魯中山區(qū)CSLE模型中植被和地形因子的優(yōu)化方法

邢先雙, 董明明, 郭 靜, 孟 琳, 張 玉, 趙登良, 龐海威, 邊 振

(1.山東省水文中心, 山東 濟南 250002; 2.濰坊市水文中心, 山東 濰坊 266071; 3.濟南大學 水利與環(huán)境學院, 山東 濟南 250022)

土壤侵蝕對生態(tài)系統(tǒng)的影響日益引起人們的重視。長期以來，對土壤侵蝕產(chǎn)生泥沙及泥沙運移的定量研究一直是相關學者的研究重點[1]。遙感技術作為開展大范圍、長時間序列土壤侵蝕研究的重要技術手段，在中國土壤侵蝕研究中發(fā)揮了巨大作用[2]。

目前，中國水土流失遙感監(jiān)測方法主要有綜合評判法和中國土壤流失方程(CSLE， Chinese Soil Loss Equation)模型法[3]。CSLE充分考慮了中國的土壤流失特征，對模型中的各個變量都進行了適合中國自然地理狀況的系統(tǒng)性研究[4]，因此，相比于美國通用土壤侵蝕模型(USLE, universal soil loss equation)[5]和修正后的美國通用土壤侵蝕模型(RUSLE, revised universal soil loss equation)[6]，CSLE更適用于中國的水土流失狀況的評估。近些年，隨著遙感技術、地理信息系統(tǒng)技術、全球定位系統(tǒng)技術的日漸成熟，ArcGIS 10.7平臺被廣泛應用于土壤侵蝕因子的監(jiān)測，將土壤侵蝕模型與ArcGIS 10.7平臺結合的研究也越來越多。

利用多源遙感數(shù)據(jù)的優(yōu)勢，有助于解決長時間序列內(nèi)高分辨率植被覆蓋信息獲取、提高土壤侵蝕因子監(jiān)測的準確性[7]，解決了傳統(tǒng)水土流失動態(tài)監(jiān)測主要采用中低分辨率遙感數(shù)據(jù)，其精度難以滿足當前水土流失監(jiān)測與治理需要的問題。本文在前人研究的基礎上，將無人機低空遙感數(shù)據(jù)融入模型計算中，對CSLE模型中的植被覆蓋與生物措施因子和地形地貌因子進行參數(shù)優(yōu)化及精度檢驗，并使用優(yōu)化后的模型與國家監(jiān)測的結果進行擬合分析，驗證優(yōu)化后模型的可行性，優(yōu)化模型方法對同類或相似地區(qū)開展水土流失動態(tài)監(jiān)測和水土保持工作有重要的意義。

1 研究區(qū)概況

郝峪小流域位于山東省淄博市博山區(qū)池上鎮(zhèn)西池村(118°05′29″—118°08′06″E，36°19′52″—36°21′23″N)，屬小清河支流淄河上游源頭區(qū)，總面積14.4 km2，在全國水土保持區(qū)劃中屬于北方土石山區(qū)(北方山地丘陵區(qū))—泰沂及膠東山地丘陵區(qū)—魯中南低山丘陵土壤保持區(qū)。研究區(qū)海拔高度范圍在350～657 m之間，相對高差307 m，地勢東南高西北低，整體向西北傾斜。

研究區(qū)屬暖溫帶半濕潤大陸性季風氣候，多年平均降水量715.1 mm，最大降水量1 332.7 mm(1964年)，最小降水量331.7 mm(1989年)，年平均蒸發(fā)量為1 201.4 mm，多年平均氣溫12.7 ℃，最高氣溫42 ℃，最低氣溫-21.8 ℃；年平均日照時數(shù)2 607 h；主導風向以南、西風為主，平均風速3.2 m/s。研究區(qū)上游頂部為片麻巖及黑云二長混合花崗巖，左半流域為各種陰影混合巖，右半流域為黑云斜長石片麻巖，流域內(nèi)無斷層、裂隙漏水現(xiàn)象。由此母質(zhì)發(fā)育形成的土壤以褐土和棕壤為主。研究區(qū)植被覆蓋較好，喬木有刺槐、楊樹、側柏、花椒、板栗、桃樹、蘋果樹等，灌木黃荊、酸棗等，草本有黃草、白背草、刺猬皮等，植被覆蓋率達90%。

2 研究方法

2.1 數(shù)據(jù)的獲取與處理

(1) 遙感數(shù)據(jù)(2019年)。主要包括用于解譯土地利用的GF-1衛(wèi)星影像(分辨率2 m)；用于計算歸一化植被指數(shù)(NDVI)的Landsat系列影像(分辨率30 m)；用于對土地利用解譯核查、植被覆蓋度精確計算的研究區(qū)內(nèi)無人機航拍數(shù)據(jù)(優(yōu)于0.1 m)。遙感影像坐標及投影標準：CGCS 2000國家大地坐標系，1985國家高程基準，投影方式為正軸等面積割圓錐投影(Albers投影)。

(2) 土地利用解譯與核查。土地利用解譯采用室內(nèi)人工目視解譯與野外調(diào)查相結合的方式進行?；谒@取的高分辨率(優(yōu)于2 m)遙感數(shù)據(jù)，結合ArcGIS 10.7平臺對研究區(qū)土地利用類型進行目視解譯，結合航拍數(shù)據(jù)進行修改、核查，確保解譯精度。解譯研究區(qū)2019年土地利用類型總圖斑數(shù)為119個，野外調(diào)查圖斑數(shù)為15個，占總圖斑數(shù)的12.61%。土地利用圖斑的解譯屬性及邊界吻合正確率為95.97%。

(3) 水土流失數(shù)據(jù)。淄博郝峪小流域控制站2019年產(chǎn)流產(chǎn)沙資料與國家水土流失動態(tài)監(jiān)測成果中研究區(qū)2019年土壤侵蝕模數(shù)與各因子柵格數(shù)據(jù)。

(4) DEM數(shù)據(jù)。在地理空間數(shù)據(jù)云網(wǎng)站(http:∥www.gscloud.cn/)獲取研究區(qū)30 m分辨率DEM數(shù)據(jù)，進行檢查、裁剪、重采樣等處理，作為坡度、坡長數(shù)據(jù)獲取以及水土保持措施解譯和土壤侵蝕綜合分析的基礎。在流域內(nèi)選取兩處調(diào)查樣區(qū)(圖1)，利用搭載多光譜相機的無人機獲取了樣區(qū)的DSM數(shù)據(jù)。

圖1 郝峪小流域無人機拍攝位置示意圖

2.2 土壤侵蝕模型CSLE計算方法

在《2019年度水土流失動態(tài)監(jiān)測技術指南》的指導下，利用已獲取的研究區(qū)基礎數(shù)據(jù)，基于ArcGIS 10.7平臺，引入中國土壤侵蝕模型CSLE對研究區(qū)土壤侵蝕進行測算，計算模型為：

A=R·K·L·S·B·E·T

(1)

式中：A表示土壤侵蝕模數(shù)〔t/(hm2·a)〕;R表示降雨侵蝕力因子〔(MJ·mm)/(hm2·h·a〕;K表示土壤可蝕性因子〔(t·h)/(MJ·mm)〕;LS表示坡長坡度因子,無量綱;B表示植被覆蓋于生物措施因子,無量綱;E表示水土保持工程措施因子,無量綱;T表示耕作措施因子,無量綱。

2.2.1 地形地貌因子LS地形地貌因子包括坡長因子和坡度因子，表征的是地形對坡面土壤侵蝕速率的控制程度。采用符素華等[8]提出的公式計算坡度、坡長因子，計算公式分別為：

坡長因子計算公式：

(2)

式中：λ為坡長(m);m為坡長指數(shù),隨坡度而變。

(3)

坡度因子計算公式：

(4)

式中：S為坡度因子(無量綱);θ為坡度(°)。

2.2.2 植被覆蓋與生物措施因子B植被蓋率指植物群落總體或各個體的地上部分的垂直投影面積與樣方面積之比的百分數(shù)。一切形式的植被覆蓋，均可不同程度地抑制水土流失[9]。基于Landsat系列中分辨率多光譜影像(包括藍、綠、紅和近紅外4個波段)及無人機低空遙感數(shù)據(jù)，根據(jù)土地利用類型，結合24個半月降雨侵蝕力因子比例計算B因子。園地、林地和草地采用公式計算，其余土地利用類型直接查表1進行賦值。

(1) 園地、林地B因子計算公式：

(5)

(6)

式中：WRi為第i個半月降雨侵蝕力占全年侵蝕力比例,取值范圍為0～1; SLRi為第i個半月園地、林地和草地的土壤流失比例,無量綱,取值范圍為0～1。

(2) 灌木林地SLRi計算公式：

(7)

(8)

(9)

式中：NDVI為歸一化植被指數(shù); NIR為近紅外波段的反射率;R為可見光紅波波段的反射率; FVC為基于NDVI計算的植被覆蓋度,取值范圍為0～1。

(3) 果園、有林地和其他林地SLRi計算公式：

SLRi=0.444 68×e-3.200 96×GD-

0.040 99×eFVC(1-GD)+0.025

(10)

2.2.3 其他因子(R，K，E，T因子) 為研究L，S，B因子優(yōu)化后對模型計算結果的影響，本研究的R，K，E，T因子與國家水土流失動態(tài)監(jiān)測成果中的柵格數(shù)據(jù)保持一致，利用研究區(qū)邊界裁剪后代入公式進行計算。

2.3 模型評價方法

為使CSLE模型更適合魯中山區(qū)實際情況，本研究從提高原始數(shù)據(jù)空間分辨率角度，利用無人機正射影像與傾斜攝影技術，對模型中的地形地貌因子和植被覆蓋與生物措施因子進行了參數(shù)優(yōu)化，并進行優(yōu)化精度驗證。采用的因子優(yōu)化及驗證方法為： ①擬合優(yōu)度統(tǒng)計分析?；赟PSS分析平臺，使用相關性分析工具，確定兩組數(shù)據(jù)擬合曲線，并得出擬合優(yōu)度的統(tǒng)計量：確定系數(shù)R2。R2衡量的是回歸方程整體的擬合程度，表達的是變量之間的總體關系其取值范圍為：0～1，越接近1說明模型的效率越高[10]。本研究使用該方法對CSLE模型中的植被覆蓋度進行了擬合分析，優(yōu)化了模型中的植被覆蓋與生物措施因子。 ②直方圖匹配規(guī)則。在本研究所選取數(shù)據(jù)的時間內(nèi)，流域的地形地貌可以認為是不變的，因此可以使用直方圖匹配方法對CSLE模型中參數(shù)地形地貌因子(LS)優(yōu)化結果進行評價。直方圖指的是LS因子分布中每一因子值與其出現(xiàn)頻數(shù)的統(tǒng)計關系，用橫坐標表示研究區(qū)的LS因子值，縱坐標表示頻數(shù)。

對于像地形地貌因子這樣客觀不變的參數(shù)，其因子值的統(tǒng)計分布差異是由于研究人員所選取的研究方法導致。相關研究表明，基于不同分辨率的地形數(shù)據(jù)所提取的LS因子分布差異較大，地形數(shù)據(jù)的空間分辨率越高，LS因子值越精確[11]。在此研究基礎上，通過無人機航攝獲取的高程數(shù)據(jù)提取的高分辨率地形地貌因子LShigh可對基于30 m分辨率DEM數(shù)據(jù)提取的LSmedium進行修正。

表1 非園地、林地、草地的B因子賦值

基于ArcGIS 10.7平臺，提取LShigh和LSmedium的因子值累計頻率，根據(jù)直方圖匹配規(guī)則，即從累計頻率曲線中指定任意因子值LSh，查看其對應的LShigh的累計頻率，然后查看LSmedium中對應頻率值的因子值LSm，當無法得到對應的頻率值時，使用差分法計算得到LSm。用LSh替換修正LSm，即可得到修正后的，LSmedium修正，并得到參數(shù)修正的擬合曲線。通過對比分析尺度轉換前后的LS因子值頻率曲線的直方圖相似度(HS)，間接驗證尺度轉換模型的精度。用兩組數(shù)據(jù)的累計頻率直方圖面積差相對指數(shù)表示直方圖相似度，其計算公式為：

(11)

式中：Shigh表示LShigh的累計頻率分布曲線面積；Smedium表示LSmedium的累計頻率分布曲線的面積,可以通過微積分算得。HS值域為[0,1],HS值越接近1,兩組數(shù)據(jù)的相似度越高。

3 結果與分析

3.1 土壤侵蝕模型因子的計算與優(yōu)化結果

3.1.1 地形地貌因子 為提高山東省水土保持動態(tài)監(jiān)測項目中的模型計算精度，本研究以具有完整水文資料的魯中山區(qū)淄博市郝峪小流域為研究區(qū)，利用ASTER GDEM數(shù)據(jù)(空間分辨率30 m)，結合ArcGIS 10.7平臺中的水文分析工具提取并計算得出基于中分辨率數(shù)據(jù)的研究區(qū)地形地貌因子并重采樣為10 m分辨率，記為LSmedium。利用無人機對研究區(qū)中兩個有代表性地形的區(qū)域進行傾斜攝影，提取DSM數(shù)據(jù)(空間分辨率優(yōu)于0.1 m)(圖2)。通過點云數(shù)據(jù)濾波處理，獲取地面點后編輯得到的DSM消除了樹木和建筑對地形的影響，可作為高分辨率的DEM數(shù)據(jù)。相同方法計算LS因子并重采樣為10 m分辨率，得出高分辨率數(shù)據(jù)的地形地貌因子LShigh。

在無人機傾斜攝影區(qū)域選取100個像元，利用ArcGIS 10.7工具將整個研究區(qū)及選取的100個像元的坡度進行分級，結合耕地和園林草的坡度分級將坡度分為8組(表2)。從表2可以看出，研究區(qū)和所選的100個像元坡度都以 8°～15°和15°～25°為主，坡度在0°～2°和>35°時最少。同樣，將整個研究區(qū)和選取的100個像元的LS因子分成8組(表3)。從表3可以看出，研究區(qū)和所選的100個像元中LS因子值都以10～20，20～30為主，LS值在70～80時最少。由此可以說明所選取的100個像元值具有代表性，可進行尺度轉換。

表2 研究區(qū)及所選數(shù)據(jù)坡度的像元數(shù)目分布

圖2 地理空間數(shù)據(jù)云提取的DEM以及無人機遙感影像提取的DSM數(shù)據(jù)

表3 研究區(qū)及所選數(shù)據(jù)LS因子的像元數(shù)目分布

將提取LSmedium和LShigh值進行相關曲線繪制，建立中分辨率與高分辨率地形地貌因子的尺度轉換公式，使用該公式對整個項目區(qū)LS因子進行修正，得到修正的研究區(qū)LSmedium修正。

(12)

利用直方圖匹配規(guī)則，設置修正步長選取為0.1，繪制LSmedium和LSmedium修正曲線(圖3)。

尺度轉換前后，通過LS的分布頻率和累計分布頻率圖(圖3)分析表明，LSmedium經(jīng)過尺度轉換后生成的LSmedium修正頻率曲線與LShigh比較接近，這表明兩組數(shù)據(jù)的統(tǒng)計分布非常相似，研究區(qū)在LS因子值小于30的區(qū)域，LS因子值呈現(xiàn)錯位分布，研究區(qū)大于30的區(qū)域，二者分布幾乎重合，這說明LS因子尺度轉換模型有一定效果。

圖3 研究區(qū)LS因子尺度轉換前后頻率及累計頻率分布

經(jīng)計算，尺度轉換后的LS因子值頻率曲線相似度為0.91，這表明兩組因子值的相似度較高，尺度轉換后的LS因子可以用來計算研究區(qū)的土壤侵蝕。選取無人機傾斜攝影范圍內(nèi)不同高程梯度共30個像元的LSmedium修正值與無人機傾斜攝影提取的DSM數(shù)據(jù)進行擬合分析，線性相關曲線R2為0.697 1。進一步運用統(tǒng)計分布和直方圖相似度進行精度驗證。統(tǒng)計分布是指統(tǒng)計分析LS因子轉換前后的平均值、標準差、最大值和最小值以及頻率和累計頻率曲線圖。LShigh和LSmedium以及LSmedium修正的頻率曲線圖(圖3)表明，LSmedium頻率曲線峰值較小，且峰值附近頻率高，數(shù)據(jù)較集中于12～25之間。LShigh和LSmedium修正頻率曲線特征相似，峰值較LSmedium有所增大，且數(shù)值分布更加均勻。統(tǒng)計結果(表4)表明，修正后的LSmedium修正平均值、標準差相較LSmedium與LShigh更加接近，LSmedium修正整體較中分辨率的LSmedium增大4.6%，標準差較LSmedium增大8.5%。以上頻率特征的差異主要是由于中分辨率DEM數(shù)據(jù)由于空間分辨率較低，局部高程差異被消除，高程變化趨于平滑，高程變幅也有所減小，導致坡度、坡長因子值和空間變幅整體小于實際數(shù)據(jù)。而無人機DSM數(shù)據(jù)由于空間分辨率有較大提高，能較精確的反映細微的地形差異，因此基于無人機的DSM計算的LS因子LShigh和修正后的LSmedium修正能夠更準確地反映實際地形地貌信息，其精度較LSmedium有所提高。

表4 尺度轉換前后LS因子值統(tǒng)計結果

3.1.2 植被覆蓋因子與生物措施因子 基于不同分辨率的遙感數(shù)據(jù)提取的植被覆蓋度會有較大的差異，相較于Landsat系列衛(wèi)星影像，搭載多光譜相機的無人機平臺可以提取更為精確的植被覆蓋數(shù)據(jù)。但是后者的耗時較大，成本較高，所以本研究于植物充分生長且云量相對較少的9月，在研究區(qū)選取兩個樣地進行無人機影像采集，經(jīng)處理計算后生成分辨率為0.1 m的無人機正射影像。

基于Landsat影像提取的24期植被覆蓋度柵格數(shù)據(jù)中有兩期與無人機正射影像的時相接近。使用柵格計算器對兩期植被覆蓋度柵格數(shù)據(jù)求均值并重采樣后得到分辨率為10 m的中分辨率覆蓋度柵格數(shù)據(jù)FVCmedium。使用Creat Fishnet工具創(chuàng)建與FVCmedium像元邊界完全重合的解譯網(wǎng)格(大小為10 m×10 m)。使用Zonal工具分區(qū)統(tǒng)計各10 m×10 m網(wǎng)格內(nèi)植被覆蓋度，得到10 m分辨率高精度植被覆蓋度柵格數(shù)據(jù) FVCUVA?；诓蓸涌臻g分布均勻和各土地利用類型柵格數(shù)占柵格總數(shù)比例一致的原則，選取1 000個采樣點，使用ArcGIS 10.7中Sample工具提取FVCUVA及對應的FVCmedium像元值，共采集1 000個數(shù)值對。各土地利用類型采樣點選取情況詳見表5。

表5 各土地利用類型柵格數(shù)據(jù)采樣比例

對兩組柵格數(shù)據(jù)進行擬合分析，不同函數(shù)關系下的相關系數(shù)(表6)表明，F(xiàn)VCUVA和 FVCmedium呈現(xiàn)較好的相關性，各類函數(shù)的R2范圍在0.565 2～0.686 8之間，選擇R2最大的冪函數(shù)作為植被覆蓋度的尺度轉換模型，其表達式為：

(13)

式中：FVChigh為FVCUVA與FVCmedium最優(yōu)擬合方程計算后的優(yōu)化后植被覆蓋度柵格數(shù)據(jù),FVCmedium為同時相中分辨率影像計算的植被覆蓋度。

FVChigh和FVCmedium的冪函數(shù)關系分布散點圖如圖4所示。

表6 FVChigh和FVCmedium擬合分析

圖4 FVChigh和FVCmedium柵格數(shù)值分布

利用上文公式對基于中分辨率的FVC進行修正，得到研究區(qū)高分辨率植被覆蓋度FVChigh。在無人機拍攝區(qū)域有林地和果園根據(jù)覆蓋度梯度抽取100個像元進行修正后植被覆蓋度與正射影像覆蓋度FVCUVA擬合分析(圖5)，R2為0.718 7，表明優(yōu)化后的植被覆蓋度FVChigh更接近實際植被覆蓋度。

3.2 基于多源遙感的水土流失監(jiān)測結果與分析

利用ArcGIS 10.7平臺將郝峪小流域的土壤侵蝕數(shù)據(jù)從山東省土壤侵蝕數(shù)據(jù)提取出，再通過優(yōu)化后的模型計算出郝峪小流域的土壤侵蝕強度，結合《2019年度水土流失動態(tài)監(jiān)測技術指南》中對土壤侵蝕量的分級標準，利用重分類工具進行侵蝕強度分級(圖6)。

圖5 郝峪小流域FVChigh和FVCUVA擬合分析

圖6 郝峪小流域原侵蝕強度和優(yōu)化后侵蝕強度等級分布

利用ArcGIS 10.7平臺的分區(qū)統(tǒng)計工具對國家監(jiān)測和優(yōu)化后的的土壤侵蝕強度進行面積統(tǒng)計，結果詳見表7。從表7可以看出，優(yōu)化LS因子和B因子后的模型計算所得水土流失面積較國家監(jiān)測的水土流失面積增加0.85 km2，且全部為輕度侵蝕。為更好地驗證優(yōu)化后模型的可行性，隨機從國家監(jiān)測的土壤侵蝕數(shù)據(jù)和優(yōu)化模型后的土壤侵蝕數(shù)據(jù)中提取100組數(shù)據(jù)進行擬合分析(圖7)，R2為0.700 3，說明優(yōu)化后的土壤侵蝕數(shù)據(jù)與國家監(jiān)測的土壤侵蝕數(shù)據(jù)具有良好的相關性，同時又存在一定差異。由線性擬合方程可知，優(yōu)化模型因子后，侵蝕模數(shù)變化范圍有所減小，優(yōu)化模型因子后的土壤侵蝕模數(shù)計算結果，在較小值區(qū)域大于國家監(jiān)測數(shù)據(jù)，即國家監(jiān)測成果中侵蝕模數(shù)小于947.53 t/(hm2·a)的區(qū)域經(jīng)優(yōu)化計算后，數(shù)值有所增大；反之在侵蝕模數(shù)值較大區(qū)域，優(yōu)化計算結果小于國家監(jiān)測成果。

表7 國家監(jiān)測數(shù)據(jù)與優(yōu)化模型后土壤侵蝕強度面積分析

魯中山區(qū)中度及以上侵蝕主要發(fā)生在灌木林地和旱地。原始數(shù)據(jù)空間分辨率的提高，使植被覆蓋度較中分辨率數(shù)據(jù)計算結果有所增大，減小B因子值；而地形因子計算中能夠更好地識別梯田區(qū)域從而減小LS因子值。輕度和微度侵蝕主要發(fā)生在有林地，為植被覆蓋度較高區(qū)域，優(yōu)化后的B因子有所增大，導致侵蝕模數(shù)和輕度侵蝕強度面積的增加。同時由于微度和輕度侵蝕面積(合計14.41 km2)占研究區(qū)總面積(14.44 km2)的99.79%，因此微度和輕度侵蝕間相互轉移的概率最大，且侵蝕模數(shù)在某一閾值范圍內(nèi)，對應的侵蝕強度不會發(fā)生變化，由實際計算結果統(tǒng)計可知，中度及以上侵蝕區(qū)域內(nèi)的土壤侵蝕模數(shù)有所變化，但侵蝕強度未發(fā)生變化。

經(jīng)過現(xiàn)場調(diào)查發(fā)現(xiàn)，研究區(qū)近年來旅游業(yè)發(fā)展和生態(tài)建設效果良好，不同坡面、坡度與土地利用類型區(qū)水土流失狀況差異不大，與優(yōu)化后變化特征一致，但仍缺乏定量資料，驗證優(yōu)化后模型的計算精度。

圖7 優(yōu)化模型后的數(shù)據(jù)與國家監(jiān)測數(shù)據(jù)的相關分析

4 結 論

(1) 本研究基于多元遙感數(shù)據(jù)，通過無人機高分辨率影像與中分辨率數(shù)據(jù)的擬合分析與精度驗證，從空間分辨率的提高方面，提高了DEM和FVC解譯精度。利用直方圖匹配規(guī)則，實現(xiàn)了LS因子的尺度轉換，驗證結果表明，LS因子頻率曲線相似度為0.91，可以進行研究區(qū)的土壤侵蝕模型計算。對多源遙感數(shù)據(jù)植被覆蓋度提取的尺度轉換進行了探討，得出R2為0.686 8的冪函數(shù)轉換模型。

(2) 對CSLE模型中因子進行優(yōu)化的基礎上計算了研究區(qū)土壤侵蝕強度，并與該區(qū)域國家監(jiān)測土壤侵蝕數(shù)據(jù)進行了對比分析。結果表明，優(yōu)化模型因子后的研究區(qū)侵蝕模數(shù)空間異質(zhì)性有所減小，輕度侵蝕面積有所增加，中度及以上侵蝕面積未變化，但侵蝕模數(shù)總體減小，這與LS因子和B因子優(yōu)化后數(shù)值變化特征一致，說明模型因子的優(yōu)化對監(jiān)測結果具有顯著影響，但對侵蝕模數(shù)計算精度的提高是否具有顯著作用，仍需從土壤侵蝕機理上結合進一步試驗研究加以驗證。

(3) 不同空間分辨率的遙感數(shù)據(jù)源對土壤侵蝕的各因子計算均會造成一定的影響，優(yōu)化后的LS因子和B因子更加接近無人機DSM數(shù)據(jù)處理的LS值和正射影像下的植被覆蓋情況，即以上因子精度均有所提高，繼而有助于提高模型計算結果精度，使得基于優(yōu)化后因子計算的土壤侵蝕模數(shù)更符合當?shù)貙嶋H情況。但本研究目前僅對地形地貌因子以及植被覆蓋與生物措施因子進行了尺度轉換和精度提升，對其他因子如何利用高分辨率數(shù)據(jù)源進行優(yōu)化，并提高土壤侵蝕模型計算精度仍需進一步探討。