常夢迪，王新軍*，閆立男，馬克，李永康，李菊艷，賈宏濤

（1.新疆農(nóng)業(yè)大學草業(yè)與環(huán)境科學學院，烏魯木齊 830052；2.新疆土壤與植物生態(tài)過程重點實驗室，烏魯木齊 830052；3.新疆維吾爾自治區(qū)水土保持生態(tài)環(huán)境監(jiān)測總站，烏魯木齊 830011）

植被覆蓋管理措施因子（Vegetation cover and management factor，以下簡稱C因子）用來表示植被覆蓋和管理措施對土壤侵蝕的影響，是水力侵蝕模型中最敏感、易變化、可調(diào)節(jié)的因子，其空間分布特征及其影響因素備受關(guān)注[1-2]。其他重要的土壤侵蝕風險因素，包括降雨侵蝕力因子（R）、土壤可蝕性因子（K）、坡長因子（L）和坡度因子（S），主要由自然條件決定，人為干擾較少，而C因子則是受人為干擾且可調(diào)節(jié)的關(guān)鍵因子[3]。

通常利用遙感數(shù)據(jù)獲取C因子的主要方法包括土地利用/覆蓋類型直接賦值法、植被指數(shù)估算法、植被覆蓋度估算法[4]。土地利用/覆蓋類型直接賦值法根據(jù)不同的土地利用類型/植被覆蓋級別進行C因子的賦值[4]，該方法簡單易行、應用廣泛，但不能反映同一土地利用類型/覆蓋類型內(nèi)C因子的時空異質(zhì)性，受土地利用/覆蓋類型解譯精度的限制[5-6]。植被指數(shù)估算法首先建立小區(qū)實測C因子值與植被指數(shù)的回歸模型，再將該模型推廣到研究區(qū)獲取C因子[4]，但該方法具有不確定性，這是由于其與植被分布、土壤反射率和植物活力變化的相關(guān)性較差。植被覆蓋度估算法通過植被指數(shù)或混合像元分解反演流域、區(qū)域尺度植被覆蓋度，然后通過小區(qū)、坡面尺度C因子與植被覆蓋度的關(guān)系式估算流域、區(qū)域尺度C因子[4]。作為基于植被指數(shù)直接或間接計算C因子的替代方法，植被覆蓋度估算法通過混合像元分解估算綠色植被覆蓋的豐度，并根據(jù)C因子與植被覆蓋度的關(guān)系式計算得到C因子。混合像元分解中，線性光譜混合模型（Linear Spectral Mixture Model，LSMM）是提出最早且應用最為廣泛的方法。楊峰等[7]將LSMM 模型應用于干旱、半干旱地區(qū)的植被覆蓋度研究，解決了地物混合像元問題，具有較好的效果。SCHMIDT 等[8]通過LSMM 模型將瑞士草地分為植被、基巖/裸土/瀝青、陰影3 個端元，基于實測數(shù)據(jù)建立C因子與植被覆蓋度的關(guān)系式，從而計算各時段的C因子，并加權(quán)各時段降雨侵蝕力比例，進而估算區(qū)域時空動態(tài)的C因子，結(jié)果表明，應用LSMM 模型并考慮降雨、植被季節(jié)分布能夠較為全面地反映C因子的空間變化特征。以往的研究中LSMM模型常把植被作為一個端元[8-9]，由于本研究位于天山北坡中段山區(qū)，植被種類豐富、時空差異較大，故根據(jù)研究區(qū)實際情況將植被細分為草地、灌木林地、喬木林地端元。因此，如何提高區(qū)域尺度長時間序列C因子的估算精度成為預測土壤侵蝕準確性的關(guān)鍵。

2013 年第一次全國水利普查水土保持情況公報數(shù)據(jù)顯示[10]，新疆水力侵蝕面積為8.76×104km2，主要分布在新疆北部的伊犁州、天山南北坡地帶和阿爾泰山南坡，主要發(fā)生在中低山區(qū)和丘陵地區(qū)[11]。新疆大部分土壤侵蝕研究主要集中在降雨量較大的伊犁河谷區(qū)域[12-13]，而針對天山南北坡的相關(guān)研究較少。天山山區(qū)降雨存在空間不均勻性，北坡（迎風坡）大于南坡（背風坡）。降雨呈現(xiàn)山區(qū)高、平原低的格局。天山北坡山區(qū)受季節(jié)性強降雨的影響，水力侵蝕尤為強烈。烏魯木齊縣山區(qū)是天山北坡旅游經(jīng)濟和畜牧經(jīng)濟發(fā)展旺盛的區(qū)域[14-15]，因此以天山北坡中段烏魯木齊縣山區(qū)為研究對象，選擇研究區(qū)2000、2005、2010、2015、2018 年的Landsat、MODIS MOD13Q1 遙感數(shù)據(jù)和日降水數(shù)據(jù)，結(jié)合LSMM 模型和像元二分模型分別計算空間和時間上的植被覆蓋度，基于增強型自適應反射率時空融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）預測得到高時空分辨率的植被覆蓋度數(shù)據(jù)（分辨率30 m，16 d），通過研究區(qū)植被覆蓋度的實測值，驗證反演模型的精度。將時空融合后的植被覆蓋度轉(zhuǎn)換為各半月時段的C因子，并結(jié)合各半月降雨侵蝕力比例進行年內(nèi)加權(quán)，得到烏魯木齊縣山區(qū)時空動態(tài)的C因子，以期為進一步開展大尺度C因子的定量估算提供借鑒，為新疆干旱區(qū)土壤侵蝕的研究及綜合治理提供數(shù)據(jù)支持。

1 材料與方法

1.1 研究區(qū)概況

烏魯木齊縣山區(qū)位于新疆維吾爾自治區(qū)天山北坡中段烏魯木齊市西南（86°79′～87°93′E，43°66′～43°02′N），總面積約2 952.38 km2。地勢西南高、東北低，海拔1 155～4 461 m。烏魯木齊縣山區(qū)地形地貌的多樣性使不同海拔、坡位、坡面的水熱條件不同，各山地垂直帶氣候也各不相同。在垂直方向上，降雨量隨海拔高度的增加而遞增，其中中部山區(qū)降雨最為豐富，高山區(qū)降雨量有所下降，氣溫隨海拔高度的增加而降低；在水平方向上，坡向的不同導致太陽熱量輻射和水汽截流狀況不同，造成不同坡向水熱條件的不同[16]。烏魯木齊縣山區(qū)迎風背陽，降雨量多，太陽輻射少，較為濕潤，多年平均降雨量為481.79 mm，大年份614.40 mm，小年份278.50 mm。一年中降雨主要集中在5—8 月，占年降雨量的68.46%。年平均氣溫為3.07 ℃，月平均氣溫最高為16.80 ℃，月平均氣溫最低為-16.00 ℃。研究區(qū)主要土壤類型有栗鈣土、黑鈣土、灰褐土、黑氈土、草氈土等。研究區(qū)植被類型多樣，主要由草本（64.82%）、喬木（15.12%）和灌木（0.93%）構(gòu)成。研究區(qū)概況如圖1所示。

圖1 研究區(qū)概況Figure 1 Overview of the study area

1.2 數(shù)據(jù)獲取

依據(jù)新疆的氣候和植被生長狀況，選擇3—11 月作為研究時段。本研究所需的數(shù)據(jù)如下：①遙感影像數(shù)據(jù)：選取2000、2005、2010、2015、2018年4—10月的Landsat 系列遙感影像（分辨率30 m，16 d），每個年份選擇質(zhì)量較好的2 景影像，共10 景影像，軌道號均為143/030（來源于美國地質(zhì)調(diào)查局官網(wǎng)）；獲取以上5個年份16 d 合成的MODIS MOD13Q1 數(shù)據(jù)（分辨率250 m，16 d），統(tǒng)一使用年積日表示數(shù)據(jù)的獲取日期，即第65 天至第337 天，每個年份各18 景影像，共90 景影像，軌道號均為24/04（來源于Earth data）。②日降水數(shù)據(jù)：獲取以上5 個年份烏魯木齊牧試站、烏魯木齊站及周邊區(qū)域共18 個氣象站點的日降水數(shù)據(jù)（來源于中國氣象數(shù)據(jù)網(wǎng)）。③土地利用數(shù)據(jù)：參照文獻方法[17]，采用二級分類體系，結(jié)合實際情況，將研究區(qū)土地劃分為13 類（天然牧草地、人工牧草地、其他草地、喬木林地、灌木林地、其他林地、裸土地、旱地、水澆地、采礦用地、風景名勝設施用地、內(nèi)陸灘涂、農(nóng)村宅基地），使用Landsat系列遙感影像、高分影像，通過人機交互解譯獲取研究區(qū)2000、2005、2010、2015、2018年土地利用數(shù)據(jù)?；谕恋乩妙愋偷目臻g分布特征，采用分層隨機抽樣方法，從每個時期的土地利用分類圖上提取200 個樣點，進行現(xiàn)場核查和Google Earth 歷史影像檢驗，總體分類精度均高于85%，符合研究需求。

MODIS MOD13Q1 數(shù)據(jù)使用MRT 軟件將HDF 格式轉(zhuǎn)換成Tiff 格式并進行歸一化植被指數(shù)（Normal?ized Difference Vegetation Index，NDVI）數(shù)據(jù)的導出、投影轉(zhuǎn)換、裁剪、最大值合成等處理。Landsat 數(shù)據(jù)使用ENVI 5.3 軟件進行預處理。輻射定標后采用FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）模型[18]進行大氣校正。同時以研究區(qū)經(jīng)校正的2015 年Landsat TM 遙感影像作為標準底圖，采用二次多項式擬合法[19]對影像進行幾何精糾正，誤差控制在0.5 個像元內(nèi)。受山脈的起伏和側(cè)視成像等影響，影像具有一定的陰影。因此為了校正山區(qū)遙感影像的反射率，采用Teillet 地形校正模型[20]反演得到地表反射率。

采用分層隨機采樣方法，考慮研究區(qū)土壤類型和草地類型，結(jié)合流域完整性及地形坡位、土地利用類型、禁牧與放牧狀況，并根據(jù)樣點的均勻性和可達性設置25 個采樣點。野外采樣工作于2019 年7 月開展，樣地大小為30 m×30 m，在樣地對角線的兩端和中心3 個1 m×1 m 的樣方核查實際土地利用類型，并采用野外垂直向上照相法獲取林地郁閉度，采用野外垂直向下照相法獲取草地、灌木林地的覆蓋度。

1.3 研究方法

1.3.1 降雨侵蝕力因子

根據(jù)模型算法和數(shù)據(jù)獲取情況，本研究采用日降水數(shù)據(jù)計算半月降雨侵蝕力[21]。計算公式為：

式中：R半月i為第i個半月的降雨侵蝕力因子，MJ·mm·hm-2·h-1；Pk為半月中第k天的侵蝕性日降水量（≥12 mm），<12 mm以0計算，mm；m為半月內(nèi)的天數(shù)，d；α、β是模型參數(shù)。

式中：Pd12和Py12分別是日降水量≥12 mm 的日平均降雨量和年平均降雨量，mm。

為了與一年內(nèi)各時段的C因子時間序列統(tǒng)一，將半月降雨侵蝕力模型改進為16 d 降雨侵蝕力模型。應用式（1）、式（2）、式（3）計算18個氣象站點每年3—11 月（18 個半月）的降雨侵蝕力，累加各半月降雨侵蝕力得到年降雨侵蝕力。采用反距離權(quán)重插值（Inverse Distance Weight，IDW）方 法[22]，得 到2000、2005、2010、2015、2018年研究區(qū)降雨侵蝕力因子。

1.3.2 線性光譜混合模型

高空間特征植被覆蓋度的計算采用線性光譜混合模型。線性光譜混合模型的主要過程包括數(shù)據(jù)預處理、最小噪聲分離（Minimum Noise Fraction，MNF）變換[23]、純凈像元指數(shù)（Pixel Purity Index，PPI）提取[24]、端元提取、線性光譜解混、精度分析等。

（1）端元提取

有效端元的選取是線性光譜混合模型的關(guān)鍵環(huán)節(jié)。在對Landsat 數(shù)據(jù)進行端元提取之前，首先進行MNF 變換，其結(jié)果用于PPI 提取，獲得相對純凈的像元作為候選端元。最后利用N 維可視化（N-Dimen?sional visualization）工具[25]選取純凈的端元光譜，根據(jù)ENVI 5.3軟件光譜庫中的“參考端元”、遙感影像上提取的“影像端元”，并與研究區(qū)土地利用圖相結(jié)合，最終確定了草地、喬木林地、灌木林地、裸巖和裸土5 種典型端元類型，并計算每個端元的平均光譜特征值，以獲得每個端元的光譜特征曲線（圖2）。

圖2 終端像元光譜特征曲線Figure 2 Spectral characteristic curve of terminal pixels

（2）線性光譜解混

LSMM 模型的原理是混合像元的反射率為像元內(nèi)每個組分反射率與其豐度的線性組合，它的基本假設是混合像元每個組分的光譜彼此獨立[26]。計算公式為：

式中：i=1，…，n（n為光譜波段數(shù)）；j=1，…，m（m為端元數(shù)）；Ri為i波段混合像元光譜反射率；fj為j端元豐度；Wi，j為j端元在i波段上的光譜反射率；εi為i波段殘差。

本研究使用ENVI-IDL 編程實現(xiàn)全約束線性光譜解混。已知混合像元光譜反射率Ri和端元光譜反射率Wi，j，通過全約束最小二乘算法（Fully Con?strained Least Squares，F(xiàn)CLS）[27]反解端元豐度值fj。均方根誤差（Root Mean Square Error，RMSE）用于評估線性光譜解混結(jié)果的準確性，RMSE值越小，解混精度越高。計算公式為：

本研究將獲得的草地、喬木林地、灌木林地端元組分豐度圖進行疊加計算植被覆蓋度（LandsatFGVC），得到每年各2 景的高空間植被覆蓋度數(shù)據(jù)（分辨率30 m，16 d）。

1.3.3 像元二分模型

高時間序列植被覆蓋度的計算采用像元二分模型，該模型假定地表由植被和土壤組成，其覆蓋度與相應NDVI值的線性組合為混合像元的NDVI值[28]。計算公式為：

式中：FGVC為植被覆蓋度；NDVI為像元的歸一化植被指數(shù)；NDVIveg和NDVIsoil分別為純植被、純土壤端元的歸一化植被指數(shù)。

本研究根據(jù)MODIS 數(shù)據(jù)區(qū)域不同土地利用類型在95%和5%的置信區(qū)間來確定NDVIveg和NDVIsoil，以每個時期的土地利用數(shù)據(jù)作為掩膜，將計算出的不同土地利用類型的NDVIveg和NDVIsoil帶入公式（6）中，以實現(xiàn)植被覆蓋度（MODISFGVC）的估算，得到每年各18 景的高時間序列植被覆蓋度數(shù)據(jù)（分辨率250 m，16 d）。

1.3.4 ESTARFM時空融合模型

Landsat 數(shù)據(jù)易受云霧和降雨天氣的影響，無法獲取連續(xù)的高質(zhì)量時間序列數(shù)據(jù)；MODIS 數(shù)據(jù)具有較好的時效性，但空間分辨率較低。因此采用ZHU 等[29]提出的ESTARFM 時空融合模型用于整合LandsatFGVC空間數(shù)據(jù)（分辨率30 m，16 d）和MODISFGVC時間數(shù)據(jù)（分辨率250 m，16 d），時空融合后得到的ESTARFMFGVC與LandastFGVC數(shù)據(jù)空間分辨率一致，與MODISFGVC數(shù)據(jù)時間分辨率一致，得到每年各18 景的ESTARFMFGVC數(shù)據(jù)（分辨率30 m，16 d）。

1.3.5 植被覆蓋管理措施因子

本研究采用蔡崇法等[30]的方法，即根據(jù)Ci因子與FGVC之間的關(guān)系式來估算Ci值，其值在0～1 之間。計算公式為：

根據(jù)唐克麗[31]對C因子的定義，將FGVC轉(zhuǎn)化為Ci，并結(jié)合18 個半月降雨侵蝕力因子比例，計算得到年內(nèi)加權(quán)平均C因子值。計算公式為：

式中：Ci指第i個半月的植被覆蓋管理措施因子；Ri指第i個半月的降雨侵蝕力占年降雨侵蝕力的比例；C為年均植被覆蓋管理措施因子。

根據(jù)式（7）、式（8）計算C因子，得到2000、2005、2010、2015、2018年研究區(qū)植被覆蓋管理措施因子。

2 結(jié)果與分析

2.1 線性光譜解混精度分析

在空間建模方法中，選取空間分辨率為30 m 的Landsat 系列遙感影像數(shù)據(jù)，采用全約束最小二乘算法進行線性光譜解混。研究以2015 年8 月18 日（第230 天）的Landsat 8 影像數(shù)據(jù)為例，檢驗解混精度。圖3 為線性光譜解混產(chǎn)生的均方根誤差（RMSE）分布圖，像元最大RMSE值為0.089 3，最小值為0.001 2，平均值為0.027 4，絕大多數(shù)像元的RMSE值在0.013 1左右，大多數(shù)RMSE值小于0.041 2。用于時空融合的10 景Landsat 數(shù)據(jù)線性光譜解混RMSE值總體上低于0.046 3，線性光譜解混精度較高。

圖3 均方根誤差分布Figure 3 Root mean square error distribution

為了評估模型的準確性，使用研究區(qū)域中25 個采樣點實測的植被覆蓋度數(shù)據(jù)來驗證模型的準確性，對通過LSMM 模型獲得的植被覆蓋度預測值與實測值進行線性回歸分析，得到圖4，決定系數(shù)R2為0.840 2，RMSE為11.045 5。兩者的相關(guān)性散點相對集中，擬合趨勢線接近1∶1 對角線（y=x），斜率K為0.840 4，總體預測精度較高，LSMM 模型可用于估測研究區(qū)植被覆蓋度。

圖4 植被覆蓋度實測值與估測值關(guān)系Figure 4 The relationship between the measured and estimated values of vegetation coverage

2.2 ESTARFM時空融合精度分析

應用根據(jù)LSMM 模型獲得的空間特征植被覆蓋度和根據(jù)像元二分模型獲得的時間序列植被覆蓋度，采用ESTARFM 時空融合模型獲得研究區(qū)2000、2005、2010、2015、2018年（3—11月）共90景ESTARFMFGVC數(shù)據(jù)（分辨率30 m，16 d）。相較于LandsatFGVC數(shù)據(jù)，ESTARFMFGVC數(shù)據(jù)包含更多的植被時間變化特征。此外，為進一步檢驗ESTARFMFGVC數(shù)據(jù)的空間變化特征，研究選擇2015 年4 月12 日（102 d）、2015年9月3日（246 d）以及2015年4月7日（97 d）、2015年8月29日（241 d）的兩組LandsatFGVC和MODISFGVC數(shù)據(jù)作為輸入數(shù)據(jù)，使用2015 年8 月13 日（225 d）的MODISFGVC數(shù)據(jù)來預測該時期的ESTARFMFGVC數(shù)據(jù)，并利用2015 年8 月18 日（230 d）的LandsatFGVC數(shù)據(jù)作為參考。通過對比2015 年8月13日（225 d）的MODISFGVC影像、2015年8月18日（230 d）的LandsatFGVC影像和融合結(jié)果影像ESTARFMFGVC（圖5）發(fā)現(xiàn)，與MODISFGVC數(shù)據(jù)相比，ESTARFMFGVC保留了LandsatFGVC的空間分布信息，影像紋理結(jié)構(gòu)清晰，并且還包含MODISFGVC的時間變化信息。

圖5 ESTARFM時空融合結(jié)果對比Figure 5 Comparison of ESTARFM spatio-temporal fusion results

由于僅憑視覺觀察無法準確說明融合結(jié)果的準確性，因此對預測結(jié)果進行定量分析。通過計算ESTARFMFGVC和LandsatFGVC之間的差值來獲得差值頻數(shù)分布圖（圖6），水平軸為像元差值，垂直軸為像元差值頻數(shù)。從圖6 中可以看出，差值接近0 的頻數(shù)較高，說明實際影像與融合影像中大多數(shù)像元值之間的差異很小。ESTARFMFGVC和LandsatFGVC的差值平均值為1.965 4，標準差為5.663 5，分布較為集中。其中差異較大的區(qū)域主要是地表植被空間格局復雜的區(qū)域，尤其是烏魯木齊縣山區(qū)林草植被分布相對零散的區(qū)域。融合結(jié)果與LandsatFGVC相差不大，大多數(shù)地區(qū)（92%）的差值絕對值小于10，總體預測精度高。

圖6 ESTARFM FGVC與Landsat FGVC差值頻數(shù)分布Figure 6 ESTARFM FGVC and Landsat FGVC difference frequency distribution

2.3 不同土地利用類型對植被覆蓋度的影響

統(tǒng)計2000—2018 年烏魯木齊縣山區(qū)年內(nèi)（以16 d 為間隔）的不同土地利用類型的植被覆蓋度均值得到圖7。從圖7 中可以看出，植被生長始于第81 天（3月底），止于第321 天（11 月中旬）；除裸土地外，總體上各土地利用類型植被覆蓋度均在第177天（6月底）達到最大。喬木林地在一年中植被郁閉度最高，在40%～70%之間；其次為人工牧草地、水澆地、風景名勝設施用地、天然牧草地，年內(nèi)植被覆蓋度最高在60%左右；裸土地的植被覆蓋度最低，年內(nèi)植被覆蓋度最高在25%左右。

圖7 2000—2018年烏魯木齊縣山區(qū)年內(nèi)不同土地利用類型植被覆蓋度均值變化Figure 7 The average change of vegetation coverage of different land use types in the mountainous area of Urumqi County from 2000 to 2018

2.4 植被覆蓋管理措施因子時間變化特征

2000—2018 年烏魯木齊縣山區(qū)3—11 月間春季（3—5月）、夏季（6—8月）、秋季（9—11月）、雨季（4—9月）、旱季（3月、10—11月）的C因子值見表1。由表1 可知，2000—2018 年C因子隨季節(jié)變化有所不同，其中春秋兩季的C因子值較大，且較為接近，夏季的C因子值較??；C因子受雨旱季節(jié)演替變化影響較大，其中旱季的C因子值均大于雨季，這主要是因為雨季植被生長旺盛，地表植被能夠有效地截留降雨，降雨對土壤表面顆粒的影響隨之降低。這表明當侵蝕性降雨集中的月份有較好的植被保護時，土壤流失較少。而旱季地表植被覆蓋少，甚至無植被覆蓋，易引起土壤侵蝕。植被對土壤的防護作用隨著植被的生長發(fā)育而逐漸改變。因此，研究區(qū)植被覆蓋最差、降雨侵蝕力較大的時段是土壤侵蝕的危險時期，在此期間采取相應的防護措施能夠有效防止土壤侵蝕的發(fā)生。由研究區(qū)年際C因子的平均值（圖8）可以看出，2000—2018 年C因子均值總體上呈現(xiàn)先上升后下降趨勢。

圖8 2000—2018年烏魯木齊縣山區(qū)C因子均值年際變化Figure 8 Interannual change of the mean value of C factor in the mountainous area of Urumqi County from 2000 to 2018

表1 2000—2018年烏魯木齊縣山區(qū)不同季節(jié)、雨旱季的C因子均值Table 1 The mean value of C factor in different seasons，rainy and dry seasons in the mountainous area of Urumqi County from 2000 to 2018

2.5 植被覆蓋管理措施因子空間變化特征

經(jīng)計算得到2000—2018 年的烏魯木齊縣山區(qū)C因子分布（圖9）。從圖9 中可以看出，植被覆蓋度對C因子的影響較大，植被稀疏、植被結(jié)構(gòu)簡單甚至沒有植被覆蓋的南部高山區(qū)C因子值較高；植被茂密、植被結(jié)構(gòu)復雜的北部中低山丘陵區(qū)C因子值較低。2000—2018 年研究區(qū)抵抗土壤侵蝕能力較強（C<0.05）和較弱（C>0.3）的區(qū)域面積變化趨勢如圖10 所示。C<0.05 的區(qū)域面積先由研究區(qū)總面積的20.38%（2000 年）逐漸減小到15.41%（2010 年），后迅速增大到34.99%（2018年）；而C>0.3的區(qū)域面積先由研究區(qū)總面積的3.16%（2000 年）迅速增大到22.58%（2005年），后緩慢增大到23.19%（2010 年），再逐漸減少到14.34%（2018 年）。起初由于超載放牧，植被破壞嚴重，覆蓋度低。從2010 年實施草原生態(tài)保護補助獎勵機制以來，植被逐漸恢復，覆蓋度大幅提高。

圖9 2000—2018年烏魯木齊縣山區(qū)C因子空間分布Figure 9 The spatial distribution of C factor in the mountainous area of Urumqi County from 2000 to 2018

圖10 2000—2018年烏魯木齊縣山區(qū)C因子值像元數(shù)百分比年際變化Figure 10 Interannual change of the percentage of the pixel number of the C factor value in the mountainous area of Urumqi County from 2000 to 2018

2.6 不同土地利用類型對植被覆蓋管理措施因子的影響

統(tǒng)計2000—2018 年烏魯木齊縣山區(qū)年內(nèi)（以16 d 為間隔）的不同土地利用類型的C因子均值得到圖11。從圖11 中可以看出，2000—2018 年烏魯木齊縣山區(qū)年內(nèi)C因子均值總體呈現(xiàn)先下降后上升的趨勢，與植被覆蓋度年內(nèi)變化趨勢相反，這表明較好的植被覆蓋可降低土壤侵蝕。研究區(qū)C因子值的分布與土地利用類型密切相關(guān)。裸土地的C因子值最高，主要分布在海拔>3 000 m 的高山區(qū)域；其次是其他林地、采礦用地、其他草地、灌木林地、旱地，主要分布在海拔1 600～2 000 m 之間的山前沖積扇區(qū)域。而喬木林地、人工牧草地、天然牧草地的C因子值最低，主要分布在海拔2 000～3 000 m 之間植被覆蓋度較高的中低山丘陵區(qū)域。烏魯木齊縣山區(qū)天然牧草地和喬木林地面積占比較大，且草地面積大于林地面積，C因子值估算結(jié)果總體呈現(xiàn)出草地>林地的特點，表明不同土地利用類型的水土保持功效有所不同，一般表現(xiàn)為林地>草地。不同林地利用類型C因子表現(xiàn)為其他林地>灌木林地>喬木林地，符合C因子的實際分布特征。

圖11 2000—2018年烏魯木齊縣山區(qū)年內(nèi)不同土地利用類型C因子均值變化Figure 11 The average change of C factor of different land use types in the mountainous area of Urumqi County from 2000 to 2018

3 討論

由于C因子受侵蝕性降雨的季節(jié)性分布以及地表植被覆蓋時間變化特征的影響[32]，本研究結(jié)合區(qū)域植被生長周期，選取多期遙感影像計算年內(nèi)各時段的C因子，并利用各時段的降雨侵蝕力比例來修正C因子。SCHMIDT 等[8]的研究表明：與年度C因子相比較，側(cè)重于四季或一年12 個月C因子的動態(tài)方法能夠減少年度C因子計算中的誤差；采用植被各生長期時空變化的R因子和C因子的組合能更準確地評估C因子動態(tài)，同時確定易受侵蝕的區(qū)域和季節(jié)。C因子與植被覆蓋度的變化趨勢相反，主要是因為良好的地表植被覆蓋能夠防止雨滴飛濺侵蝕，減緩地表徑流，降低土壤侵蝕風險，這與已有研究[33]結(jié)果一致。張曉艷等[34]對不同土地利用類型的土壤侵蝕進行研究，結(jié)果表明同一降雨時間內(nèi)，地表徑流量表現(xiàn)為草地>林地，林地的水土保持功效優(yōu)于草地，這與本研究結(jié)果基本一致。林杰等[2]對不同林地利用類型的C因子進行研究，結(jié)果表明林地的水土保持功效最大，灌木林地次之，疏林地最差，這與本研究結(jié)果基本一致。天山北坡處于迎風坡，降雨量相對較大，影響C因子的主要氣候因素為降雨。本研究結(jié)果表明，一年中5—8月為主要的降雨期，C因子值較小，這主要是因為該時期植被生長較為旺盛，地表植被覆蓋度較高，能夠有效地截留降雨，減小徑流對土壤的沖刷。降雨侵蝕力年內(nèi)分配與地表植被覆蓋季節(jié)變化的配合狀況對土壤侵蝕有較大影響，而在暴雨集中期，植被覆蓋較差時，土壤流失最為嚴重，這與已有研究[33]結(jié)果一致。

隨著畜牧業(yè)的不斷發(fā)展，牧場的載畜量日益增大，草地退化問題嚴重，草畜矛盾日趨尖銳。自2010年10月以來，國務院對8個主要草原牧區(qū)（包括新疆）實施草原生態(tài)保護補助獎勵機制，每年把大額補助資金用于草原禁牧補助、草畜平衡獎勵、牧草良種補助和牧戶生產(chǎn)性補助等方面，起到很好的效果[35]。植被覆蓋度是草地退化監(jiān)測的關(guān)鍵指標之一，起初草地嚴重超載和過度放牧，草地植被受到嚴重破壞，植被覆蓋度降低。自2010 年以來，一系列措施的實施，例如禁牧休牧、劃區(qū)輪牧、舍飼圈養(yǎng)等，使植被得到恢復，植被覆蓋度增加。C因子與植被覆蓋度之間具有密切的聯(lián)系，2000—2018年烏魯木齊縣山區(qū)C因子呈先上升后下降的趨勢。

本研究對天山北坡中段烏魯木齊縣山區(qū)C因子的定量估算也存在不足。新疆天山北坡草地受季節(jié)變化影響明顯，可能導致結(jié)果具有一定偏差；同時本研究所使用的Landsat 影像分辨率較低，端元選取時未考慮草地非光合植被、陰影等，這也可能會對結(jié)果產(chǎn)生影響。因此在今后的研究中應當使用高分辨率影像，并深入探討基于光譜混合模型的C因子應用研究。

4 結(jié)論

本研究根據(jù)不同的衛(wèi)星遙感數(shù)據(jù)（Landsat 和MODIS MOD13Q1）、日降水數(shù)據(jù)、土地利用數(shù)據(jù)、植被覆蓋度實測數(shù)據(jù)等，結(jié)合LSMM 模型、像元二分模型和ESTARFM 模型計算C因子，并分析C因子的時空格局特征及不同土地利用類型對C因子的影響，得出以下結(jié)論：

（1）10景Landsat數(shù)據(jù)線性光譜解混精度較高，對研究區(qū)植被覆蓋度的估測結(jié)果較為理想。ESTARFM 算法生成的具有高時空分辨率的ESTARFMFGVC數(shù)據(jù)不僅增加了LandsatFGVC的空間特征，而且包含MODISFGVC的時間序列。ESTARFMFGVC與LandsatFGVC相差不大，差值趨近于0的像元數(shù)量占比較大，總體預測精度較高。

（2）2000—2018年C因子均值總體呈現(xiàn)先上升后下降趨勢。C因子值隨季節(jié)、雨旱季變化而變化，表現(xiàn)為秋季>春季>夏季、旱季>雨季。基于植被覆蓋度和C因子的年內(nèi)變化特征可知，植被覆蓋度較大的時段C因子值較小。C因子值呈現(xiàn)南部高山區(qū)較高、北部中低山丘陵區(qū)較低的格局。C因子值估算結(jié)果呈現(xiàn)出草地>林地的特點，說明不同土地利用類型的水土保持功效有所不同，對水土保持而言，林地是最有效的土地利用類型。