坝上高原不同植被类型覆盖下土壤水分含量对降雨的动态响应

党毅; 王维; 张永娥; 王渝淞; 丁兵兵; 樊登星; 贾国栋; 余新晓; 董俊杰

doi:10.12171/j.1000-1522.20220220

坝上高原不同植被类型覆盖下土壤水分含量对降雨的动态响应

党毅^{1, 2, 3,},
王维⁴,
张永娥⁵,
王渝淞^{1, 2, 3},
丁兵兵^{1, 2, 3},
樊登星^{1, 2, 3},
贾国栋^{1, 2, 3},
余新晓^{1, 2, 3, ,},
董俊杰⁶

1.
北京林业大学国家林业与草原局水土保持重点实验室，北京 100083
2.
北京林业大学水土保持学院首都圈森林生态系统国家定位观测研究站，北京 100083
3.
北京林业大学水土保持学院首都圈森林生态系统教育部野外科学观测研究站，北京 100083
4.
中铁第五勘察设计院集团有限公司，北京 102600
5.
中国水利水电科学研究院泥沙研究所，北京 100038
6.
中交天津航道局有限公司，天津 300461

基金项目: 国家重点研发计划（2022YFF1302502-03）

详细信息

作者简介:
党毅。主要研究方向：水土保持、生态水文。Email：dangyi1234567890@163.com　地址：100083北京市海淀区清华东路35号北京林业大学水土保持学院

责任作者:
余新晓，博士，教授。主要研究方向：水土保持、生态水文。Email：yuxinxiao111@126.com　地址：同上

中图分类号: S714；S791.24
计量
- 文章访问数: 539
- HTML全文浏览量: 140
- PDF下载量: 84
出版历程
- 收稿日期: 2022-06-01
- 修回日期: 2022-07-27
- 网络出版日期: 2023-04-19
- 发布日期: 2023-05-24

Dynamic response of soil moisture content to rainfall under different vegetation cover types on the Bashang Plateau, northwestern Hebei Province of northern China

Dang Yi^{1, 2, 3,},
Wang Wei⁴,
Zhang Yonge⁵,
Wang Yusong^{1, 2, 3},
Ding Bingbing^{1, 2, 3},
Fan Dengxing^{1, 2, 3},
Jia Guodong^{1, 2, 3},
Yu Xinxiao^{1, 2, 3, ,},
Dong Junjie⁶

1.
Key Laboratory of State Forestry and Grassland Administration on Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China
2.
Metropolitan Area Forest Ecosystem Research Station, School of Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China
3.
Metropolitan Area Field Scientific Observation Research Station, School of Soil and Water Conservation, Beijing Forestry University, Beijing 100083, China
4.
China Railway Fifth Survey and Design Institute Group Co., Ltd., Beijing 102600, China
5.
Institute of Sediment Research, China Institute of Water Resources and Hydropower Research, Beijing 100038, China
6.
China Communications Construction Company-Tianjin Dredging Co., Ltd., Tianjin 300461, China

摘要

摘要:
目的土壤水是连接大气降水、地表水、地下水的关键因子，在地表径流、降雨入渗和植被蒸腾等生态水文过程中发挥重要作用。分析坝上高原地区不同雨量降雨事件中各植被类型覆盖下土壤水分含量动态响应过程及差异，将有助于深入探讨该区土壤水分含量的补给效应特性，对优化区域植被结构具有十分重要的理论及现实的意义。
方法选取河北省张北县草地、柠条灌木林、杨树乔木林为研究对象，通过监测2019年4—10月连续土壤水分含量和降雨数据，分析不同植被类型覆盖下土壤水分含量对大小降雨事件的动态响应过程及差异。
结果（1）研究区主要降雨事件由小雨和中雨构成，但主要降雨量由大雨提供。小雨和中雨发生次数占比为81.58%，其贡献的降雨量仅占年总降雨量42.66%；大雨发生次数占比仅为18.42%，却提供了年总降雨量的57.34%。（2）4—10月杨树乔木林土壤水分含量均值显著高于草地（P < 0.05），而柠条灌木林波动最为强烈。各植被类型覆盖下土壤水分含量均值分别为杨树乔木林（13.99 ± 2.04）% > 柠条灌木林（12.63 ± 0.93）% > 草地（10.67 ± 2.77）%，土壤水分含量变异系数均值呈柠条灌木林（26.22%） > 杨树乔木林（20.51%） > 草地（13.89%），均为中等强度变异。（3）草地20 ~ 40 cm土层的土壤水分含量显著高于0 ~ 20 cm及40 ~ 100 cm的4个土层（P < 0.05）；柠条灌木林在20 ~ 40 cm和80 ~ 100 cm土层之间、0 ~ 20 cm和40 ~ 60 cm之间均不存在显著差异，且20 ~ 40 cm和80 ~ 100 cm土层土壤水分含量均显著高于其他3层（P < 0.05）；杨树乔木林80 ~ 100 cm土层的土壤水分含量显著高于其他4个土层（P < 0.05）。（4）在不同雨量降雨作用下，除某些特殊情况外，柠条灌木林对降雨响应的各指标常与其他两种植被类型呈显著差异（P < 0.05）。各植被类型覆盖的土壤水分含量开始响应速度均值、补给量均值、补给速率均值为柠条灌木林最大而杨树乔木林最小。小雨、中雨只能使3种植被类型0 ~ 20 cm土层做出响应，补给较为有限；而大雨作用下草地响应土层为0 ~ 60 cm，乔、灌木均为0 ~ 80 cm。3种植被类型覆盖下土壤水分含量响应速度、达峰速度、补给量、补给速率均随着土壤深度增加而变弱，上层土壤对于降雨的响应总是快于且幅度大于下层土壤。
结论在当前降雨条件下，柠条灌木林对降雨响应最为敏感且响应效应最为强烈，而杨树乔木林响应速度最慢且响应效应最弱。此外，只有在大雨作用下，3种植被类型所覆被的中下层土壤水分含量才会得到明显的响应与补充。本研究结果为该地区未来营造防护林过程中改变重乔木轻灌木的传统观点，合理调整灌木比重，实现生态水文功能的整体提高等提供了一定的科学依据。
- 土壤水分含量 /
- 降雨 /
- 植被类型 /
- 坝上高原
Abstract:
Objective Soil moisture is a key factor linking atmospheric precipitation, surface water and groundwater, and plays an important role in eco-hydrological processes such as surface runoff, rainfall infiltration and vegetation transpiration. The analysis of dynamic response process and differences in soil moisture content of various covers under rainfall events in Bashang Plateau of northwestern Hebei Province of northern China will be helpful to explore the characteristics of replenishment effects of soil moisture content in this region, which is of great theoretical and practical significance to optimizing regional vegetation structure.
Method The grassland, Caragana korshinskii shrub land and poplar forest land in Zhangbei County, Hebei Province were selected as research objects. The dynamic response process and differences of soil moisture to different types of rainfall under various vegetation cover types were analyzed by monitoring continuous soil moisture content data and rainfall data from April to October, 2019.
Result (1) The main rainfall events in the study area were light rain and moderate rain, but the main amount of water was provided by heavy rain. The percentage of light rain and moderate rain occurrences was 81.58%, but they only contributed 42.66% to the total annual rainfall. The percentage of occurrences of heavy rain was only 18.42%, but it provided 57.34% of the total annual rainfall. (2) From April to October, the mean value of soil moisture in poplar forest land was significantly higher than that in grassland, and the fluctuation of soil moisture in Caragana korshinskii shrub land was the strongest. The mean soil moisture values under each vegetation cover types were poplar forest land (13.99 ± 2.04)% > Caragana korshinskii shrub land (12.63 ± 0.93)% > grassland (10.67 ± 2.77)%, and the mean soil moisture coefficient of variation was Caragana korshinskii shrub land (26.22%) > poplar forest land (20.51%) > grassland (13.89%). The coefficient of variation at each layer was at a moderate variation level. (3) The soil moisture content in 20−40 cm soil layer of the grassland was significantly higher than that in the other four soil layers (P < 0.05). There was no significant difference in soil moisture content between the 20−40 cm and 80−100 cm soil layers, as well as between the 0−20 cm and 40−60 cm soil layers in the Caragana korshinskii forest, and the soil moisture content in the 20−40 cm and 80−100 cm soil layers was significantly higher than that in the other three layers (P<0.05); the soil moisture content of the 80−100 cm soil layer in the poplar tree forest was significantly higher than that of the other four soil layers (P<0.05). (4) Under the effect of different rainfall amounts, the indicators of soil response to rainfall in shrublands were often significantly different from those of the other two vegetation types, except for some special cases. Among all types of rainfall, the mean values of soil moisture content response rate, recharge amount and recharge rate for each vegetation type cover were the greatest in Caragana korshinskii shrub land but the smallest in poplar forest land. Light and moderate rain can only respond to the 0−20 cm soil layer of the three vegetation types, with limited supply. Under heavy rain, the response of grassland to soil layer was 0−60 cm, while that of trees and shrubs was 0−80 cm. The response speed, peak reaching speed, replenishment amount, and replenishment rate of soil moisture content under three types of vegetation cover weakened with the increase of soil depth, and the response of upper soil to rainfall was always faster and greater than that of lower soil. [ Conclusion ] Under current rainfall conditions, the Caragana korshinskii shrub land responded the fastest and strongest to rainfall, but the poplar forest land responded the slowest and weakest. In addition, the deeper soil moisture under the three vegetation covers only responds significantly during heavy rain and allows the soil moisture to be replenished. The results of this study provide a scientific basis for changing the traditional view of emphasizing arboreal forest land but neglecting shrubs in the process of creating protective forests in the region in the future, and then reasonably adjusting the proportion of shrubs to achieve the overall improvement of eco-hydrological functions.
- soil moisture content /
- rainfall /
- vegetation type /
- Bashang Plateau

HTML全文

森林具有重要的固碳功能，森林碳储量是陆地碳储量的重要组成部分。森林地上生物量（aboveground biomass，AGB）是森林碳储量研究的基础，准确估计森林AGB可为我国碳达峰、碳中和目标实现提供有力的科学支撑^[1]。森林地上生物量主要包括干材生物量、树枝生物量、树皮生物量和树叶生物量^[2]。森林地上生物量分量的精确估计可以使人类更精确地理解和分析植被生态系统的生长过程，为正确解释生态系统碳循环及森林经营管理提供科学依据；同时还可为森林AGB遥感技术估测饱和点低的瓶颈问题提供解决思路。

遥感技术由于其覆盖范围广、重访周期短等优势成为目前区域和全球尺度森林AGB估测的支撑技术^[3]。随着遥感技术的发展，我国发射的资源、高分系列等卫星为我国的林业资源调查提供了有力的数据支撑。特别是高分系列卫星，基本满足了林业用户对高分辨率光学、合成孔径雷达（synthetic aperture radar，SAR）数据和高光谱数据等不同遥感数据源的需求；在林业资源调查中，高分系列卫星数据的获取和使用，使得相关研究逐步摆脱了对国外Worldview、QuickBird、Radarsat-2等卫星数据的依赖。目前，高分一号（GF-1）光学数据和高分三号（GF-3）SAR数据在森林AGB反演中发挥着重要作用^[4-5]。

多源遥感数据联合进行森林AGB反演被认为是提高森林AGB反演精度的有效方式，特别是采用光学和全极化SAR（PolSAR）数据的联合反演在近年来开展的研究较多^[6-8]。GF-1光学数据于2019年11月免费向全球开放，近年来利用其光谱信息、纹理信息等进行森林AGB反演的研究开展较多，但同其他光学遥感数据类似，GF-1数据同样易受云雨天气的影响，且难以获取森林垂直方向信息。SAR数据由于波长较长，对森林有一定的穿透能力，可以有效获取森林垂直结构信息，且不受云雨天气的影响，可实现全天时、全天候对森林的监测；同时SAR的极化信息对森林散射体形状和散射方向敏感，可以观测到更多的森林特征，已有研究表明，光学和SAR数据联合能有效提高森林AGB反演精度^[9-10]。然而联合GF-1和GF-3两种不同遥感数据源并加入极化信息进行森林AGB反演，特别是用于地上生物量分量反演的研究目前还开展较少。

利用遥感反演森林AGB的方法有参数方法和非参数方法。参数方法通常是结合参数采用统计回归模型来推导遥感变量和野外测量数据之间的关系；而非参数方法是利用已知的样本建立非线性模型，通常指机器学习的方法^[11]。传统的参数方法具有简单和可解释性，但是不能表征森林AGB与遥感特征参数之间的复杂的非线性关系。非参数方法能更好地表示森林AGB与遥感特征参数之间的非线性关系，提高反演精度。此外，优选出与森林AGB相关性强的遥感影像特征对提高森林AGB反演精度也非常重要。在已有森林AGB反演方法研究中，韩宗涛等^[12]提出的基于遥感特征优选的KNN-FIFS非参数方法在森林AGB反演中适用性强，反演精度较高。该方法以马氏距离KNN（K-nearest neighbor）算法为基础，引入快速迭代的参数优选方法进行最优特征选择和组合，然后反演森林AGB。李云等^[8]采用Landsat-8 OLI、GF-1和ALOS PALSAR-1验证了该方法在根河研究区森林AGB反演中的有效性，KNN-FIFS方法对3种数据源的适应性都比较好；巨一琳等^[13]同样验证了该方法在采用Landsat-8 OLI和LiDAR数据作为数据源进行森林AGB反演中的有效性。在多种数据源中该方法均可高效稳定地选择与森林AGB相关性强的遥感特征并提高AGB反演精度。然而，该方法在森林地上生物量分量反演中、在采用高分系列卫星数据联合进行森林AGB反演中的潜力还未进行深入的探索。

综上，本文以云南省昆明市宜良县小哨林区云南松林为研究对象，结合样地调查数据，分别以GF-1光学数据、GF-3 PolSAR数据、联合GF-1和GF-3数据作为3种数据源，采用KNN-FIFS方法进行参数优选并反演森林地上生物量及其分量，探索高分系列光学、PolSAR数据及两者联合在森林AGB及其分量反演中的可行性。研究可推动我国高分系列遥感数据在林业行业中的深入应用。

1. 研究区概况、数据获取及预处理

1.1 研究区概况

研究区位于云南省昆明市宜良县花园林场小哨林区（24°30′36″ ~ 25°17′02″N，102°58′22″ ~ 103°28′75″E），样地点分布见图1。小哨林区位于宜良县中部，属北亚热带季风气候，全年温差较小，年平均气温约16.3 ℃。雨季多在夏秋两季，年平均降雨量为912.2 mm。地势北高南低，山地与盆地相间，山脉多为东北至西南走向，其平均海拔在1 300 ~ 2 500 m之间，坡度范围在0° ~ 30°之间。宜良县的森林覆盖率约为46%，主要的森林类型是常绿阔叶林和针叶林，主要树种有云南松（Pinus yunnanensis）、桉树（Eucalyptus robusta）等。

图 1 研究区地理位置及样地分布

Figure 1. Location of the study area and distribution of sample plots

下载: 全尺寸图片幻灯片

1.2 研究区数据获取及预处理

1.2.1 样地调查数据

样地调查于2019年8月在小哨林区展开。样地调查时采用断面积系数为1.0的角规控制检尺方法，胸径的起测径阶为5 cm，共调查云南松纯林样地40个。样地调查获取了样地观测点的GPS坐标、计数木的胸径、树高和树干中心至角规观测点的水平距离等。样地调查的AGB获取采用以下步骤：首先利用公式（1）和采集到的数据计算各样点每公顷蓄积量，然后利用转换公式（2）计算出单位面积AGB^[14]，最后根据云南松的分项AGB模型（公式3）计算出干材、树皮、树枝和树叶生物量^[15]。

$V{\text{ = }}F\sum\limits_{j = 1}^z {{{{\text{HF}}}_j}}$

(1)

${W}_{云南松}\text{=0}\text{.859 6}{V}^{\text{0}\text{.856 4}}$

(2)

$\left\{\begin{array}{l}{M}_{1}=\dfrac{1}{1 + {g}_{1} + {g}_{2} + {g}_{3}}\times {W}_{云南松}\\ {M}_{2}=\dfrac{{g}_{1}}{1 + {g}_{1} + {g}_{2} + {g}_{3}}\times {W}_{云南松}\\ {M}_{3}=\dfrac{{g}_{2}}{1 + {g}_{1} + {g}_{2} + {g}_{3}}\times {W}_{云南松}\\ {M}_{4}=\dfrac{{g}_{3}}{1 + {g}_{1} + {g}_{2} + {g}_{3}}\times {W}_{云南松}\end{array}\right.$

(3)

式中：V为蓄积量，F为断面积系数，Z为计数木总和，HF_j为第j株计树木的径阶形高， ${W}_{云南松}$ 为云南松的森林AGB， ${M}_{1}、{M}_{2}、{M}_{3}、{M}_{4}$ 分别为干材、树皮、树枝、树叶的生物量， ${g}_{1}、{g}_{2}、{g}_{3}$ 分别为树皮、树枝、树叶相对于干材生物量为1的比例函数。其中g₁ = 1.500 18DBH^{−0.270 08}H^{−0.578 57}，g₂ = 1.936 10DBH^{0.614 25}H^{−1.363 41}，g₃ = 2.372 94DBH^{0.438 06}H^{−1.657 00}；DBH和H分别为各个角规样地的平均胸径和平均森林高度。

通过计算得出40个角规样地点地上生物量分量的分布情况（图2），其中平均每个样地点树干生物量约占总AGB的57%，树皮约占10%，树枝和树叶约占33%。

图 2 样地森林地上生物量及其组成

Figure 2. Forest AGB and AGB components in sample plot sites

下载: 全尺寸图片幻灯片

1.2.2 GF-1光学数据及预处理

GF-1卫星于2013年4月26日发射，是我国的第一颗高分辨率对地观测卫星。本研究从中国资源卫星应用中心获取了成像时间为2019年4月27日L1A级的GF-1数据，具体参数见表1。GF-1数据预处理包括大气校正、辐射定标和正射校正等，均在ENVI5.3软件中完成。

表 1 GF-1卫星传感器参数

Table 1. GF-1 satellite sensor parameters

波段号 Band No.	波段 Band	频谱范围 Spectral range/μm	分辨率 Spatial resolution/m
Pan1	Pan	0.45 ~ 0.90	2
Band1	Blue	0.45 ~ 0.52	8
Band2	Green	0.52 ~ 0.59	8
Band3	Red	0.63 ~ 0.69	8
Band4	NIR	0.77 ~ 0.89	8

下载: 导出CSV

| 显示表格

1.2.3 GF-3 PolSAR数据及预处理

（1）GF-3 PolSAR数据获取

我国于2016年8月10日发射了C波段多极化GF-3 SAR卫星^[16]，本研究获取了一景单视复数（single look complex，SLC）GF-3 SAR数据，数据详细信息见表2。

表 2 GF-3 PolSAR数据详细参数

Table 2. Detailed information of the acquired GF-3 PolSAR data

成像时间 Acquisition time	极化方式 Polarization way	入射角 Incidence angle/(°)	波长 Wave length/m	距离向分辨率 Range resolution/m	方位向分辨率 Azimuth resolution/m	经纬度 Latitude & Longitude
2018−05−18	HH、HV、VH、VV	39.104	0.055 5	2.248	5.12	103°01′48″E、 24°40′12″N
注：HH.发射和接收的都为水平极化的电磁波；HV.发射的电磁波为水平极化，接收的电磁波为垂直极化；VH.发射的电磁波为垂直极化，接收的电磁波为水平极化；VV.发射和接收的都为垂直极化的电磁波。Notes: HH, both the transmitted and received electromagnetic waves are horizontally polarized; HV, the transmitted electromagnetic wave is horizontally polarized and the received electromagnetic wave is vertically polarized. VH, the transmitted electromagnetic wave is vertically polarized and the received electromagnetic wave is horizontally polarized. VV, transmitted and received electromagnetic waves that are vertically polarized.

下载: 导出CSV

| 显示表格

（2）GF-3 PolSAR数据预处理

GF-3 PolSAR数据预处理包括辐射定标、多视、地形校正、Lee滤波、极化特征提取和地理编码。GF-3数据的辐射定标公式为式4，定标过程通过IDL代码实现。预处理中多视视数在距离向和方位向均为3；滤波方法为Lee滤波，滤波窗口为5 × 5。地理编码以30 m分辨率的DEM数据为基础，地理编码后所有的数据分辨率均为30 m。

$\sigma ^0 = 10\lg \left( {{P^I}{{\left( {{U / {{{32\;767}}}}} \right)}^2}} \right) - S$

(4)

式中： ${P^I} = {I^2} + {Q^2}$ ，I和Q分别为各极化通道的实部和虚部；U是影像定标前像元的最大值；S是GF-3产品的定标常数，其值根据产品类别变化，根据GF-3用户手册，本文中取值为−19 dB, 其定标的公式可查阅GF-3用户手册。

2. 研究方法

研究分别提取了GF-1和GF-3 PolSAR数据的特征参数，然后基于GF-1、GF-3 PolSAR数据以及两种数据联合（GF-1 + GF-3）的3种数据源，使用参数优选的KNN-FIFS方法对森林AGB及其分量进行了反演，并对反演结果进行了分析和制图。

2.1 GF-1光学数据特征提取

研究基于GF-1数据提取了多波段的纹理信息、植被指数和全色波段的纹理信息。首先根据4个波段的光谱信息提取了8个对森林AGB具有重要意义的植被指数（计算公式见表3），然后根据灰度共生矩阵提取了纹理特征^[1]，本研究中选取7 × 7的窗口来提取8种纹理特征，具体包括均值（mean）、方差（variance）、均匀性（homogeneity）、对比度（contrast）、相异性（dissimilarity）、熵（entropy）、二阶矩（second moment）和相关性（correlation）。本文中GF-1的遥感特征采用ENVI5.3软件提取。

表 3 植被指数

Table 3. Vegetation indexes

植被指数 Vegetation index	计算公式 Calculation formula
归一化植被指数 Normalized difference vegetation index (NDVI)	${\rm{NDVI}} = \dfrac{{{\rho _{\rm{NIR}}} - {\rho _{\rm{red}}}}}{{{\rho _{\rm{NIR}}} + {\rho _{\rm{red}}}}}$
简单植被指数 Simple ratio index (SR)	${\rm{SR} } = {\rho _{\rm{red} } }/{\rho _{{\text{NIR} } } }$
可见光大气阻抗植被指数 Visible atmospherically resistant index (VARI)	${\rm{VARI}} = \dfrac{{{\rho _{\rm{{green}}}} - {\rho _{\rm{red}}}}}{{{\rho _{{\text{green}}}} + {\rho _{\rm{red}}} - {\rho _{{\rm{blue}}}}}}$
差值植被指数 Difference vegetation index (DVI)	${\rm{DVI} } = {\rho _{{\rm{NIR}}} } - {\rho _{\rm{red} } }$
垂直植被指数 Perpendicular vegetation index (PVI)	${\rm{PVI} } = 0.939 \times {\rho _{{\text{NIR} } } } - 0.344 \times {\rho _{\rm{red} } } + 0.09$
土壤调节植被指数 Soil-adjusted vegetation index (SAVI)	${\rm{SAVI} } = \dfrac{ {1.5 \times \left( { {\rho _{\rm{NIR} } } - {\rho _{{\rm{red}} } }} \right)} }{ { {\rho _{\rm{NIR} } } + {\rho _{\rm{red} } } + 0.5} }$
增强植被指数 Enhanced vegetation index (EVI)	${\rm{EVI} } = \dfrac{ {2.5 \times \left( { {\rho _{ {\text{NIR} } } } - {\rho _{ {\text{red} } } }} \right)} }{ {1 + {\rho _{\rm{NIR} } } + 6 \times {\rho _{\rm{red} } } - 7.5 \times {\rho _{{\rm{blue}}} } } }$
修正土壤调节植被指数 Modified soil-adjusted vegetation index (MSAVI)	${\rm{MSAVI}} = \dfrac{{2{\rho _{\rm{NIR}}} + 1 - \sqrt {{{\left( {2{\rho _{{\text{NIR}}}} + 1} \right)}^2} - 8\left( {{\rho _{{\text{NIR}}}} - {\rho _{\rm{red}}}} \right)} }}{2}$
注：表中的 $\;{\rho }_{\rm{NIR}}、{\rho }_{\rm{red}}、{\rho }_{\text{green}}、{\rho }_{{\rm{blue}}}$ 分别为GF-3影像的近红外、红光、绿光和蓝光波段。Notes: $\;{\rho }_{\rm{NIR}},\;{\rho }_{\rm{red}},\;{\rho }_{\text{green}},\;{\rho }_{{\rm{blue}}}\;$ are the near-infrared, red, green and blue bands of GF-3 images.

下载: 导出CSV

| 显示表格

2.2 GF-3 PolSAR数据特征提取

基于GF-3 PolSAR数据提取了后向散射系数、常用的极化分解参数、极化总功率（SPAN）及其纹理特征等。这些参数中，各极化的后向散射系数能较好地反映植被结构^[17]，极化相干矩阵（T）的部分元素能表示散射目标的复杂变化；而Freeman二分量分解方法中的体散射分量、地面散射分量基于森林场景提出^[18]，能够更好地表征森林场景散射特征；Yamaguchi四分量分解中的体散射分量、地面散射分量、二次散射分量和螺旋体散射分量拓展了Freeman三分量分解方法，在体散射模型中加入自适应参数，使得体散射分量、二次散射分量和表面散射分量能更逼真地表征真实森林场景^[19]；SPAN特征能综合体现森林场景中各种散射机制且受极化方位角变化影响较小^[20]，因此本文中我们提取了SPAN的0°、45°、90°和135° 4个角度对应的6种纹理特征，具体包括均值（mean）、对比度（contrast）、熵（entropy）、相异性（dissimilarity）、均匀性（homogeneity）和同质性（uniformity）。

2.3 KNN-FIFS方法森林AGB反演

采用参数优选的KNN-FIFS方法进行森林地上生物量及其分量的反演。KNN-FIFS方法是采用快速迭代算法找出与森林AGB反演中最相关的遥感特征组合，进而采用KNN模型进行反演，然后获得精度最优的AGB反演图。具体实现中，通过迭代算法获得最优的遥感特征组合；待估测像元的AGB由距离其最近的K个样地的AGB加权求得^[9]，距离计算方法采用可克服变量量纲影响的马氏距离；当距离确定时，森林AGB反演结果受K值影响，本研究中参考已有研究^[8]将K值的范围设为1 ~ 11。

2.4 反演精度评价方法

本文采用留一交叉验证法（leave-one-out cross-validation，LOOCV）对模型反演结果进行精度评价。该方法中，依次不重复地从40个总样本集中抽取1个样本作为验证，其余39块样地建立模型并进行森林AGB的反演，依次重复，直到40块样地都作为一次验证样本，最后取评价指标的均值^[18]进行反演结果精度评价。精度评价指标包括：决定系数（coefficient of determination，R²）、均方根误差（root mean square error，RMSE）和相对均方根误差（relative root mean square error，RMSEr），其中，R²的取值范围是0 ~ 1，越接近于1表示反演结果的精度越高；RMSE和RMSEr表示预测与实测之间的差异，取值越小表示反演精度越高。

${R^2}{\text{ = }}\frac{{\displaystyle \sum\nolimits_{i = 1}^n {{{({y_i} - {\overline y )})}^2}} }}{{\displaystyle \sum\nolimits_{i = 1}^n {{{({Y_i} - \overline y )}^2}} }}$

(5)

${\text{RMSE}} = \sqrt {\frac{{\displaystyle \sum\nolimits_{i = 1}^n {{{({Y_i} - {y_i})}^2}} }}{n}}$

(6)

${\text{RMSEr}} = \frac{{{\text{RMSE}}}}{{\hat y}} \times 100\%$

(7)

式中： ${Y_i}$ 为第i个样地森林AGB实测值， ${y_i}$ 为第i个样地森林AGB反演值，n为样地总数， $\overline y$ 为实测森林AGB的平均值， $\hat y$ 为反演森林AGB的平均值。

3. 结果与分析

3.1 3种影像特征集反演结果及分析

文中对GF-1数据进行特征提取，获得波段光谱值、纹理和植被指数共52个特征；基于GF-3 PolSAR数据进行特征提取，获得后向散射系数、极化分解参数和SPAN的纹理特征共48个特征。利用40个样地实测AGB，分别基于GF-1数据、GF-3 PolSAR数据以及两种数据联合的3种影像特征集，采用KNN-FIFS的方法进行特征优选并进行森林AGB及其分量反演。以样地实测数据为验证数据，采用留一法交叉验证，得到3种数据源对森林AGB的反演精度。

3.1.1 GF-1光学数据

基于GF-1数据的反演结果中，纹理特征较其他特征对森林AGB及其分量的变化敏感。其中红光和蓝光波段的纹理特征在用于反演的遥感特征中占比较大，具体结果见表4。GF-1数据提取的遥感特征经优选后在森林AGB及其分量反演结果中精度均较高，估测值与实测值的相关性均达到显著水平（P < 0.05）且反演误差均在30%左右。其中，最优的结果为树枝和树叶，RMSEr值均为30.01%；最差的结果为干材的反演结果，其误差最大，RMSEr = 32.76%。图3为基于GF-1数据的估测值与实测值的散点图。尽管森林AGB和各分量的反演结果均较接近1∶1线，但在总AGB反演结果中，有一些样点的实测值在60 ~ 80 t/hm²时，估测值则保持在60 t/hm²不变化，有较明显的饱和现象，而在各分量生物量反演结果与实测值对比的散点图中，该现象并不明显，这可能是由于研究区各分量生物量平均值较低，并未达到GF-1数据反演的饱和点。采用GF-1特征的反演结果中，干材生物量反演时优选的参数均为纹理信息，且多为对比度信息，其原因可能是纹理特征考虑了像元之间的相关性，能更进一步挖掘AGB与遥感特征之间的相关性。冠层生物量反演时优选的参数中，所占比重较大的纹理信息为绿光波段和蓝光波段，其原因可能是森林冠层对绿光和蓝光波段敏感，反射率较高引起的。

表 4 GF-1的重要参数及反演精度

Table 4. Important parameters of GF-1 and inversion accuracy

生物量 Biomass	最近邻样本数量取值 Number of nearest neighbor samples (K)	窗口 Window	决定系数 Coefficient of determination (R²)	均方根误差/（t·hm⁻²） Root mean square error (RMSE)/(t·ha⁻¹)	相对均方根误差 Relative root mean square error (RMSEr)/%	重要参数 Major parameter
森林地上生物量 Forest AGB	1	5	0.634	11.310	30.61	Me_b2、Con_pan、Var_b3、 Con_b1、Con_3
干材生物量 Stem biomass	1	5	0.609	6.971	32.76	Me_b2、Con_pan、Var_b3、 Con_b1、Con_3
树皮生物量 Bark biomass	4	1	0.595	1.119	30.37	Me_b1、Var_b1、Cor_b3
树枝生物量 Branch biomass	1	5	0.646	2.663	30.01	Me_b2、Var_pan、Var_b1、 Con_b2
树叶生物量 Leaf biomass	4	1	0.598	0.976	30.01	Me_b1、Var_b1、Cor_b3
注：Con_pan、Var_pan为GF-1全色波段纹理的对比度和方差；Me_b1、Con_b1、Var_b1为GF-1蓝光波段的均值、对比度、方差；Me_b2为GF-1绿光波段的均值；Var_b3、Con_3、Cor_b3为红光波段的方差、对比度、相关性。Notes: Con_pan, Var_pan are the contrast and variance of GF-1 panchromatic band texture; Me_b1, Con_b1, Var_b1 are the mean, contrast, and variance of GF-1 blue band; Me_b2 is the mean of GF-1 green band; Var_b3, Con_3, Cor_b3 are the variance, contrast, and correlation of red band, respectively.

下载: 导出CSV

| 显示表格

图 3 利用GF-1数据反演森林AGB与实测值对比散点图

实线为1∶1验证线。The solid line is 1∶1 verification line.

Figure 3. Scatter plots between forest AGB inversion results using GF-1 data and field collected sample values

下载: 全尺寸图片幻灯片

3.1.2 GF-3 PolSAR数据

基于GF-3 PolSAR数据的反演结果，部分T矩阵元素、SPAN各个角度的纹理特征多被选为总AGB及其分量反演的较优特征，具体信息见表5。GF-3数据提取的遥感特征经优选后在森林AGB及其分量反演结果中RMSEr值在29% ~ 39%之间。其中树枝生物量反演结果精度最高，RMSEr的值为29.13%，树枝次之，值为35.89%；而干材的反演结果精度最低，RMSEr值为38.53%。值得注意的是Yamaguchi四分量分解的参数均未入选。图4为基于GF-3特征的估测值与实测值的散点图。森林总AGB的反演结果出现了较明显的饱和现象，但各分量生物量的反演结果中，样点则较均匀地分布在1∶1线两侧，无明显的饱和现象。值得注意的是采用GF-3特征和KNN-FIFS方法进行森林总AGB及其分量的反演中，窗口值均偏大，这表明：与GF-1提取的特征相比，GF-3特征对森林AGB变化的敏感性相对较低。尽管如此，对比总AGB及其分量基于GF-3特征反演结果的精度，与C波段森林散射机制基本一致，即C波段SAR特征对森林冠层散射变化敏感，而对于生物量主体的干材、总生物量会出现饱和现象。

图 4 利用GF-3数据反演森林AGB与实测值对比散点图

实线为1∶1验证线。The solid line is 1∶1 verification line.

Figure 4. Scatter plots between forest AGB inversion results using GF-3 data and field collected sample values

下载: 全尺寸图片幻灯片

表 5 GF-3的重要参数及反演精度

Table 5. Important parameters and inversion accuracies based on GF-3

生物量 Biomass	K	窗口 Window	R²	RMSE/(t·hm⁻²) RMSE/(t·ha⁻¹)	RMSEr/%	重要参数 Major parameter
森林地上生物量 Forest AGB	1	7	0.500	14.110	37.17	T23_im、VHDB、T13_re
干材生物量 Stem biomass	2	7	0.464	8.522	38.53	T23_im、T13_re、Fre_Vol
树皮生物量 Bark biomass	7	7	0.372	1.495	37.99	T23_im、Sp_con135
树枝生物量 Branch biomass	1	7	0.515	3.243	35.89	T23_im、VHDB、T13_re
树叶生物量 Leaf biomass	2	11	0.630	0.993	29.13	Sp_ent135、T23_re、Sp_ent0、T12_re、HHUTM、Sp_con0
注：Sp_con135和Sp_con0、Sp_ent135和Sp_ent0分别为GF-3的SPAN特征纹理的135°和0°的对比度、135°和0°的熵；VHDB为GF-3交叉极化的后向散射系数分贝化结果；HHUTM为GF-3同极化的后向散射系数；T23_im、T13_re、T23_re为相干矩阵（T）中的元素；Fre_Vol为Freeman2分解的体散射分量。Notes: Sp_con135, Sp_con0, Sp_ent135, Sp_ent0 are the 135° and 0° contrast, 135° and 0° entropy of the SPAN feature texture of GF-3; VHDB is the decibelized result of backscattering coefficient of GF-3 cross-polarization. HHUTM is the backscattering coefficient of GF-3 co-polarization; T23_im, T13_re, T23_re are the elements in the coherence matrix (T); Fre_Vol is the body scattering component of the Freeman2 decomposition.

下载: 导出CSV

| 显示表格

3.1.3 联合GF-1光学数据和GF-3 PolSAR数据

基于GF-1和GF-3特征联合进行森林AGB及其分量反演的结果中，光学信息和PolSAR信息都得到了充分利用。其中总AGB、树枝生物量、树枝生物量反演中入选的GF-3特征较多；干材生物量反演中，GF-1和GF-3特征各占一半；而树枝生物量反演中入选的GF-1特征则明显占优，详细结果见表6。联合GF-1和GF-3特征反演结果中，R²值在0.71 ~ 0.78之间，RMSEr的值在22% ~ 27%之间，树枝生物量反演结果精度最优，森林总AGB反演结果精度最差。值得注意的是：入选的SAR特征包括纹理特征和后向散射系数，且后向散射系数均为HV或VH，说明在C波段，冠层引起的去极化特征对森林AGB及其分量变化表征能力较好。入选的光学特征则多为纹理特征，也说明了纹理特征在表征森林AGB及分量生物量变化上极具潜力。此外，联合两种特征采用KNN-FIFS进行AGB反演时，窗口多为3，模拟结果更接近实际情况。基于GF-1和GF-3联合特征的估测值与实测值的散点图（图5）中，样点分布更接近1∶1线，且即使在总AGB反演结果的散点图中也未见明显的饱和现象。

表 6 联合GF-1 + GF-3的重要参数及反演精度

Table 6. Important parameters and inversion accuracies based on the combination of GF-1 + GF-3

生物量 Biomass	K	窗口 Window	R²	RMSE/(t·hm⁻²) RMSE/(t·ha⁻¹)	RMSEr/%	重要参数 Major parameter
森林地上生物量 Forest AGB	2	3	0.714	10.270	26.61	B2、Sp_dis90、HVUTM、VHUTM、Sp_hom45、Me_b2、 Sp_con90
干材生物量 Stem biomass	2	1	0.713	6.285	26.53	Dis_b3、Sp_con90、Me_b2、Sp_con45、Hom_b3、 Sp_ent135、Var_b1、VH
树皮生物量 Bark biomass	2	3	0.757	0.931	22.54	B3、Sp_dis90、HVUTM、VHUTM、Sp_hom45、Var_b1、 Sp_hom90、Me_b3
树枝生物量 Branch biomass	2	3	0.711	2.419	26.58	B3、Sp_dis90、HVUTM、VHUTM、Sp_hom45、Me_b2、 Sp_con90
树叶生物量 Leaf biomass	3	11	0.770	0.820	24.58	Dis_b3、Sec_b2、Me_b3、T12_re、Var_b2、Var_b1
注：在GF-1光学数据中，B2、B3为绿光和红光的光谱信息；Me_b2、Sec_b2为绿光波段的均值和二阶矩；Dis_b3、Hom_b3、Me_b3为红光波段的相异性、均匀性、均值。在GF-3PolSAR数据中，HVUTM、VHUTM为交叉极化的后向散射系数；Sp_dis90、Sp_hom45和Sp_hom90、Sp_con90和Sp_con45分别为SPAN特征的90°的相异性、45°和90°的均匀性、90°和45°的对比度。Notes: in GF-1 optical data, B2 and B3 are spectral information of green and red light; Me_ b2, Sec_ B2 are the mean and second-order moment of the green band; Dis_ b3, Hom_ b3, Me_ B3 are the difference, uniformity and mean value of red light band. In gf-3polsar data, HVUTM and VHUTM are backscattering coefficients of cross polarization; Sp_ dis90, Sp_ hom45, Sp_ hom90, Sp_ con90, Sp_ Con45 are the 90° non similarity, 45° and 90° uniformity, 90° and 45° contrast of span characteristics.

下载: 导出CSV

| 显示表格

图 5 利用GF-1、GF-3数据联合反演森林AGB与实测值对比散点图

实线为1∶1验证线。The solid line is 1∶1 verification line.

Figure 5. Scatter plots between forest AGB inversion results using combination of GF-1, GF-3 data and field collected sample values

下载: 全尺寸图片幻灯片

3.1.4 3种数据特征集结果对比分析

相比单一数据源，联合GF-1和GF-3特征可以有效提高反演精度。相比GF-1数据，其精度平均提高了约5%，最高提高约9%；相比GF-3数据，其提高则更为显著；在总AGB及其分量反演结果中，其精度提高在4% ~ 12%之间，均值约为10%。在总AGB、干材生物量、树枝生物量和树枝生物量的反演结果中，联合两种数据特征的反演结果优于GF-1的结果，而GF-1的反演结果优于GF-3的反演结果。而在树枝生物量的反演结果中，基于GF-3的反演结果则优于GF-1的反演结果。

图6对比了基于3种特征在总AGB及其分量反演结果中的R²值、RMSE值和RMSEr值。3种不同的特征集在KNN-FIFS模型中，无论是总体森林AGB，还是各分量生物量，联合GF-1和GF-3的数据源反演精度的R²均高于单一数据源，RMSE和RMSEr也低于单一的数据源。对于总体的森林AGB、树皮、干材和树枝生物量的反演，联合数据特征反演效果最佳，GF-1光学数据特征次之，GF-3 PolSAR最低。对于树叶生物量，联合数据源精度最高，GF-3 PolSAR数据的精度次之，GF-1光学数据的精度最低。该现象表明尽管GF-3波长较短，但仍能深入冠层部分，较好地识别树叶的垂直结构，所以树叶部分SAR数据反演结果精度较高。此外，从图6也可看出：部分分量生物量的反演结果优于森林AGB的反演结果。在GF-1的反演结果中，树枝生物量的反演精度优于森林总AGB的反演精度；在GF-3的反演结果中，树枝和树枝生物量的反演精度均优于森林总AGB的反演精度；而联合反演中，树皮和树枝生物量的反演精度均优于森林总AGB的反演精度。对比图3、4、5中AGB反演结果与实测值对比的散点图可知：各分量反演结果饱和现象均不明显，但单独基于GF-1和GF-3进行森林总AGB反演时，反演结果散点图却出现了较明显的饱和现象。

图 6 精度评价对比

Figure 6. Accuracy evaluation and comparison

下载: 全尺寸图片幻灯片

3.2 森林AGB及其分量反演

联合GF-1和GF-3 PolSAR特征，并采用KNN-FIFS算法反演森林AGB均取得较好的估测结果。各分量生物量的估测范围分别为：干材生物量在6.54 ~ 42.52 t/hm²之间，树枝生物量在1.03 ~ 7.48 t/hm²之间，树枝生物量在2.52 ~ 17.48 t/hm²之间，树枝生物量在1.07 ~ 6.32 t/hm²之间，图7展示了各分量森林AGB空间分布图制图结果。

图 7 研究区各分量生物量分布图

Figure 7. Biomass distribution of each component in the study area

下载: 全尺寸图片幻灯片

在所选的研究区内，森林AGB的估测值范围为10.82 ~ 74.75 t/hm²。森林AGB小于20 t/hm²的范围约19.16%；20 ~ 40 t/hm²的所占比重较大，约49.40%；40 ~ 60 t/hm²的所占比约24.34%；其AGB大于60 t/hm²的区域约占7.10%（图8）。该研究结果与研究区小班调查结果分布制图基本一致。

图 8 研究区森林AGB分布

Figure 8. Forest AGB distribution map in the study area

下载: 全尺寸图片幻灯片

4. 讨论和结论

4.1 讨　论

本文以GF-1、GF-3 PolSAR数据作为数据源，采用KNN-FIFS算法反演了宜良县花园林场小哨林区云南松纯林森林总AGB及其分量。研究结果表明KNN-FIFS算法在森林总AGB及其分量反演中有一定的鲁棒性；除本文研究结果外，KNN-FIFS算法在其他不同数据源的森林AGB反演中均获得较好的反演精度。韩宗涛等^[12]采用该算法，联合Landsat-8 OLI光学影像和P-波段机载数据进行大兴安岭根河地区的森林AGB反演，其R² = 0.770，RMSE = 22.740 t/hm²，该研究结果精度与本文反演结果精度基本一致。本文利用GF-1光学影像反演结果R² = 0.634，RMSE = 11.310 t/hm²，略高于巨一琳等^[13]等利用KNN-FIFS方法采用Landsat-8 OLI数据进行根河地区森林AGB反演的精度，其R² = 0.600，RMSE = 29.630 t/hm²。Olivier等^[21]采用多频SAR数据和多元线性模型进行森林总AGB及其分量反演时，反演结果的相对误差在35% ~ 54%之间，相对误差略高于本文，但加入LiDAR数据后，精度有明显的提升。结合本文研究和已有研究结果，说明KNN-FIFS方法在森林AGB及其分量反演中均具有鲁棒性。

联合GF-1和GF-3特征可有效提高森林总AGB及其分量反演的精度。单独采用GF-1和GF-3的特征进行森林总AGB反演会有明显饱和现象，但是在分量生物量反演中饱和现象并不明显。李春梅等^[7]采用Landsat-8 OLI和P-波段PolSAR数据为数据源，利用KNN算法对根河生态站的森林AGB进行了反演，研究结果同样表明联合数据反演结果的精度高于单一数据源的反演精度。本文中联合GF-1和GF-3进行森林地上生物量分量的反演结果均较好，R²值均大于0.700。联合数据可以提高森林AGB反演的原因应该是其同时甄选了光学和SAR数据中对森林特征敏感的遥感特征，实现了多种数据源在表征森林结构变化中的优势，进而提高了森林总AGB及其分量的反演精度。

对比本文研究结果与以往研究，光谱信息和纹理信息在森林AGB反演建模中的作用有赖于森林结构的复杂性^[22]，在本文中GF-1多光谱的大多数纹理特征都与各分量的生物量存在着相关关系。王昆^[23]使用QuickBird高分辨率数据采用多光谱波段和AGB进行相关性分析也表明，多光谱波段的部分纹理特征和AGB相关性都比较高，其相关性最高可达0.686。其原因可能是纹理特征采用灰度共生矩阵提取，灰度共生矩阵考虑了像元之间的空间关系，进而可以更真实地表现森林场景结构变化特征^[24]。

4.2 结　论

本文利用GF-1和GF-3数据，采用KNN-FIFS方法进行森林AGB及其分量反演，研究得出以下结论：（1）联合GF-1和GF-3可以实现一定程度的互补，提高森林总AGB及其分量的反演精度，但入选的最优反演特征中极化分解特征偏少，多为光学和SAR的纹理特征；（2）在低生物量水平云南松纯林覆盖的研究区，进行森林总AGB及其分量反演时，GF-1特征略优于GF-3特征，但树枝生物量反演除外；（3）KNN-FIFS方法在森林总AGB及其分量反演中均具有一定的鲁棒性。值得注意的是，尽管KNN-FIFS方法在AGB反演中具有鲁棒性，但偶尔会出现过拟合现象，未来该算法仍需要进一步改进；此外，本研究仅将GF-3 PolSAR影像部分极化特征用于AGB的反演，后续需进一步考虑其他极化特征在森林总AGB及其分量生物量反演中的潜力。

图 1 研究区降水特征和土壤体积含水量变化特征

Figure 1. Variation characteristics of precipitation and soil volumetric moisture content in the study area

下载: 全尺寸图片幻灯片

图 2 不同类型降雨下土壤水分含量动态变化

LR.小雨；MR.中雨；HR.大雨。GL.草地；SL.灌木林；AL.乔木林。下同。LR, light rain; MR, moderate rain; HR, heavy rain. GL, grassland; SL, shrubland; AL, arbor forest land. Same as below.

Figure 2. Dynamic changes of soil moisture content under different rainfall types

下载: 全尺寸图片幻灯片

图 3 不同降雨类型前后不同土层水分变化特征

Figure 3. Characteristics of water changes in different soil layers before and after varied rainfall types

下载: 全尺寸图片幻灯片

表 1 样地基本情况

Table 1 Basic information of experimental sample plots

样地类型 Sample plot type	坡度 Slope/(°)	坡向 Slope aspect	盖度 Coverage/%	叶面积指数 Leaf area index	土壤密度 Soil bulk density/(g∙cm⁻³)	总孔隙度 Total porosity/%
草地 Grassland	1.67	西南 Southwest	57.67	2.43 ± 0.13c	1.69 ± 0.04a	32.41 ± 2.91b
灌木林地 Shrubland	2.25	西南 Southwest	69.33	3.01 ± 0.16b	1.56 ± 0.04b	42.14 ± 2.18a
乔木林地 Arbor forest land	1.93	西南 Southwest	49.50	3.31 ± 0.29a	1.60 ± 0.03b	37.88 ± 5.10a
注：表中最后3列数据为平均值 ± 标准差；同列不同小写字母表示不同植被类型之间差异显著（P < 0.05）。Notes: data in the last three columns of the table are mean ± standard deviation. Different lowercase letters in the same column indicate significant differences between varied vegetation types (P < 0.05).

下载: 导出CSV

表 2 不同植被类型覆盖下土壤粒径组成

Table 2 Soil particle size composition under different vegetation types

样地类型 Sample plot type	土层深度 Depth of soil layer/cm	土壤粒径组成 Soil particle size composition/%
样地类型 Sample plot type	土层深度 Depth of soil layer/cm	黏粒 Clay (< 2 μm)	粉粒 Silt (2 − 50 μm)	砂粒 Sand (50 ~ 2 000 μm)
草地 Grassland	0 ~ 20	1.64 ± 0.29BCa	10.81 ± 0.70Dc	87.55 ± 0.84Aa
	20 ~ 40	2.28 ± 0.44Aa	15.61 ± 0.74Cb	82.11 ± 0.31Bb
	40 ~ 60	1.28 ± 0.08Ca	20.38 ± 0.56Bb	78.34 ± 0.56Cb
	60 ~ 80	1.76 ± 0.12BCa	23.70 ± 0.48Aa	74.54 ± 0.41Db
	80 ~ 100	1.81 ± 0.09Aba	24.08 ± 1.09Aa	74.12 ± 1.17Dc
灌木林地 Shrubland	0 ~ 20	1.27 ± 0.08Aa	25.80 ± 1.01Aa	72.93 ± 0.95Cc
	20 ~ 40	1.16 ± 0.18ABb	23.33 ± 0.57Ba	75.51 ± 0.73Bc
	40 ~ 60	0.96 ± 0.11BCb	18.49 ± 0.80Cc	80.55 ± 0.82Aa
	60 ~ 80	1.21 ± 0.11Ab	23.18 ± 0.97Ba	75.61 ± 1.07Bb
	80 ~ 100	0.79 ± 0.07Cb	17.91 ± 0.57Cb	81.29 ± 0.63Ab
乔木林地 Arbor forest land	0 ~ 20	1.42 ± 0.08Aa	20.22 ± 0.64Bb	78.36 ± 0.71Cb
	20 ~ 40	0.91 ± 0.11Bb	15.83 ± 0.63Cb	83.26 ± 0.52Ba
	40 ~ 60	1.38 ± 0.09Aa	22.71 ± 1.07Aa	75.90 ± 1.03Dc
	60 ~ 80	1.01 ± 0.07Bc	14.17 ± 0.45Cb	84.82 ± 0.39Ba
	80 ~ 100	0.58 ± 0.11Cc	11.57 ± 1.20Dc	87.86 ± 1.09Aa
注：表中最后3列数据为平均值 ± 标准差；同列不同小写字母表示同一土层深度不同植被类型之间差异显著（P < 0.05），同列不同大写字母表示同一植被类型不同土层深度之间差异显著（P < 0.05）。同表4。Notes: data in the last three columns of the table are mean ± standard deviation. Different lowercase letters in the same column indicate significant differences between varied vegetation types in the same soil depth (P < 0.05), different capital letters in the same column indicate significant differences between varied soil depths of the same vegetation type (P < 0.05). Same as Tab. 4.

下载: 导出CSV

表 3 各类型降雨特征

Table 3 Rainfall characteristics of various types

降雨类型 Rainfall type	降雨次数 Rainfall time	占总降雨次数的比例 Proportion of total rainfall frequency/%	总降雨量 Total rainfall/mm	占总降雨量的比例 Proportion to total rainfall/%	平均降雨量 Average rainfall/mm
小雨 Light rain	26	68.42	83.0	21.30	3.19 ± 2.81
中雨 Moderate rain	5	13.16	83.2	21.36	16.64 ± 3.03
大雨 Heavy rain	7	18.42	223.4	57.34	31.91 ± 5.15
总计 Total	38		389.6

下载: 导出CSV

表 4 研究区不同植被类型覆盖下土壤水分特征

Table 4 Characteristics of soil moisture covered by different vegetation types in the study area

样地类型 Sample plot type	土层深度 Depth of soil layer/cm	各层土壤水分含量 Soil moisture content of each layer/%	最大值 Max. value/%	最小值 Min. value/%	变异系数 Variation coefficient
草地 Grassland	0 ~ 20	10.59 ± 2.34Cc	16.22	6.08	22.14
	20 ~ 40	14.34 ± 2.50Aa	19.30	9.82	17.42
	40 ~ 60	7.45 ± 1.06Ec	11.07	5.73	14.27
	60 ~ 80	8.63 ± 0.66Dc	9.73	6.03	7.68
	80 ~ 100	12.32 ± 0.98Bc	13.99	9.21	7.95
	均值 Mean	10.67 ± 2.77	14.06	7.37	13.89
灌木林地 Shrubland	0 ~ 20	12.03 ± 3.56Bb	28.10	4.01	29.60
	20 ~ 40	13.66 ± 3.06Ab	19.30	6.72	22.44
	40 ~ 60	11.97 ± 3.38Bb	17.88	5.98	28.26
	60 ~ 80	11.87 ± 3.21Cb	16.51	6.96	27.05
	80 ~ 100	13.63 ± 3.24Ab	18.36	9.03	23.76
	均值 Mean	12.63 ± 0.93	20.03	6.54	26.22
乔木林地 Arbor forest land	0 ~ 20	13.11 ± 2.48Da	21.26	6.62	18.88
	20 ~ 40	12.41 ± 3.24Ec	20.44	6.72	26.13
	40 ~ 60	13.70 ± 3.40Ba	20.81	8.41	24.81
	60 ~ 80	13.17 ± 2.72Ca	18.40	7.98	20.67
	80 ~ 100	17.55 ± 2.11Aa	21.26	12.81	12.04
	均值 Mean	13.99 ± 2.04	20.43	8.51	20.51

下载: 导出CSV

表 5 典型降雨事件的特征参数

Table 5 Characteristic parameters of typical rainfall events

降雨类型 Rainfall type	日期 Date	降雨量 Rainfall/mm	降雨历时 Rain duration/h
小雨 Light rain	04−09	6.0	1.33
	04−19	7.2	2.33
	07−19	7.0	5.92
	08−09	9.0	6.50
	10−03—10−04	7.8	4.75
中雨 Moderate rain	06−25—06−26	20.2	4.17
	06−27—06−28	13.8	13.66
	08−20	19.0	7.92
	07−09—07−10	16.8	5.75
	07−16—07−17	13.4	12.58
大雨 Heavy rain	04−23—04−26	31.0	7.98
	05−18	29.0	6.33
	05−26	32.0	7.42
	07−04—07−06	30.8	22.58
	09−11—09−13	30.6	13.91

下载: 导出CSV

表 6 不同类型降雨对土壤水分含量补给效应的差异

Table 6 Differences in the replenishment effect of different types of rainfall on soil moisture content

样地类型 Sample plot type	降雨类型 Rainfall type	响应时长 Response time/h	达峰时长 Peak reaching time/h	补给量 Supplement amount/%	补给速率 Supplement speed/(%∙h⁻¹)
草地 Grassland	小雨 Light rain	4.75 ± 2.97Ab	10.30 ± 4.23Bb	0.74 ± 0.52Bb	0.08 ± 0.07Bb
	中雨 Moderate rain	2.10 ± 1.13Ab	17.55 ± 3.33Aa	3.89 ± 2.08Ab	0.24 ± 0.17Bb
	大雨 Heavy rain	2.10 ± 1.51Aa	8.70 ± 3.06Ba	5.03 ± 2.12Aa	0.64 ± 0.39Ab
灌木林地 Shrubland	小雨 Light rain	1.10 ± 0.68Ab	6.10 ± 3.23Ab	3.75 ± 2.96Ba	0.70 ± 0.43Ba
	中雨 Moderate rain	0.90 ± 0.65Ab	4.30 ± 3.90Ab	8.62 ± 2.31Aa	4.11 ± 3.50Aa
	大雨 Heavy rain	0.70 ± 0.62Aa	4.90 ± 2.10Ab	7.20 ± 3.56ABa	1.87 ± 1.39ABa
乔木林地 Arbor forest land	小雨 Light rain	10.20 ± 4.67Aa	18.90 ± 7.05Aa	0.96 ± 1.44Bb	0.04 ± 0.05Bb
	中雨 Moderate rain	3.95 ± 1.83Ba	17.65 ± 4.68Aa	3.20 ± 2.71Bb	0.20 ± 0.19Bb
	大雨 Heavy rain	2.15 ± 1.39Ba	9.45 ± 2.87Ba	6.05 ± 1.66Aa	0.69 ± 0.31Ab
注：表中数据为平均值 ± 标准差；同列不同小写字母表示同种降雨不同植被类型之间差异显著（P < 0.05），同列不同大写字母表示同种植被类型不同雨强之间差异显著（P < 0.05）。Notes: data in the table are mean ± standard deviation. Different lowercase letters in the same column indicate significant differences between varied vegetation types of the same rainfall types (P < 0.05), different capital letters in the same column indicate significant differences between varied rainfall types in the same vegetation types (P < 0.05).

下载: 导出CSV

参考文献(46)

[1]	Fu X, Lyu H, Yu Z, et al. Effects of soil hydraulic properties on soil moisture estimation[J]. Journal of Meteorological Research, 2023, 37(1): 58−74. doi: 10.1007/s13351-023-2049-2
[2]	Wang C, Fu B, Zhang L, et al. Soil moisture-plant interactions: an ecohydrological review[J]. Journal of Soils and Sediments, 2019, 19(1): 1−9. doi: 10.1007/s11368-018-2167-0
[3]	王正宁, 王新平, 刘博. 荒漠灌丛内降雨和土壤水分再分配[J]. 应用生态学报, 2016, 27(3): 755−760. Wang Z N, Wang X P, Liu B. Rainfall and soil moisture redistribution induced by xerophytic shrubs in an arid desert ecosystem[J]. Chinese Journal of Applied Ecology, 2016, 27(3): 755−760.
[4]	陈伟, 李亚新, 王红阳, 等. 黄土丘陵区坡耕地与撂荒地土壤水分对不同强度降雨的动态响应特征[J]. 生态学报, 2022, 42(1): 1−8. doi: 10.1016/j.chnaes.2020.10.010 Chen W, Li Y X, Wang H Y, et al. Dynamic response characteristics of soil moisture on slope cultivated land and abandoned land to different rainfall intensities in loess hilly region[J]. Acta Ecologica Sinica, 2022, 42(1): 1−8. doi: 10.1016/j.chnaes.2020.10.010
[5]	石春茂, 罗娅, 杨胜天, 等. 干热河谷区不同坡位土壤水分对降雨的响应特征[J]. 应用生态学报, 2022, 33(5): 1352−1362. Shi C M, Luo Y, Yang S T, et al. Response characteristics of soil moisture at different slope positions to rainfall in dry-hot valley[J]. Chinese Journal of Applied Ecology, 2022, 33(5): 1352−1362.
[6]	Yinglan A, Wang G Q, Sun W C, et al. Stratification response of soil water content during rainfall events under different rainfall patterns[J]. Hydrological Processes, 2018, 32(20): 3128−3139. doi: 10.1002/hyp.13250
[7]	李新乐, 吴波, 张建平, 等. 白刺沙包浅层土壤水分动态及其对不同降雨量的响应[J]. 生态学报, 2019, 39(15): 5701−5708. Li X L, Wu B, Zhang J P, et al. Dynamics of shallow soil water content in Nitraria tangutorum nebkha and response to rainfall[J]. Acta Ecologica Sinica, 2019, 39(15): 5701−5708.
[8]	Ren Z, Pan J, Li Z, et al. The interaction of aeolian sand and slope on runoff and soil loss on a loess slope via simulated rainfall under laboratory conditions[J]. Water, 2023, 15(5): 888. doi: 10.3390/w15050888
[9]	杨磊, 张涵丹, 陈利顶. 黄土宽梁缓坡丘陵区次降雨对土壤水分补给效率与阈值研究[J]. 中国科学: 地球科学, 2018, 48(4): 457−466. Yang L, Zhang H D, Chen L D. Identification on threshold and efficiency of rainfall replenishment to soil water in semi-arid loess hilly areas[J]. Science China Earth Sciences, 2018, 48(4): 457−466.
[10]	高露, 张圣微, 朱仲元, 等. 干旱半干旱区退化草地土壤水分变化及其对降雨时间格局的响应[J]. 水土保持学报, 2020, 34(1): 195−201. Gao L, Zhang S W, Zhu Z Y, et al. Soil moisture changes in degraded grassland and its response to rainfall temporal pattern in arid and semi-arid areas[J]. Journal of Soil and Water Conservation, 2020, 34(1): 195−201.
[11]	Mei X, Zhu Q, Ma L, et al. The spatial variability of soil water storage and its controlling factors during dry and wet periods on loess hillslopes[J]. Catena, 2018, 162: 333−344. doi: 10.1016/j.catena.2017.10.029
[12]	Ge F, Xu M, Gong C, et al. Land cover changes the soil moisture response to rainfall on the Loess Plateau[J/OL]. Hydrological Processes, 2022, 36(11): e14714[2023−02−20]. https://doi.org/10.1002/hyp.14714.
[13]	刘粲. 黄土高原植被恢复对土壤水分的影响研究[D]. 石家庄: 河北地质大学, 2022. Liu C. Study on the effect of vegetation restoration on soil moisture on the Loess Plateau[D]. Shijiazhuang: Hebei GEO University, 2022.
[14]	Liu Y F, Fang H, Leite P A M, et al. Mattic epipedon fragmentation strengthened the soil infiltration capacity of a hillside alpine meadow on the Qinghai-Tibetan Plateau[J/OL]. Ecohydrology, 2023: e2552[2023−04−30]. https://doi.org/10.1002/eco.2552.
[15]	Gao X, Li H, Zhao X, et al. Identifying a suitable revegetation technique for soil restoration on water-limited and degraded land: considering both deep soil moisture deficit and soil organic carbon sequestration[J]. Geoderma, 2018, 319: 61−69. doi: 10.1016/j.geoderma.2018.01.003
[16]	Wang Y, Zhu Q, Zhao W, et al. The dynamic trend of soil water content in artificial forests on the Loess Plateau, China[J/OL]. Forests, 2016, 7(12): 236[2022−10−21]. https://doi.org/10.3390/f7100236.
[17]	王贺年, 余新晓, 李轶涛. 北京山区林地土壤水分动态变化[J]. 山地学报, 2011, 29(6): 701−706. doi: 10.3969/j.issn.1008-2786.2011.06.009 Wang H N, Yu X X, Li Y T. Soil water dynamics of four advantage forest in Beijing mountain area[J]. Journal of Mountain Science, 2011, 29(6): 701−706. doi: 10.3969/j.issn.1008-2786.2011.06.009
[18]	崔艳红, 毕华兴, 侯贵荣, 等. 晋西黄土残塬沟壑区刺槐林土壤入渗特征及影响因素分析[J]. 北京林业大学学报, 2021, 43(1): 77−87. Cui Y H, Bi H X, Hou R G, et al. Soil infiltration characteristics and influencing factors of Robinia pseudoacacia plantation in the loess gully region of western Shanxi Province, northern China[J]. Journal of Beijing Forestry University, 2021, 43(1): 77−87.
[19]	Koukoula M, Schwartz C S, Nikolopoulos E I, et al. Understanding the impact of soil moisture on precipitation under different climate and meteorological conditions: a numerical sensitivity study over the CONUS[J/OL]. Journal of Geophysical Research: Atmospheres, 2021, 126(23): e2021JD035096[2023−04−25]. https://doi.org/10.1029/2021JD035096.
[20]	Petrie M D, Collins S L, Litvak M E. The ecological role of small rainfall events in a desert grassland[J]. Ecohydrology, 2015, 8(8): 1614−1622. doi: 10.1002/eco.1614
[21]	赵娜, 李少宁, 徐晓天, 等. 北京地区典型绿化树种水分利用效率及其影响因素[J]. 北京林业大学学报, 2021, 43(3): 44−54. Zhao N, Li S N, Xu X T, et al. Water use efficiency and its influencing factors of typical greening tree species in Beijing region[J]. Journal of Beijing Forestry University, 2021, 43(3): 44−54.
[22]	吕娇, Mustaq Shah, 崔义, 等. 土壤紧实度和凋落物覆盖对城市森林土壤持水、渗水能力的影响[J]. 北京林业大学学报, 2020, 42(8): 102−111. Lü J, Mustaq S, Cui Y, et al. Effects of soil compactness and litter covering on soil water holding capacity and water infiltration ability in urban forest[J]. Journal of Beijing Forestry University, 2020, 42(8): 102−111.
[23]	陈文媛, 张少妮, 华瑞, 等. 黄土丘陵区林草恢复进程中土壤入渗特征研究[J]. 北京林业大学学报, 2017, 39(1): 62−69. Chen W Y, Zhang S N, Hua R, et al. Effects of forestland and grassland restoration process on soil infiltration characteristics in loess hilly region[J]. Journal of Beijing Forestry University, 2017, 39(1): 62−69.
[24]	Muluneh A, Biazin B, Stroosnijder L, et al. Impact of predicted changes in rainfall and atmospheric carbon dioxide on maize and wheat yields in the Central Rift Valley of Ethiopia[J]. Regional Environmental Change, 2015, 15(6): 1105−1119. doi: 10.1007/s10113-014-0685-x
[25]	Sun S, He C, Qiu L, et al. Stable isotope analysis reveals prolonged drought stress in poplar plantation mortality of the Three-North Shelter Forest in northern China[J]. Agricultural and Forest Meteorology, 2018, 252: 39−48. doi: 10.1016/j.agrformet.2017.12.264
[26]	Zheng X, Zhu J. A new climatic classification of afforestation in Three-North Regions of China with multi-source remote sensing data[J]. Theoretical and Applied Climatology, 2017, 127(1−2): 465−480. doi: 10.1007/s00704-015-1646-0
[27]	Liu Z, Jia G, Yu X. Variation of water uptake in degradation agroforestry shelterbelts on the North China Plain[J/OL]. Agriculture, Ecosystems & Environment, 2020, 287: 106697[2022−05−21]. https://doi.org/10.1016/j.agee.2019.106697.
[28]	徐冉, 张圣微, 朱仲元, 等. 典型草原禁牧条件下土壤水分对降雨模式的响应[J]. 干旱区研究, 2019, 36(6): 1359−1367. Xu R, Zhang S W, Zhu Z Y, et al. Response of soil moisture content to rainfall patterns in typical steppe under grazing prohibition[J]. Arid Zone Research, 2019, 36(6): 1359−1367.
[29]	白盛元. 黄土土柱降雨特征与土壤水分入渗过程研究[D]. 杨凌: 西北农林科技大学, 2015. Bai S Y. Study on progress of soil moisture changing in loess soil column[D]. Yangling: Northwest A&F University, 2015.
[30]	韩姣姣, 段旭, 赵洋毅. 金沙江干热河谷不同植被坡面土壤水分时空分布特征[J]. 干旱区地理, 2019, 42(1): 121−129. Han J J, Duan X, Zhao Y Y. Spatial and temporal variability of soil moisture on slope land of different vegetation of dry-hot valley in Jinsha River[J]. Arid Land Geography, 2019, 42(1): 121−129.
[31]	Xia Z, Daojing Z, Jingyun F. Satellite-based studies on large-scale vegetation changes in China[J]. Journal of Integrative Plant Biology, 2012, 54(10): 713−728. doi: 10.1111/j.1744-7909.2012.01167.x
[32]	陈璟, 杨宁. 衡阳紫色土丘陵坡地不同植被恢复过程中土壤水文效应[J]. 中国生态农业学报, 2013, 21(5): 590−597. doi: 10.3724/SP.J.1011.2013.00590 Chen J, Yang N. Soil hydrological function at different vegetation restoration stages in purple soil slopelands in Hengyang[J]. Chinese Journal of Eco-Agriculture, 2013, 21(5): 590−597. doi: 10.3724/SP.J.1011.2013.00590
[33]	原黎明. 黑河上游天老池流域土壤水分时空变异的试验研究[D]. 兰州: 兰州大学, 2016. Yuan L M. Spatial and temporal distribution pattern of soil moisture about a typical small watershed in the upstream of Heihe River[D]. Lanzhou: Lanzhou University, 2016.
[34]	Griesbauer H, de Long S C, Rogers B, et al. Growth sensitivity to climate varies with soil moisture regime in spruce-fir forests in central British Columbia[J]. Trees, 2021, 35(2): 649−669. doi: 10.1007/s00468-020-02066-8
[35]	冯博. 黄土高原北部两种典型草地土壤水分时空分异及对降雨的响应[D]. 沈阳: 沈阳农业大学, 2020. Feng B. Spatiotemporal variation of soil moisture and its response to rainfall in two typical grasslands in the northern Loess Plateau[D]. Shenyang: Shenyang Agricultural University, 2020.
[36]	王云强, 邵明安, 刘志鹏. 黄土高原区域尺度土壤水分空间变异性[J]. 水科学进展, 2012, 23(3): 310−316. Wang Y Q, Shao M A, Liu Z P. Spatial variability of soil moisture at a regional scale in the Loess Plateau[J]. Advances in Water Science, 2012, 23(3): 310−316.
[37]	Yu B, Liu G, Liu Q, et al. Soil moisture variations at different topographic domains and land use types in the semi-arid Loess Plateau, China[J]. Catena, 2018, 165: 125−132. doi: 10.1016/j.catena.2018.01.020
[38]	赵磊磊, 朱清科, 聂立水, 等. 陕北黄土区陡坡土壤水分变异规律研究[J]. 生态环境学报, 2012, 21(2): 253−259. doi: 10.3969/j.issn.1674-5906.2012.02.010 Zhao L L, Zhu Q K, Nie L S, et al. Soil moisture variation patterns of steep slope in the loess region in northern Shaanxi Province[J]. Ecology and Environmental Sciences, 2012, 21(2): 253−259. doi: 10.3969/j.issn.1674-5906.2012.02.010
[39]	Li X, Shao M, Xu X. Prediction of soil water storage using temporal stability in different landscape positions on the northern Loess Plateau, China[J/OL]. Hydrological Processes, 2022, 36(9): e14671[2023−04−25]. https://doi.org/10.1002/hyp.14671.
[40]	吴远菲, 肖培青, 郝仕龙, 等. 黄丘区典型灌木和荒草地土壤含水量变化对降雨的响应[J]. 水土保持研究, 2022, 29(4): 1−6. doi: 10.3969/j.issn.1005-3409.2022.4.stbcyj202204002 Wu Y F, Xiao P Q, Hao S L, et al. Response of soil moisture of typical shrubland and waste grassland to precipitation in the loess hilly-gully region[J]. Research of Soil and Water Conservation, 2022, 29(4): 1−6. doi: 10.3969/j.issn.1005-3409.2022.4.stbcyj202204002
[41]	Li F, Zhao W, Liu H. The response of aboveground net primary productivity of desert vegetation to rainfall pulse in the temperate desert region of northwest China[J/OL]. PLoS One, 2013, 8(9): e73003[2021−10−21]. https://pubmed.ncbi.nlm.nih.gov/24019888/.
[42]	Liu Y, Cui Z, Huang Z, et al. Influence of soil moisture and plant roots on the soil infiltration capacity at different stages in arid grasslands of China[J/OL]. Catena, 2019, 182: 104147[2022−01−23]. https://doi.org/10.1016/j.catena.2019.104147.
[43]	Yu G, Zhuang J, Nakayama K, et al. Root water uptake and profile soil water as affected by vertical root distribution[J]. Plant Ecology, 2007, 189(1): 15−30. doi: 10.1007/s11258-006-9163-y
[44]	Lee E, Kumar P, Barron G G A, et al. Impact of hydraulic redistribution on multispecies vegetation water use in a semiarid savanna ecosystem: an experimental and modeling synthesis[J]. Water Resources Research, 2018, 54(6): 4009−4027. doi: 10.1029/2017WR021006
[45]	Jin Z, Guo L, Lin H, et al. Soil moisture response to rainfall on the Chinese Loess Plateau after a long-term vegetation rehabilitation[J]. Hydrological Processes, 2018, 32(12): 1738−1754. doi: 10.1002/hyp.13143
[46]	Sehler R, Li J, Reager J T, et al. Investigating relationship between soil moisture and precipitation globally using remote sensing observations[J]. Journal of Contemporary Water Research & Education, 2019, 168(1): 106−118.

施引文献

资源附件(0)

图(3) / 表(6)

计量

文章访问数: 539
HTML全文浏览量: 140
PDF下载量: 84
被引次数: 0

1. 研究区概况、数据获取及预处理
1.1 研究区概况
1.2 研究区数据获取及预处理
1.2.1 样地调查数据
1.2.2 GF-1光学数据及预处理
1.2.3 GF-3 PolSAR数据及预处理
2. 研究方法
2.1 GF-1光学数据特征提取
2.2 GF-3 PolSAR数据特征提取
2.3 KNN-FIFS方法森林AGB反演
2.4 反演精度评价方法
3. 结果与分析
3.1 3种影像特征集反演结果及分析
3.1.1 GF-1光学数据
3.1.2 GF-3 PolSAR数据
3.1.3 联合GF-1光学数据和GF-3 PolSAR数据
3.1.4 3种数据特征集结果对比分析
3.2 森林AGB及其分量反演
4. 讨论和结论
4.1 讨　论
4.2 结　论

1. 研究区概况、数据获取及预处理
1.1 研究区概况
1.2 研究区数据获取及预处理
1.2.1 样地调查数据
1.2.2 GF-1光学数据及预处理
1.2.3 GF-3 PolSAR数据及预处理
2. 研究方法
2.1 GF-1光学数据特征提取
2.2 GF-3 PolSAR数据特征提取
2.3 KNN-FIFS方法森林AGB反演
2.4 反演精度评价方法
3. 结果与分析
3.1 3种影像特征集反演结果及分析
3.1.1 GF-1光学数据
3.1.2 GF-3 PolSAR数据
3.1.3 联合GF-1光学数据和GF-3 PolSAR数据
3.1.4 3种数据特征集结果对比分析
3.2 森林AGB及其分量反演
4. 讨论和结论
4.1 讨　论
4.2 结　论

参考文献(46)

施引文献

资源附件(0)

坝上高原不同植被类型覆盖下土壤水分含量对降雨的动态响应

作者简介: 党毅。主要研究方向：水土保持、生态水文。Email：dangyi1234567890@163.com 地址：100083北京市海淀区清华东路35号北京林业大学水土保持学院

责任作者: 余新晓，博士，教授。主要研究方向：水土保持、生态水文。Email：yuxinxiao111@126.com 地址：同上

计量

出版历程