降雨与植被耦合关系对土壤侵蚀的影响分析——以密云水库上游为例

张喜旺，吴炳方

1. 河南大学环境与规划学院，河南 开封 475004；2. 中国科学院遥感应用研究所，北京 100101

土壤侵蚀是自然因素与人为因素综合作用的结果，已是世界上倍受关注的环境问题之一。影响土壤侵蚀的因素很多，如降雨、土壤可蚀性、植被盖度、地形因子（坡度、坡长）、土地管理以及人为活动等。其中，降水是最重要的自然资源之一，同时也是引起土壤侵蚀的主要动力因素[1]。雨滴击溅、分离土壤颗粒以及径流冲刷、转运导致土壤流失。然而并不是所有的降雨事件都能引起土壤侵蚀，只有能够产生足够径流来搬运泥沙的降雨才具有侵蚀性的[2]。而植被是防止水土流失的积极因素，是影响水土流失最为活跃的因子[3]。不适宜的土地利用和地表植被破坏，必将导致水土流失的加剧[4]。植被可以提高土壤的抗冲蚀能力，其减蚀作用表现为3个方面，植被茎叶对降雨雨滴动能的消减作用，植物茎及枯枝落叶对径流流速的减缓作用，植物根系对提高土壤抗冲蚀的作用[5]。植被覆盖层能减小雨滴对地面的打击，增加地面糙率，使气流或水流的作用力分散在覆盖物之间，并且植被腐烂后可增加土壤中有机质的含量，进一步改善土壤的理化性质[6-7]。植被能截留降水，减少雨滴的冲击，改善土壤结构，提高土壤抗蚀能力。同时，植被具有明显的物候变化，不同季节植被覆盖度会明显不同，从而使其防止水土流失的能力在年内是变化的。对于一个确定的研究区，除降雨与植被外，影响土壤侵蚀的其他因子相对是固定不变的，因此准确分析年内降雨过程与植被生长过程的耦合关系对评估土壤流失、优化水土保持等具有重要意义。本文利用 TRMM-3B43月降雨资料数据集与MODIS-NDVI 16 d合成数据，通过年内的降雨分布与植被覆盖的变化过程的综合分析，研究密云水库上游区域降雨与植被的耦合关系对土壤侵蚀的影响。

1 资料与方法

1.1 研究区概况

研究区域位于东经 115°24′～117°35′，北纬40°19′～41°38′，涉及密云、怀柔、延庆、兴隆、栾平、赤城、丰宁、沽源和崇礼等 9个县（部分），如图1所示。研究区面积约为15388 km2，位于北京市北大约80 km。地貌以丘陵为主，低山为辅，还有极少部分中山，地势西北高，东南低，东南部多低山丘陵。潮、白两河顺势而下，河网呈树枝状。境内典型的台地很少，小块平原多分布在河谷型盆地两侧。该区位于欧亚大陆东部中纬度地区，属大陆性季风气候，四季分明。冬季受蒙古高压控制，寒冷干燥，夏季受海洋气团影响，盛行东南季风，年内气温变化显著，流域降水量主要集中在 6—9月。区内分布最广的为褐土，遍布150～1000 m的低山丘陵，面积占流域的60.3%，自然植被以落叶阔叶林和旱生灌丛草类为主。由于植被破坏，水土流失较为严重。棕壤分布于海拔600(阴坡) ～1 000 m(阳坡)以上中低山，占总面积的34.4%。草甸土分布在潮、白两河河谷，占总面积的1.9%，多已开垦为耕作土壤。栗钙土分布在坝根一带，占总面积的2.2%，是重要的牧业用地。

图1 研究区位置示意图Fig.1 Location of study area

1.2 数据

1.2.1 降雨数据

降雨资料采用 TRMM 免费共享（http://daac.gsfc.nasa.gov/data/datapool/TRMM/）的3B43数据集（1998—2004年），通过TRMM数据的时间序列分析降雨的年内分布情况。TRMM项目是人类历史上第一次用卫星从空间对地球大气进行主动遥感。它最显著的特点是覆盖面广，能得到降雨云内部的详细的空间结构。相对点观测资料内插结果，该数据集降雨的空间分布数据更加可信[8]。3B43数据集是TRMM卫星资料和其他资料合成月降雨量数据。与实测降雨资料相比，相同的是他们都为月降雨资料，不同的是实测降雨资料为观测点上的数据，而TRMM-3B43为0.25°×0.25°大小的范围内的降雨量，单位均为mm。虽然TRMM数据空间分辨率很低，但一般认为可以指示出高强度降雨发生的时间。应用 TRMM 数据的优势是可以获取南北纬 50°内任何区域的数据，而降雨观测资料常常很难获取。

1.2.2 NDVI数据

NDVI在使用遥感图像进行植被研究以及植物物候研究中得到广泛应用，它是植物生长状态以及植被空间分布密度的最佳指示因子，与植被分布密度呈线性相关。植被的季节特性被充分地应用到遥感相关应用中，尤其是土地利用和土地覆盖分类。归一化植被指数NDVI很容易从各种空间分辨率和时间序列的卫星数据中提取。虽然NDVI受土壤背景反射率[9]和植被活力[10]影响，但它可以给出植被覆盖在空间和时间上相对变化的指示[11]。因此在侵蚀研究中 NDVI常被用于评估保护性的植被覆盖[12-14]。本文植被资料采用 NASA 免费提供（https://wist.echo.nasa.gov/api/）的MODIS植被指数250 m 16 d合成产品（MOD13QI）。据2004年全年时间序列的NDVI数据分析各类植被的年内变化趋势，MODIS-MOD13QI（250 m）具有非常高的观测频率优势，而且即使在经常有云覆盖的时期也有机会获取无云的影像（单景影像或合成产品），从而形成时间上的连续序列数据，能够较好反映植被的时空变化特征，被广泛用于生态环境监测。由于植被覆盖与降雨是影响土壤侵蚀的两个最活跃的因子，叠加两个时间序列数据，通过它们之间的耦合关系可以分析其对研究区土壤侵蚀的影响。

1.2.3 土地利用数据

土地利用采用2004年SPOT5遥感影像解译出来的结果，主要目的在于分析研究区内不同植被类型的生长情况。这里土地利用的主要作用是被用于计算所对应的MODIS数据像元内的各类植被覆盖百分比，具体方法如下：

（1）首先将土地利用从矢量图转换为栅格图，并重采样为5 m分辨率；

（2）将土地利用图和MODIS数据转换为同一投影（高斯克吕格 117带），并严格配准；用研究区边界截取研究区内的土地利用图和 MODIS影像；

（3）然后将50*50个土地利用像元聚合成1个250 m大小的像元，对应于MODIS像元，从而统计获得每个MODIS像元内各类植被覆盖度所占这个像元的百分比。

（4）最终得到4个250 m分辨率的图像，分别表示各类植被覆盖在对应的MODIS像元中所占的百分比。

2 结果分析与讨论

2.1 年内降雨过程

由于 TRMM-3B43数据产品记录的是月降雨量，因此对研究区内的所有的像元求平均值，用以代表研究区该月的降雨量，以此方法统计1998—2004年所有月份的TRMM 3B43数据产品的估算结果，形成时间序列，分析研究区年内降雨分布情况（如图2所示）。

图2 1998—2004年研究区年内降雨多年均值分布Fig.2 Distribution of rainfall average of the year 1998—2004

图2显示了1998—2004年研究区各月的降雨均值年内分布情况。汛期为 6—8月，最大降雨出现在7月，能形成侵蚀的降雨[15]出现在4—10月。从降雨序列可知，降雨几乎都集中在汛期的 6—8月，偶尔在4月和9月附近会出现较大的降雨。降雨的最大值也主要出现在 6—7月，其中 6月份 2次，7月份3次，8月和9月份各1次。1—3月以及10—12月则很少出现降雨。

2.2 不同植被类型的长势分析

根据源于SPOT5遥感影像分类得到的土地利用图将植被类型分为耕地、林地（包括乔木林和灌木林）、草地和其他四类。研究中划分不同植被类型的目的是更好地了解研究区内不同植被类型的NDVI在时间变化的差异，分析年内不同植被类型的保护土壤性能在时间上的不同。林地主要分布在海拔较高的山地，多分布于阴坡，少量分布于阳坡，另外湿润的沟谷中也有乔木林分布；草地多分布于干燥的阳坡，覆盖度小，也分布于阴坡林地斑块边缘，覆盖度相对较高；耕地大多分布于沟底平地，缓坡地带，以及水库的部分滩地。

从MODIS影像产品中提取每一类植被覆盖的NDVI均值，从而生成2004年不同植被覆盖类型的平均NDVI时间序列曲线，如图3所示。整个研究区每种植被的 NDVI值均随时间有明显的季节变化，其中林地的NDVI值在年内任何时间均明显高于其他植被覆盖类型。1月到4月中旬林地NDVI均值稳定在0.3左右；从4月中旬到5月末，林地开始生长发育，其NDVI值迅速上升，其速度也明显高于其他植被类型；6月初到9月初为林地NDVI处于相对稳定阶段，介于0.8～0.9之间，中间阶段略为上升，到8月中旬达到全年最大值；8月中旬之后林地的NDVI值逐渐下降。对于草地，其NDVI值在1月到4月中旬期间稳定在0.23左右；从4月中旬到5月末，草地也开始快速生长发育，其速度虽低于林地，但高于其他植被类型，5月末达到0.54左右；5月末至8月中旬，草地NDVI上升速度放缓，但高于林地，到8月中旬达到最大值0.75左右；从8月中旬开始，草地NDVI值逐渐下降。对于耕地，其NDVI值的变化情况略微不同，1月到4月中旬期间稳定在0.18左右；从4月中旬到6月中旬，NDVI值缓慢上升，达到0.36左右；从6月中旬到7月中旬，耕地NDVI值快速上升，其速度高于其他任何植被类型；7月中旬到8月中旬，耕地NDVI值上升速度放缓，最终达到年内最大值0.74左右；8月中旬之后，耕地NDVI逐渐下降。对于“其他”植被类型，其变化一路起伏不断，其中2月初出现了年内低于0的最低值；之后NDVI值有升有降，7月中旬达到年内的最大值0.34左右；之后呈下降趋势，虽然也是有升有降。

总体而言，研究区的所有植被在1月至4月中旬是低值稳定阶段；4月中旬至7月中旬为植被的生长阶段，虽然生长速度有变化，但大都是增长的；7月中旬至9月中旬为植被覆盖最佳的阶段，这段时期内所有的植被都基本达到了自己年内的最大值，是具有最佳保护作用的阶段；从9月中旬至12月末，所有植被的NDVI均逐渐下降，说明绿色植被开始枯黄衰败，保护性能也逐渐下降，直至最低。

2.3 植被与降雨的叠加分析

时间序列的NDVI结合时间序列的降雨资料可以确定什么地方什么时间有可能发生侵蚀[15]。如果低的NDVI值遭遇高的降雨强度，则侵蚀风险就高。将降雨量的年内分布与各类型植被NDVI值的时间序列变化曲线置于同一坐标系进行对比分析，如图4。图中的柱状图显示的是1998—2004年的TRMM资料所估算的研究区多年月降雨量的均值；线状图为从 MODIS-MOD13QI产品中提取的研究区各类植被覆盖NDVI时间序列变化曲线，以及全区NDVI均值变化曲线。

图4 2004年研究区植被与降雨的年内变化耦合关系Fig.4 Contrast between NDVI changing and rainfall distribution

整体而言，植被NDVI曲线的分布形态与降雨的年内分布形态基本相似。降雨量主要集中在6—8月，其降雨量占全年总降雨量的59.48%；而植被NDVI值在这个时段也处于高位，可以提供相对较好的保护作用。最大降雨量出现在7月份，占全年总降雨量的23.23%，而在7月各种植被的NDVI值也基本达到最大值。因此几乎不存在高强度降雨遇到低植被覆盖，从而引起剧烈的水土流失的特殊情况。那么发生侵蚀的地方应该是植被覆盖相对较差，从而导致侵蚀的发生，因此需要更详细的分析。

由本区域的侵蚀性降雨标准18.9 mm[15]，可以肯定地指出1—3月份以及11—12月份是几乎不会发生侵蚀的。这段时间内虽然植被覆盖的保护性功能不强，但降雨量也很小，形不成有效的侵蚀性径流。4—5月份的降雨量不大，在40 mm左右；相对而言，植被在这段时间内处于迅速的生长阶段。从而说明了本来降雨量不大的40 mm的降雨不但没有引起强烈的水土流失，反而促进了各类型植被的生长。6月份的多年平均降雨量达到95 mm，虽然降雨量较大，但植被覆盖也达到了很好状态，已经有了很好的水土保持能力；从随后的植被生长来看，本月的降雨也是促进了各种植被的生长，尤其是耕地植被类型（作物类型应该是玉米）增长速度最快，因此6月份也不应该是侵蚀量最大的时期。7月份的多年平均降雨量达到最大值116.6 mm，而植被覆盖也都几乎达到了最大值，但从随后的植被生长来看，林、草以及耕地类的植被的NDVI值均有所增加，但“其他”类的NDVI值反而降低又重新反弹，这从一定程度上说，本月的降雨虽然对林、草以及耕地类的地区造成的侵蚀有限，但已经造成“其他”类地区的侵蚀，并影响到了本类内植被的生长。随后的8—10月份，降雨量与植被的保护作用都在减小，“其他”类的植被在7—9月份内反复明显，说明侵蚀主要发生在7—8月，且主要发生在“其他”类的植被覆盖少的区域。

3 结论

研究中虽然没有用到降雨强度，但从降雨量也可以反映出降雨侵蚀力的大小。并且从历年的降雨资料中也可以看出，密云水库上游地区强降雨一般都集中在 6—9月份。通过对降雨与植被的耦合分析，我们可以得出如下结论：

（1）本研究区降雨与植被的年内分布形态相似，这样的降雨与植被的耦合模式相对来说，对保护土壤是最有利的。当然也有分布形态错开的情况[16]，在植被还没开始快速生长而出现强降雨下，导致较为强烈的侵蚀。

（2）指出1—3月份以及11—12月份几乎不会发生侵蚀。

（3）研究区4月中旬40 mm左右的降雨促进了植被的生长，并且降雨量不大，也行不成太大的侵蚀。

（4）研究区侵蚀主要出现在 7—8月，这时乔灌草等植被虽然几乎到达到最佳状态，但“其他”类的植被覆盖仍然很差。

（5）侵蚀多集中在“其他”地类上。强降雨影响到稀疏的植被的生长，导致大量的侵蚀，因此其NDVI的曲线呈一定的波动情况。

致谢：本文的研究工作由作者在中国科学院遥感应用研究所读博期间完成，得到中国科学院知识创新工程重大项目（KZCX1-YW-08-03）与水利部官厅密云水库上游水土保持遥感监测二期工程（HWSTBC2004-03）项目支持，写作过程中得到导师吴炳方研究员的细心指导，特此感谢！

[1] 章文波, 付金生. 不同类型雨量资料估算降雨侵蚀力[J]. 资源科学,2003, 25(1): 35-41.ZHANG Wenbo, FU Jinsheng. Rainfall erosivity estimation under different rainfall amount[J]. Resources science, 2003, 25(1): 35-41.

[2] XIE Yun, LIU Baoyuan, NEARING M A. Practical Thresholds for Separating Erosive and Non-Erosive Storms[J]. Transactions of the ASAE, 2002, 45(6): 1843-1847.

[3] 詹小国, 王平. 基于RS和GIS的三峡库区水土流失动态监测研究[J]. 长江科学院院报, 2001, 18(2): 41-44.ZHAN Xiaoguo, WANG Ping. Research on dynamical supervision design of water and soil loss in Three Gorges reservoir area based on RS and GIS[J]. Journal 0f Yangtze River Scientific Research lmfitute,2001, 18(2): 41-44.

[4] 黄志霖, 陈利顶, 傅伯杰, 等. 半干旱黄土丘陵沟壑区不同植被类型减蚀效应及其时间变化[J]. 中国水利, 2004, (20): 38-40.HUANG Zhilin, CHEN Liding, FU Bojie, et al. Effect of soil erosion reduction and time changing of different vegetation types in Semi-arid loess hilly and gully region [J]. China water resources, 2004, (20):38-40.

[5] 张兴昌, 邵明安, 黄占斌, 等. 不同植被对土壤侵蚀和氮素流失的影响[J]. 生态学报. 2000, 20(6): 1038-1044.ZHANG Xingchang SHAO Mingan HUANG Zhanbin, et al. An experimental research on soil erosion and nitrogen loss under different vegetation cover[J]. ACTA ECOLOGICA SINICA, 2000, 20(6):1038-1044.

[6] GILLY J E, RISSE L M. Runoff and soil loss as affected by the application of manure[J]. Transaction of the ASAE, 2000, 43(6):1583-1588.

[7] 张光辉，梁一民. 植被盖度对水土保持功效影响的研究综述[J]. 水土保持研究, 1996, 3(2): 104-110.ZHANG Guanghui, LIANG Yimin. A Summary of impact of vegetation coverage on soil and water conservation benefit[J]. Research of soil and water conservation, 1996, 3(2): 104-110.

[8] 张喜旺. 面向水蚀风险遥感评估的有效植被覆盖提取与应用[D].北京: 中国科学院遥感应用研究所, 2009: 28-40.

[9] ESCADAFAL R. Soil spectral properties and their relationships with environmental parameters: examples from arid regions[C]// Hill J,Mégier J. Imaging Spectrometry—A Tool for Environmental Observations. Dordrecht,The Netherlands: Kluwer Academic Publishers, 1994:71-87.

[10] DE JONG S M. Derivation of vegetative variables from a Landsat TM image for modelling soil erosion[J]. Earth Surface Processes and Landforms, 1994, 19(2): 165-178.

[11] CARLSON T N, RIPLEY D A. On the relation between NDVI, fractional vegetation cover, and leaf area index[J]. Remote Sensing of Environment, 1997, 62(3): 241-252.

[12] DE JONG S M, PARACCHINI M L, BERTOLO F, et al. Regional assessment of soil erosion using the distributed model SEMMED and remotely sensed data[J]. Catena, 1999, 37(3/4): 291-308.

[13] JAIN S K, GOEL M K. Assessing the vulnerability to soil erosion of the Ukai Dam catchments using remote sensing and GIS[J]. Hydrological Sciences Journal, 2002, 47(1): 31-40.

[14] SYMEONAKIS E, DRAKE N. Monitoring desertification and land degradation over sub-Saharan Africa[J]. International Journal of Remote Sensing, 2004, 25(3): 573-592.

[15] 刘和平, 袁爱萍, 路炳军, 等. 北京侵蚀性降雨标准研究[J]. 水土保持研究, 2007, 14(1): 215-220.LIU Heping, YUAN Aiping, LU Bingjun, et al. Study on Erosive Ranifall Standard of Beijing [J]. Research of soil and water conservation, 2007 14(1): 215-220.

[16] VRIELING A, DE JONG S M, STERK G, et al. Timing of erosion and satellite data: A multi-resolution approach to soil erosion risk mapping[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(3): 267-281.