文章快速检索     高级检索
  中国水土保持科学   2021, Vol. 19 Issue (6): 60-68.  DOI: 10.16843/j.sswc.2021.06.008
0

引用本文 

赵金涛, 马逸雪, 石云, 郝姗姗, 马小燕. 基于ANN-CA模型的黄土丘陵区县域土壤侵蚀演变预测[J]. 中国水土保持科学, 2021, 19(6): 60-68. DOI: 10.16843/j.sswc.2021.06.008.
ZHAO Jintao, MA Yixue, SHI Yun, HAO Shanshan, MA Xiaoyan. Prediction of soil erosion evolution in counties in the loess hilly region based on ANN-CA model[J]. Science of Soil and Water Conservation, 2021, 19(6): 60-68. DOI: 10.16843/j.sswc.2021.06.008.

项目名称

宁夏重点研发"宁东基地生态环境监测评估与环境调控关键技术集成与示范"(2019BEG03049)；宁夏水利厅科技项目"宁东基地水土保持生态环境动态监测与研究(2015年度)"

第一作者简介

赵金涛(1993-), 男, 硕士研究生。主要研究方向: 空间分析与遥感应用。E-mail: zjt_try@163.com

通信作者简介

石云(1977-), 女, 博士, 教授。主要研究方向: 空间分析与遥感应用。E-mail: shiysky@163.com

文章历史

收稿日期：2020-02-20
修回日期：2021-05-07
Contents              Abstract              Full text              Figures/Tables              PDF
基于ANN-CA模型的黄土丘陵区县域土壤侵蚀演变预测
赵金涛 1,2, 马逸雪 3, 石云 1, 郝姗姗 1, 马小燕 1     
1. 宁夏大学地理科学与规划学院, 750021, 银川;
2. 黄河水利委员会 黄河水利科学研究院, 450003, 郑州;
3. 中国地质大学(北京), 100083, 北京
收稿日期：2020-02-20; 修回日期：2021-05-07
项目名称：宁夏重点研发"宁东基地生态环境监测评估与环境调控关键技术集成与示范"(2019BEG03049)；宁夏水利厅科技项目"宁东基地水土保持生态环境动态监测与研究(2015年度)"
第一作者简介：赵金涛(1993-), 男, 硕士研究生。主要研究方向: 空间分析与遥感应用。E-mail: zjt_try@163.com
通信作者简介：石云(1977-), 女, 博士, 教授。主要研究方向: 空间分析与遥感应用。E-mail: shiysky@163.com
摘要：为了精准预测土壤侵蚀变化，科学合理地预防区域水土流失的发生，选择黄土丘陵沟壑区的彭阳县为研究区，2000、2008和2015年3期遥感影像、DEM和日降雨等为基础数据，基于GIS和RUSLE模型计算土壤侵蚀并定量分析2000-2015年时空分布变化特征；应用人工神经网络耦合元胞自动机构建ANN-CA模型，预测彭阳县2025年土壤侵蚀。结果显示：1)彭阳县2000-2015年土壤侵蚀状况整体呈现向好趋势；强度及强度以上侵蚀面积减少652.81 km2，高等级侵蚀逐渐向低等级转移；2)2015年土壤侵蚀强度模拟结果精度排序为：微度>轻度>中度>极强度>剧烈>强度，总体精度为87.9%，Kappa系数0.82，预测精度较高；3)彭阳县2025年土壤侵蚀以微度与轻度为主，面积分别为1 366.67和748.61 km2，占总面积的84.69%，强度以上面积仅为2.69 km2，占总面积的1.1%，较2015年进一步好转；强度以上侵蚀主要发生在孟塬乡与新集乡，可在该区域加强水土保持措施建设，预防水土流失。研究结果表明，ANN-CA模型具有较强的自学习与空间动态模拟能力，可以应用于区域土壤侵蚀预测。
关键词：ANN-CA    人工神经网络    元胞自动机    土壤侵蚀预测    RUSLE    
Prediction of soil erosion evolution in counties in the loess hilly region based on ANN-CA model
ZHAO Jintao 1,2, MA Yixue 3, SHI Yun 1, HAO Shanshan 1, MA Xiaoyan 1     
1. Collegeof Geography and Planning, Ningxia University, 750021, Yinchuan, China;
2. Yellow River Institute of Hydraulic Research, Yellow River Conservancy Commission, 450003, Zhengzhou, China;
3. China University of Geosciences, 100083, Beijing, China
Abstract: [Background] With destroying the ecological environment and affecting the regional environmental carrying capacity, soil erosion has become one of the important issues restricting the sustainable development of society. Pengyang county is located in the second sub-region of the Loess Hilly and Gully Region, and is a key control area for soil erosion in the country. After years of vigorous management, the ecological environment has been effectively improved. In order to consolidate the management results, accurate soil erosion prediction results are the scientific basis for reasonable prevention of soil erosion. [Methods] Three phases of remote sensing images, DEM, and daily rainfall were used as basic datain 2000, 2008, and 2015, meanwhile soil erosion was calculated based on GIS and RUSLE models and the analysis area was quantified and characteristics of annual spatiotemporal distributionin 2000-2015. An ANN-CA model was constructed using an artificial neural network coupled with a cellular automaton and the six soil erosion factors R, K, C, P, L, and S were invoked as model input variables. The soil erosion intensity level was the initial state of the cell which made a prediction of soil erosion in Pengyang country in 2025. [Results] 1) Overall situation of soil erosion in Pengyang country from 2000 to 2015 indicated a positive trend. The area of erosion above the grade strong decreased by 652.81 km2 and high-grade erosion gradually shifted to low-grade. 2) The accuracy of soil erosion intensity simulation results in 2015 was ranked as follows: slight > light > medium > ultra strong > severe > strong, the overall accuracy was 7.9%, the Kappa coefficient was 0.82 and the prediction accuracy was high. 3) Soil erosion in Pengyang county in 2025 would be mainly slight and light with areas of 1 366.67 km2 and 7 486.61 km2, accounting for 84.69% of the total area. The area above the strong is only 2.69 km2, accounting for 1.1% of the total area which has improved further with compared with 2015. Erosion above the strong mainly occurred in Mengyuan and Xinjitown so that the construction of soil erosion conservation measures could be enhanced in this area to prevent soil erosion.Conculsions The research results illuminate that the ANN-CA model has significantly self-learning ability and spatial dynamic simulation function which are universal in regional soil erosion prediction.
Keywords: ANN-CA    artificial neural network    cellular automata    soil erosion prediction    RUSLE    

土壤侵蚀淤积河道、降低土壤肥力、破坏地表植被，是全球性重要的生态环境问题之一[1]。位于黄土高原北部的黄土丘陵区是我国重点水土流失区之一，严重的土壤侵蚀破坏当地的生态环境，如何有效预防水土流失已成为急需迫切解决的问题[2-3]。精准的土壤侵蚀预测可以获取未来土壤侵蚀发生的空间位置与强度，对科学合理的控制土壤侵蚀具有重要的现实意义[4]。

随着人工智能技术的不断发展，元胞自动机(cellular automata, CA)与人工神经网络(artificial neural network, ANN)被广泛的应用在多个领域的研究中[5-10]。土壤侵蚀是一个复杂的非线性巨系统，元胞自动机与人工神经网络分别具有模拟复杂系统时空演化过程和自组织、自学习的能力，适合应用于复杂的土壤侵蚀变化预测研究[11]。例如：刘婷等[12]基于BP神经网络模拟三峡库区2030年土壤侵蚀强度，取得较好的预测结果；林晨等[13]基于优化的GeoCA模型预测研究区2020年土壤侵蚀，分析研究区30年的土壤侵蚀演化规律；郝姗姗等[14]基于BP神经网络预测RUSLE模型各因子的敏感性，较传统的回归模型预测精度大幅更高。此外，将ANN与CA相结合构建ANN-CA模型也被应用于土壤侵蚀预测研究，如李传华等[15]、董婷婷等[16]、李芳[17]和郑丽丹[18]通过构建ANN-CA模型，实现小流域尺度的土壤侵蚀空间动态变化模拟，揭示小流域土壤侵蚀变化规律，验证ANN-CA在土壤侵蚀预测中的可行性。上述研究对ANN和CA在土壤侵蚀预测与模拟方面的应用进行探索，为土壤侵蚀变化研究提供了新的方法，而以黄土丘陵区县域尺度的土壤侵蚀预测研究较少。

位于黄土丘陵沟壑区第二副区的彭阳县，是全国水土流失重点治理区，经过多年的大力治理生态环境已得到有效改善，为巩固治理成果，准确的土壤侵蚀预测结果是合理预防水土流失的科学依据。因此，笔者以彭阳县为研究区，在县域尺度下基于GIS和RUSLE模型计算2000—2015年土壤侵蚀，应用ANN耦合CA的方法构建ANN-CA模型，预测彭阳县2025年土壤侵蚀，以期为黄土丘陵区县域尺度预防水土流失提供决策依据。

1 研究区概况

彭阳县(E 106°32′~106°58′，N 35°41′~36°17′)属于黄土丘陵沟壑区过渡地带(图 1)，土壤类型以黄绵土为主，泥砂含量高，抗冲蚀性弱，容易造成水土流失[19]。严重的水土流失曾是制约当地经济发展的瓶颈问题，该县自2000年被国家确定为退耕还林(草)试点县后，先后探索形成多种水土保持生态建设模式，有效改善水土保持生态环境，使经济发展逐步走上快车道[20]。

图 1 研究区概况图 Fig. 1 Overview map of the study area
2 材料与方法 2.1 数据来源

1) 影像数据。2000年8月22日、2008年6月25日的Landsat-5TM和2015年7月31日的Landsat-8 OLI影像；

2) DEM数据。ASTER GDEM (30 m)，来源于地理空间数据云(http://www.gscloud.cn/)；

3) 土地利用数据。由1)中的三期影像通过目视解译获得；

4) 其他数据。彭阳县1 ∶5万土壤类型栅格数据；2000、2008、2015年彭阳县及周边各县气象站点日降雨数据。

2.2 修正通用土壤侵蚀方程(RUSLE)

土壤侵蚀模数采用RUSLE计算[21-27]。

2.3 ANN-CA模型

元胞自动机由4部分组成，用集合的语言来描述CA模型，即：

$ S_{t+1}=\psi\left(S_{t}, N\right)。$ (1)

式中：St+1为下一时刻元胞状态；St为当前时刻元胞状态；N为元胞邻域；ψ为转换规则。CA元胞在一个多维的空间里呈离散分布；在某个时刻，一个元胞的状态只有一种；邻域是按一定范围划定的元胞集合，常用的邻域结构有Von.Neumann、Moore和Margolus；转换规则是CA的核心部分，定义元胞状态发生变化的条件，一般采用数学公式表达，而公式中的参数率定有较大难度。笔者将ANN获取的不同侵蚀等级间的转换概率作为CA的转换规则实现二者耦合，可以降低定义规则的难度和避免人为主观因素的影响。ANN-CA模型原理如图 2所示。

图 2 ANN-CA模型原理图 Fig. 2 Schematic diagram of ANN-CA model

ANN-CA模型采用的是目前应用较多的BP神经网络(BPNN)，BPNN可以根据误差动态调整网络中各神经元连接的权值，逐步降低网络误差，最终得到一个理想的网络模型[28]。BPNN由输入层、隐藏层、输出层组成，输入层神经元是影响土壤侵蚀发生变化的主要因子，决定元胞在t时刻的侵蚀等级转换概率；输出层神经元表示元胞的目标状态。转换概率计算公式如下：

$ P(k, t, l)=1+(-\ln \gamma)^{\alpha} \sum _{j} \omega_{j, l} \frac{1}{1+e^{-\text {net }_{j}(k, t)}}。$ (3)

式中：P(k, t, l)为元胞k在t时刻到下一时刻状态的转换概率；ωj, l为隐藏层和输出层之间的权重值；$\frac{1}{1+e^{-\mathrm{net}_{j}(k, t)}} $为隐藏层响应值；γ为[0, 1]之间的随机数；α为随机干扰强度参数。

2.4 精度评价

预测结果精度评价采用Kappa系数与像元混淆矩阵，公式如下：

$ \left\{\begin{array}{l} K_{\alpha}=\frac{P_{0}-P_{\mathrm{C}}}{1-P_{\mathrm{C}}}, \\ P_{0}=S / N \\ P_{\mathrm{C}}=\left(a_{1} b_{1}+a_{2} b_{2}+\cdots+a_{6} b_{6}\right) / N^{2}。\end{array}\right. $ (4)

式中：Kα为Kappa系数；P0为预测与真实像元值的一致率；PC为期望一致率；S为预测等于真实值的像元数；N为总像元数；a1为真实值是微度的像元数；b1为预测值是微度的像元数；a2, …, a6，b2, …, b6同理。

3 模型的训练与应用

土壤侵蚀演化机理复杂且影响因子众多[29]，选用反映影响区域土壤侵蚀发生的主要因素，即RUSLE模型中的6个参数(R、K、L、S、C、P)作为输入层的空间变量，由6个神经元接收，输入模型前每个空间变量图层需做归一化处理，使其值介于[0, 1]之间。

模型的训练样本采用分层抽样法，数量为总元胞数的15%。网络的期望误差设定为0.01，在训练的开始阶段，BPNN的误差会有明显收敛，随着迭代次数的增加，误差收敛很快趋向平缓，当达到预设的次数后网络停止训练。CA在模拟元胞状态变化时转换概率的取值采用最大隶属度原则，设定为0.8，＞0.8元胞状态就可以发生变化。

模型参数设置完成后，首先将2000、2008年土壤侵蚀分级数据与6个空间变量图层输入ANN-CA模型进行训练，确定各层网络连接权重获得最优网络。基于最优网络预测出2015年土壤侵蚀，并将预测结果与2015年RUSLE模型计算结果作对比，采用混淆矩阵与Kappa系数检验预测结果精度，若精度较高(总体精度>80%)则将2008、2015年数据输入ANN-CA模型，预测出彭阳县2025年土壤侵蚀，反之则调整模型参数，直至预测精度符合要求。

4 结果与分析 4.1 彭阳县2000—2015年土壤侵蚀时空分布特征

彭阳县2000—2015年土壤侵蚀强度等级和统计结果如图 3和表 1所示。2000—2008年侵蚀等级面积变化最大的是极强度和微度侵蚀，分别为-246.37和184.89 km2，其次是轻度侵蚀增加167.49 km2。2000年微度侵蚀面积906.09 km2，占总面积的36.28%，中度及以上侵蚀面积为1 242.87 km2，占总面积的49.77%，在各乡镇均有分布；2008年中度及以上侵蚀面积为890.51 km2，占总面积的35.65%，较2000年减少352.36 km2，极强度及以上侵蚀主要分布在彭阳县西南部的古城镇与新集乡以及东部的孟塬乡。

图 3 2000—2015年土壤侵蚀强度等级图 Fig. 3 Soil erosion intensity grade in 2000-2015
表 1 2000—2015年土壤侵蚀强度分级统计表 Tab. 1 Grading statistical table of soil erosion intensity, 2000-2015

2008—2015年侵蚀等级面积变化最大的是微度，2015年较2008年增加173.31 km2，增幅为15.89%，其次是强度侵蚀面积减少127.15 km2，减幅为48.62%；2015年中度及以上侵蚀面积为618.38 km2，较2008年减少272.13 km2，极强度侵蚀主要分布在新集乡与古城镇，剧烈侵蚀主要分布在孟塬乡。

2000—2015年3个时期土壤侵蚀空间分布相似，均以微度侵蚀为主；中度以上侵蚀面积逐期减少，其中强度面积减少205.99 km2，极强度减少357.2 km2，剧烈减少89.62 km2，变幅相对较大，分别为-60.52%、94.49%和99.06%；微度和轻度侵蚀面积均大幅度增加，分别增加358.2 km2、266.29 km2，中度侵蚀面积增幅较小，仅增加28.32 km2。总体来看，彭阳县土壤侵蚀状况整体呈现向好趋势，说明该县实行的多种水土保持生态建设模式与工程措施效果显著。

4.2 未来土壤侵蚀预测与精度评价

结果(表 2、表 3和图 4)显示，2015年预测结果与计算结果在空间分布以及各等级侵蚀面积基本保持一致，Kappa系数0.82，预测总体精度为87.9%，说明ANN-CA模型适合于土壤侵蚀预测。其中微度、轻度和中度侵蚀预测效果较好，正确像元分别占该等级像元数的91.58%、86.37%和85.14%；强度、极强度、剧烈侵蚀预测精度相对较低，误差像元分别占该等级像元总数的21.75%、19.73%和21.21%。强度、极强度、剧烈侵蚀等级的误差像元大多数分布在相邻等级，按等级划分标准对土壤侵蚀进行分级，处在临界值附近且侵蚀等级高的像元转化随机性相对较大，降低了预测精度。

表 2 2015年土壤侵蚀计算与预测的混淆矩阵 Tab. 2 Confusion matrix of soil erosion calculation and prediction in 2015  
表 3 计算与预测土壤侵蚀分级表 Tab. 3 Calculated and predicted soil erosion grades
图 4 2015、2025年土壤侵蚀预测图 Fig. 4 Prediction of soil erosion in 2015 and 2025

预测结果(表 3和图 4)显示，彭阳县2025年土壤侵蚀状况较2015年继续向好发展。微度、轻度侵蚀面积分别增加102.38和133.51 km2；中度以上侵蚀面积均较大幅度减少，强度、极强度和剧烈侵蚀面积分别减少103.73、18.34和0.66 km2，减幅分别为77.19%、88%和77.65%；从空间分布上来看，彭阳县2025年极强度和剧烈侵蚀主要分布在孟塬乡和新集乡，可在该区域加强水土保持措施建设，预防水土流失。

5 讨论

RUSLE模型各因子对土壤侵蚀的敏感性以及贡献量各有不同，为探究各因子对土壤侵蚀的贡献率，以2015年数据为例，建立各因子与土壤侵蚀模数的回归模型，将2015年各影响因子的平均值代入模型计算各因子贡献量，单因子贡献量与各因子贡献量之和的比值作为贡献率[14, 30]。

结果如表 4所示，LS因子对水力侵蚀的影响最显著，贡献量最大，贡献率为21.82%，其次是C与P因子，贡献率分别为20%和19.78%，贡献率最小的是K因子。水土保持措施一方面可有效改变局部地形，降低LS因子的影响，另一方面可以提高植被覆盖率，改善下垫面环境，增强抗雨水冲刷能力，可有效减弱土壤侵蚀。所以要因地制宜、科学合理的实施水土保持生态工程才能有效治理水土流失。

表 4 2015年各因子的贡献量与贡献率 Tab. 4 Contribution and contribution rate of each factor in 2015

研究耦合ANN与CA构建了ANN-CA模型，输入模型的变量为R、K、L、S、C和P 6个自然影响因子，但地理系统巨大、复杂，影响土壤侵蚀的不确定因素众多，例如暴雨导致的山体滑坡、泥石流等次生灾害以及水土保持政策的改变等。以上因素具有不确定性和偶发性，难以定量化表达，但对土壤侵蚀的影响效果显著，在以后的研究中可以尝试将这些因子率定，建立更加完善的预测模型。

6 结论

1) 彭阳县2000—2015年土壤侵蚀整体趋好，高等级侵蚀逐渐向低等级转移，“鱼鳞坑”“88542”“坡改梯”等多种水土保持措施对治理水土流失具有显著效果。

2) 基于ANN与CA构建的ANN-CA模型具有较好的预测效果。彭阳县2015年预测结果总体精度达到87.9%，Kappa系数0.82，表明ANN-CA模型具有较强的自学习能力与空间动态模拟功能，适合应用于土壤侵蚀演化预测。

3) 经过预测，彭阳县2025年土壤侵蚀状况较2015年进一步好转，强度以上侵蚀主要发生在孟塬乡与新集乡的部分区域，可在以上区域加强水土保持措施建设，科学合理的预防水土流失的发生。

7 参考文献
[1]
QIAO Yuliang, Q Yun. Fast soil erosion investigation and dynamic analysis in the Loess Plateau of China by using information composite technique[J]. Advances in Space Research, 2002, 29(1): 85. DOI:10.1016/S0273-1177(01)00633-0
[2]
HESSEL R. Consequences of hyperconcentrated flow for process-based soil erosion modelling on the Chinese Loess Plateau[J]. Earth Surface Processes and Landforms: the Journal of the British Geomorphological Research Group, 2006, 31(9): 1100. DOI:10.1002/esp.1307
[3]
GHOBADI M, TAHERABADI S, GHOBADI M, et al. Antioxidant capacity, photosynthetic characteristics and water relations of sunflower (Helianthus annuus L.) cultivars in response to drought stress[J]. Industrial Crops and Products, 2013, 50: 29. DOI:10.1016/j.indcrop.2013.07.009
[4]
D'AMBROSIO D, DIGREGORIO S, GABRIELE S, et al. A cellular automata model for soil erosion by water[J]. Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere, 2001, 26(1): 33. DOI:10.1016/S1464-1909(01)85011-5
[5]
张芳, 汤国安, 曹敏, 等. 基于ANN-CA模型的黄土小流域正负地形演化模拟[J]. 地理与地理信息科学, 2013, 29(1): 28.
ZHANG Fang, TANG Guoan, CAO Min, et al. Simulation of positive and negative terrain evolution in loess small watershed based on ANN-CA model[J]. Geography and Geo-Information Science, 2013, 29(1): 28.
[6]
张美美, 张荣群, 郝晋珉, 等. 基于ANN-CA的银川平原湿地景观演化驱动力情景模拟分析[J]. 地球信息科学学报, 2014, 16(3): 418.
ZHANG Meimei, ZHANG Rongqun, HAO Jinmin, et al. Scenario simulation analysis of driving forces of Yinchuan plain wetland landscape evolution based on ANN-CA[J]. Journal of Geo-Information Science, 2014, 16(3): 418.
[7]
YAN Jianzhuo, XU Zongbao, YU Yongchuan, et al. Application of a hybrid optimized bp network model to estimate water quality parameters of Beihai lake in Beijing[J]. Applied Sciences, 2019, 9(9): 1863. DOI:10.3390/app9091863
[8]
刘荣增, 陆文涛, 杜力卿. 基于ANN-CA模型的郑州城市空间拓展研究[J]. 城市发展研究, 2019, 26(12): 49.
LIU Rongzeng, LU Wentao, DU Liqing. Research on urban space expansion of Zhengzhou based on ANN-CA model[J]. Urban Studies, 2019, 26(12): 49.
[9]
李旭青, 李龙, 庄连英, 等. 基于小波变换和BP神经网络的水稻冠层重金属含量反演[J]. 农业机械学报, 2019, 50(6): 226.
LI Xuqing, LI Long, ZHUANG Lianying, et al. Inversion of heavy metal content in rice canopy based on wavelet transform and BP neural network[J]. Transactions of the CSAM, 2019, 50(6): 226.
[10]
ZHAO Jumin, TIAN Hao, LI Dengao. Channel prediction based on BP neural network for backscatter communication networks[J]. Sensors, 2020, 20(1): 300. DOI:10.3390/s20010300
[11]
曹敏, 史照良. 基于遗传神经网络获取元胞自动机的转换规则[J]. 测绘通报, 2010(3): 24.
CAO Min, SHI Zhaoliang. Acquisition of cellular automata conversion rules based on genetic neural network[J]. Bulletin of Surveying and Mapping, 2010(3): 24.
[12]
刘婷, 邵景安. 基于BP神经网络的三峡库区土壤侵蚀强度模拟[J]. 自然资源学报, 2018, 33(4): 669.
LIU Ting, SHAO Jingan. Simulation of soil erosion intensity in the Three Gorges Reservoir area based on BP neural network[J]. Journal of Natural Resources, 2018, 33(4): 669.
[13]
林晨, 周生路, 吴绍华. 基于优化GeoCA模型的土壤侵蚀时空变化模拟——以福建省长汀县为例[J]. 地理科学进展, 2012, 31(7): 911.
LIN Chen, ZHOU Shenglu, WU Shaohua. Simulation of spatiotemporal changes in soil erosion based on the optimized GeoCA model: Taking Changting county, Fujian province as an example[J]. Progress in Geography, 2012, 31(7): 911.
[14]
郝姗姗, 李梦华, 马永强, 等. 黄土丘陵区土壤侵蚀因子敏感性分析[J]. 中国水土保持科学, 2019, 17(2): 77.
HAO Shanshan, LI Menghua, MA Yongqiang, et al. Sensitivity analysis of soil erosion factors in loess hilly region[J]. Science of Soil and Water Conservation, 2019, 17(2): 77.
[15]
李传华, 潘竟虎. 基于神经网络和GeoCA的土壤侵蚀预测模拟——以庆城县水土保持世行二期贷款项目区为例[J]. 土壤通报, 2009, 40(4): 902.
LI Chuanhua, PAN Jinghu. Simulation of soil erosion prediction based on neural network and GeoCA: Taking Qingchengcounty soil and water conservation world bank phase II loan project area as an Example[J]. Chinese Journal of Soil Science, 2009, 40(4): 902.
[16]
董婷婷, 左丽君, 张增祥. 基于ANN-CA模型的土壤侵蚀时空演化分析[J]. 地球信息科学学报, 2009, 11(1): 132.
DONG Tingting, ZUO Lijun, ZHANG Zengxiang. Analysis of the temporal and spatial evolution of soil erosion based on ANN-CA model[J]. Journal of Geo-Information Science, 2009, 11(1): 132. DOI:10.3969/j.issn.1560-8999.2009.01.020
[17]
李芳. 基于CA和ANN的土壤侵蚀时空演化模拟[D]. 长沙: 湖南师范大学, 2010.
LI Fang. Simulation of temporal and spatial evolution of soil erosion based on CA and ANN[D]. Changsha: Hunan Normal University, 2010.
[18]
郑丽丹. 基于ANN-CA的南方红壤区土壤侵蚀时空格局及演化模拟[D]. 福州: 福建师范大学, 2012.
ZHENG Lidan. Spatial-temporal pattern and evolution simulation of soil erosion in southern red soil region based on ANN-CA[D]. Fuzhou: Fujian Normal University, 2012.
[19]
石云. 基于景观格局变化的黄土丘陵沟壑区生态恢复评价与分析[D]. 银川: 宁夏大学, 2016.
SHI Yun. Evaluation and analysis of ecological restoration in loess hilly and gully regions based on changes in landscape pattern[D]. Yinchuan: Ningxia University, 2016.
[20]
虎维军, 文志强, 杨晓辉, 等. 彭阳县水土保持生态建设的主要做法与经验[J]. 中国水土保持, 2010(8): 56.
HU Weijun, WEN Zhiqiang, YANG Xiaohui, et al. Main practices and experiences of soil and water conservation and ecological construction in Pengyangcounty[J]. Soil and Water Conservation in China, 2010(8): 56. DOI:10.3969/j.issn.1000-0941.2010.08.025
[21]
WILLIAMS J R, RENARD K G, DYKE P T. EPIC: a new method for assessing erosion's effect on soil productivity[J]. Journal of Soil and Water Conservation, 1983, 38(5): 381.
[22]
汪邦稳, 杨勤科, 刘志红, 等. 基于DEM和GIS的修正通用土壤流失方程地形因子值的提取[J]. 中国水土保持科学, 2007, 5(2): 18.
WANG Bangwen, YANG Qinke, LIU Zhihong, et al. Extraction of terrain factor values of modified general soil loss equation based on DEM and GIS[J]. Science of Soil and Water Conservation, 2007, 5(2): 18. DOI:10.3969/j.issn.1672-3007.2007.02.004
[23]
江忠善, 郑粉莉. 坡面水蚀预报模型研究[J]. 水土保持学报, 2004, 18(1): 66.
JIANG Zhongshan, ZHENG Fenli. Research on slope water erosion forecast model[J]. Journal of Soil and Water Conservation, 2004, 18(1): 66. DOI:10.3321/j.issn:1009-2242.2004.01.017
[24]
符素华, 刘宝元, 周贵云, 等. 坡长坡度因子计算工具[J]. 中国水土保持科学, 2015, 13(5): 105.
FU Suhua, LIU Baoyuan, ZHOU Guiyun, et al. Calculation tool for slope length and slope factor[J]. Science of Soil and Water Conservation, 2015, 13(5): 105. DOI:10.3969/j.issn.1672-3007.2015.05.016
[25]
蔡崇法, 丁树文, 史志华, 等. 应用USLE模型与地理信息系统IDRISI预测小流域土壤侵蚀量的研究[J]. 水土保持学报, 2000, 14(2): 19.
CAI Chongfa, DING Shuwen, SHI Zhihua, et al. Application of USLE model and geographic information system IDRISI to predict the amount of soil erosion in a small watershed[J]. Journal of Soil and Water Conservation, 2000, 14(2): 19. DOI:10.3321/j.issn:1009-2242.2000.02.005
[26]
冯强, 赵文武. USLE/RUSLE中植被覆盖与管理因子研究进展[J]. 生态学报, 2014, 34(16): 4461.
FENG Qiang, ZHAO Wenwu. Research progress of vegetation cover and management factors in USLE/RUSLE[J]. Acta Ecologica Sinica, 2014, 34(16): 4461.
[27]
章文波, 谢云, 刘宝元. 利用日雨量计算降雨侵蚀力的方法研究[J]. 地理科学, 2002, 22(6): 705.
ZHANG Wenbo, XIE Yun, LIU Baoyuan. Research on the method of calculating rainfall erosivity using daily rainfall[J]. Scientia Geographica Sinica, 2002, 22(6): 705. DOI:10.3969/j.issn.1000-0690.2002.06.012
[28]
陈楠, 王钦敏, 汤国安, 等. 基于BP神经网络自动提取沟谷研究[J]. 中国水土保持科学, 2006, 4(5): 30.
CHEN Nan, WANG Qinmin, TANG Guoan, et al. Research on automatic extraction of valleys based on BP neural network[J]. Science of Soil and Water Conservation, 2006, 4(5): 30. DOI:10.3969/j.issn.1672-3007.2006.05.006
[29]
杨冉冉, 徐涵秋, 林娜, 等. 基于RUSLE的福建省长汀县河田盆地区土壤侵蚀定量研究[J]. 生态学报, 2013, 33(10): 2974.
YANG Ranran, XU Hanqiu, LIN Na, et al. Quantitative study on soil erosion in Hetian basin of Changting county, Fujian province based on RUSLE[J]. Acta Ecologica Sinica, 2013, 33(10): 2974.
[30]
赵明伟, 汤国安, 李发源, 等. 基于BP神经网络的陕北黄土高原侵蚀产沙影响因子显著性研究[J]. 水土保持通报, 2012, 32(1): 5.
ZHAO Mingwei, TANG Guoan, LI Fayuan, et al. Significance of factors affecting erosion and sediment yield in the Loess Plateau of northern Shaanxi based on BP neural network[J]. Bulletin of Soil and Water Conservation, 2012, 32(1): 5.