黃土丘陵區土壤侵蝕因子敏感性分析

郝姍姍， 李夢華， 馬永強， 石 云,2?

(1.寧夏大學資源環境學院，750021，銀川； 2.寧夏(中阿)旱區資源評價與環境調控重點實驗室，750021，銀川)

黃土高原是我國土壤侵蝕最為嚴重的地區，黃土丘陵區位于黃土高原北部，地貌復雜多樣，溝壑縱橫，水土流失嚴重[1-4]，土壤侵蝕以水力侵蝕為主。土壤侵蝕作為一個非線性系統，受土質、植被、地形等多種不確定因素的影響，侵蝕結果非常復雜[5]，通過確定土壤侵蝕量與其影響因子之間的關系，建立模型來定量研究土壤侵蝕，對制訂合理的防治計劃至關重要。20世紀初期，美國學者致力于土壤侵蝕模型的研究，構建了通用土壤流失方程(USLE)與修正的通用土壤流失方程(RUSLE)[6-8]等經驗模型，其中，RUSLE模型被廣泛應用于黃土高原的土壤侵蝕定量研究。目前，RUSLE模型是全世界應用最廣的土壤侵蝕預報模型，通過模型估算土壤侵蝕量，其影響因子是確定的，而各因子對土壤侵蝕的影響程度，即各因子的顯著性卻很模糊；因此，預測土壤侵蝕因子的顯著性研究則尤為重要。

預測各因素對土壤侵蝕的顯著性作為預測土壤侵蝕量的基礎，通用的方法是回歸分析方法，土壤侵蝕過程是多種不確定因素相互作用的結果，其精度受因子之間的相關性及模型多重共線性的影響[9]。隨著計算機網絡的發展，神經網絡作為一門迅速興起的非線性科學[10]，以模擬精度相對較高，被推廣應用于模擬及預測研究，較常見的有BP神經網絡、RBF神經網絡等。BP神經網絡(BPNN)具有較高的自學習和自適應能力，適用于求解內部機制較為復雜等問題，因而被逐漸應用于土壤侵蝕的預測研究。例如：王堯等[11]以RUSLE模型為基礎，估算烏江流域20世紀80和90年代的年均土壤侵蝕量，結合BPNN，預測2001—2010年的土壤侵蝕量；郭成久等[12]應用BPNN，選擇流域的徑流量、降雨量等4個影響因素，較高精度的預測土壤侵蝕量；趙明偉等[13]應用BPNN，研究蠶食度、溝谷密度等6個影響因素與產沙模數的關系，有效的預測各因素對產沙模數的顯著性。上述研究主要是應用BPNN預測土壤侵蝕量，而以RUSLE模型的算法求得降雨侵蝕力、坡度坡長等土壤侵蝕影響因子，構建BPNN更加科學地預測土壤侵蝕影響因子的顯著性研究在黃土丘陵區較少。

筆者針對黃土丘陵區土壤侵蝕因子影響程度不確定的情況，研究選取彭陽縣位于不同生態分區[14]的高建堡、虎溝等11個小流域作為試驗區，基于3S技術處理遙感影像、DEM等基礎數據，獲取土地利用、坡度坡長等信息，基于ArcGIS平臺應用RUSLE模型的算法求得1995、2005、2015年小流域影響土壤侵蝕的降雨侵蝕力、坡度坡長等5個因子和土壤侵蝕模數，構建BPNN預測土壤侵蝕影響因子的顯著性，為區域水土流失治理提供科學依據。

1 研究區概況

彭陽縣位于寧夏回族自治區東南部，六盤山東麓，地處黃土丘陵溝壑區第2副區，境內山多川少，溝壑縱橫，土地貧瘠，植被稀疏，屬全國重點水土流失區。自立縣以來，堅持“生態立縣”，以小流域作為基本單元，因地制宜開展小流域綜合治理。研究基于小流域尺度，結合彭陽縣的生態分區，在丘陵溝壑水土流失治理區選取小岔、高岔、草灘3個小流域，在臺地旱作農業保護區選取炭洼、山莊、高建堡小流域3個小流域，在河谷殘塬農業耕作區選取甘溝、陡坡、小灣、虎溝4個小流域，在森林水源涵養區，選取小岔溝小流域，共選取11個小流域作為試驗區進行研究，如圖1和表1所示。

2 材料與方法

2.1 數據來源

1)影像：1995年8月23日、2005年10月7日、2015年9月2日的Landsat-5和Landsat-8 TM影像，分辨率為30 m，均經過輻射校正、大氣校正和幾何校正；

圖1 試驗區分布圖Fig.1 Distribution map of experimental area

表1 試驗區資料Tab.1 Information of experimental area

2)DEM：1∶1萬地形圖生成各小流域的DEM，分辨率為5 m；

3)土地利用：1995和2005年土地利用數據來源于土地利用現狀數據庫，2015年土地利用數據由GF-2號遙感影像解譯獲得；

4)其他：彭陽縣1∶5萬的土壤類型圖，來源于寧夏第2次全國土壤普查數據，根據研究區土壤類型及2017和2018年野外采集的103個土壤樣品，獲取土壤顆粒組成及理化性質，計算得到土壤可蝕性因子的空間分布圖；1995、2005、2015年的日降雨數據來源于彭陽縣境內的10個水文站，應用克里金插值計算得到各個小流域降雨侵蝕力因子的空間分布圖。

2.2 RUSLE模型

表達式為

A=RSLKCP。

(1)

式中：A為年土壤侵蝕模數，t/(hm2·a)；R為降雨侵蝕力因子(MJ·mm)/(hm2·h·a)；SL為坡度坡長因子(量綱為1)；K為土壤可蝕性因子，(t·hm2·h)/(hm2·MJ·mm)；C為植被覆蓋與管理因子(量綱為1)；P為水土保持措施因子(量綱為1)。

2.3 BP神經網絡模型(BPNN)

BPNN是一種按誤差逆傳播算法訓練的多層前饋網絡[15]，由輸入層、隱含層與輸出層組成。筆者將土壤侵蝕影響因子和侵蝕模數作為分析對象(表2)構建BPNN，確定各影響因子對土壤侵蝕的顯著性。

表2 BPNN分析對象Tab.2 Analysis of BP neural network model

3 結果與分析

3.1 BPNN預測結果

研究建立3層BPNN，輸入層與輸出層節點數分別為5和1，最后將隱含層節點數設定為5。將樣本(表3)分為3組，分別為小流域1995、2005和2015年的數據，每組樣本分為訓練樣本(10個)和檢驗樣本(1個)。在河谷殘垣農業耕作區選取的小流域最多，考慮到均勻分布的特點，在該分區預留小灣小流域作為每組的檢驗樣本。根據確定好的網絡結構，將樣本數據導入MATLAB，建立網絡模型，求得輸入層與隱含層、隱含層與輸出層之間的權重矩陣w1和w2，得到各影響因子對土壤侵蝕的顯著性，再通過訓練好的網絡模型，預測檢驗樣本的土壤侵蝕模數，驗證模型的有效性。

研究采用MATLAB軟件構建BPNN，計算得1995、2005和2015年的權重矩陣分別為：

表3 試驗區土壤侵蝕影響因子統計Tab.3 Soil erosion impact factor statistics in experimental area

w1與w2的乘積分別為1995、2005和2015年各影響因子在空間上對土壤侵蝕的顯著性。根據顯著性量化值的絕對值，對各因子的影響程度進行排序，如表4、表5和表6所示。

通過構建BPNN，得到1995、2005和2015年小流域各影響因子在空間上對土壤侵蝕的顯著性預測結果，數據顯示：黃土丘陵區復雜的地形條件是影響土壤侵蝕的重要因素；同時，黃土丘陵區的黃土粉粒含量較高、土體疏松，也是導致水土流失的重要因素。在研究區小流域尺度上，地形因子變化明顯，顯著性最強；土壤的顆粒組成及其理化性質無明顯變化，土壤可蝕性因子的顯著性最弱。在所研究的時間尺度上，研究區的地形與土壤僅表現為被動變化，本研究重點探討其余3個因子的變化，詳細分析見3.4。

表4 1995年各影響因子的顯著性(BP)Tab.4 Significance of various influencing factors in 1995(BP)

表5 2005年各影響因子的顯著性(BP)Tab.5 Significance of various influencing factors in 2005(BP)

表6 2015年各影響因子的顯著性(BP)Tab.6 Significance of various influencing factors in 2015(BP)

3.2 回歸模型預測結果

研究利用回歸模型，建立各影響因子與侵蝕模數之間的函數關系式，預測對土壤侵蝕的貢獻量。土壤侵蝕是一個復雜的非線性系統，各影響因子之間存在交互作用，侵蝕結果也是各影響因子相互作用的結果，建立的函數關系式的擬合差異較大，尤其是隨著時間的變化，R2變化較大。擬合情況如下：1995年，地形因子與土壤侵蝕擬合效果較好，相關系數為0.84；2005年，植被覆蓋與管理因子和降雨侵蝕力因子與土壤侵蝕的擬合效果較好，相關系數分別為0.61和0.42；2015年，土壤可蝕性因子與土壤侵蝕的擬合效果較好，相關系數為0.51。考慮到篇幅原因，在此僅以2015年為例，如圖2所示。

考慮到土壤侵蝕的變化是各影響因子相互作用的結果，參考文獻[13]將2015年各影響因子的平均值代入上述函數關系式，得到各影響因子對土壤侵蝕的貢獻量，單因子貢獻量與所有因子貢獻量之和的比值作為各因子對土壤侵蝕的貢獻率，按照貢獻率的大小進行顯著性排序，如表7所示。

通過回歸模型預測得到2015年小流域各影響因子在空間上對土壤侵蝕的顯著性結果為：SL>C>P>R>K。地形因子的顯著性最強，土壤可蝕性因子的顯著性最弱，結果與BPNN的預測結果具有相似性。

3.3 精度評價

BPNN根據預留的檢驗樣本在建立好的神經網絡中預測；回歸模型將檢驗樣本代入關系式，得到單變量土壤侵蝕模數預測值，以貢獻率為權重，求和得預測值，用下式計算模型的誤差

(2)

式中：e為模型誤差；v實際為侵蝕模數實際值；v預測為侵蝕模數預測值。精度評價結果如表8所示。

圖2 影響因子與土壤侵蝕模數的關系Fig.2 Relationship between influencing factors and soil erosion modulus

表8 模型精度評價Tab.8 Precision evaluation of the model

表8數據顯示，BPNN的預測誤差均小于回歸模型，預測精度更高。構建回歸模型預測土壤侵蝕量時，可以建立包含交互因子的多變量函數關系式，本研究更著重于預測各影響因子對土壤侵蝕的影響程度。通過單變量回歸方程預測各影響因子的顯著性時，各因子之間的交互作用使得預測誤差較大。BPNN是一個具有學習能力的系統，在學習或訓練過程中，綜合考慮多影響因子之間的交互作用，更加適用于預測土壤侵蝕影響因子的顯著性等內部結構比較復雜的非線性研究。精度評價結果也顯示BPNN的預測誤差均<5%，能更準確的預測土壤侵蝕影響因子的顯著性。

3.4 BPNN在時空間上的顯著性分析

1995年，水土保持措施因子在空間上對土壤侵蝕的顯著性最強，地形因子次之。地形因子作為影響土壤侵蝕的重要因素，在空間尺度上變化顯著；在研究年份，以高建堡、虎溝等少數小流域作為示范小流域進行了初期的治理，在空間上差異明顯，水土保持措施因子在空間上的變化顯著于地形因子。降雨量是影響坡面侵蝕的重要因素，在該年份，侵蝕性降雨較多，降雨侵蝕力因子的顯著性為3；在退耕還林(草)等生態恢復工程大力實施之前，植被覆蓋與管理因子的顯著性排序為4；研究區各個小流域主要以黃綿土和黑壚土為主，在小流域尺度上變化較小，土壤可蝕性因子的顯著性排序為5。

2005年，侵蝕性降雨在空間上變化差異較明顯，顯著性僅次于地形因子，排序為2。2000年起是退耕還林工程、水土保持生態工程茹河一期項目等生態建設項目全面實施階段，2000—2005年，水土流失治理程度由15.1%增加至50%，林草覆蓋率由6.4%提升到29.2%，水土流失治理程度與植被覆蓋率在縣域尺度上大幅增加，顯著性較土壤可蝕性因子弱，體現對土壤侵蝕較強的抑制性，水土保持措施因子的顯著性為4，植被覆蓋與管理因子的顯著性為5，土壤可蝕性因子的顯著性被動增強，排序為3。

2015年，地形因子的顯著性最強，土壤可蝕性因子的顯著性最弱。2006年以來，經過退耕還林(草)工程、水土保持生態工程茹河二期項目、國家農業綜合開發水土保持項目二期、三期工程等一系列生態建設項目的實施完成，水土保持措施因子和植被覆蓋與管理因子的顯著性排序分別為2和4，降雨侵蝕力因子在該年份排序為3，研究區主要以生態自然恢復為主。

在空間尺度上，地形因子的顯著性最強，土壤可蝕性因子的顯著性最弱。在時間尺度上，小流域土壤侵蝕因子的顯著性略有差異。降雨侵蝕力因子的顯著性與研究年份的降雨量有關，呈現波動性；水土保持措施因子和植被覆蓋與管理因子呈現先減弱后增強的趨勢，在2005年顯著性較土壤可蝕性因子弱，體現出對土壤侵蝕的抑制作用，后期又呈現增強的趨勢，體現出生態自然恢復對土壤侵蝕的抑制作用較實施階段弱。水土保持措施因子和植被覆蓋與管理因子的顯著性與相應時期小流域治理的范圍、投入和生態建設項目的實施有關。

4 結論

預測土壤侵蝕影響因子的顯著性是預測土壤侵蝕量的基礎。研究以小流域為研究對象，將RUSLE模型和BPNN應用于黃土丘陵區土壤侵蝕因子的顯著性研究，從時空間尺度上更加科學地預測黃土丘陵區土壤侵蝕過程中影響因素的顯著性。結論如下：

1)BPNN的預測誤差均<5%，回歸模型的預測誤差在10%～15%左右，BPNN的預測精度更高，可以有效預測各影響因子對土壤侵蝕的顯著性。

2)地形與土壤作為影響土壤侵蝕的重要因素，在研究區小流域尺度上，地形因子對土壤侵蝕的顯著性最強，土壤可蝕性因子的顯著性最弱。

3)在時間尺度上，小流域土壤侵蝕影響因子顯著性略有差異，降雨侵蝕力因子的顯著性隨降雨量的變化呈現波動性，顯著性變化介于地形因子與土壤可蝕性因子之間；水土保持措施因子和植被覆蓋與管理因子的顯著性與退耕還林(草)工程等生態建設項目的實施有關，在2005年體現出對土壤侵蝕的抑制作用。

4)2015年的顯著性預測結果適用于以生態自然恢復的區域，土壤侵蝕影響因子的顯著性表現為SL>P>R>C>K。

5)該方法適用于溝壑縱橫的黃土丘陵區土壤侵蝕因子的顯著性研究，預測結果可以反映出小流域水土流失治理的發展過程及變化，可以表現出退耕還林(草)工程等生態恢復工程的實施產生的影響，依據研究結果可為研究區后續小流域水土流失治理提供科學依據，不同區域需要根據實際情況進一步驗證。

5 討論

土壤侵蝕受地形、土壤及降雨等因素相互作用的影響，侵蝕過程比較復雜。預測土壤侵蝕因子的顯著性是預測土壤侵蝕量的基礎，在運用回歸模型預測土壤侵蝕影響因子顯著性的過程中，研究盡管考慮到交互因子變量的影響，卻無法系統地加以克服，預測精度較低；BP神經網絡模型則能更好地考慮因子之間的相關性和處理模型的復雜性，有效預測黃土丘陵區土壤侵蝕的影響因素對土壤侵蝕的顯著性，其他區域仍需要進一步驗證。

黃土丘陵區地形復雜，溝壑縱橫，形成獨特的土壤侵蝕過程，這是我國黃土高原土壤侵蝕研究的特色。研究以彭陽縣5 m分辨率的DEM數據為數據源，著重于以小流域為研究對象提取地形因子，研究結果表明地形因子是影響土壤侵蝕最顯著的因素，與諸多學者的研究一致；研究可以清晰地反映小流域土壤侵蝕隨地形因子的空間變化，后續可以在縣域尺度上探討水土保持措施的實施對研究區微地形的影響，也可以從大的時間尺度上研究地形特點、土壤侵蝕隨地形的變化等。另一方面，黃土丘陵區的黃土粉粒含量較高、土體疏松、抗侵蝕能力差。研究采用寧夏1∶5萬的土壤數據，研究區域主要以黃綿土和黑壚土為主，土壤顆粒組成及理化性質是決定抗蝕性的關鍵，對水土流失起到促進作用，在小流域尺度上變化尚不明顯，后續可以在大尺度上揭示土壤顆粒組成及理化性質對水土流失的影響、水土流失對土壤化學計量特征的影響等多方面進行更深入的研究。