林业科学  2006, Vol. 42 Issue (4): 7-11   PDF    
0

文章信息

谭炳香, 杜纪山.
Tan Bingxiang, Du Jishan.
遥感数据分析林区的植被和土壤侵蚀特征
Analysis of Vegetation and Soil Erosion for Forest Areas Using Remote Sensing DataTan Bingxiang
林业科学, 2006, 42(4): 7-11.
Scientia Silvae Sinicae, 2006, 42(4): 7-11.

文章历史

收稿日期:2005-02-25

作者相关文章

谭炳香
杜纪山

遥感数据分析林区的植被和土壤侵蚀特征
谭炳香1, 杜纪山2     
1. 中国林业科学研究院资源信息研究所 北京 100091;
2. 国家林业局退耕还林工程管理中心 北京 100714
摘要: 以大兴安岭根河林业局潮查林场为试验区, 选择合适时间和空间分辨率的卫星遥感TM数据, 从中提取植被类型等有关特征及其空间分布等信息, 并将有关的信息转化为通用水土流失方程(USLE)中的地面覆盖因子, 计算试验区的土壤侵蚀量, 进行侵蚀强度区分, 生成土壤侵蚀强度图。结果表明:试验区的水土流失主要受坡度的影响。土壤侵蚀强度图与林相图进行空间叠加分析, 获得土壤侵蚀严重的小班分布, 从而为试验区的水土保持和流域管理提供依据。
关键词: 遥感数据    植被因子    土壤侵蚀    流域分析    USLE模型    
Analysis of Vegetation and Soil Erosion for Forest Areas Using Remote Sensing DataTan Bingxiang
Tan Bingxiang1, Du Jishan2     
1. Institute of Forest Resources Information Technique, CAF Beijing 100091;
2. Project Management Center for Conversion of Cropland to Forest, State Forestry Administration Beijing 100714
Abstract: Vegetation coverage plays an important role in decreasing soil loss, protecting environment and improving the standard of living. Therefore. it is very necessary to dynamically estimate the soil erosion in forest areas for guiding the environment protection activities. As the main information resources, remote sensing data can be applied widely for soil erosion estimation. In this paper, the main study focus on the methods of extracting landuse types by using remote sensing data, and estimating soil erosion using revised universal soil loss equation (RUSLE), for Chaocha forest area, Genhe Forestry Bureau of Inner Mongolia. Firstly, the land-use map of the site area was obtained using TM image. Secondly, slope map was created from digital elevation model(DEM). Thirdly, the flow accumulation for the site was calculated using DEM data with ArcVeiw software, and then compute the slope length-slope factor and average soil loss. Finally, based on the soil erosion intensity classification, soil erosion intensity map was obtained. The soil erosion and its spatial distribution were quantitatively analysed. The result shows that under present conditions, about 90% of the land in the site area was classified as stable, while 10 percent was at the level of high erosion or greater. The main deciding factor in this area was slope.
Key words: remote sensing data    vegetation factor    soil erosion    drainage area analysis    USLE model    

大兴安岭林区是我国重要的资源区, 曾经有茂盛的森林和丰富的动植物资源。但是, 由于过度开发利用, 原有森林遭到严重破坏, 土地退化, 致使原始森林面积锐减, 质量下降, 生态景观发生变化, 该地区的大部分区域已由森林退化为灌木、草地, 加剧了水土流失和土壤侵蚀。为了高效治理水土流失, 需要科学合理地利用土地和恢复森林植被, 这就使如何进行流域土地利用和植被空间分布特征的数量分析提到了议事日程, 其中土壤侵蚀的影响是最重要的评价指标。

林区流域管理包括植被恢复、木材采伐量规划和限制、土壤侵蚀和泥沙沉积控制等内容, 目的是降低暴雨造成的洪水和土壤流失危险。此外, 在监测、评价、分析流域的生态稳定性时, 也应包括对森林植被水文效应和水土保持效益分析的内容。为此, 需要对流域内的地形、植被等有关因素进行空间分布特征的分析, 这是了解流域自然条件现状和制定相应治理和管理措施的必要基础。

控制土壤侵蚀是流域治理和植被恢复首要考虑的治理目标, 对治理成效的预期和评价都需要定量计算或估计土壤流失量。一个广泛用于估计土壤水蚀量的方法就是修正的通用土壤侵蚀方程(revised universal soil loss equation, 简称RUSLE), 它用于预测在某一植被类型分布和管理系统及地面坡度条件下由径流引起的年均土壤侵蚀量。在RUSLE中, 植被是重要的影响因素。用遥感手段可以快速准确地获取大区域内的土地利用和植被的空间分布特征和时间动态信息, 是进行流域管理和流域特征分析的有力技术途径。当前较为常用的调查途径是:在遥感与GIS相结合的基础上, 以数字遥感影像为主, 结合地形图等相关资料, 在计算机上通过对植被覆盖度、坡度、沟谷密度、植被结构、地表组成物质、海拔、地貌类型等间接指标的人工综合分析, 获取土壤侵蚀信息。作为定量调查方法的核心, 土壤侵蚀定量模型经历了数十年的发展历程, 发展了经验统计模型和物理模型等2类模型, 其中以经验统计模型中的ULSE系列模型应用最广(Borah et al., 1999;颉耀文等, 2002;谢云等, 2003)。

本文以内蒙古根河林业局潮查林场的一个小流域为例, 利用遥感手段获取植被分布信息, 选用RUSLE估算该试验区的土壤侵蚀量, 并在GIS技术支持下分析土壤侵蚀的空间分布特征, 探讨土壤侵蚀的主要原因, 为防止水土流失提供科学依据。

1 研究区概况与数据采集 1.1 研究区概况

本研究区选在内蒙古自治区大兴安岭林业管理局下属的根河林业局境内。该局地处东经120°30′—122°40′, 北纬50°5′—51°30′。多年平均气温为-5.5 ℃, 1月份平均气温-30.8 ℃, 7月份平均气温16.6 ℃, 属寒温带湿润型森林气候。年降水量平均为437.4 mm, 集中在7、8月。该局地处大兴安岭北部山地, 多为中低山, 山峦起伏不平, 总的趋势是东北高, 西南低, 平均坡度15°左右, 山脉多南北走向, 海拔平均为1 000 m, 大部分地区为森林, 全局森林覆盖率达79.0%。由于过去的人为干扰, 该区森林遭到严重破坏, 土地退化, 开始出现不同程度的水土流失。

为了进行详细地研究和示范, 选取该局潮查林场潮查沟的一个小流域作为示范区, 该示范区涵盖22个林班、305个小班, 主要为林业用地, 森林覆盖率达90%以上, 用材林和生态保护林皆有。

1.2 数据采集 1.2.1 数字高程模型

在本研究中, 数字高程模型(digital elevation model, 简称DEM)是侵蚀分析的基础数据之一。为此, 获取了示范区1:5万地形图。地形图主要用来选取地面控制点, 对TM图像进行几何校正和生成DEM。将研究区的1:5万地形图进行数字化, 生成垂直分辨率为10 m、水平分辨率为30 m×30 m的DEM。然后, 利用DEM生成示范区的坡度图, 精度同DEM的一样。

1.2.2 林相图和小班数据

在林业局, 最小的经营单位是小班。为了使计算所得的土壤流失量分布到最小经营单位上, 我们数字化了示范区的林相图。从林业局获得1:2.5万的林相图和小班调查数据库, 数字化示范区的小班边界和小班所在林班边界。每个小班是一个多边形, 给定一个唯一的标识。标识数字表示规则为:前3位为林班编号, 后3位为小班编号, 如第18林班12小班标识为18012。用此标识与小班调查数据库连接。小班调查数据库中一个小班对应一条记录, 每条记录包括多个数据项, 如林分起源、优势树种、年龄、直径、郁闭度等。图版Ⅰ-1为示范区小班数据库与小班分布图的叠加显示。

图版Ⅰ   Plate Ⅰ  
1.2.3 卫星影像

陆地卫星TM具有较好的空间精度和光谱精度, 所以该项目选择的遥感数据是TM影像。我们从中国卫星遥感地面站获取了试验区近10年的TM数据清单。为了使获取的遥感数据与外业调查数据在时间上一致, 根据根河林业局的自然条件和季节变化, 认为进行自然资源调查所需TM影像的获取时间最好是5月末到6月上旬, 或8月末到9月上旬。因此选择了1997年8月29日的含云量 < 10%的TM数据。以1:5万的地形图为基准, 人机交互选择地面控制点, 利用二次多项式和最近邻内插法对TM影像进行几何纠正, 经重新选点检验, 误差控制在一个像元内。

1.2.4 植被信息提取

植被信息的获取是利用遥感图像直接计算机分类获得的。植被分类目前常用的方法有无监督分类和有监督的最大似然法、最小距离法、知识分类器法、神经元网络法等。在本试验中, 植被分类不是最终目标, 而是中间结果, 它最终要参与流域土壤侵蚀量的计算, 所以选择了方便且精度较好的最大似然法。图像分类后, 获得土地利用现状图, 对那些可能错分的面积小于1 hm2的图斑进行删除, 与周围地类合并, 最后的专题图包含5种地类:森林(亦称有林地)、疏林地、灌草、湿地和水体(极少)。对分类结果进行检验, 发现有疏林地与其他灌草混淆, 可能是所选择训练数据的不准确或光谱的相似性引起的。采用目视判读, 修改混淆的疏林地, 这在有些时候也是提高计算机自动分类准确率的最好办法。最后生成的土地利用现状图见图版Ⅰ-2

由于示范区内土地利用类型较少, 而且林业用地占主导地位, 森林覆盖率达90%以上。因此, 在计算土壤流失量时, 将地类归并为3类:森林、疏林地和其他, 灌草和湿地归为其他。

2 流域特征分析中的侵蚀模型

根据遥感资料和野外调查获得的数据, 利用RUSLE, 在ArcView地理信息系统的支持下, 分析土壤侵蚀的空间分布。

传统的土壤流失模型是以流域或亚流域或坡面为空间单位的土壤侵蚀预报模型, 不能反映流域内部的空间变化。ISWSBL是其中的一个例子(Borah et al., 1999), 在计算整个流域单位的平均土壤流失量时, 对USLE变量采用了统一值。例如, 对于某一特定区域, 农作物为占优势的地物, 则整个区域根据这个变量进行分类, 而不考虑其他的土地利用方式。

采用了分布式的土壤侵蚀预测思路, 并认为土壤侵蚀是由坡面漫流造成的。这种思路或计算方法具有可以考虑流域内部的空间差异和可以利用栅格数据的优点, 对整个流域内的不同具体地块进行分析。用这种多尺度换算的方法, 在下垫面的尺度等级上实现了景观特征数字化和流域特征的可视化:1)地块(50~30 m); 2)小地块(10~5 m)。不同地块上的土壤侵蚀强度决定了整个流域的土壤侵蚀情况。根据不同尺度上的土壤侵蚀强度空间分布情况, 流域管理者可以作出科学决策, 找到流域可持续经营管理的最佳途径。

2.1 土壤侵蚀模型

在流域分析与管理中通常采用经验模型或者方程, 其中USLE是使用最为广泛的经验模型之一(Desmet et al., 1996)。在最初设计时, USLE是为计算农业区域内土壤流失量而设计的, 应用仅限于地形起伏可以忽略不计、没有泥沙沉积的区域, 计算结果为整个研究区域的平均土壤流失量。USLE形式如下:

其中:E为年平均土壤侵蚀量, R为降雨强度因子, K为土壤可蚀性因子, LS (slope length-slope)为坡长-坡度因子, C为地物覆盖因子, P为土壤保持因子。但是, Warren等(1989)认为需要经常对这个公式进行各种修正, 以提高土壤流失量的估计精度。尽管RUSLE的原理与USLE一样, 都是经验性公式, 但它包括了许多改进, 比如通过对不规则的坡面进行分割而综合凸起、凹陷剖面的影响, LS因子的计算等(Renard et al., 1991)。RUSLE是在对USLE从技术性和确定因子的算法上进行改进之后的土壤流失预测模型(Borah et al., 1999; Renard et al., 1991; Warren 1989; Moore et al., 1992), 它拓宽了应用范围, 提高了预测精度, 因而RUSLE比USLE更科学。因此, 本文选用RUSLE来估测土壤侵蚀量。

2.2 LS因子的修正

考虑水流汇集的影响, 山坡坡长因子可以用上坡的集流面积A来替代。Desmet等(1996)对地理信息系统中的LS因子的计算公式进行了修改, 若对于山坡上的某点r=(x, y)计算其LS因子, 相应公式的简单形式为(Mitasova et al., 1995):

其中:A为单位等高线宽度内坡面汇流面积(m2), b为坡度(°), mn为参数, a0为标准坡长(取22.1 m), b0为USLE的标准坡度(0.09=5.16°)。修改后的LS更好地反映了径流对于加速侵蚀的影响。研究表明, 当m=0.6和n=1.3时, 结果与RUSLE中的LS因子一致, 此时LS因子为:坡长小于100 m、坡度小于14°, 坡面的起伏变化可以忽略(Moore et al., 1992)。如果某一优势类型的径流和土壤条件的数据已知, 可以校对参数mn的值。

修正的方程只是适用于遭受净侵蚀的区域, 不适合在具有沉积过程的区域应用, 因为模型假定运移力大于分离力, 而且侵蚀和沉积是2个不同的过程。因此, 对于地形复杂的区域, 在地理信息系统中直接应用RUSLE是受到很大限制的。不排除沉积区域就应用RUSLE, 其结果应作为空间范围内最大侵蚀量的极端例子, 或者作为土壤分离图, 而不是净侵蚀。

2.3 土壤侵蚀量的计算

首先计算试验区汇流密度图。汇流密度表示为区域地形每点的流水累计量。有了DEM数据, 利用ArcView软件中的水文分析模块(hydrologic functions)很容易求得DEM覆盖区域的汇流密度图。本研究示范区的汇流密度图见图版Ⅰ-3。最后, 根据汇流密度图和坡度图, 计算LS因子LS(r), 公式如下:

式中:F为汇流密度, 可从汇流密度图获取, B为DEM的分辨率, S为某一点的坡度, 可从坡度图获得。而后, 计算平均土壤侵蚀量(E)

式中:1)R为降雨强度因子, 其数值大小为降雨动能与最大30 min雨强的乘积除以100, 即R=∑E×I30/100。其中:E为降雨动能, I30为最大30 min雨强。由于研究区降雨空间差异较小, R取年平均值为150, 比较适合。2)K为土壤可蚀性因子, 反映土壤对降雨动能和径流侵蚀的抵抗力, 其常用的估算方法是Wischmeier诺谟图(Mitasova et al., 1995)。因缺少资料, 本文根据试验区的降雨情况和以往的经验(Haan et al., 1994), 将K值取0.01。3)LS为坡长坡度因子。4)C为地物覆盖因子, 是地上植被、地被物、地下根系、土壤物理特性等影响因素的综合。可以根据陆地资源卫星影像得出的土地利用类型图和相关文献(Mitasova et al., 1995), 确定地面覆盖因子C。研究区域的森林、疏林和其他土地类型相对应的覆盖因子C值分别为:0.000 1、0.001和0.01。5)P为土壤保持因子, 其值为采取某种土壤保持措施地块的土壤流失量与顺坡耕作地块土壤流失量的比值。因为研究地区为林区, 植被覆盖率高, 几乎没有农田, 也没有采用任何的土壤保持措施, 所以P取值1, 即认为没有采取任何土壤保持工程或耕作防护措施。

2.4 土壤侵蚀强度的确定

根据不同土壤侵蚀强度的侵蚀模数和计算求得的每个栅格点年平均土壤侵蚀量(t·km-2a-1), 就可以确定该点的土壤侵蚀强度等级。各侵蚀强度等级对应的侵蚀模数参考指标采用水利部《土壤侵蚀分类及分级标准》(SL 190-96)(中华人民共和国水利部标准, 1997)(表 1)。本研究最后将土壤侵蚀强度划分为3个等级:轻度、中度和严重。土壤侵蚀量 < 2 500 t·km-2a-1的为轻度(表 1中的微度和轻度), 2 500~8 000 t·km-2a-1的为中度(表 1中的中度和强度), >8 000 t·km-2a-1为严重(表 1中的极强度和剧烈)。

表 1 壤侵蚀强度分类 Tab.1 Soil erosion intensity classification
3 结果分析与讨论

计算得到的土壤侵蚀量按侵蚀强度划分等级, 获得整个示范区的土壤侵蚀强度图(见图版Ⅰ-4, 不同颜色不同等级)。统计每种侵蚀强度所占比例, 结果表明:在当前条件下, 示范区流域内90%的土地被分成稳定类型, 只有10%的土地被认为土壤侵蚀厉害或更严重。

图版Ⅰ-4中土壤侵蚀强度的分布与DEM生成的坡度图叠加, 分析结果显示, 由于示范区域的森林覆盖率较高, 坡度成为影响土壤侵蚀强度的大小主要因子。如果坡度大于5°的土地都为茂密的森林所覆盖, 剧烈侵蚀会轻度减小。由于DEM分辨率的高低, 直接影响着坡度的精度, 从而影响高土壤侵蚀度面积的统计。如DEM分辨率从50 m降为100 m时, 土壤侵蚀程度高的面积会略降低, 土壤稳定性增加。

土壤侵蚀强度图与数字化的林相图叠加进行空间分析得到侵蚀强度最剧烈的小班统计表见表 2。根据表 2提供的结果, 分析这些小班的经营方式, 发现这些小班土壤侵蚀严重, 不仅因为其坡度大, 而且都进行过不同年份的森林皆伐。由此看来森林采伐方式与土壤侵蚀程度有密切的关系。表 2的信息可为该流域的管理和经营决策提供可靠信息。如果在流域的示范区内, 能够对不同的土地利用方式进行建模, 就可以辅助决策哪一种方案在减少土壤流失量方面效果最好。

表 2 示范区侵蚀强度严重的林班与小班 Tab.2 The compartment and subcompartments with the largest erosion risk

土地利用状况如果发生变化, 将影响到地物覆盖因子C的取值, 如进行过采伐的林地可能变为疏林地, C值由原来的0.000 1变为0.001。再如, 根据一般原理, 河流两岸100 m以内按疏林地计算, 但如果在此缓冲区范围内有一片茂密的森林, 这时仍按疏林地计算, 则导致土壤侵蚀量增加。因此, 应该根据新的地物覆盖因子C值生成新的土壤侵蚀强度图。利用遥感技术可获取新一轮的植被类型分布图(应用时相当于土地利用状况图), 就能够计算出新一时间的土壤侵蚀强度图, 从而进行土壤侵蚀的动态监测。

4 结论

本研究对内蒙古根河林业局潮查林场的一个小区域进行了遥感植被分类和土壤侵蚀强度估测, 结果显示该区域内90%的土地被分成稳定类型, 只有10%的土地土壤侵蚀厉害或更严重, 说明研究区域整体的土壤侵蚀程度较轻, 这主要与该区森林植被覆盖度高有关。同时, 给出了土壤侵蚀严重的林班和小班号, 分析发现该林区的土壤侵蚀特征与森林采伐方式有密切关系, 相同坡度不同采伐方式, 土壤侵蚀程度不同, 以森林皆伐为最严重。因此, 森林的采伐方式直接影响林区土壤侵蚀量。

本文的结论可为当地林业局制定水土保持和资源管理提供科学依据。本研究采用的遥感技术能快速、准确地获取大范围的植被现状信息, 尤其人类不易到达的区域; 再结合GIS技术, 利用土壤侵蚀模型能快速计算得到土壤侵蚀量。该方法与地面调查相比, 省时省力、成本低, 而且可提供长期、动态和连续的大范围资料值。因此, 遥感所获取的信息已成为广大无实测资料地区行土壤侵蚀量估算的一种极其重要的信息源, 在水文学上有着广泛的前景(傅国斌等, 2001)。

毫无疑问, 根据遥感数据分类的土地利用类型来决定土壤侵蚀模型中的地物覆盖因子C是一种经验方法, 只能定性的描述覆盖因子的相对大小。模型中地物覆盖因子的遥感数据定量估算是今后研究的一个重点。

参考文献(References)
傅国斌, 刘昌明. 2001. 遥感技术在水文学中的应用与研究进展. 水科学进展, 4: 547-559. DOI:10.3321/j.issn:1001-6791.2001.04.020
颉耀文, 陈怀录, 徐克斌. 2002. 数字遥感影像判读法在土壤侵蚀调查中的应用. 兰州大学学报, 38(2): 157-162.
中华人民共和国水利部.1997.土壤侵蚀分类分级标准(SL190-96).北京:水利电力出版社
谢云, 林燕, 张君. 2003. 通用土壤流失方程的发展与应用. 地理科学进展, 22(3): 279-287. DOI:10.3969/j.issn.1007-6301.2003.03.007
Borah D K, Bera M. 1999. Hydrologic modeling of the court creek watershed-ISWS contract report 2000-04. Published by the Illinois State Water Survey, Champaign, Illinois
Desmet P J J, Govers G. 1996. A GIS procedure for automatically calculating the USLE LS factor on topographically complex landscape units. Journal of Soil and Water Conservation, 51(5): 427-433.
Haan C T, Barfield B J, Hayes J C. 1994. Design hydrology and sedimentology for small catchments. Academic Press Inc, USA, 242-243
Mitasova H, Mitas L, Brown W M, et al. 1995. Modeling spatially and temporally distributed phenomena: new methods and tools for GRASS GIS. International Journal of GIS, special issue on integration of Environmental modeling and GIS, 9(4): 443-446.
Moore I D, Wilson J P. 1992. Length-slope factors for the revised universal soil loss equation: simplified method of estimation. Journal of Soil and Water Conservation, 47: 423-428.
Renard G K, Foster G R, Weesies G A, et al. 1991. RUSLE-revised universal soil loss equation. Journal of Soil and Water Conservation, 46: 30-33.
Warren S D, Diersing V E, Thompson P J, et al. 1989. An erosion-based land classification system for military installations. Environmental Management, 13: 251-257. DOI:10.1007/BF01868372