南方红壤丘陵区流域景观格局与水土流失的关系

杨秋华, 黄炎和, 范胜龙, 林金石, 季 翔

(福建农林大学资源与环境学院，福建 福州 350002)

南方红壤丘陵区流域景观格局与水土流失的关系

杨秋华, 黄炎和, 范胜龙, 林金石, 季 翔

(福建农林大学资源与环境学院，福建 福州 350002)

以福建省晋江西溪流域为试验区，在分析景观格局与水土流失强度关系的基础上，通过BP模型构建两者的非线性映射关系，模拟优化景观格局后的水土流失情况.结果表明：(1)该流域水土流失主要发生在茶园景观和裸地景观；景观面积类型、斑块数量、加权面积的平均形状指和平均分维数与水土流面积呈正相关，景观连接度与水土流失呈负相关，平均斑块大小、多样性指数、散布与并列指数与水土流失不显著相关.(2)景观格局与水土流失面积间存在精度较高的BP映射关系，误差绝对值小于5%.(3)应用BP模型优化茶园与裸地的景观格局，预测水土流失面积下降14.14%.

景观格局指数; 水土流失; BP神经网络; 南方红壤丘陵区

人类活动对自然环境的干扰是水土流失的主要因素之一.随着景观生态学研究的不断深入，景观格局与水土流失间的紧密联系和相互作用日渐明朗[1-2].国外研究认为景观结构对土壤的侵蚀和沉积具有重要影响，水分和养分在生物中的循环和景观结构的特征密切相关[3].合理的景观格局有利于水分和养分的良性循环，生物生产力的提高，区域生态环境质量的改善，最后减少水土流失[4].国内关于景观格局对水土流失影响的研究主要集中在黄土高原地区，该区域水土流失的泥沙迁移量与景观多样性、均匀度、破碎度相关[5-7]，而关于南方红壤丘陵区的研究较少.南方红壤丘陵区与干旱区的黄土高原差异较大，其母质残积物深厚且降雨集中，崩岗侵蚀——南方丘陵区特有的土壤侵蚀方式频繁发生[8-10].因此，分析该区域景观格局与水土流失间的关系，从景观生态学的角度缓解水土流失势在必行.安溪县是南方花岗岩地区典型的崩岗侵蚀地区之一，集中分布在县域东部西溪流域.本试验以西溪流域为研究对象，应用BP神经网络模型探讨南方红壤丘陵区景观格局与水土流失面积的映射关系，以揭示景观格局对水土流失的影响，最后运用模型理论优化景观格局以减少水土流失现象的发生，为南方红壤丘陵区景观生态评价、水土流失防治和生态建设提供支撑和参考.

1 试验区与数据来源

1.1 试验区概况

福建省安溪县西溪流域 (N117°67′—118°22′) (E24°86′—25°42′)位于安溪县东部，地处戴云山东南侧，晋江流域上游，以山地丘陵为主，流域面积1 771.21 km2，是安溪县内最大的流域.气候类型属于南亚热带季风气候，降雨量充沛，多年平均降水量为1 700～1 800 mm.该流域土壤大多发育于花岗岩风化壳上，以红壤和赤红壤为主.由于该流域风化母质残积物深厚加之人为活动频繁，崩岗侵蚀现象普遍，是福建省崩岗发育最强烈的地区，也是水土流失发生最频繁的地区.据相关资料统计，该流域水土流失面积达459.14 km2，崩岗发生点数达2 896个，地理位置如图1.

图1 试验区地理位置Fig.1 Geographical location for research area

1.2 数据来源

本试验数据包括福建省地质测绘院收集的2009年安溪县1∶10 000土地利用现状图,2000年福建省1∶10 000 DEM地形图,2008年福建省1∶10 000水土流失强度图,2008年福建省崩岗分布图.将以上数据的坐标统一为以114E为中央经线、三度分带的西安80坐标系统.

1.3 数据处理

图2 西溪流域景观类型图Fig.2 Geographical map of landscape types of Xixi river basin

基于DEM数据，根据小流域划分及编码规范要求，参考文献[11-12]，结合试验区实际情况划分子流域.利用ArcGIS水文分析模块提取西溪流域范围后裁剪出西溪流域土地利用现状图、DEM地形图、水土流失图及崩岗分布图.然后调整集水栅格阈值为6 000，提取35 km2以下小流域边界，将整个西溪流域划分为235个子流域.将子流域图与水土流失强度图、崩岗分布图进行叠加分析，统计出各子流域内水土流失面积和崩岗个数，剔除水土流失崩岗个数较少的子流域，最终选取了180个子流域作为本试验的研究单位.

2 研究方法

2.1 景观格局指数

2.1.1 景观类型的划分 根据2009年西溪流域土地利用现状图及实地情况，将景观划分为山林景观(FL)、茶园景观(TL)、农田景观(CL)、裸地景观(NL)、水域景观(WL)和建筑景观(BL)6个类型，空间分布如图2.

2.1.2 景观格局指数的选取 景观格局指数反映景观结构组成和空间配置,是定量分析景观格局的指标[13].本试验选取9个指标，包括景观类型面积(class area, CA)、斑块数量(number of patches, NP)、平均斑块大小(mean patch size, MPS)、景观形状指数(landscape shape index, LSI)、加权面积的平均形状指数(area-weighted mean shape index, SHAPE_AM)、加权面积的平均分维数(area-weighted mean patch fractal dimension, FRAC_AM)、景观连接度(landscape connectivity, CONNECT)、多样性指数(Shannon's diversity index, SHDI)、散布与并列指数(interspersion and juxtaposition index, IJI).其中景观类型面积包括山林、茶园、农田等6种景观类型.利用Fragstats 3.4计算各景观类型的面积、斑块数目等景观格局指数，各景观指数描述[14-16]如表1.

表1 景观指数描述Table 1 Description of selected landscape pattern indexes

2.2 BP神经网络模型

图3 BP神经网络结构Fig.3 BP neural network model

Back propagation(BP)神经网络模型是一个非线性数据模拟工具，用于发现数据间的复杂关系并建立有效的预测模型[17].该模型是一种多层前馈神经网络，通过一定数量的样本训练网络，使网络具备记忆功能，实现从输入到输出的非线性映射，拓扑结构如图3[18-19].

其中n、m分别为输入层节点数和输出层节点数；BP神经网络的输入为n维向量x=(x1,x2,…，xn)；隐含层传递函数采用Sigmoid函数，即f(x)=1/(1+e-x)；输出为m维向量y=(y1,y2,…，yn)；wij和wjk分别为输入层到隐含层、隐含层到输出层因子之间的连接阀值.因此BP神经网络可看作从n个输入层到m个输出层的非线性映射关系，其函数表达式为f：Rn→Rm，f(x)=y.

本试验以子流域为样本，景观格局指数作为输入参数，水土流失面积作为输出参数，运用SPSS软件建立BP网络模型，实现输入参数到输出参数之间的非线性映射.

3 结果与分析

3.1 景观格局与水土流失总体特征

3.1.1 景观空间格局总体特征 各景观类型的面积和斑块数目等景观格局指数分析表明(表2)，该流域以山林景观为主，占比面积最大，斑块密度最小，破碎化程度不高，分布广而集中连片.茶园景观面积占19.41%，斑块个数占比第二，斑块密度为45.61个·km-2，景观形状指数仅次于农田景观，说明茶园景观破碎程度较大，分布较广而相对较零散，斑块边界形状较为不规则.农田景观面积次于茶园景观，斑块个数占12.75%，景观形状指数最大，破碎程度相对较小，分布相对较集中连片，景观形状最扁长.建筑景观面积小，斑块个数最多，斑块密度最大，建筑景观斑块的破碎程度最大，分布最零散.面积最小的为水域景观，斑块数也最少，景观形状指数最小，说明斑块被景观类型斑块割裂的程度较小，分布较集中，景观形状较为规则.综上所述,以山林景观为主的西溪流域，茶园景观分布较广，建筑景观分布最零散，农田景观形状呈扁长形态，水域景观面积最小，其斑块破碎程度最小且集中较为规则.

表2 景观类型格局总体特征Table 2 General characteristics of landscape pattern

图4 西溪流域水土流失分布图Fig.4 Distribution diagram of water and soil erosion in Xixi river basin

3.1.2 水土流失总体特征 西溪流域水土流失总面积为459.14 km2(表3)，占整个试验区的25.92%.由图4可得，西溪流域水土流失以轻度和中度为主，强度级别以上的水土流失多分布在北部茶园景观区域.不同景观类型的水土流失详情见表3.

3.2 景观格局指数与水土流失的相关关系

3.2.1 景观格局指数与水土流失的单因子相关性 子流域景观类型与水土流失面积相关性分析表明(表4)，CONNECT与水土流失面积呈显著负相关，MPS、IJI、SHDI与水土流失面积相关程度不显著，茶园景观、裸地景观、农田景观、山林景观、建筑景观、水域景观、NP、SHAPE_AM、FRAC_AM与水土流失面积显著正相关.前3类景观类型对水土流失影响较大.CONNECT越小，斑块间在结构和功能上连接性越小，生态过程源斑块间运动越显著[20]，水土流失越容易发生.该流域内斑块数量越多、景观形状指数越大、加权形状指数越大、加权斑块分维数越大，说明景观破碎程度越大、景观形状规整度越低、斑块复杂程度越高，越容易发生水土流失.

表3 西溪流域水土流失的总体特征1)Table 3 General characteristics of soil and water erosion in Xixi river basin

1)水土流失率=(景观类型内发生水土流失面积/景观类型面积)×100%.

表4 西溪流域景观格局指数与水土流失相关性1)Table 4 Correlation between landscape pattern index and water and soil erosion in Xixi river basin

1)**在0.01水平上相关程度显著.

3.2.2 景观格局指数与水土流失的多元线性回归 采用多元线性回归方法分析景观格局综合影响与水土流失间的相关性.将水土流失面积设为因变量Y,景观格局指数设为自变量X，具体有：茶园景观面积X1、山林景观面积X2、农田景观面积X3、建筑景观面积X4、裸地景观面积X5、水域景观面积X6、斑块数量X7、景观形状指数X8、加权形状指数X9、加权斑块分维数X10、景观连接度X11，得到景观格局指数与水土流失间的回归拟合方程，如式1：

Y=0.241X1+0.89X2+0.814X3-0.378X4+0.105X5+0.935X6-0.001X7+0.282X8+0.296X9-6.499X10+

0.16X11+4.262

(1)

该方程的拟合度为0.865，即各景观格局指数与水土流失的复相关系数为0.865,说明景观格局空间结构综合影响与水土流失呈显著正相关；复相关系数大于任一自变量与因变量之间的单系数关系，因此在多个景观结构因子综合影响下更容易发生水土流失.

3.3 景观格局指数与水土流失的BP神经网络模型构建

3.3.1 BP神经网络模型 通过相关性分析，选取具有代表性的6个景观格局指数，即以CA、NP、LSI、SHAPE_AM、FRAC_AM、CONNECT为输入参数，水土流失面积为输出参数.从180个子流域选取129个作为训练样本，另外51个为检测样本[21].学习速率采用默认值0.01以保证收敛稳定.系统自动构建一个隐含层，其输入层包含7个神经元，输出层包含1个神经元，模型建立后进行学习训练和检测分析.

自变量的重要性结果表明(表5)，在多个景观结构因子综合影响下，BP神经网络模型中SHAPE_AM所占比重最大，其次是CA_TL，CONNECT最小.因此，SHAPE_AM和CA_TL对水土流失的影响力最大，CONNECT的影响力最小.

表5 自变量的重要性Table 5 Significance of independent variables

在检测样本中，水土流失面积的模拟值与实际值平均绝对误差为0.229 4 km2，平均相对误差为2.09%，由此可得该模型效果较好，模拟性强，可用于判断各景观格局指数在景观结构上对水土流失的贡献性，两者间较高精度的非线性映射关系可用来预测西溪流域水土流失情况.

3.3.2 模型的运用 以景观格局指数为输入参数，水土流失面积为输出参数，建立水土流失与景观格局指数的BP神经网络模型，基于此模型对景观格局优化后的水土流失情况进行模拟.茶园景观和裸地景观为西溪流域水土流失主要发生地(表3).由于茶业为安溪支柱产业，优化景观格局时不能片面地缩减茶园景观面积和数量.考虑到LSI与水土流失的相关性较强(r=0.550)，在不影响茶园面积的情况下通过土地整治项目优化茶园景观的空间形态使其更为规则，将茶园景观的LSI降低10%；植被使土壤具有良好的结构，提高土壤孔隙度和水分渗透性，减少地表流量及流速从而减少水土流失，因此调整10%的裸地景观为山林景观.利用景观格局与水土流失面积间的BP映射关系，选取51个子流域检测样本模拟水土流失面积.

调整前后的水土流失面积表明(图6)，景观格局指数优化后，51个子流域的平均水土流失面积从3.04 km2降至2.61 km2，减小14.14%.因此，将裸地景观调整为山林景观，通过降低景观形状指数优化各类型景观的空间结构，都为有效减小水土流失面积的方法.同时，景观格局与水土流失间较好的BP非线性映射关系能较准确地模拟景观格局优化后的水土流失情况，为基于优化景观格局的水土流失防治提供方法参考.

图5 检测样本水土流失真实值与模拟值Fig.5 True and simulated values of water and soil erosion for tested samples

图6 调整前后水土流失面积Fig.6 Water and soil area before and after adjustment

4 讨论

利用统计分析法分析西溪流域景观格局与水土流失情况，表明西溪流域以山林景观和茶园景观为主，水域景观面积最小，建筑景观和裸地景观破碎度较高，农田景观边界形状较为复杂；西溪流域水土流失率为25.92%，以轻度和中度的水土流失为主，主要发生在茶园景观和裸地景观.通过景观格局指数与水土流失面积的相关性分析，确定了西溪流域中对水土流失影响较大的景观格局指数，即NP、LSI、SHAPE_AM、FRAC_AM、CONNECT，其中CONNECT与水土流失呈负相关，NP、LSI、SHAPE_AM、FRAC_AM与水土流失呈正相关.基于以上分析，利用BP神经网络模型构建景观格局指数与水土流失面积间的非线性映射关系，模拟优化景观格局后的水土流失情况，调整后水土流失面积下降14.14%，可为该试验区的水土流失防治工作提供参考

本试验应用的BP模型将景观格局与水土流失间复杂的作用机理看成是"黑箱子"过程，只根据景观格局指数和水土流失面积建立两者间的非线性关系，并从数量上优化景观格局以减少水土流失现象.但水土流失是一种生态过程，运用其两者之间的模型来解释水土流失生态过程有待深入研究.

[1] 傅伯杰,徐延达,吕一河.景观格局与水土流失的尺度特征与耦合方法[J].地球科学进展,2010,25(7):673-680.

[2] 陈俊华,何政伟,向成华,等.二滩库区(盐边)土地利用景观格局及水土流失动态研究[J].水土保持通报,2008,28(5):74-80.

[3]LUDWIG J A, WIENS J A, TONGWAY D J. A scaling rule for landscape patches and how it applies to conserving soil resources in Savanna[J]. Ecosystems,2000(3):84-87

[4] 张建香,张勃,张华,等.黄土高原的景观格局变化与水土流失研究——以黄土高原马莲河流域为例[J].自然资源学报,2011,26(9):1 513-1 523.

[5] 索安宁,洪军,林勇,等.黄土高原景观格局与水土流失关系研究[J].应用生态学报,2005,16(9):1 719-1 723.

[6] 张雪霞,陈丽华.黄土高原地区流域景观格局对水土流失的影响分析[J].北京林业大学学报,2008,30(2):95-102.

[7] 王计平,杨磊,卫伟,等.黄土丘陵区景观格局对水土流失过程的影响——景观水平与多尺度比较[J].生态学报,2011,31(19):5 531-5 541.

[8] 梁音,杨轩,潘贤章,等.南方红壤丘陵区水土流失特点及防治对策[J].中国水土保持,2008,12(16):50-53.

[9] 李永红,高照良.黄土高原地区水土流失的特点、危害及治理[J].生态经济,2011,242(8):148-153.

[10] 林金石,黄炎和,张旭斌.南方花岗岩区典型崩岗侵蚀产沙来源分析[J].水土保持学报,2012,26(3):53-57.

[11] 陈加兵,励惠国,郑达贤,等.基于DEM的福建省小流域划分研究[J].地球信息科学,2007,9(2):74-77.

[12] 吴清泉.基于GIS的福建省水土保持小流域划分[J].亚热带水土保持,2016,28(2):67-70.

[13] 邬建国.景观生态学——格局、过程、尺度与等级[M].北京:高等教育出版社,2000.

[14] 刘宇,吕一河,傅伯杰.景观格局土壤侵蚀研究中景观指数的意义解释及局限性[J].生态学报,2011,31(1):265-275

[15] 郭晋平,周志翔.景观生态学[M].北京:北京林业出版社,2007.

[16] 冉建波.高分影响下晋江流域土地利用景观变化及其粒度效应[D].福建师范大学,2015.

[17] 张利权,甄彧.上海市景观格局的人工神经网络(ANN)模型[J].生态学报,2005,25(5):969-963.

[18] 郭泺,夏北成,江学顶.基于GIS与人工神经网络的广州森林景观生态规划[J].中山大学学报(自然科学版),2005,44(5):121-123.

[19] 王斌,张硕新,雷瑞德,等.火地塘林区华山松景观格局的人工神经网络模型研究[J].西北农林科技大学学报(自然科学版),2006,34(8):87-92.

[20] 吴昌广,周志翔,王鹏程,等.景观连接度的概念、度量及其运用[J].生态学报,2010,30(7):1 903-1 910.

[21] 王江思,马传明,王文梅,等.基于SPSS和GIS的BP神经网络农用地适宜性评价[J].地质科技情报,2013,32(2):138-143.

(责任编辑:苏靖涵)

The relationship between landscape pattern and water and soil erosion in hilly red soil region in South China

YANG Qiuhua, HUANG Yanhe, FAN Shenglong, LIN Jinshi, JI Xiang

(College of Resource and Environment, Fujian Agriculture and Forestry University, Fuzhou, Fujian 350002, China)

To prevent and control water and soil erosion in hilly red soil region of South China, landscape pattern indexes dominantly influencing erosion area were extracted by analyzing DEM datasets of Anxi County, then a nonlinear mapping relation between landscape pattern indexes and erosion area was established by back propagation(BP) model. Finally, new erosion area was simulated by the model with adjusted landscape pattern indexes. The results showed that soil and water erosion mainly occurred at tea plantation and bare field in Xixi River Basin. Indexes including class area (CA), number of patches, area-weighted mean shape index and patch fractal dimension were positively correlated with erosion area while landscape connectivity was negatively correlated. The absolute value of relative error of mapping relation between erosion area and landscape pattern was less than 5%, indicating a high precision of the BP model. The stimulated erosion area was dropped by 14.14% with adjusted LSI of tea plantation and CA of bare field. To summarize, BP model based on landscape pattern indexes was applicable to indicate and control erosion in hilly red soil region of South China.

landscape pattern index; water and soil erosion; back propagation neural network; hilly red soil region in South China

2016-12-19

2017-03-28

国家自然科学基金(41601557)；国家科技支撑计划项目(2014BAD15B0303)；福建省教育厅社科项目(JAS160171).

杨秋华(1989-)，女，硕士研究生.研究方向:土地资源可持续利用.Email:yqh9005@126.com.通讯作者黄炎和(1962-)，男，教授，博士生导师.研究方向:土壤侵蚀与治理.Email:yanhehuang@163.com.

S157.1

A

1671-5470(2017)03-0329-07

10.13323/j.cnki.j.fafu(nat.sci.).2017.03.016