全 文 ：USLE / RUSLE模型中植被覆盖管理因子的
遥感定量估算研究进展*
吴昌广1 摇 李摇 生1 摇 任华东1**摇 姚小华1 摇 黄子杰2
( 1中国林业科学研究院亚热带林业研究所, 浙江富阳 311400; 2湖北省林业勘测设计院, 武汉 430079)
摘摇 要摇 通用土壤流失方程(USLE)及其后续修正方程(RUSLE)是区域土壤侵蚀风险评估和
水土保持规划的有效工具.植被覆盖管理因子作为 USLE 和 RUSLE 的重要参数之一,其合理
估算对土壤侵蚀的准确预测尤为重要.基于野外实地调查和测量的传统估算法费时、费力且
费用高,无法满足宏观尺度上植被覆盖管理因子的快速提取.近年来,遥感技术的发展为大尺
度植被覆盖管理因子获取提供了丰富的数据和方法.本文基于国内外相关研究成果,综述了
植被覆盖管理因子遥感定量估算方法的研究进展,评述了各类方法的优劣,以期为进一步开
展大尺度植被覆盖管理因子的定量估算及拓展现有研究思路提供借鉴.
关键词摇 土壤侵蚀摇 USLE / RUSLE模型摇 植被覆盖管理因子摇 遥感
文章编号摇 1001-9332(2012)06-1728-05摇 中图分类号摇 S127摇 文献标识码摇 A
Quantitative estimation of vegetation cover and management factor in USLE and RUSLE
models by using remote sensing data: A review. WU Chang鄄guang1, LI Sheng1, REN Hua鄄
dong1, YAO Xiao鄄hua1, HUANG Zi鄄jie2 ( 1Research Institute of Subtropical Forestry, Chinese Acad鄄
emy of Forestry, Fuyang 311400, Zhejiang, China; 2 Hubei Institute of Forestry Prospect and De鄄
sign, Wuhan 430079, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(6): 1728-1732.
Abstract: Soil loss prediction models such as universal soil loss equation (USLE) and its revised
universal soil loss equation (RUSLE) are the useful tools for risk assessment of soil erosion and
planning of soil conservation at regional scale. To make a rational estimation of vegetation cover and
management factor, the most important parameters in USLE or RUSLE, is particularly important for
the accurate prediction of soil erosion. The traditional estimation based on field survey and measure鄄
ment is time鄄consuming, laborious, and costly, and cannot rapidly extract the vegetation cover and
management factor at macro鄄scale. In recent years, the development of remote sensing technology
has provided both data and methods for the estimation of vegetation cover and management factor
over broad geographic areas. This paper summarized the research findings on the quantitative esti鄄
mation of vegetation cover and management factor by using remote sensing data, and analyzed the
advantages and the disadvantages of various methods, aimed to provide reference for the further re鄄
search and quantitative estimation of vegetation cover and management factor at large scale.
Key words: soil erosion; USLE / RUSLE model; vegetation cover and management factor; remote
sensing.
*林业公益性行业科研专项(201004033)、农业科技成果转化项目
(2009GB24320475)和中国林业科学研究院中央级公益性科研院所
基本科研业务费专项(CAFYBB2007033)资助.
**通讯作者. E鄄mail: renhd@ 163. com
2011鄄08鄄26 收稿,2012鄄03鄄08 接受.
摇 摇 通用土壤流失方程(universal soil loss equation,
USLE) [1]及其后续修正方程( revised universal soil
loss equation,RUSLE) [2]是美国农业部门基于坡面
尺度建立的经验统计模型,因其简洁的计算公式和
较低的数据需求已成为全球应用最广泛的土壤侵蚀
定量估算模型.现代空间信息技术的发展有效促进
了宏观尺度数据的获取、更新及处理,使基于 USLE /
RUSLE模型的区域土壤侵蚀实时动态模拟成为可
能[3-4] .在 USLE / RUSLE 模型中,年均土壤侵蚀量
A=R伊K伊LS伊C伊P,式中,R、K、LS、C、P 分别表示降
雨侵蚀力因子、土壤可蚀性因子、地形因子、植被覆
盖管理因子和土壤保持工程措施因子. 在区域水土
应 用 生 态 学 报摇 2012 年 6 月摇 第 23 卷摇 第 6 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Jun. 2012,23(6): 1728-1732
保持实践中,由于降雨、土壤、地形等自然因子相对
稳定及工程措施费用高昂,土地管理部门往往通过
调整土地利用方式、增加植被覆盖来降低区域土壤
侵蚀风险.因此,植被覆盖管理因子(C)的合理估算
及空间分布图制作对土壤侵蚀的准确预测和水土保
持规划尤为重要.
C是评价植被因素抵抗土壤侵蚀能力的重要指
标,指在相同的土壤、坡度和降雨条件下,有特定植
被覆盖或田间管理的土地上的土壤流失量与实施清
耕、无覆盖裸露休闲地上的土壤流失量之比,其值在
0 ~ 1,无量纲,C值越大说明所对应土地利用类型的
土壤侵蚀越严重[5] .在 USLE模型中,开发人员给出
了专门的土壤流失比值查询表,使用者只需根据植
被覆盖类型、耕作制度等因素即可获取 C 值[1];在
RUSLE模型中,土壤流失比值由前期土地利用方式
(PLU)、冠层覆盖(CC)、表面糙度(SR)、土壤水分
(SM)和地面覆盖(SC)5 个次因子相乘得到,且每个
次因子均有相应的计算公式[2] . 目前,世界上大多
数国家或地区缺乏对上述资料的详细记录,因此建
立适用于大尺度范围的 C 因子的简易算法受到广
泛重视.
遥感技术能迅速、动态地获取大量环境信息,具
有常规监测难以比拟的优势,已成为区域甚至全球
尺度地表覆盖监测的主要手段[6] . 遥感技术的发展
为大尺度 C 因子制图提供了丰富的数据和方法.近
年来,已有学者尝试利用遥感数据实现大尺度 C 因
子的快速提取,研究方法也在不断改进和完善.本文
基于国内外相关研究成果,系统阐述了遥感数据定
量反演 C因子的方法,以期为今后大尺度 C 因子的
提取研究提供借鉴.
1摇 基于遥感分类的植被覆盖管理因子估算
传统大尺度的 C 因子估算方法,是利用遥感影
像数据解译获取区域土地覆盖类型分布图,再根据
文献记载的经验值或个别样地实测数据对不同土地
覆盖类型的 C 因子进行赋值[7] .如 Onyando 等[8]和
Pandey等[9]基于 RUSLE / USLE 评估肯尼亚中部高
原、印度喜马拉雅流域土壤侵蚀量时,参照以往文献
中的经验值对不同土地利用类型 C 值进行赋值.史
志华等[10]、许月卿等[11]和秦伟等[12]在评估三峡库
区王家桥小流域、贵州猫跳河流域、黄土高原小流域
土壤侵蚀时,基于遥感分类获得土地覆盖类型图,并
依据前人研究结果对各地类 C 值进行赋值.由于该
方法简单易行,仍是当前区域土壤侵蚀评估中获取
C因子的主要手段. 但对一种土地覆盖类型赋一个
固定 C值,显然忽略了地表植被的时空变化特征.
即使在同一土地覆盖类型中,植被生长也会受气候、
土壤及耕作制度等因素的影响,所以每种土地覆盖
类型的 C 值都存在一定空间异质性,而非固定常
数[13] .另外,基于遥感数据的土地覆盖分类本身存
在一定不确定性,这也会降低区域 C 因子的制图精
度.这种 C 因子赋值法已严重影响了土壤侵蚀量估
算的准确性和全国土壤侵蚀量数据库的建立.
2摇 基于植被指数的植被覆盖管理因子估算
为准确反映植被覆盖的空间变异并减少影像解
译带来的误差,部分学者直接通过样地实测 C 值,
并建立 C值与遥感信息(波段组合或植被指数)间
的回归模型,再将该模型推广到研究区求取 C 因子
图.如 De Jong[14]在评估法国南部地区侵蚀风险时,
利用 TM影像建立了归一化植被指数(NDVI)与 C
因子的线性回归方程: C = 0郾 431 - 0郾 805NDVI;
Karaburun[15]在土耳其伊斯坦布尔 Buyukcekmece 流
域,基于样地调查数据建立了 TM 影像 NDVI 与 C
因子间的线性关系式:C = 1郾 02-1郾 21NDVI. Van der
Knijff[16-17]在评估欧洲大陆土壤侵蚀风险时,指出
NDVI与 C因子间的曲线关系优于传统线性关系,
并基于 NOAA AVHRR 影像数据建立了以下关
系式:
C = exp - 琢· NDVI(茁 - NDVI[ ]) (1)
式中:琢、茁 为参数. Van der Knijff[16-17]通过多次试
验,将 琢、茁分别设置为 2、1 用于欧洲大陆的土壤侵
蚀量预测. Van Leeuwen 和 Sammons[18]利用 MODIS鄄
NDVI数据时认为,琢、茁分别设为 2郾 5、1 用于研究更
合理.今后对 琢、茁的设置还需考虑所使用遥感影像
类型. Lin 等[19-20]在预测台湾地区小流域土壤侵蚀
风险时,基于 TM 影像建立了 NDVI 与 C 因子的非
线性回归方程:
C = [(1 - NDVI) / 2] 1+NDVI (2)
有研究指出,NDVI 仅反映地表植被绿色部分
的信息,无法探测到地表枯枝落叶等覆盖物对土壤
的保护作用,极易造成林地 C 值的高估[21] . 此外,
NDVI数据还存在背景污染、饱和及非线性等问题,
且经验回归模型依赖于大量实测数据,仅适于特定
区域不具普适性[22] . Wang 等[13]为了提高植被指数
对 C 因子的估算精度,通过分析 TM 影像中不同波
段组合与样地实测 C 值间的相关性,利用相关性最
92716 期摇 摇 摇 摇 摇 摇 摇 摇 吴昌广等: USLE / RUSLE模型中植被覆盖管理因子的遥感定量估算研究进展摇 摇 摇
高的(TM2+TM3+TM7) / TM4 指数基于序列高斯协
同模拟法对美国德克萨斯州的 C 因子进行空间插
值,结果表明,该方法可以显著提高区域 C 因子制
图精度,但在一些环境条件复杂地区,采集合适的插
值样点难度大、费用高,限制其较广泛的推广应用.
3摇 基于植被覆盖度的植被覆盖管理因子估算
植被覆盖度与土壤侵蚀量显著相关,植被覆盖
度越大、土壤侵蚀风险越小.蔡庆和唐克丽[23]指出,
植被覆盖度增加 10% ,土壤侵蚀量减少 11郾 1% . 一
般来说,植被覆盖率越大,C 值越小;反之,C 值越
大.蔡崇法等[24]利用径流小区人工降雨和部分天然
降雨的观测结果,通过计算坡面产沙量与植被覆盖
度的相关关系,建立了植被覆盖度与 C 因子间的数
学关系:
C=1
C=0郾 6508-0郾 3436lgc
C
ì
î
í
ïï
ïï =0
摇
c=0
0c>78郾 3
(3)
式中:c为某生长季节作物或植物的覆盖度(% ).
目前,该方法在国内已被部分学者所采用.如马
超飞等[25]和于嵘等[26]分别基于 ETM+、ASTER遥感
数据建立了植被覆盖度与 NDVI、修改型土壤调整植
被指数(MSAVI)间的线性关系,并根据所得植被覆
盖度通过式(3)评估了岷江上游、新疆艾比湖地区
的 C因子分布特征.但基于植被覆盖度的 C 因子估
算同样忽略了地表植物残体(如枯枝落叶层、作物
残茬)对坡面产流产沙的减蚀作用. 此外,式(3)属
于经验方程,本身存在一定局限性,而通过植被指数
估算植被覆盖度,会进一步加大式 3 的不确定性.因
此,当前基于植被覆盖度的 C 因子估算公式,尚不
适宜在全国范围内推广应用.唐寅等[27]研究重庆市
坡耕地不同土地利用方式植被覆盖因子 C 值变化
时发现,根据坡耕地径流小区实测侵蚀量得出的 C
值与基于覆盖度变化估算的 C 值存在很大差异,前
者约为后者的 2郾 8 倍. Sch觟nbrodt 等[28]利用 TM 影
像估算了湖北省香溪河流域的植被覆盖度,再利用
式(3)得到该地区 C值.该 C值偏小.
4摇 基于光谱混合模型的植被覆盖管理因子估算
在 TM、ASTER、MODIS、NOAA / AVHRR 等中低
分辨率影像中,很少有地物面积能连续超过影像的
像元大小,故大部分像元都是由各种不同地物组成
的混合像元.混合像元的存在给遥感应用带来很大
的不确定性,是遥感技术向定量化深入发展的重要
障碍.为解决空间尺度效应产生的混合像元问题,可
以通过光谱混合分析使遥感应用由像元级达到亚像
元级[29] .近年来,部分学者考虑了多种地面覆盖物
的综合作用,采用地物光谱混合模型对 TM 影像的
像元进行线性分解,获取像元中的植被、土壤、非光
合作用物质(岩石 /残茬)等多种地物的盖度,然后
建立 C因子与这些地面覆盖物的联立方程[30-32]:
C = Fbs / (1 + Fveg + Fnpm) (4)
式中:Fbs为裸露土壤丰度;Fveg为植被丰度;Fnpm为非
光合作用物质丰度;琢为修正系数,可通过比较土壤
侵蚀观测试验结果获得.方程基于如下假设:地表为
裸露土壤时,土壤流失率最大,C 值为 1;地表为浓
密植被覆盖时,土壤流失率最小,C 值为 0. 这种亚
像元分解技术不仅能提高地物覆盖的判读精度,而
且考虑了多种地面覆盖物对 C 因子的综合作用. De
Asis和 Omasa[31]利用样地实测 C 值对估算结果进
行验证,相关系数高达 0郾 94,说明利用该理论估算 C
值切实可行.此外,该方法是基于遥感影像像元分解
的物理模型,物理意义明确,无地域限制,适合大面
积推广应用.
由于 C因子大小对降雨引起土壤侵蚀的影响
非常敏感,故需确定植物在不同生育期对降雨侵蚀
产生的影响,从而求得较准确的 C 值[27] . 为考虑 C
因子受侵蚀性降雨季节分布规律的影响,以及地表
植被覆盖随时间变化的规律. 应结合研究区域植被
生长周期,选取多季相遥感影像,并利用各时段的降
雨侵蚀力对 C值进行修正,计算公式如下:
C忆 =移
n
i = 1
R iC i (5)
式中:i 为植物生长阶段;R i为植物生长第 i 阶段的
降雨侵蚀力 R值占全年 R 值的百分数;C i为植物生
长第 i 阶段遥感影像获取的植被覆盖管理因子;C忆
为植被覆盖管理因子年均值. 选取遥感影像的季相
越多, 越能准确反映出植被的生长态势、不同生长
阶段的植物地表覆盖度的变化及其对土壤侵蚀的影
响.宋现锋等[32]利用上述方法估算了北京密云水库
潮河上游流域的 C 因子,并与其他研究成果做了相
关应用验证,结果表明 C 值基本符合实际分布
特征.
5摇 结摇 摇 语
植被覆盖管理因子的准确估算,对于土壤侵蚀
预测和植被水土保持作用评价有重要意义.目前,虽
然已有许多学者利用径流小区实测资料,估算出不
0371 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
同地区植被类型或土地利用类型的 C 值.但我国幅
员辽阔,不同区域研究得到的同一植被类型 C 值相
差较大,主要原因是计算 C 值的基准条件不统一,
导致现有植被覆盖管理因子研究多是地方性的,不
能适用于较大区域,更无法在全国范围推广. 此外,
我国人均耕地面积很小,由于农民耕作方式的自主
性,每宗地块的利用方式并不统一,而基于遥感分类
的土地利用覆盖图很难判断每宗地块的利用方式.
因此,基于遥感分类的植被覆盖管理因子赋值法无
法反映大尺度植被覆盖管理因子的时空异质性.
基于 NDVI的大尺度植被覆盖管理因子估算方
法可反映出 C 值的时空变异,并从最初的线性回归
方程发展到曲线回归方程,其估算精度有一定改进.
但 NDVI在植被高覆盖区易饱和,并或多或少的受
到土壤等背景信息的影响,存在很多噪音.更重要的
缺陷是该方法忽视了枯枝落叶层等地表覆盖物对 C
值的影响.今后可在绿度指数(NDVI)基础上,考虑
引入植物群落的黄度指数(如 NDSVI、NDTI)用以探
测林下枯枝落叶层的覆盖信息,以进一步提高估算
精度.如雷婉宁等[21,33]为反映植物群落的垂直差
异,基于植被的绿度和黄度指数构建了结构化植被
因子指数及其计算模型,并在陕北黄土地区进行了
适用性研究.基于植被覆盖度的植被覆盖管理因子
估算方法,是利用径流小区观测结果建立的经验方
程,可以在小范围内取得较高的模拟精度,但只适于
特定区域或特定植被类型,还需针对不同区域的环
境特征,建立相应算法以降低模型的不确定性.
通过系统回顾遥感反演植被覆盖管理因子的研
究可以看出,基于光谱混合分析模型的植被覆盖管
理因子定量估算,是当前遥感技术实现大尺度植被
覆盖管理因子提取的最有效手段. 该方法不仅考虑
了植被、裸露土壤、非光合作用物质等多种地面覆盖
物对植被覆盖管理因子的综合作用,还显著提高了
遥感数据定量化的精度.不过,影响植被覆盖管理因
子的因素众多,将来还需进一步改进遥感提取地面
参数的种类和精度,并开展长期的地面观测试验对
公式进行标定.
遥感数据及混合像元分解方法的合理选取,也
可以帮助提高大尺度植被覆盖管理因子的估算效
率.如 TM、ASTER 数据空间分辨率较高,适合地物
异质性高、地形复杂地区使用.但该数据目前为有偿
使用、时间分辨率也相对较低,主要用于中等尺度的
植被覆盖管理因子提取. MODIS、NOAA / AVHRR 数
据的空间分辨率虽较低,但 NASA 对其实行全球免
费共享且拥有很高的时间分辨率,适用于区域或国
家尺度的植被覆盖管理因子长期连续监测. 混合像
元分解理论和方法正处在发展之中,当前混合像元
分解技术可归结为以下 3 类:线性混合模型、模糊分
类模型、盲源分解[34] . 这些均为基于光谱混合分析
模型的植被覆盖管理因子估算奠定了扎实的理论
基础.
参考文献
[1]摇 Wischmeier WH, Smith DD. Predicting Rainfall Erosion
Losses: A Guide to Conservation Planning. USDA: Ag鄄
riculture Handbook, 1978
[2]摇 Renard KG, Foster GR, Weesies GA, et al. Predicting
soil erosion by water: A guide to conservation planning
with the Revised Universal Soil Loss Equation ( RU鄄
SLE). USDA: Agriculture Handbook, 1997
[3]摇 Fernandez C, Wu JQ, McCool DK, et al. Estimating
water erosion and sediment yield with GIS, RUSLE, and
SEDD. Journal of Soil and Water Conservation, 2003,
58: 128-136
[4]摇 Jain MK, Kothyari UC. Estimation of soil erosion and
sediment yield using GIS. Hydrological Sciences Jour鄄
nal, 2000, 45: 771-786
[5]摇 Zhang Y (张摇 岩), Liu B鄄Y (刘宝元), Shi P鄄J (史
培军), et al. Crop cover factor estimating for soil loss
prediction. Acta Ecologica Sinica (生态学报), 2001,
21(7): 1050-1056 (in Chinese)
[6]摇 Gitelson AA, Kaufman YJ, Merzlyak MN. Use of a
green channel in remote sensing of global vegetation from
EOS鄄MODIS. Remote Sensing of Environment, 1996,
58: 289-298
[7]摇 Folly A, Bronsveld MC, Clavaux M. A knowledge鄄
based approach for C鄄factor mapping in Spain using
Landsat TM and GIS. International Journal of Remote
Sensing, 1996, 17: 2401-2415
[8]摇 Onyando JO, Kisoyan P, Chemelil MC. Estimation of
potential soil erosion for river Perkerra catchment in
Kenya. Water Resources Management, 2005, 19: 133-
143
[9]摇 Pandey A, Mathur A, Mishra SK, et al. Soil erosion
modeling of a Himalayan watershed using RS and GIS.
Environmental Earth Sciences, 2009, 59: 399-410
[10]摇 Shi Z鄄H (史志华), Cai C鄄F (蔡崇法), Ding S鄄W
(丁树文), et al. Soil conservation planning at small
watershed level using GIS鄄based revised universal soil
loss equation (RUSLE). Transactions of the Chinese So鄄
ciety of Agricultural Engineering (农业工程学报),
2002, 18(4): 172-175 (in Chinese)
[11]摇 Xu Y鄄Q (许月卿), Shao X鄄M (邵晓梅). Estimation
of soil erosion supported by GIS and RUSLE: A case
study of Maotiaohe Watershed, Guizhou Province. Jour鄄
nal of Beijing Forestry University (北京林业大学学
报), 2006, 28(4): 67-71 (in Chinese)
[12]摇 Qin W (秦摇 伟), Zhu Q鄄K (朱清科), Zhang Y (张
13716 期摇 摇 摇 摇 摇 摇 摇 摇 吴昌广等: USLE / RUSLE模型中植被覆盖管理因子的遥感定量估算研究进展摇 摇 摇
岩). Soil erosion assessment of small watershed in Lo鄄
ess Plateau based on GIS and RUSLE. Transactions of
the Chinese Society of Agricultural Engineering (农业工
程学报), 2009, 25(8): 157-163 (in Chinese)
[13]摇 Wang G, Wente S, Gertner GZ, et al. Improvement in
mapping for the universal soil loss equation by geostatis鄄
tical methods with Landsat Thematic Mapping images.
International Journal of Remote Sensing, 2002, 23:
3649-3667
[14]摇 De Jong SM. Derivation of vegetative variables from a
Landsat TM image for modelling soil erosion. Earth Sur鄄
face Processes and Landforms, 1994, 19: 165-178
[15]摇 Karaburun A. Estimation of C factor for soil erosion
modeling using NDVI in Buyukcekmece watershed. Oz鄄
ean Journal of Applied Sciences, 2010, 3: 77-85
[16]摇 Van der Knijff JM, Jones RJA, Montanarella L. Soil
Erosion Risk Assessment in Europe. EUR 19044 EN.
Luxembourg: Office for Publications of the European
Communities, 2000
[17]摇 Van der Knijff JM, Jones RJA, Montanarella L. Soil
Erosion Risk Assessment in Italy. EUR 19022 EN. Lux鄄
embourg: Office for Official Publications of the European
Communities, 1999
[18]摇 Van Leeuwen WJD, Sammons G. Vegetation dynamics
and erosion modeling using remotely sensed data (MO鄄
DIS) and GIS. Tenth Biennial USDA Forest Service Re鄄
mote Sensing Applications Conference, Salt Lake City,
2004: 5-9
[19]摇 Lin CY, Lin WT, Chou WC. Soil erosion prediction and
sediment yield estimation: The Taiwan experience. Soil
& Tillage Research, 2002, 68: 143-152
[20]摇 Lin WT, Lin CY, Chou WC. Assessment of vegetation
recovery and soil erosion at landslides caused by a cata鄄
strophic earthquake: A case study in Central Taiwan.
Ecological Engineering, 2006, 28: 79-89
[21]摇 Lei W鄄N (雷婉宁), Wen Z鄄M (温仲明). Research
on soil erosion vegetation factor index based on commu鄄
nity structure. Journal of Soil and Water Conservation
(水土保持学报), 2008, 22(5): 68-72 (in Chinese)
[22]摇 Wang Z鄄X (王正兴), Liu C (刘 摇 闯), Alfredo H.
From AVHRR鄄NDVI to MODIS鄄EVI: Advances in vege鄄
tation index research. Acta Ecologica Sinica (生态学
报), 2003, 23(5): 979-987 (in Chinese)
[23]摇 Cai Q (蔡摇 庆), Tang K鄄L (唐克丽). Dynamic anal鄄
ysis of vegetation effect on soil erosion. Journal of Soil
and Water Conservation (水土保持学报), 1992, 6
(2): 47-51 (in Chinese)
[24]摇 Cai C鄄F (蔡崇法), Ding S鄄W (丁树文), Shi Z鄄H
(史志华), et al. Study of applying USLE and geo鄄
graphical information system IDRISI to predict soil ero鄄
sion in small watershed. Journal of Soil and Water Con鄄
servation (水土保持学报), 2000, 14(2): 19-24 ( in
Chinese)
[25]摇 Ma C鄄F (马超飞), Ma J鄄W (马建文), Aosaier B.
Quantitative assessment of vegetation coverage factor in
USLE model using remote sensing data. Bulletin of Soil
and Water Conservation (水土保持通报), 2001, 21
(4): 6-9 (in Chinese)
[26]摇 Yu R (于摇 嵘), Kang Q (亢摇 庆), Zhang Z鄄X (张
增祥). Assessment of vegetation coverage factor in soil
erosion model based on ASTER image interpretation.
Journal of Hebei Normal University (河北师范大学学
报), 2006, 30(1): 113-117 (in Chinese)
[27]摇 Tang Y (唐摇 寅), Dai S (代摇 数), Jiang G鄄Y (蒋光
毅), et al. Calculation and analysis of the vegetation
cover and management factor C value in slope farmland
of Chongqing Area. Journal of Soil and Water Conserva鄄
tion (水土保持学报), 2010, 24(6): 53-59 (in Chi鄄
nese)
[28] 摇 Sch觟nbrodt S, Saumer P, Behrens T, et al. Assessing
the USLE crop and management factor C for soil erosion
modeling in a large mountainous watershed in Central
China. Journal of Earth Science, 2010, 21: 835-845
[29]摇 Small C, Lu JWT. Estimation and vicarious validation of
urban vegetation abundance by spectral mixture analy鄄
sis. Remote Sensing of Environment, 2006, 100: 441-
456
[30]摇 Lu D, Li G, Valladares G, et al. Mapping soil erosion
risk in Rondnia Brazilian Amazonia: using RUSLE, re鄄
mote sensing and GIS. Land Degradation & Develop鄄
ment, 2004, 15: 499-512
[31]摇 De Asis AM, Omasa K. Estimation of vegetation param鄄
eter for modeling soil erosion using linear spectral mix鄄
ture analysis of Landsat ETM data. Journal of Photo鄄
grammetry & Remote Sensing, 2007, 62: 309-324
[32]摇 Song X鄄F (宋现锋), Duan Z (段摇 峥), Niu H鄄S (牛
海山), et al. Estimation of the cover and management
factor for modeling soil erosion using remote sensing.
Journal of Beijing Forestry University (北京林业大学学
报), 2009, 31(3): 58-63 (in Chinese)
[33]摇 Lei W鄄N (雷婉宁), Wen Z鄄M (温仲明). Extraction
of structured vegetation cover index for Loess Area in
North Shaanxi based on TM images. Chinese Journal of
Applied Ecology (应用生态学报), 2009, 20 (11):
2736-2742 (in Chinese)
[34]摇 Hu M鄄G (胡茂桂), Wang J鄄F (王劲峰). Mixed鄄pixel
decomposition and super鄄resolution reconstruction of RS
image. Progress in Geography (地理科学进展), 2010,
29(6): 747-756 (in Chinese)
作者简介 摇 吴昌广,男,1984 年生,博士,助理研究员. 主要
从事水土保持与荒漠化防治、3S技术应用研究,发表论文 18
篇. E鄄mail: wcg1129@ 163. com
责任编辑摇 杨摇 弘
2371 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷