基于不同模型的四川盆地土壤侵蚀强度制图

周颖智，李先锋，王 梅

（1. 四川省南充市自然资源与规划局，四川 南充 637000；2. 南充市农业科学研究院，四川 南充 637000）

四川盆地是我国八大综合农业区之一，在全国具有举足轻重的地位[1-2]。随着生态环境与社会经济快速发展矛盾的不断突出，四川盆地中部的丘陵地区成为长江上游水土流失最严重的地区之一[3]，其土壤侵蚀量约占长江上游的24%，严重制约了该地区的粮食生产和社会可持续发展[4]。因此，开展四川盆地的土壤侵蚀强度定量研究极具紧迫性和现实意义。

土壤侵蚀定量评估一直是土壤侵蚀研究的核心问题之一，也是我国乃至全球水土保持科学研究急需解决的关键技术问题。目前，国内外研究学者常用的土壤侵蚀定量评估方法包括USLE 方程、RUSLE 方程和数学模型，如王莉娜[5]等将USLE 方程与遥感、GIS 相结合，定量评估了甘肃省2000—2010年的土壤侵蚀状况，认为人类对生态环境的不合理利用是造成土壤侵蚀的主要原因；Ganasri B P[6]等将RUSLE方程与GIS相结合，定量评估了位于印度西南部的Nethravathi 盆地的土壤流失情况，得到农业面积增加引起的土壤侵蚀速率预测约为14 673.5 t/a 的结论；朱雪梅[7]等利用BP神经网络对川中丘陵区坡耕地的土壤侵蚀情况进行了预测研究，得到量化后的水土保持措施因子能有效提高建模效果的结论。上述研究对川中丘陵地区土壤侵蚀强度的定量评估具有重要的借鉴意义，但对于不同方法评估结果的对比研究还较少见，因此本文在遥感和GIS技术的支持下，结合川中丘陵地区的土壤侵蚀现状，构建了降雨侵蚀力因子、土壤可侵蚀因子、植被覆盖管理因子、坡度坡长因子和水土保持措施因子5个评估指标的空间数据库；采用RUSLE方程、SMA-RUSLE方程和BP人工神经网络模型分别对研究区土壤侵蚀强度进行了评估与制图；并利用ROC曲线对3种模型的评估结果进行了对比分析，为研究区的水土流失分区防治、合理施以水土保持措施提供方法参考。

1 研究区概况

本文选取的研究区为四川盆地，地理位置为28°18′34″～31°54′43″E、103°25′13″～107°15′40″N，涉及广安、巴中、南充、德阳、绵阳、遂宁、成都、资阳、自贡、内江、乐山、眉山、宜宾等13市，面积为8.4 km2。研究区属亚热带季风气候，年均气温为16～18℃，每年无霜天数为280～350 d，年均降水量为900～1 000 mm。研究区内土壤类型主要为紫色土、水稻土、黄壤和冲积土（图1），土壤侵蚀类型以水力侵蚀为主[8]；植被覆盖率较低，平均为28.88%，主要植被类型为针叶林和阔叶林。

图1 研究区土壤类型分布

2 数据来源与研究方法

2.1 数据来源与预处理

本文采用的数据包括Landsat 数据、DEM、土壤类型、年均降水等（表1）。基于Google Earth Engine遥感大数据平台中的Landsat 图像（2015—2020 年），利用SVM 分类[9]方法提取了研究区的土地利用数据，并随机选择100 个点进行精度评估，其准确性为85%。DEM数据在ArcGIS软件中可派生出坡度和坡向数据。根据土壤类型，在已有研究的基础上[10]，确定研究区不同土壤类型的可侵蚀值。在ArcGIS软件中利用克里金插值法对年均降水数据进行空间数据插值。

表1 数据类型与来源

2.2 研究方法

本文以坡度、坡向、土壤类型、土地利用和植被覆盖度5 个评估指标为基础，通过构建RUSLE 方程、SMA-RUSLE 方程和BP 人工神经网络模型，分别对研究区土壤侵蚀强度进行评估与制图。根据评估结果，利用ROC 曲线对3 种模型的评估结果进行对比分析，以评估3 种模型在川中丘陵地区土壤侵蚀强度评估中的实用性。

2.2.1 RUSLE方程

RUSLE方程是目前最常用的土壤侵蚀强度评估方法之一，是在USLE的基础上发展起来的。与USLE相比，RUSLE 方程在因子的算法和技术上均进行了改进，提高了评估精度。具体表达式为：

式中，A为单位面积的年均土壤侵蚀量，单位为t/(hm2·a)，表示由降雨和径流导致的坡面细沟和细沟间的年均土壤侵蚀量；R为降雨侵蚀力因子，单位为MJ·mm/(hm2·h·a)，表示降雨引起的土壤分离和推动土壤分离动力的大小，利用Wischmeier W H法进行计算；K为土壤可侵蚀因子，反映土壤对侵蚀的敏感性；L为坡度因子；S为坡长因子，为无量纲数据；C为植被覆盖管理因子，即植被覆盖度，主要采用像元二分法[11]进行提取；P为水土保持措施因子，通过土地利用数据和已有研究结果[12]表示，无量纲。

2.2.2 SMA-RUSLE方程

SMA-RUSLE 方程和RUSLE 方程基本一致，不同点在于其植被覆盖管理因子主要利用混合像元分解模型[13]进行提取。根据选取的端元组分，建立植被覆盖管理因子的评估公式为：

式中，fsoil为裸土丰度；fveg为植被丰度；fshade为阴影丰度；其的取值范围均为0～1，且三者之和为1。

混合像元分解结果如图2所示。

图2 研究区像元分解结果

2.2.3 BP人工神经网络模型

BP神经网络[14]包括输出层、隐含层和输入层。本文研究的目的是向BP网络中输入规范化后的R、K、LS、C、P等评估指标，再通过隐含层和输出层计算得到研究区土壤侵蚀状况。输入层由5 个节点组成，分别代表上述5 个指标，输出层为一个节点，代表土壤侵蚀强度。

1）模型建立。在Matlab 2014a软件平台上，通过调用函数库中的newff 函数即可快速建立一个BP人工神经网络，实现代码为：net=netff(P_train,T_train,[Si],{TF},BTF,BLF,PF,IPF,OPF,DDF )，其中P_train为输入自变量矩阵，此处为9×183阶矩阵，包含输入神经元的最大值和最小值；T_train为因变量矩阵；Si为隐含层的神经元数量。

2）确定隐含层节点数目。本文将隐含层节点数量分别设置为4、5、6、7、8、9开展对比训练。结果表明，当节点数为7 时，训练效果最佳，可决系数和均方误差分别为0.83和0.017。

3）模型训练。将确定的隐含层节点数分别代入BP 人工神经网络模型中，模型中的参数设置如表2 所示。

表2 BP-ANN模型参数设置表

4）模型模拟与验证。BP 神经网络通过学习训练后，利用sim 函数完成仿真模拟测试输出，即

式中，net 为训练完成的网络；P_test为输入矩阵。

通过模拟样本验证训练完成的网络的有效性，只有样本性能良好，训练完成的神经网络才能更有效地解决实际问题[15]。通过对BP模型进行训练和验证，本文选择训练效果最佳的隐含层节点数（节点数为7），得到的模拟效果如图3所示。

图3 BP人工神经网络模拟效果图

3 研究结果比较

本文利用上述模型得到研究区的土壤侵蚀强度分布如图4所示，可以看出，RUSLE方程评估结果的土壤侵蚀强度最大值为49 110.6 t/（hm2·a），最小值为0，平均值为38.8 t/（hm2·a）；SMA-RUSLE方程评估结果的土壤侵蚀强度最大值为32 482.6 t/（hm2·a），最小值为0，平均值为18.3 t/（hm2·a）；BP 人工神经网络模型评估结果的土壤侵蚀强度最大值为29 863.6 t/（hm2·a），最小值为0，平均值为12.7 t/（hm2·a）。

图4 研究区不同模型的土壤侵蚀强度评估分布图/（t/hm2·a）

ROC 曲线是一种对灵敏度进行描述的功能图像，以预测结果的每个值作为可能的判断阈值，由此计算得到相应的灵敏度和特异度[16]。因此，为有效比较不同模型的评估结果，本文在已有侵蚀数据的基础上[17]，利用ROC 曲线下的面积（AUC 值）来衡量不同模型的评估结果精度，并进行对比分析。将3 种模型的评估结果导入SPSS22.0进行ROC曲线分析，得到其ROC 曲线和AUC 值，并根据ROC 曲线和AUC 值判断不同模型的在研究区土壤侵蚀定量评估中的实用性。通过ROC曲线分析（图5）发现，AUC值分别为0.81、0.82 和0.79，表明基于SMA 的RUSLE 模型更适合于研究区的土壤侵蚀定量评估。

图5 不同模型的ROC曲线

4 结 语

以四川盆地为研究区，结合研究区的土壤侵蚀现状，本文构建了降雨侵蚀力因子、土壤可侵蚀因子、植被覆盖管理因子、坡度坡长因子和水土保持措施因子的空间数据库， 分别利用RUSLE 方程、SMA-RUSLE 方程和BP 人工神经网络模型对研究区土壤侵蚀强度进行了评估，并利用ROC曲线对3种模型的评估结果进行了对比分析，得到SMA-RUSLE 方程的评估结果更准确的结论。

在遥感和GIS技术的支持下，传统RUSLE方程是以像元为基础，并假设任何像元内部物质的组成和空间分布都是均匀的，不存在空间异质性；而实际上，当影像空间分辨率较低时，像元内地物信息多样、空间异质性就不能被忽略。引入SMA可较好地解决像元内的空间异质性问题，因此SMA-RUSLE 方程的评估结果优于RUSLE 方程。BP 人工神经网络模型能自动筛选变量中的特异信息训练网络，以降低仿真输出结果受到冗杂信息的影响，但易出现过度训练或训练不足、陷入局部最小、导致评估结果与已有侵蚀数据不符的问题。