黑龙江省黑土区拉林河流域土壤侵蚀强度评价方法比较

周宁，满秀玲，李超

(1.东北林业大学，150040，哈尔滨;2.黑龙江省水土保持科学研究所，150070，哈尔滨;3.北京林业大学，100083，北京)

我国东北黑土区［1］是世界上仅有的三大黑土区之一，面积103.02万 km2，其中土壤侵蚀面积27.95万km2，占总面积的27.13%，土壤侵蚀已成为制约东北黑土区经济和社会发展的重要因素;因此，对该区土壤侵蚀强度进行科学的评价是研究和保护东北黑土区的重要内容之一。目前，土壤侵蚀强度评价方法已有一些，比如:王春梅等［2］对陕西省安塞县土壤侵蚀强度进行评价研究;余瞰等［3］建立了以面蚀为主地区土壤侵蚀强度分级的快速评价方法;史彩宁等［4］进行了大区域土壤侵蚀自动化计算和坡度的衰减等问题的研究。笔者结合黑龙江省黑土区拉林河流域土壤侵蚀现状，通过构建坡度、坡向、土壤类型、土地利用状况和标准化植被指数(NDVI)等5项评价指标的数据库，采用逻辑回归模型和广义回归神经网络模型，分别对研究区土壤侵蚀强度进行预测，用像斑概率值构建栅格数据库，在ArcGIS上形成研究区土壤侵蚀强度分布预测图，并以受试者工作特征曲线(receiver operating characteristic curve，简称ROC曲线)对2种模型的预测结果进行校验分析。构建合理的评价模型，对探究区域土壤侵蚀强度评价的科学方法，进行水土流失分区防治、合理施以水土保持措施具有积极意义。

1 研究区概况

拉林河流域位于黑龙江省的南部，位于E125°44′50″～128°23′45″、N44°4′11″～ 45°30′29″，涉及哈尔滨市阿城区、五常市、双城市和尚志市，流域面积1万645.22km2，地貌自东向西由低山丘陵宽谷向洪积台地过渡。本流域属中温带大陆性季风气候。年平均气温2.4～3.6℃，年均降雨量481～691 mm，无霜期121～140 d。在黑龙江省植被区划中，研究区西部属松嫩平原羊草草原区，原生植被类型为草原植被，现已高度农业化，植被类型为栽培植被，东部属张广才岭完达山阔叶红松林亚区，植被类型以针阔叶混交林、灌丛和沼泽为主。研究区属东北黑土区，土壤类型主要包括黑土、黑钙土、暗棕壤、草甸土和白浆土，土壤侵蚀类型以水力侵蚀为主，按全国第2次土壤侵蚀遥感调查结果，并采用黑龙江省水土保持科学研究所提供黑龙江省第2次土壤侵蚀遥感调查数据，绘制研究区土壤侵蚀强度分布图，见图1。

2 材料与方法

2.1 数据来源和处理

在ArcGIS 9.3上，以1:10万的地形图为地理数据源，经处理生成分辨率为100的研究区DEM，进而提取坡度和坡向;在遥感影像(Land-sat4 TM)上提取 NDVI［5］;采用黑龙江省 1995—1996 年土地利用数据和同期土壤资料［6］，将土壤类型图和土地利用类型图处理为图层数据。对坡度、坡向、NDVI、土壤类型和土地利用类型数据进行分级处理［7 8］，消除量纲影响，生成6万5 535个像斑，以合并生成的图形数据作为数学分析的基础和数据建库的本底图形，并分别保留了源数据的空间属性特征。

图1 研究区土壤侵蚀强度分布图Fig．1 Soil erosion intensity map of the study area

2.2 研究方法

以包含坡度、坡向、土壤类型、土地利用状况和NDVI等5项评价指标空间信息的像斑数据为基础，通过构建逻辑回归模型和广义回归神经网络模型，分别对研究区土壤侵蚀强度进行预测，将像斑概率值转换为栅格数据库，在ArcGIS上生成研究区土壤侵蚀强度分布预测图，与研究区土壤侵蚀强度分布图做直观的比较。再利用ROC曲线对2个模型的预测结果进行校验分析，判断预测准确程度。

3 结果与分析

3.1 逻辑回归分析模型

逻辑回归分析在一个因变量和若干个自变量间构建多元回归关系，对预测任意或某一事件的发生概率具有一定优势，自变量可以是连续型变量或离散型变量，且不要求必须满足正态分布。

构建逻辑回归分析模型。因变量Y取值0和1，分别代表发生土壤侵蚀和未发生土壤侵蚀;X1，X2，…，Xn为影响因变量Y取值的n个自变量。发生土壤侵蚀的条件概率为P=P(Y=1∣X1，X2，…，Xn)，逻辑回归分析模型［9］为:

式中:zi为变量参数;a0为回归系数;ai为第i个变量的回归系数(i=1，2，…，n);Xij为第 i个单元中第 j个变量的值，存在土壤侵蚀取0，否则取1;Pi为第i个单元内土壤侵蚀发生概率的预测值(i=1，2，…，n)。

对坡度、坡向和NDVI等连续型变量进行区间划分，对离散型变量土壤类型和土地利用类型直接以二进制表示，即存在赋值1，否则取0。模型共考虑51个独立变量，其中连续型变量22个、离散型变量29个，因素状态见表1。

表1 因素状态Tab．1 State of the factors

构建逻辑回归方程，在SPSS18.0中计算预测因素的回归系数，回归系数a0为-119.57，其他变量回归系数 ai见表2。将逻辑回归方程代入 Matlab7.0已编制程序中，得到研究区的土壤侵蚀发生概率值和每个像斑的概率值。在ArcGIS9.3上，将像斑概率值构建栅格数据库，按照全国第2次土壤侵蚀遥感调查的土壤侵蚀强度分级方法，采取自然断点法进行初步分级进而划分土壤侵蚀强度，形成土壤侵蚀强度分布预测图(图2)，可见，预测图与实际的土壤侵蚀强度分布图基本一致。

3.2 广义回归神经网络模型

构建由径向基层和特定的线性层组成的广义回归神经网络［10-11］，构造见图3。其中:R为变量个数，即51个独立变量;Q为训练样本个数，即6万5 535个像斑数据;ai指第1层输出a的第i个元素;b为第1层网络阈值;W1，1为第1层权值矩阵的 Wi，j的第i行第j列元素;D为距离函数;Np为规范化点积函数;Pu为神经元传递函数;图像匹配Np过程利用内嵌函数源自第2层权值矩阵W2，1和第1层输出c计算网络的输出向量n。

在MATLAB7.0上创建广义回归神经网络，以其为参数利用函数sim()仿真运算，运行格式为:

式中:N为网络net;G为newgrnn函数;P为资料矩阵，即像斑数据矩阵;T为理想目标输出矩阵，即土壤侵蚀强度数据矩阵;S为spread径向基函数的分布系数。

经训练，S为0.5时，网络仿真的精度最佳，总体相对精度达到93.1%，单个像斑正确预报率达到72%。在ArcGIS 9.3上，将像斑预测值构建栅格数据库，按照全国第二次土壤侵蚀遥感调查的土壤侵蚀强度分级方法，采取自然断点法进行初步分级进而划分土壤侵蚀强度，形成土壤侵蚀强度分布预测图(图4)，可见，预测图与实际的土壤侵蚀强度分布图基本一致。

表2 回归系数Tab．2 Regression coefficient

图2 逻辑回归分析模型预测土壤侵蚀强度分布图Fig．2 Logistic regression analysis model to predict soil erosion intensity map

图3 广义回归神经网络构造Fig．3 Generalized regression neural network structure

图4 广义回归神经网络模型预测土壤侵蚀强度分布图Fig．4 Generalized regression neural network model to predict soil erosion intensity map

3.3 受试者工作特征曲线分析

ROC曲线是以预测结果的每一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［12］。在SPSS18.0上绘制 ROC曲线，以 (1-特异度)为横坐标，表示未发生土壤侵蚀的像斑被正确预测的概率;以灵敏度为纵坐标绘制而成，表示发生土壤侵蚀的像斑被正确预测的概率。将曲线下面积(AUC)作为衡量模型预测准确度的指标，数值大小与模型判断力呈正比。将逻辑回归模型和广义回归神经网络模型的预测值和诊断值导入SPSS18.0进行ROC曲线图绘制，结果如图5。2个模型的AUC值分别为0.857和0.881，表明预测结果具有一定的准确性，广义回归神经网络模型评价结果的精度较高。

图5 逻辑回归模型和广义回归神经网络模型的ROC曲线Fig．5 ROC curve of the logistic regression model and generalized regression neural network model

4 结论与讨论

以黑龙江省黑土区拉林河流域为研究区，通过在ArcGIS上构建坡度、坡向、土壤类型、土地利用状况和NDVI等5项评价指标的数据库，采用逻辑回归模型和广义回归神经网络模型，分别对研究区土壤侵蚀强度进行预测，将像斑概率值构建栅格数据库，在ArcGIS上形成研究区土壤侵蚀强度分布预测图。结果表明，预测的土壤侵蚀强度分布图与实际的土壤侵蚀强度分布图基本一致。

采用ROC曲线对逻辑回归模型和广义回归神经网络模型的预测结果进行校验分析，发现预测结果具有一定的准确性，广义回归神经网络模型评价结果的精度较高。逻辑回归模型对自变量类型及其分布类型没有严格要求，但自变量之间可能存在多重共线性干扰，另外，回归系数受样本和模型设置影响较大。广义回归神经网络模型能够在忽略自变量间是否存在复相关性的前提下，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，保证输出结果的准确性;但对土壤侵蚀强度评价方法的研究，仍需提高遥感数据的精度，尝试构建不同的预测模型，以达到预测准确、方法科学合理。

［1］ 水利部，中国科学院，中国工程院.中国水土流失防治与生态安全:东北黑土区卷［M］.北京:科学出版社，2010

［2］ 王春梅，杨勤科，王琦，等.区域土壤侵蚀强度评价方法:以安塞县为例［J］.中国水土保持科学，2010，8(3):1- 6

［3］ 余瞰，柯长青.遥感与GIS支持下的土壤侵蚀强度快速评价方法研究［J］.国土资源遥感，2010，73(3):82-88

［4］ 史彩宁，常庆瑞，王春梅，等.基于GIS的延安市土壤侵蚀强度等级评价［J］.水土保持研究，2010，17(3):28- 31

［5］ 安培浚，刘树林，领耀文，等.植被指数遥感定量研究:以民勤绿洲为例［J］.遥感技术与应用，2005，2(6):574- 581

［6］ 黑龙江省土地管理局，黑龙江省土壤普查办公室.黑龙江土壤［M］.北京:农业出版社，1992

［7］ 龚文峰，蔡体久，范文义，等.松花江流域哈尔滨城区段土壤侵蚀时空格局及动态变化研究［J］.水土保持通报，2009，29(5):56- 60

［8］ 汤国安，杨昕.ArcGIS地理信息系统空间分析实验教程［M］.北京:科学出版社2006:277- 280

［9］ 刘艺梁，殷坤龙，刘斌，等.逻辑回归和人工神经网络模型在滑坡灾害空间预测中的应用［J］.水文地质工程地质，2010，37(5):92- 96

［10］蔡体久，琚存勇.毛乌素沙地植被盖度估测方法研究［J］.北京林业大学学报，2008，30(1):292- 295

［11］闻新，周露，李翔，等.MATLAB神经网络仿真与应用［M］.北京:科学出版社，2003:285- 291

［12］王运生，谢丙炎，万方浩，等.ROC曲线分析在评价入侵物种分布模型中的应用［J］.生物多样性，2007，15(4):365- 372