揭示热带河流流域中不同植被指数在RUSLE及RUSLE-SDR模型土地管理因子上的空间变异性
《Remote Sensing Applications: Society and Environment》:Unveiling the spatial variability of different vegetation indices in land management factor of RUSLE and RUSLE-SDR model in tropical river basin
【字体:
大
中
小
】
时间:2026年06月27日
来源:Remote Sensing Applications: Society and Environment 3.8
编辑推荐:
维诺特·库马尔·桑帕斯 | 拉贾特·库马尔·夏尔马
印度马哈拉施特拉邦浦那市中央水力发电研究站港口与海港分部,邮编411024
摘要
土壤是粮食生产与环境可持续性的重要资源,但日益受到土地利用/土地覆盖变化以及季风模式变动的威胁,从而导致养分流失和肥力下降。植被健康
维诺特·库马尔·桑帕斯 | 拉贾特·库马尔·夏尔马
印度马哈拉施特拉邦浦那市中央水力发电研究站港口与海港分部,邮编411024
摘要
土壤是粮食生产与环境可持续性的重要资源,但日益受到土地利用/土地覆盖变化以及季风模式变动的威胁,从而导致养分流失和肥力下降。植被健康状况通常通过归一化差异植被指数来评估,它在估算土壤侵蚀程度和泥沙产出量方面起着关键作用。然而,NDVI易受土壤亮度、湿度及大气因素影响,在植被稀疏的地区其准确性会降低。为克服这些缺陷,本研究在修订后的通用土壤流失方程框架下,结合多种植被指数,以及基于RUSLE的泥沙输送比率模型,分析了印度戈达瓦里河流域的土壤流失情况,以评估这些指标对土地管理因子C因子的影响。研究采用了分辨率为30米的降水、土壤、土地利用/土地覆盖及高程数据等有限数据集进行实证建模。在所有植被指数中,改良土壤调整植被指数产生的平均土壤侵蚀量(14.89吨/公顷/年)和泥沙产出量(1.89吨/公顷/年)最高,且其接收者操作特征曲线下面积值也最优(0.767)。因此,该指数被用于区域级的土壤侵蚀估算,其中西戈达瓦里区(第25区)的土壤侵蚀量最高,为74.78吨/公顷/年,而阿科拉区(第29区)则最低,为0.97吨/公顷/年。该流域的73个区域被划分为五个土壤侵蚀风险等级:轻度(22.71%)、低度(29.13%)、中度(17.77%)、重度(11.70%)和极重度(18.69%)。属于重度及以上风险级别的地区亟需采取有效的侵蚀控制措施。这一模型体系可有助于依赖季风的大面积农业区的可持续土地管理。
引言
根据Abdo和Salloum(2017)的研究,全球环境变化背景下,土壤侵蚀和泥沙产出带来了严重的生态与社会经济问题。这些问题包括侵蚀风险增加(Robinson等人,2017)、农业生产力下降、土壤肥力减弱、供水系统紊乱以及粮食安全风险上升(Mohammed等人,2020;Delgado等人,2025)。这些问题的主要诱因是土地利用/土地覆盖的变化,如森林砍伐、耕作方式集约化,以及极端降水、气温上升等气候因素。在全球范围内,由于人类活动导致退化的1964万平方公里土地中,约有1903万平方公里受到了水蚀的影响。耕地尤其容易受到影响,其土壤侵蚀率在22至100吨/公顷/年之间,可能导致作物产量损失高达30%(Morgan,2009)。印度属于热带季风气候,其农业发展严重依赖于西南季风和东北季风,这两大季风共同影响着该国80%以上的土地面积。水蚀占印度整体土壤侵蚀量的约68.4%(Raj等人,2024)。Narayana和Babu(1983)指出,约有29%的土壤侵蚀物质会被冲入海洋,从而永久丧失。Bhattacharyya等人(2015)和Lal(2004)认为,印度的土壤侵蚀每年会导致约7.4亿吨钾、氮、磷等重要养分流失,由此造成的经济损失约为680亿卢比。这类土壤退化会显著影响农业生产力,并进一步推动土地利用/土地覆盖的变化。
由于实验室条件的限制,大规模的土壤侵蚀实地监测既耗时又成本高昂。因此,人们开发出了多种模型来评估土壤侵蚀和泥沙产出量。Borrelli等人(2017)指出,全球现有超过345种用于评估土壤侵蚀和泥沙产出的模型。其中比较著名的包括通用土壤流失方程、RUSLE模型、改良通用土壤流失方程、基于RUSLE的泥沙输送比率模型、水蚀与耕作侵蚀模型、土壤与水资源评估工具、流域侵蚀预测项目以及泥沙输送模型。这些模型可分为三类:经验模型(如USLE、RUSLE、RUSLE-SDR、MUSLE)、半经验模型(如SWAT、WaTEM、SEDEM)以及物理模型(如WEPP)。由于简单易用且能与地理空间工具兼容,经验模型在全球范围内被广泛使用(Borrelli等人,2021)。半经验模型虽然能提供更可靠的输出结果,但需要充足的数据支持并进行校准(Singh和Saravanan,2022;R和R,2023;Subbarayan等人,2025)。相比之下,物理模型尽管较为严谨,但由于缺乏高分辨率的实测数据,在印度境内的应用较少(Shojaei等人,2020)。在各类模型中,RUSLE和RUSLE-SDR尤其适合用于评估印度地区的土壤侵蚀和泥沙产出情况。RUSLE模型包含五个核心要素:降水侵蚀力因子、土壤易蚀性因子、地形因子、土地覆盖管理因子以及保护措施因子。这些因素都会直接或间接地影响土壤侵蚀速率(Makhdumi等人,2023;Terefe等人,2025)。
以往的研究已探讨了RUSLE各要素的空间变异性对土壤侵蚀的影响,例如地形分析中DEM的分辨率(Mondal等人,2017a、2017b)、不同的K因子公式(Raj等人,2023)、用于估算C因子的各种土地利用/土地覆盖分类方法(Sampath和Radhakrishnan,2023),以及用于计算R因子的一系列网格化降水数据集(Raj等人,2022)。不过,大多数研究仍习惯于采用基于归一化差异植被指数的植被分析方法来确定C因子(Mcfarlane,1991;Gutman和Ignatov,1998;Van der Knijff等人,2000;Durigon等人,2014)。NDVI能够较好地反映植被状况和生物量冠层的情况:数值越高表示植被越茂密,对应的C因子值越低,土壤侵蚀风险也就越小。相反,NDVI值较低则意味着植被稀疏或不存在(如裸土、河流区域),此时土壤侵蚀潜力较高(Kaliraj等人,2025)。然而,NDVI也存在明显局限性,如在植被稀疏的区域,它容易受到土壤亮度、含水量以及大气干扰的影响。在植被茂密的地区,NDVI还可能出现饱和现象,而在地形复杂的区域使用时则容易产生误差。这些缺陷可能导致对土壤侵蚀风险的误判,尤其是在没有实测数据验证的情况下(Calvache-Mu?oz等人,2025)。
在RUSLE和RUSLE-SDR模型中,C因子至关重要,因为它反映了植被冠层、种植策略以及土地利用模式对土壤侵蚀的影响。Kaliraj等人(2025)认为,准确表征这一因子对于可靠估算土壤侵蚀和泥沙产出量极为重要。Benkobi等人(1994)指出,植被覆盖可以通过在降水到达地面之前分散其动能、减少地表径流,从而降低土壤侵蚀程度。植被的结构和密度会通过改变地表覆盖范围和径流路径,进而影响C因子。C因子通常是通过某种植被条件下的土壤侵蚀量与裸土条件下的土壤侵蚀量之比来计算的,同时还会考虑耕作方式以及前期作物覆盖留下的影响。良好的植被覆盖能够减缓地表径流、提升水分下渗能力,并减轻土壤退化(Gabriels等人,2003)。
目前,全球已经开发出了多种植被指数,用于研究不同环境条件下的植被特征,例如土壤调整植被指数、MSAVI、增强型植被指数、优化土壤调整植被指数、绿色归一化差异植被指数、差异植被指数、叶绿素植被指数、比率植被指数以及抗大气干扰植被指数等。这些指数已被广泛用于分析不同环境条件下的植被状况。基于Vijith和Dodge-Wan(2020)、Loanamsai等人(2023)、Bueno等人(2020)以及Molinari等人(2021)的研究成果,为解决NDVI在热带河流流域存在的局限性,本研究选取了SAVI、MSAVI、OSAVI、EVI与NDVI一起进行对比分析。这样的选择旨在从空间分布和定量指标两个方面,评估这些指数在估算土壤侵蚀和泥沙产出量方面的表现。此外,每种指数都能弥补NDVI的某些缺陷。例如,EVI在植被茂密、湿度高且云层频繁出现的热带河流流域中,具有更高的敏感度(Huete等人,2002)。SAVI则能在干旱季节、植被稀疏的情况下,有效降低土壤背景因素的干扰(Huete,1988)。MSAVI则能在热带地区植被覆盖度较低的异质景观中,更好地适应土壤变异情况(Qi等人,1994)。OSAVI采用固定的最优调整系数,因此在不同土壤反射率条件下仍能保持稳定的性能(Rondeaux等人,1996)。这些特性使得它们特别适合用于改进RUSLE及相关模型中的C因子估算。目前,关于上述植被指数在确定C因子、进而量化土壤侵蚀和泥沙产出量方面的作用机制,尚未得到充分研究和利用。如果植被指数的选择或应用不当,就会影响侵蚀模型的精度。此外,要对大面积区域的水蚀情况进行高精度评估,还需要一个更为完善的建模体系,而目前这一体系尚不完善。
本研究在印度的一个热带河流流域——戈达瓦里河流域开展,该流域同时受西南季风和东北季风的影响,近几十年来土地利用/土地覆盖发生了显著变化。该流域具有多样的气候、地形和土地利用特征,因此是研究土壤侵蚀和泥沙产出过程的理想区域。
本研究的主要目标包括:
•利用Google Earth Engine平台上的Landsat-9卫星影像,确定该流域内多种植被指数。
•比较并评估这些植被指数在RUSLE和RUSLE-SDR模型中用于估算C因子的有效性,以便对土壤侵蚀和泥沙产出情况进行空间分析和制图。
•找出最能有效提升该流域土壤侵蚀和泥沙产出量估算精度的植被指数。
•利用所选的最佳植被指数,对各个区域级的土壤侵蚀和泥沙产出量进行分类和量化。
本研究的结果有望为土壤保护规划和水域管理提供有力支持,尤其是在数据匮乏的地区。通过基于遥感技术的可靠评估方法,可帮助这些地区更好地应对土壤侵蚀和泥沙产出问题。
章节节选
戈达瓦里河流域概况
戈达瓦里河流域覆盖了奥里萨邦、马哈拉施特拉邦、恰蒂斯加尔邦和安得拉邦,同时在中央邦、卡纳塔克邦和本地治里也有少量分布,总面积约为31万平方公里,占印度国土面积的9.5%。这条河发源于马哈拉施特拉邦的特林巴凯什瓦尔,海拔高度为1067米,向东流淌1465公里后注入孟加拉湾。该流域的纬度范围在北纬16°19′至22°34′之间,经度范围在东经73°24′至83°40′之间,西侧以西高止山脉为界,东侧则以萨特马拉山和阿詹塔山脉为边界。
数据集
本研究使用了HydroSHEDS数据平台(https://www.hydrosheds.org)获取戈达瓦里河流域的边界信息,随后利用地理空间平台中的提取工具,进一步分析该流域的各种特征。植被指数的计算则借助通过Google Earth Engine代码编辑器获取的Landsat-9 OLI-2/TIRS-2多光谱影像,该影像的像素尺寸为30米。土壤数据则来自FAO数据平台(https://www.fao.org/),其分辨率为1/50000,用于对该流域的土壤质地进行分类。
植被指数的分析
在Google Earth Engine平台上,利用Landsat-9卫星影像以及相应的数学公式,计算出了2024年戈达瓦里河流域的多种植被指数,包括SAVI、NDVI、MSAVI、EVI和OSAVI,相关结果见表3和图3。统计结果显示,该流域各植被指数的平均值分别为:NDVI为0.333,EVI为0.249,SAVI为0.202,MSAVI为0.179,OSAVI为0.340(见表3)。其中,OSAVI的植被指数平均值最高,为0.340,而MSAVI的数值最低,为0.179。Xue和Su的研究也得出了类似结论。
结论
尽管仅使用了分辨率为30米的有限数据集,本研究仍发现戈达瓦里河流域下游地区,即该流域的东部区域,存在极高的土壤侵蚀和泥沙产出风险。此外,本研究还分析了EVI、MSAVI、NDVI、SAVI和OSAVI等多种植被指数的特点、优势与局限性,探讨了它们在热带河流流域中量化土壤侵蚀和泥沙产出量方面的作用,同时采用了将经验模型与数值模拟方法相结合的综合分析思路。
局限性与未来研究方向
RUSLE模型存在的主要局限性在于,难以通过实地观测来验证模型结果,尤其是在那些缺乏足够测量数据的非水文区域。在RUSLE模型中,各个参数都是独立计算的,但在实际的自然景观中,各输入参数之间存在强烈的相互依赖关系和非线性相互作用,而这些关系并未被模型完全捕捉到。此外,使用不同空间分辨率的数据集也会带来一定的不确定性。
人工智能辅助说明
在撰写本文过程中,作者使用了ChatGPT(OpenAI)工具来协助语言润色和内容总结。在使用该工具后,作者对内容进行了必要的审核和修改,并对最终发表的文章内容负全责。
作者贡献说明
拉贾特·库马尔·夏尔马:负责研究指导与正式数据分析工作。维诺特·库马尔·桑帕斯:写作——审稿与编辑、写作——初稿撰写、可视化、验证、方法论、研究分析、数据整理、概念构建。未引用的参考文献:Ayele等人,2026年;Bagwan和Gavali,2021年;Büchi等人,2022年;Haboudane等人,2002年;Laonamsai等人,2023年;le Roux,2026年;Malleswara Rao等人,2005年;Nagaraju等人,2011年;Najib和Ismail;Nakil和Khire,2016年;Pal等人,2023年;Patil等人,2015年;Patil等人,2017年;R和R,2023年。数据与材料的获取情况:根据合法请求提供。利益冲突声明:作者声明不存在潜在的利益冲突。伦理审批:所有作者均已阅读并理解《作者伦理责任》相关条款,并在适用情况下遵守了这些规定,同时知晓除少数例外情况外,论文提交后作者身份不可更改。伦理声明:在文章的撰写、发表过程中,所有伦理规范均得到遵守。声明:本文所述内容除以预印本、摘要、已发表的演讲、学术论文或注册报告形式外,此前未曾发表过。该文章未被其他期刊考虑发表。文章的发表已获得所有作者的同意,以及研究工作所在机构的明确或默许支持。若被接受,该文章不得以相同形式、英文或其他任何语言在其他地方发表。资金支持:无。利益冲突声明:? 作者声明自己没有已知的可能影响本文所述工作的财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号