面积的17.96%, 集聚于宕昌北部和文县南部, 舟曲中部、宕昌南部、武都东部和文县中部分布较少(图 4).热点区的土壤全磷含量、土壤侵蚀、磷流失、降水、海拔、坡度、25°以上耕草地比重、景观破碎度、第一产业从业人口比重和载畜量分别高于流域均值, 冷点区相应值分别低于流域均值；热点区温度和植被覆盖度分别低于流域均值, 冷点区分别高于流域均值；热点区土壤和地类分别以棕壤和暗棕壤、壤土、林草地为主, 冷点区则分别以棕壤和黑土、壤土和砂质壤土、林耕地为主(表 1).
综上所述, 流域土壤磷流失受地形、气候和农牧业生产等社会生态因素的影响, 且冷热区间存在一定差异.因此, 综合两区磷流失影响因素(影响力强弱、因素间的交互)的对比, 把有限的人力、物力投入到重点地区的关键因素, 对热点区磷流失治理具有重要的指导意义.
3.4 土壤全磷流失影响因素分析根据以上内容, 将表 1中的影响因子分别在流域和冷热点区两个层面按类型分类或Nature Break分为5类, 然后利用因子和交互探测器方法, 从两个层面探讨土壤磷流失的影响因素.结果显示, 流域尺度上, 对磷流失影响较大的因子依次为用地类型(0.177)、土壤类型(0.091)、高程(0.053)、植被覆盖度(0.044)和土壤质地(0.037)；热点区依次为用地类型(0.176)、载畜量(0.096)、坡度(0.075)、植被覆盖度(0.067)和25°以上草地比重(0.065)；冷点区依次为用地类型(0.198)、土壤类型(0.078)、25°以上耕地比重(0.049)、植被覆盖度(0.042)和载畜量(0.040)(图 5).但现实生态过程中, 磷流失的区域变化是由不同空间异质性因子间的复杂互动共同推进的.进一步的交互探测也证实了无论是流域还是内部各分区, 因子间对磷流失都呈现出协同增强作用(表 2).交互关系均为非线性增强和双因子增强共存, 91对因子中, 双因子增强作用的因子对数分别为：热点区(14对)>流域(6对)>冷点区(4对).
 |
| 图 5 流域及内部分区因子贡献率 Fig. 5 The contribution rate of each factor in watershed and inner zones |
| 表 2 甘肃白龙江流域主要交互因子 Table 2 The main interaction factors at BLJW and inner zones |
|
就双因子交互作用, 流域尺度上最大交互因子为土壤类型∩景观破碎度(0.360), 随后依次为土壤类型∩用地类型、温度∩用地类型、高程∩用地类型和降水∩用地类型, 交互因子分别为0.328、0.300、0.247和0.236；热点区依次为降水∩第一产业产业人口比重(0.404)、景观破碎度∩第一产业产业人口比重(0.400)和温度∩第一产业产业人口比重(0.397)、景观破碎度∩25°以上草地比重(0.396)、坡度∩温度(0.297)；冷点区依次为土壤类型∩植被覆盖度(0.382)、用地类型∩25°以上草地比重(0.348)、植被覆盖度∩高程(0.326)和25°以上草地比重∩高程(0.304)、土壤类型∩用地类型(0.297)(表 2).
就某因子与其他13项因子交互的综合作用, 流域用地类型的交互综合作用最强(合计2.876), 随后依次为土壤类型综合(2.457)、植被覆盖度综合(1.345)、高程综合(1.346)、土壤质地综合(1.194)和坡度综合(1.169)；热点区依次为第一产业从业人口比重综合(2.959)、用地类型综合(2.893)、坡度综合(2.726)、景观破碎度综合(2.663)、25°以上草地比重综合(2.578)和载畜量综合(2.362)；冷点区依次为用地类型综合(3.413)、植被覆盖度综合(2.551)、土壤类型综合(2.550)、25°以上草地比重综合(2.364)、25°以上耕地比重综合(2.249)和农作物单产综合(2.083)(表 2).
4 讨论(Discussion)在控制面域污染, 保护流域生态环境, 建设山水林田湖草生命共同体的形势下, 本研究立足国内水土流失高频区—甘肃白龙江流域, 对区内的土壤磷流失进行空间分析, 并基于地理探测器, 在流域和冷热点区两个层面探测了影响磷流失的14个因子的影响力, 深化了地球系统科学对流域生态系统磷流失的综合研究.
流域地形复杂, 成土母质各异, 同时该地为地形、气候过渡带, 水热状况的垂直空间差异明显, 生物类种变化大, 极大地影响着流域的成土过程.研究表明, 流域土壤磷平均流失量为0.214 t·km-2·a-1, 且高于平均流失量的区域占流域面积的24.01%, 除迭部北部和舟曲东北部高山区外, 主要分布于宕昌-舟曲-武都段白龙江两岸、武都中南部流域和文县白水江中上游两岸(图 2), 表明流域磷素流失可能面临更大的水体富营养化等风险.同时, 该区为土层浅薄土石山地, 温和湿润、土壤理化作用强烈, 土壤有机质固存低, 形成的土壤质地较细, 粘粒含量高, 致使土壤胶结、板结严重, 极易引发面源污染等生态环境问题.另外, 研究表明, 流域全磷含量较低(0.634 g·kg-1), 磷流失主要由土壤侵蚀所致, 必须加强土壤侵蚀防治工作.
流域磷流失的空间分异是生态过程全局一致性和局部差异性的统一.土地利用类型对流域及其内部冷热区的磷流失影响均较大体现了流域整体的相似性, 这主要是因为各用地类型的土壤理化性质差异大, 其上的不合理利用方式和植被覆盖的变化对土壤侵蚀具有放大效应(徐晓雅等, 2017)；但某因子与其他因子交互的综合作用、双因子交互作用的结果在流域和冷热区间存在差异, 则表明地理尺度的差异对区域磷流失的空间异质性分布具有重要影响.正因如此, 各区不同因子间的复杂互动协同推动了流域土壤磷流失的空间差异, 急需通过一系列生态修复和防治工程缓解流域, 特别是热点区的磷流失过程.研究表明, 磷流失热点区的最高单因子为用地类型, 综合因子作用却为第一产业产业人口比重.研究表明, 该区地形复杂, 不利于农牧业发展, 但25°以上草、耕地被过度利用, 致使景观破碎(表 1), 牧业超载(夏文韬, 2010), 加之降水较大, 草地土壤侵蚀较突出(汤萃文等, 2012；陈世发等, 2015).同时, 植被覆盖度及其交互和综合作用对冷点区的影响较大.因此, 在流域磷流失治理中, 应在提高植被覆盖度的同时降低景观破碎度；但值得注意的是，坡度退耕还草不一定会缓减磷流失(对2010—2014年各土地利用变化类型进行磷流失统计, 5年来一直是耕地、耕地转草地的区域平均磷流失量分别为0.038、0.305 t·km-2·a-1), 这可能与耕地的翻动利于全磷向速效磷的转化和地膜等保水保肥工程的实施等因素有关, 具体原因有待进一步深入研究.
研究表明, 流域磷流失主要受用地类型、地形和土壤类型的影响, 而人类农牧业生产也发挥了一定作用.这一方面是由于上述自然要素均在土壤磷流失方程中涉及, 另一方面却符合我国土壤养分流失的一般规律, 即自然因素是土壤侵蚀发生和发展的潜在固有条件, 人为因素则是催化剂(王占礼, 2000；王红兵等, 2011).同时, 这也符合该流域水土流失多发、人类活动受限于低缓河谷区的本底特征(张玲玲, 2016).另外, 该研究明确了各因子影响力的区域差异, 特别是某因子与其他因子的交互及交互综合作用, 如双因子交互后, 景观破碎度与其他因子的交互作用在流域和热点区都较为显著；因子综合作用后, 热点区的景观破碎度综合被突显，这对热点区磷流失的综合治理具有重要意义.
此外, 本研究对磷流失热点区间的差异进行了统计(表 3).对比发现, 舟曲西南和迭部北部为高海拔高磷流失区, 迭部南部和西部为高海拔低磷流失区, 舟曲东北和3区县交界为低海拔低磷流失区, 前两者景观破碎均较低, 而后者反之.因此, 下一步研究急需缩小研究尺度, 开展热点区内各区的影响因素对比研究, 以更好地为流域磷流失治理提供参考.
| 表 3 甘肃白龙江流域热点区社会生态差异 Table 3 The regional difference of social ecology at hotspots zone |
|
1) 甘肃白龙江流域2014年平均土壤磷流失量为0.214 t·km-2·a-1, 流失总量为3945.38 t·a-1.空间分布较为破碎, 流失热点区主要集中于迭部北部、舟曲东北部的高山区及舟曲、文县和武都三区县交界的低山河谷区；冷点区集聚于宕昌北部较为平坦的耕种区和植被覆盖密集的文县.磷流失在地形和地类间差异较大, 整体表现为随海拔和坡度的抬升而增加；流失量排序为:草地>林地>耕地.
2) 土地利用和地形主导着土壤磷流失的空间分布, 农牧业生产也发挥了一定作用, 但流域及其内部冷热区间差异较大, 这与区域内的社会生态环境交互作用有关.流域最大交互因子为土壤类型∩景观破碎度, 热点区为降水∩第一产业从业人口比重, 冷点区为土壤类型∩植被覆盖度.本研究可为流域因地制宜地开展磷流失防治工作提供指导.
Bronson K F, Zobeck T M, Chua T T. 2004. Carbon and nitrogen poolsof southern high plains cropland and grassland soils[J]. Soil Science Society of America Journal, 68(5): 1695–1704.
DOI:10.2136/sssaj2004.1695
|
Cunha E R D, Bacani V M, Panachuki E. 2017. Modeling soil erosion using RUSLE and GIS in a watershed occupied by rural settlement in the Brazilian Cerrado[J]. Natural Hazards, 85: 1–18.
DOI:10.1007/s11069-016-2555-y
|
陈世发. 2015. 基于GIS的亚热带山地土地利用与土壤侵蚀关系研究-以粤北山区为例[J]. 干旱区资源与环境, 2015, 29(2): 80–85.
|
陈思旭, 杨小唤, 肖林林, 等. 2014. 基于RUSLE模型的南方丘陵山区土壤侵蚀研究[J]. 资源科学, 2014, 36(6): 1288–1297.
|
Du E, Jackson C R, Klaus J, et al. 2016. Interflow dynamics on a low relief forested hillslope:Lots of fill, little spill[J]. Journal of Hydrology, 534(271): 648–658.
|
樊慧慧, 李如忠, 裴婷婷, 等. 2016. 合肥城郊典型农业小流域土壤磷形态及淋失风险分析[J]. 环境科学, 2016, 37(1): 148–154.
DOI:10.3969/j.issn.1673-288X.2016.01.043 |
范晓娟, 张丽萍, 邓龙洲, 等. 2017. 植被覆盖和施肥对不同坡长坡地总磷流失的影响[J]. 水土保持学报, 2017, 31(6): 27–32.
|
范晓娟, 张丽萍, 邓龙洲, 等. 2018. 我国东南典型侵蚀区坡地磷素流失机制模拟研究[J]. 环境科学学报, 2018, 38(6): 2409–2417.
|
高海东, 李占斌, 李鹏, 等. 2015. 基于土壤侵蚀控制度的黄土高原水土流失治理潜力研究[J]. 地理学报, 2015, 70(9): 1503–1515.
|
Hidayat Y, Murtilaksono K, Sinukaban N. 2012. Characterization of surface runoff, soil erosion and nutrient loss on forest-agriculture landscape[J]. Jurnal Tanah Tropika, 17(3): 259–266.
|
Ju H R, Zhang Z X, Zuo L J, et al. 2016. Driving forces and their interactions of built-up land expansion based on the geographical detector-a case study of Beijing, China[J]. International Journal of Geographical Information Science, 30(11): 1–20.
|
Li Y J, Zhang L W, Yan J P, et al. 2017. Mapping the hotspots and coldspots of ecosystem services in conservation priority setting[J]. Journal of Geographical Sciences, 27(6): 681–696.
DOI:10.1007/s11442-017-1400-x
|
李瀚之, 余新晓, 樊登星, 等. 2017. 不同覆盖措施对褐土养分流失的影响[J]. 水土保持学报, 2017, 31(3): 22–26.
|
李月臣, 刘春霞, 赵纯勇, 等. 2009. 三峡库区(重庆段)土壤侵蚀敏感性评价及其空间分异特征[J]. 生态学报, 2009, 29(2): 788–796.
DOI:10.3321/j.issn:1000-0933.2009.02.029 |
刘春芳, 王川, 刘立程. 2018. 三大自然区过渡带生境质量时空差异及形成机制-以榆中县为例[J]. 地理研究, 2018, 37(2): 219–432.
|
刘焱序, 徐光, 姜洪源, 等. 2015. 东北林区生态系统服务与健康协同分析[J]. 地理科学进展, 2015, 34(6): 761–771.
|
Liu B Y, Nearing M A, Risse L M. 1994. Slope gradient effects on soil loss for steep slopes[J]. Transactions of the ASAE, 37(6): 1835–1840.
DOI:10.13031/2013.28273
|
McCool D K, Brown L G, Foster G R, et al. 1987. Revised slope steepness factor for the universal soil loss equation[J]. Trans ASAE, 30(5): 1387–1396.
DOI:10.13031/2013.30576
|
Peng L, Yang X P. 2016. Landscape spatial patterns in the Mu Us Sandy Land in the northern China and their impact factors[J]. Catena, 145: 321–333.
DOI:10.1016/j.catena.2016.06.023
|
Rodríguez-Blanco M L, Taboada-Castro M M, Taboada-Castro M T. 2013. Phosphorus transport into a stream draining from a mixed land usecatchment in Galicia(NW Spain):Significance of runoff events[J]. Journal of Hydrology, 48: 12–21.
|
史佳良, 王秀茹, 李淑芳, 等. 2016. 次降雨过程中北京市不同土地利用方式下土壤养分流失特征[J]. 水土保持学报, 2016, 30(5): 58–64.
|
汤萃文, 张忠明, 肖笃宁, 等. 2012. 祁连山石羊河上游山区土壤侵蚀的环境因子特征分析[J]. 冰川冻土, 2012, 34(1): 105–113.
|
唐湘伟, 王全九, 陶汪海. 2018. 基于RUSLE模型因子的坡地土壤硝态氮地表径流流失经验公式[J]. 水土保持学报, 2018, 32(2): 19–26.
|
Wang J F, Hu Y. 2012. Environmental health risk detection with geodetector[J]. Environmental Modelling & Software, 33: 114–115.
|
Wischmeier W H, Smith D D. 1978. Predicting Rainfall Erosion Losses:A Guide to Conversation Planning with Universal Soil Loss Equation (USLE)[M]. Washington, USA: Department of Agriculture.
|
王红兵, 许炯心, 颜明. 2011. 影响土壤侵蚀的社会经济因素研究进展[J]. 地理科学进展, 2011, 30(3): 268–27.
|
王占礼. 2000. 中国土壤侵蚀影响因素及其危害分析[J]. 农业工程学报, 2000, 16(4): 32–36.
DOI:10.3321/j.issn:1002-6819.2000.04.009 |
乌玲瑛, 严力蛟. 2014. 基于GIS和RUSLE模型道路对土壤侵蚀格局的影响研究-以浙江省杭金衢高速诸暨段为例[J]. 生态学报, 2014, 34(19): 5659–5669.
|
吴东, 黄志霖, 肖文发, 等. 2015. 三峡库区典型退耕还林模式土壤养分流失控制[J]. 环境科学, 2015, 36(10): 3825–3831.
|
夏文韬.2010.基于MOP及3S技术的甘南牧区草畜平衡决策研究[D].兰州: 兰州大学
http://d.wanfangdata.com.cn/Thesis/Y1702936 |
徐国策, 李占斌, 李鹏, 等. 2013. 丹江鹦鹉沟小流域土壤侵蚀和养分损失定量分析[J]. 农业工程学报, 2013, 29(10): 160–168.
|
Xiao Y, Ouyang Z Y, Xu W H, et al. 2016. Optimizing hotspot areas for ecological planning and management based on biodiversity and ecosystem services[J]. Chinese Geographical Science, 26(2): 256–269.
DOI:10.1007/s11769-016-0803-4
|
徐晓雅, 高翔宇, 顾泽贤, 等. 2017. 澜沧县土地利用变化和土壤侵蚀特征分析[J]. 河南农业大学学报, 2017, 51(3): 421–429.
|
叶妍君, 齐清文, 姜莉莉, 等. 2018. 基于地理探测器的黑龙江垦区农场粮食产量影响因素分析[J]. 地理研究, 2018, 37(1): 171–182.
|
怡凯, 王诗阳, 王雪, 等. 2015. 基于RUSLE模型的土壤侵蚀时空分异特征分析-以辽宁省朝阳市为例[J]. 地理科学, 2015, 35(3): 365–372.
|
湛东升, 张文忠, 余建辉, 等. 2015. 基于地理探测器的北京市居民宜居满意度影响机理[J]. 地理科学进展, 2015, 34(8): 966–975.
|
张科利, 彭文英, 杨红丽. 2007. 中国土壤可蚀性值及其估算[J]. 土壤学报, 2007, 4(1): 7–13.
DOI:10.3321/j.issn:0564-3929.2007.01.002 |
张玲玲.2016.甘肃白龙江流域生态系统服务评估及影响因素[D].兰州: 兰州大学
http://cdmd.cnki.com.cn/Article/CDMD-10730-1016723483.htm |
章文波, 谢云, 刘宝元. 2003. 中国降雨侵蚀力空间变化特征[J]. 山地学报, 2003, 21(1): 33–40.
DOI:10.3969/j.issn.1008-2786.2003.01.005 |
赵明松, 李德成, 张甘霖, 等. 2016. 基于RUSLE模型的安徽省土壤侵蚀及其养分流失评估[J]. 土壤学报, 2016, 53(1): 28–38.
|
Zhang L, Fu B, Lü Y, et al. 2015. Balancing multiple ecosystem services in conservation priority setting[J]. Landscape Ecology, 30(3): 535–546.
DOI:10.1007/s10980-014-0106-z
|
赵旭珍, 李纯乾. 2016. 不同下垫面条件下土壤养分流失研究概况[J]. 中国农学通报, 2016, 32(21): 129–133.
DOI:10.11924/j.issn.1000-6850.casb16040078 |