全 文 ：书在模拟降水和践踏处理复合作用下长芒草
典型草原土壤可蚀性研究
林慧龙，王苗苗，李学玲，王钊齐
（兰州大学草地农业科技学院 甘肃草原生态研究所，甘肃 兰州７３００２０）
摘要：模拟降水和试验践踏通过各种不同强度的组合方式改变土壤抗蚀性，从而起到对草地土壤侵蚀的增减作用。
在同一模拟降水量条件下，随着践踏强度的逐渐加大，土壤可蚀性犓 值依次增大，表明践踏增大了放牧侵蚀的风
险；但犓值的增幅显然与模拟降水量相关，践踏强度由轻度递增到重度，犓 值的增幅在干旱、自然降水、平水、丰水
条件下依次为干旱＞自然降水＞平水和丰水，表明模拟降水和践踏对犓 值的影响存在交互效应，模拟降水具有减
缓犓值随践踏强度增大的趋势。从简单相关关系来看，犓 值与践踏强度呈极显著正相关（相关系数０．７４１），与降
水呈负相关（相关系数－０．３７８），但犓值并不是可以由践踏强度和模拟降水量二元线性回归可以解说地。与传统
回归模型相比较，ＢＰ网络模型能更好地刻画土壤可蚀性犓值的复杂非线性特性，具有自学习、自组织、自适应和容
错性等一系列优点，因而，以牧草生长期单位面积累计践踏量和模拟降水量为自变量的土壤可蚀性犓 值的 ＡＮＮ
（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ）关系模型具有较好的拟合结果和预测能力，说明直接从输入到草地生态系统的外侵蚀
营力着手，跨越系统内土壤可蚀性变化的内在的复杂的隐含过程建立的输出端———土壤可蚀性犓值与土壤侵蚀外
营力的ＡＮＮ关系模型，是准确确定土壤可蚀性犓值的一次成功尝试。
关键词：试验践踏；践踏强度；模拟降水；土壤可蚀性；ＡＮＮ模型
中图分类号：Ｓ１５５．４＋７　　文献标识码：Ａ　　文章编号：１００４５７５９（２０１０）０３００７６１２
　 水土流失是全球面临最突出的土地退化问题，我国是世界上土壤侵蚀最严重的国家之一［１］。纵观土壤侵蚀
研究的历史，注重水－土和风－土界面的复杂力学关系，集中研究水蚀和风蚀的动力学过程及其机制，形成了众
多土壤侵蚀预测模型（如ｕｎｉｖｅｒｓａｌｓｏｉｌｌｏｓｓｅｑｕａｔｉｏｎ，ｒｅｖｉｓｅｄｕｎｉｖｅｒｓａｌｓｏｉｌｌｏｓｓｅｑｕａｔｉｏｎ，ｗａｔｅｒｅｒｏｓｉｏｎｐｒｅｄｉｃ
ｔｉｏｎｐｒｏｊｅｃｔｍｏｄｅｌ，ｗｉｎｄｅｒｏｓｉｏｎｅｑｕａｔｉｏｎ，ｒｅｖｉｓｅｄｗｉｎｄｅｒｏｓｉｏｎｅｑｕａｔｉｏｎ等）。耕作和放牧被广泛地认为是导致
土地荒漠化的主要诱因。随着２０世纪９０年代，对耕作侵蚀（ｔｉｌａｇｅｅｒｏｓｉｏｎ）的再认知，发现传统地将耕地土壤侵
蚀只是简单地理解为风蚀和水蚀是不完整的，土壤耕作是耕地遭受侵蚀的主要诱因之一［２４］，农学家们创立了一
些耕作侵蚀模型（ｔｉｌａｇｅｅｒｏｓｉｏｎｍｏｄｅｌｓ）［如ｔｉｌａｇｅｔｒａｎｓｌｏｃａｔｉｏｎｍｏｄｅｌ［５］；ＴＥＰ（ｔｉｌａｇｅｅｒｏｓｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄ
ｅｌ）［６］；ＳＥＴｉ（ｓｏｉｌｅｒｏｓｉｏｎｂｙｔｉｌａｇｅ）［７］；ＳＯＲＥＴ（ｓｏｉｌｒｅｄｉｓｔｒｉｂｕｔｉｏｎｂｙｔｉｌａｇｅｍｏｄｅｌ）［８］；ＴｉｌＥｍ（ｔｉｌａｇｅｅｒｏｓｉｏｎ
ｍｏｄｅｌ）［９］等］很好地解释了水蚀和风蚀过程无法解释的耕种土壤重新分布的格局。由于耕作侵蚀研究的巨大进
展，引发了耕作制度的一场绿色革命，使得以少耕、免耕、地表微地形改造技术及地表覆盖等保护性耕作（ｃｏｎｓｅｒ
ｖａｔｉｏｎｔｉｌａｇｅ）技术得以兴起和广泛应用［１０１３］。经过几十年的不断努力，耕作侵蚀的综合治理取得了显著成效。
据Ｐｉｍｅｎｔｅｌ和 Ｋｏｕｎａｎｇ［１４］报道，２０世纪９０年代末美国经过推行十余年保护性耕作使得耕地土壤侵蚀率下降了
２５％。而与之形成鲜明对比的是放牧草地的土壤侵蚀不仅没有有效措施治理，甚至在过度放牧下导致土壤侵蚀
面积和侵蚀程度不断扩大、加剧的趋势并没有从根本上得到遏制。
众所周知，全球约８０％的土壤侵蚀发生在草地［１５］。但放牧导致的土壤侵蚀研究未受重视［１６，１７］。与耕作侵
蚀可以类比的是，放牧草地系统作为一种“有畜”农业，有别于耕地系统，放牧草地的土壤侵蚀亦非风蚀、水蚀可以
完全概括［１８］，因此，放牧侵蚀（ｇｒａｚｉｎｇｉｎｄｕｃｅｄｅｒｏｓｉｏｎ）研究也势必要提上研究日程［１６，１７］，这不仅有益于载畜量评
７６－８７
２０１０年６月
　　　草　业　学　报　　　
　　　ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ　　　
第１９卷　第３期
Ｖｏｌ．１９，Ｎｏ．３
 收稿日期：２００９０４１０；改回日期：２００９０６１０
基金项目：国家自然科学基金（３０７７１５２９），国家科技支撑计划（２００６ＢＡＤ１６Ｂ０１），公益性行业（农业）科研专项经费（ｎｙｈｙｚｘ０７０２２）和甘肃省科
技计划（０９６ＲＪＺＡ０５２）资助。
作者简介：林慧龙（１９６５），男，辽宁沈阳人，教授，博士。Ｅｍａｉｌ：ｌｉｎｈｕｉｌｏｎｇ＠ｌｚｕ．ｅｄｕ．ｃｎ
定、碳素减源增汇研究，而且在草地退化诊断和退化草地治理中具有重要指示意义［１９，２０］。
关于放牧草地的土壤侵蚀，多年来有大量报道［２１２４］。从研究内容上看，主要集中在观测报道，而很少涉及机
理研究。普遍的共识是：放牧强度与土壤侵蚀正相关，草地的退化过程在很大程度上是过度放牧－草地破坏－土
壤侵蚀之间的一个恶性循环过程。从研究方法上看，定性研究多，定量研究少。目前，针对草地土壤侵蚀驱动因
子大多都是进行定性的描述，在以后的研究中应在研究方法上进行创新，引入新的研究方法定量研究和评价放
牧活动与草地土壤侵蚀过程的关系［１９，２５］，这势必涉及多学科交叉。从研究深度看，主要还停留在植被－侵蚀关
系上［２６］，甚至在模拟放牧草地土壤侵蚀时，也是以放牧强度－植被盖度－土壤侵蚀三者之间的关系为依据
的［２７，２８］，即通常将放牧草地的植被盖度作为土壤侵蚀的唯一解释变量，真正利用放牧试验从放牧侵蚀的形成机
理上所进行的研究还很少。事实上，草地土壤侵蚀加剧，除了放牧家畜过度采食导致植被覆盖减少外，践踏破坏
表土结构也是重要因素之一［１６，１７，２６，２９３３］，相对于采食和排泄物的作用，放牧家畜的践踏有时间长、直接作用的草
地组分多和效果持久的特点，因而对草地的影响可能更为全面和深刻［３４３８］，是探索草地退化机理和退化草地恢复
机制不容忽视的关键因子［３９］，也是描述放牧侵蚀的发生和发展的核心变量。放牧家畜践踏对草地土壤的突出作
用是：破坏土壤结构和位移土壤颗粒，把由此产生的现象不妨称为放牧家畜践踏侵蚀，简称为践蚀（ｔｒａｍｐｌｉｎｇｅ
ｒｏｓｉｏｎ）［４０４２］。
从土壤侵蚀动力学角度分析，由于小尺度研究在地形、地貌、水文条件及地面组成物质中相对一致，而导致产
生强风的天气过程在目前的科技水平下是难以控制的；降水对草地土壤水分有决定性作用，是影响草原生产力的
主要限制因子之一，间接影响着草地植被盖度，也是土壤水蚀的驱动因子；在全球变化背景下，我国北方草地对降
水变化表现得更为敏感［４３］。从草地土壤侵蚀外营力角度来看，降水和放牧家畜践踏是草地土壤侵蚀的２个最主
要的侵蚀外营力，可能在草地土壤侵蚀机制和功能中起主导作用，是描述土壤侵蚀的发生和发展的２个核心变
量，并且植被盖度均与两大因素关联。在当今全球气候变暖的大背景下，年降水量变异率普遍呈加大趋势，这就
更加剧了干旱半干旱草地生态系统的脆弱性，因此结合降水量与践踏强度来研究干旱半干旱草地生态系统的土
壤侵蚀机理将是一个全新的课题。关于放牧侵蚀对降水和践踏的响应模式，也就是关于如何将降水、放牧家畜践
踏进行综合考虑的保护性放牧技术与模式的研究，是具有理论与实际应用价值的重要研究方向。在我国干旱半
干旱草原区，由于植被的生长和恢复比较困难，对水土流失的敏感性特别高。特别是研究区土壤类型以黄绵土为
主，黄绵土崩解快、抗蚀力弱，为水土流失严重的区域。但草地的土壤可蚀性研究十分薄弱。草地土壤可蚀性与
放牧家畜的践踏活动和降水量这２个主要的土壤侵蚀外营力紧密相关。在不同形式和强度的侵蚀外营力作用
下，土壤性质会发生相应的变化，土壤会表现出不同的可蚀性，但无相关研究报道。众所周知，土壤可蚀性犓 值
是土壤侵蚀预报、土地利用规划、水土保持规划、土地利用评价和土壤环境潜在危险性评价的重要参数，缺少土壤
可蚀性犓 值，上述许多实际工作也就缺少足够的依据。因此，加强对草地土壤可蚀性的研究，针对敏感性高的因
素，制定切实可行的放牧管理策略，对有效地降低草地土壤侵蚀有着十分重要的理论与现实意义［４４，４５］，也是认识
和探索放牧侵蚀机理的一个重要环节。
侵蚀发生与土壤对侵蚀高度的敏感性状况是一致的，土壤侵蚀在很大程度上决定于其可蚀性［４６５２］。土壤可
蚀性（ｓｏｉｌｅｒｏｄｉｂｉｌｉｔｙ）是评价土壤本身抵抗侵蚀能力的强弱，也是土壤对侵蚀外营力分离和搬运作用的敏感性，
是影响土壤流失量的内在因素，它也是定量研究土壤侵蚀的基础［５３］。本研究的目标是：通过践踏和降水这２个
侵蚀外营力共同对草地土壤作用的野外受控试验，剖析不同的降水量与践踏强度下土壤可蚀性变异规律，为认识
放牧侵蚀规律奠定基础。
１　材料与方法
１．１　试验地概况
研究区位于甘肃省环县甜水镇大梁洼村———兰州大学草地农业科技学院野外试验点。地处鄂尔多斯台地前
沿的陕、甘、宁交界地段，地理坐标３７．１２°Ｎ和１０６．８２°Ｅ，海拔１６５０ｍ。年均气温６．０～７．１℃，＞０℃年积温
２３００～３７００℃，无霜期１２３～１５１ｄ，年日照时数２５９６．２～２７６６．４ｈ。年平均降水量３４９．１ｍｍ （１９８０－２００４
年），丰水年（＞４５０ｍｍ）占２５％，平水年（３５０～４５０ｍｍ）占３７．５％，干旱年（＜３５０ｍｍ）占３７．５％，年变率大，一
７７第１９卷第３期 草业学报２０１０年
般为２５％～５０％；６－９月占年降水量的６５％～７５％。２００３年降水４３２．６ｍｍ；２００４年降水２６６．１ｍｍ，低于正
常年份。年蒸发量１６００～２３００ｍｍ，年＞８级大风日３５．４ｄ以上，最多达８５ｄ，属典型温带大陆性季风气候，恰
处在温带干草原北部强烈风蚀带内［５４］，据统计，该区域侵蚀模数高达８０００ｔ／（ｋｍ２·ａ）［５５］。大地貌为缓坡丘陵，
地带性土壤为灰钙土、风沙土、黄绵土，土壤质地为沙壤和粉沙壤，耕作土壤有机质含量为０．５％～０．８％，ｐＨ值
为７．５～８．５，０～２００ｃｍ的土壤平均容重１．１～１．４ｇ／ｃｍ３，土壤孔隙度平均为５５％，地下水位１０～４０ｍ，不具补
给能力。天然降水是该区植物生产和人畜饮水的重要源泉。凋萎含水率７．３％，饱和含水率２１．９％。试验点设
有一个野外简易气象观测点。
植被类型为天然半干旱典型草原，在草原综合顺序分类法中该气候区域湿润度指数为１．１６，属微温微干典
型草原类［５６］。优势多年生禾草植物主要为长芒草（犛狋犻狆犪犫狌狀犵犲犪狀犪）、白草（犘犲狀狀犻狊犲狋狌犿犳犾犪犮犮犻犱狌犿）、赖草（犔犲狔
犿狌狊狊犲犮犪犾犻狀狌狊），杂类草为茵陈蒿（犃狉狋犲犿犻狊犻犪犮犪狆犻犾犾犪狉犻犲狊）、委陵菜（犘狅狋犲狀狋犻犾犾犪犫犻犳狌狉犮犪）、山莴苣（犔犪犮狋狌犮犪犻狀犱犻犮犪）、
狗娃花（犎犲狋犲狉狅狆犪狆狆狌狊犪犾狋犪犻犮狌狊）等，豆科牧草有胡枝子（犔犲狊狆犲犱犲狕犪犱犪狏狌狉犻犮犪）、沙打旺（犃狊狋狉犪犵犪犾狌狊犪犱狊狌狉犵犲狀狊）和
紫花苜蓿（犕犲犱犻犮犪犵狅狊犪狋犻狏犪），一年生植物主要为狗尾草（犛犲狋犪狉犻犪狏犻狉犻犱犻狊）、绵蓬（犆狅狉犻狊狆犲狉犿狌犿狆狌犫犲狉狌犾狌犿）和沙
蓬（犃犵狉犻狅狆犺狔犾犾狌犿狊狇狌犪狉狉狅狊狌犿）。草地植物４月中、下旬返青，６月下旬－８月下旬进入旺盛生长期，９月中、下旬
左右开始枯黄。
１．２　模拟降水与践踏的双因子试验设计
２００２年在原为自由放牧的公共放牧地（连续牧羊多年，草地退化严重），选择植被均匀、有代表性的平坦斜坡
（１００ｍ直线下降不超过２．５ｍ），用刺线围封０．０７５ｈｍ２（２５ｍ×３０ｍ）作为试验区。
以践踏因子为主因子（Ａ），水分因子为次因子（Ｂ）进行野外人工调控试验。采用复因子裂区试验设计，以４
个模拟降水处理为主区，４个践踏强度（ｔｒａｍｐｌｉｎｇｉｎｔｅｎｓｉｔｙ，ＴＩ）［３６，５７５９］梯度处理为副区，主副区完全随机排列，共
１６个处理，４次重复，共６４个试验小区，主区间间距１ｍ，主区的走向与斜坡垂直，副区间无间隔，每小区面积为１
ｍ×２ｍ，形状为矩形。
主区处理，即水分因子控制方法：共设置了丰水（每月设计量３６ｍｍ）、平水（每月设计量１８ｍｍ）、干旱和自
然状况下４种情况，这符合半干旱区不同年份６－９月降水量的实际情况，其中丰水、平水、干旱的累积模拟降水
量分别为２６６．９０，２２４．９０和７３．９７ｍｍ，这样在一般年份就能产生４个土壤水分梯度的各个试验小区；模拟降水
试验在２００４年６－８月的每月１５－２０日实施，以距地面３０ｃｍ的高度，于上午８：００前或下午８：００后，用喷壶分
３次均匀喷施于试验主区，每次约施入设计总量的１／３；并参照气候条件，确保灌水前２日和灌水１日后无降水发
生。用喷壶浇水模仿降水，只是模拟降水量，而不模仿大雨或暴雨对土面的冲击。自然状况不控制，利用自然降
水（１９２．９ｍｍ）。采用活动雨棚，在降水来临前遮住自然降水，使降水沿隔离带中的排水沟排出，模拟干旱状况。
副区处理，即践踏因子控制方法：根据践踏同质性试验结果［５９］，用自制的践踏模拟器模拟轮牧的成年滩羊对
草地的均匀践踏，模拟践踏于２００４年６－８月每月２１－３０日进行，每副区在放牧季共实施３期践踏处理，每期持
续约１０ｄ，同一副区２次践踏的间隔时间为２０ｄ。并参照气候条件，作适当调整确保践踏前２日不灌水，也无降
水发生。践踏强度依照２００３年开展的与放牧季每天放牧１０ｈ的滩羊轮牧试验同步的践踏同质性试验结果［５９］：
０牧对应不践踏；放牧强度为２．７，５．３，８．０羊单位／ｈｍ２ 的轻度、中度、重度放牧分别对应的践踏强度为４０，８０，
１６０次羊践踏／（ｍ２·期）［３６］。
１．３　土壤粒度与有机质测定
２００４年９月２５－２８日，在每个试验小区用土钻随机选取３个样点采集０～１５ｃｍ土壤，每次每个试验因子
组合处理共随机采集１２钻，每重复３钻。采集土样标号后，风干并磨碎过２ｍｍ筛，在研磨过程中弃去大于２
ｍｍ的有机物和砂砾。用吸管法测定各粒级的含量［６０，６１］，粒度分级采用美国农业部（ＵＳＤＡ）分类系统［６２］。同期
用重铬酸钾法测定有机质含量［６３］。
１．４　数据处理
土壤有机碳含量（％）是由有机质含量乘以Ｂｅｍｍｅｌｅｎ换算系数求得［６４］。
土壤可蚀性犓 值的计算运用Ｓｈａｒｐｌｅｙ和 Ｗｉｌｉａｍｓ［６５］１９９０年在ＥＰＩＣ（ｅｒｏｓｉｏｎｐｒｏｄｕｃｔｉｖｉｔｙｉｍｐａｃｔｃａｌｃｕｌａ
８７ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１０） Ｖｏｌ．１９，Ｎｏ．３
ｔｏｒ）模型中，提出的下述计算公式：
　犓＝［０．２＋０．３ｅ－０．０２５６犛犃犖（１－
犛犐犔
１００）］×［ 犛犐犔犆犔犃＋犛犐犔
］０．３×［１．０－ ０．２５犆犆＋ｅ（３．７２－２．９５犆）
］×［１．０－ ０．７犛犖犛犖＋ｅ（－５．５１＋２２．９犛犖）
］（１）
式中，犛犃犖 为砂粒（粒径２～０．０５ｍｍ）含量（％），犛犐犔为粉砂（粒径０．０５～０．００２ｍｍ）含量（％），犆犔犃为粘粒（粒
径＜０．００２ｍｍ）含量（％），犆为有机碳含量（％），犛犖＝１－犛犃犖／１００。
１．５　基于ＡＮＮ的土壤可蚀性犓 值与土壤侵蚀外营力———模拟降水量和践踏强度的关系模型
在土壤侵蚀过程中，由于自然和社会因素是草地土壤侵蚀过程的外部因素，而土壤自身的性质才是其内在的
因素，呈现的是一个高度复杂的非线性动力系统。在小尺度研究中由于土壤自身的性质相对稳定，外因成为驱动
土壤可蚀性差异的主导力量，因此，在考察土壤可蚀性指数时，应该主要考虑侵蚀外营力。直接从输入到草地生
态系统的外侵蚀营力着手，跨越系统内土壤可蚀性变化的内在的复杂的隐含过程，建立输出端－土壤可蚀性犓
值，与土壤侵蚀外营力的关系模型，势必将成为确定土壤可蚀性犓 值的新方法，对认识和探索草地土壤侵蚀机
理、开展草地土壤流失定量预报及构建合理的放牧管理策略都具有重要意义。
由于近年来发展起来的人工神经网络（ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ＡＮＮ）具有自学习、自组织、自适应和容错
性等一系列优点，其特有的非线性适应性信息处理能力［６６，６７］，使之在土壤侵蚀研究中已有成功的应用［６８，６９］，为
此，根据ＡＮＮ的原理和方法［７０７３］，从输入端－侵蚀外营力到输出端－土壤可蚀性犓 值这一全新的视角，对土壤
可蚀性犓 值与降水和践踏的关系问题作一研究。
将牧草生长期单位面积累计模拟降水量（ｍｍ／ｍ２·期）、单位面积累计践踏量（次羊践踏／ｍ２·期）作为输入
变量，土壤可蚀性犓 值作为输出变量，引入ＢＰ网络模型，因而输入层和输出层的结点数分别为２和１。隐含层
节点数与所研究问题复杂程度有关，目前尚无统一的确定方法，根据Ｋｏｌｍｏｇｏｒｏｖ定律，在此选用隐含层节点数
为４，由此得到计算土壤可蚀性犓 值的ＢＰ网络模型拓扑结构为（２，４，１）。
利用模拟降水与试验践踏的双因子试验所得到的６４组实测数据，将其随机分为２个子集，１个子集称为训
练集，作为反复迭代的训练和学习，网络全局误差要求小于预设精度，此过程在 ＭａｔｈＷｏｒｋｓ公司的 Ｍａｔｌａｂ６．５
对应的神经网络工具箱（ｎｅｕｒａｌｎｅｔｗｏｒｋｔｏｏｌｂｏｘ）下完成［７１］，学习速率和动量因子取系统默认值０．０１和０．９０，最
大训练次数设为１００００。为了加快收敛速度，对原始数据进行归一化处理则是必须的。没有用于ＡＮＮ模型构
建的子集（称为测试集）作为检验样本来检验该模型的诊断能力，通过测试集数据计算相应的预测误差，实现交叉
检验（ｃｒｏｓｓｖａｌｉｄａｔｉｏｎ）［７４７６］，采用这种处理技巧是基于以下原因：通过训练集建立的ＡＮＮ模型对训练数据集显
然无偏，若对新的数据（测试集）有比较好的泛化能力，说明选定的ＡＮＮ模型具有较高的适用性。交叉检验利于
解决有限样本建模以偏概全的缺陷。
为了进行模型比较，利用模拟降水与试验践踏的双因子试验所得到的６４组实测数据，建立常用的土壤可蚀
性犓 值与生长期单位面积累计践踏量和模拟降水量的二元线性回归模型。
２　结果与分析
２．１　土壤可蚀性犓 值与各粒级含量、砂粒／粘粒、有机碳含量之间的关系
土壤可蚀性明显地受土壤中细粉粒的含量影响，在其他因子相同时，风蚀量随土壤中所含易蚀部分对不易蚀
部分的比例而成正比例变化［７７］。土壤机械组成一方面反映被蚀体的粗细状况，另一方面与有机质含量及表土层
稳固性结构体的多少相关，从而影响草地土壤的抗蚀性。由（１）式计算过程可知，犓 值的计算与各土粒粒级含
量、有机碳含量有关。犓 与各粒级含量皆呈明显线性相关关系（图１）。若从土壤可蚀性犓 值与粒径的简单相关
关系看，它与极粗砂（２～１ｍｍ）含量（图１Ａ）呈显著正相关，与粗沙（１．０～０．５ｍｍ）含量（图１Ｂ）、中砂（０．５～
０．２５ｍｍ）含量（图１Ｃ）呈极显著正相关；与细砂（０．２５～０．１ｍｍ）含量（图１Ｄ）呈负相关，与极细砂（０．１～０．０５
ｍｍ）含量（图１Ｅ）呈显著负相关，与粉砂（０．０５～０．００２ｍｍ）含量（图１Ｆ）、粘粒（＜０．００２ｍｍ）含量（图１Ｇ）呈极显
著负相关。说明土壤颗粒中１～０．２５，０．０５～０．００２，＜０．００２ｍｍ粒径的土粒含量与土壤可蚀性的关系极为密
切，随着砂粒（２～０．２５ｍｍ）含量增多，极细砂（０．１～０．０５ｍｍ）含量、粉砂（０．０５～０．００２ｍｍ）含量和粘粒
（＜０．００２ｍｍ）含量的减少，其土壤可蚀性犓 值有增加的趋势。土壤可蚀性犓 值与砂粒（２～０．０５ｍｍ）／粘粒（图
９７第１９卷第３期 草业学报２０１０年
图１　土壤可蚀性犓值与各粒级含量、
砂粒／粘粒、有机碳含量的关系
犉犻犵．１　犛犮犪狋狋犲狉狆犾狅狋狊狅犳狋犺犲狉犲犾犪狋犻狅狀狊犺犻狆狊犫犲狋狑犲犲狀狊狅犻犾犲狉狅犱犻犫犻犾犻狋狔
犪狀犱狆狉狅狆犲狉狋狔狅犳狊狅犻犾（狊狅犻犾狆犪狉狋犻犮犾犲狊犻狕犲，犮犾犪狔／狊犪狀犱狔
狉犪狋犻狅犪狀犱犮狅狀狋犲狀狋狅犳狊狅犻犾狅狉犵犪狀犻犮犮犪狉犫狅狀）
０８ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１０） Ｖｏｌ．１９，Ｎｏ．３
１Ｈ）呈极显著正相关，也表明土壤粗砾化有使土壤可蚀性犓 值增加的趋势。土壤可蚀性犓 值与有机碳含量（图
１Ｉ）呈负相关关系。地表物质是侵蚀的对象，地表物质组成不同，其抗侵蚀的能力也不同，研究区黄绵土土壤质地
较轻，疏松软绵，土壤中砂、极细砂含量丰富，土壤水分含量低，更增加了风蚀的危险性，易形成严重的水蚀和风
蚀，且保水和保肥能力差，土壤粘结力弱，故在普遍超载放牧的情况下，放牧家畜的过度践踏导致草地植被盖度降
低，出现裸斑，强风中细粒土壤被吹向空中，粗沙砾留下来。第２次践踏，粗沙砾被翻到地下，细粒被翻上来，强风
再把细粒刮走，如此反复后的草地就逐步沙化，形成了土壤可蚀性犓 值高值区的现状。
土壤可蚀性犓 值是表征土壤侵蚀的内在指标，随着土壤侵蚀的加剧，有机质减少，细颗粒减少，粗颗粒增
多，砂粒／粘粒增大，土壤结构恶化，渗透能力下降，土壤抗蚀能力下降，土壤犓 值有增加的趋势。
２．２　不同践踏强度与模拟降水量试验组合小区的土壤可蚀性特征
以土壤理化性质数据库为基础，应用公式（１）计算各试验处理样区土壤的犓 值，得表２。犓 值本身是土壤抵
抗侵蚀能力大小的一个相对的综合指标，犓 值愈大的土壤，其抗蚀能力愈小；相反，犓 值愈小的土壤，其抗蚀能力
愈强。
表２　不同试验处理下的土壤可蚀性犓值及其犓 值的分级指标
犜犪犫犾犲２　犛狅犻犾犲狉狅犱犻犫犻犾犻狋狔犪狀犱狋犺犲犵狉犪犱犲犻狀犱犲狓狅犳犓狏犪犾狌犲狌狀犱犲狉犱犻犳犳犲狉犲狀狋犮狅犿犫犻狀犪狋犻狅狀狊
狅犳犲狓狆犲狉犻犿犲狀狋犪犾狋狉犪犿狆犻狀犵犪狀犱狊犻犿狌犾犪狋犻狅狀狉犪犻狀犳犪犾
处理Ｔｒｅａｔｍｅｎｔ
践踏强度［３６］
Ｔｒａｍｐｌｉｎｇ
ｉｎｔｅｎｓｉｔｙ
模拟降水
Ｓｉｍｕｌａｔｉｏｎ
ｒａｉｎｆａｌ （ｍｍ）
犓值
犓ｖａｌｕｅ
处理Ｔｒｅａｔｍｅｎｔ
践踏强度［３６］
Ｔｒａｍｐｌｉｎｇ
ｉｎｔｅｎｓｉｔｙ
模拟降水
Ｓｉｍｕｌａｔｉｏｎ
ｒａｉｎｆａｌ （ｍｍ）
犓值
犓ｖａｌｕｅ
分级指标Ｇｒａｄｅｉｎｄｅｘｏｆ犓ｖａｌｕｅ
犓值范围
Ｂｏｕｎｄａｒｙｏｆ
犓ｖａｌｕｅ
可蚀性级别
Ｇｒａｄｅｓｇｒｏｕｐｓｏｆ
犓ｖａｌｕｅ
０ ７３．９７ ０．２３０±０．００５ ８０ ７３．９７ ０．３０４±０．００９ ＜０．１５ 低可蚀性Ｌｏｗ
０ １９２．９０ ０．２１８±０．００７ ８０ １９２．９０ ０．２６９±０．０１３ ０．１５～０．２０ 较低可蚀性Ｒａｔｈｅｒｌｏｗ
０ ２２４．９０ ０．２１５±０．００９ ８０ ２２４．９０ ０．２５５±０．００３ ０．２０～０．２５ 中低可蚀性 Ｍｅｄｉｕｍｌｏｗ
０ ２６６．９０ ０．２１３±０．０１１ ８０ ２６６．９０ ０．２４７±０．００５ ０．２５～０．３０ 中可蚀性 Ｍｅｄｉｕｍ
４０ ７３．９７ ０．２３７±０．０１２ １６０ ７３．９７ ０．４０３±０．０１６ ０．３０～０．３５ 中高可蚀性 Ｍｅｄｉｕｍｈｉｇｈ
４０ １９２．９０ ０．２６２±０．０１０ １６０ １９２．９０ ０．３５４±０．０１１ ０．３５～０．４０ 高可蚀性 Ｈｉｇｈ
４０ ２２４．９０ ０．２５７±０．００８ １６０ ２２４．９０ ０．２５７±０．００５ ０．４０～０．４５ 较高可蚀性Ｒｅｌａｔｉｖｅｌｙｈｉｇｈｅｒ
４０ ２６６．９０ ０．２６０±０．００５ １６０ ２６６．９０ ０．２６９±０．０１６ ＞０．４５ 极高可蚀性Ｖｅｒｙｈｉｇｈ
　：次羊践踏ＵＳＴ／ｍ２．
犓值的取值均在中低可蚀性以上（表２），最大值是在干旱和高践踏条件下的样区，最小值是丰水和无践踏条
件下的样区。表明研究区处在中低可侵蚀区，在不同模拟降水量和践踏强度的侵蚀外营力作用下，土壤表现出了
不同的可蚀性，在干旱和高践踏条件下的样区抗蚀能力相对最小，而丰水和无践踏条件下的样区抗蚀能力相对最
大。
模拟降水和试验践踏通过各种不同强度的组合方式改变土壤抗蚀性，从而起到对放牧侵蚀的增减作用。在
同一模拟降水量条件下，虽然土壤侵蚀的直接动力还是风和水，但践踏破坏了土壤结构，随着践踏强度的逐渐加
大，使得土壤可蚀性犓 值依次增大（图２），表明践踏增大了土壤侵蚀的风险；但犓 值的增幅显然与模拟降水量相
关，践踏强度由轻度递增到重度，犓 值的增幅在干旱、自然降水、平水、丰水条件下依次为干旱＞自然降水＞平水
和丰水，表明模拟降水和践踏对犓 值的影响存在交互效应，模拟降水具有减缓犓 值随践踏强度增大的趋势。从
简单相关关系来看，犓 值与践踏强度呈极显著正相关（相关系数０．７４１），与降水呈负相关（相关系数－０．３７８），故
犓 值并不是由践踏强度和模拟降水量二元线性回归似解说地。
２．３　土壤可蚀性犓 值与土壤侵蚀外营力———践踏与降水的人工神经网络关系模型
对ＢＰ网络进行训练，学习到７５００次后网络趋于收敛，训练样本集误差小于预设误差，训练停止。训练集平
１８第１９卷第３期 草业学报２０１０年
均相对误差只有３．０４％，训练样本最大相对误差仅为５．３７％（表３）。由于训练过的网络已“模拟”并“记忆”了输
入变量和输出变量间的“函数”关系，因而可以用训练好的网络进行预测。以表３所列测试集数据作为预测样本
进行预测，预测样本集平均相对误差为２．９７％，预测样本最大相对误差也仅为８．１４％，说明所建立的ＢＰ网络模
型训练精度较高，预测结果较好。
图２　在同一模拟降水量条件下，践踏强度［３６］与土壤可蚀性犓值之间的关系
犉犻犵．２　犚犲犾犪狋犻狅狀狊犺犻狆犫犲狋狑犲犲狀狊狅犻犾犲狉狅犱犻犫犻犾犻狋狔犓狏犪犾狌犲犪狀犱狋狉犪犿狆犾犻狀犵犻狀狋犲狀狊犻狋狔［３６］狌狀犱犲狉狋犺犲狊犪犿犲犾犲狏犲犾狅犳狊犻犿狌犾犪狋犻狅狀狉犪犻狀犳犪犾
表３　土壤可蚀性犓值犅犘网络模型的训练及预测结果
犜犪犫犾犲３　犛犻犿狌犾犪狋犲犱犪狀犱狆狉犲犱犻犮狋犻狏犲犓狏犪犾狌犲犫狔犅犘犿狅犱犲犾犪犿狅狀犵狋狉犪犻狀犲犱狊犲狋犪狀犱狋犲狊狋犲犱狊犲狋
训练集Ｔｒａｉｎｅｄｓｅｔ
生长期累计
践踏量［３６］
Ａｍｏｕｎｔｏｆｃｕｍｕｌａｔｅｄ
ｅｘｐｅｒｉｍｅｎｔａｌ
ｔｒａｍｐｌｉｎｇ［３６］
（次羊践踏ＵＳＴ／ｍ２）［３６］
生长期模拟
降水量
Ａｍｏｕｎｔｏｆ
ｓｉｍｕｌａｔｉｏｎ
ｒａｉｎｆａｌｄｕｒｉｎｇ
ｇｒｏｗｔｈｐｅｒｉｏｄ（ｍｍ）
拟合的犓值
Ｓｉｍｕｌａｔｅｄ犓
ｖａｌｕｅ
相对误差
Ｒｅｌａｔｉｖｅ
ｅｒｒｏｒ
测试集Ｔｅｓｔｅｄｓｅｔ
生长期累计
践踏量［３６］
Ａｍｏｕｎｔｏｆｃｕｍｕｌａｔｅｄ
ｅｘｐｅｒｉｍｅｎｔａｌ
ｔｒａｍｐｌｉｎｇ［３６］
（次羊践踏ＵＳＴ／ｍ２）［３６］
生长期模拟
降水量
Ａｍｏｕｎｔｏｆ
ｓｉｍｕｌａｔｉｏｎ
ｒａｉｎｆａｌｄｕｒｉｎｇ
ｇｒｏｗｔｈｐｅｒｉｏｄ（ｍｍ）
拟合的犓值
Ｓｉｍｕｌａｔｅｄ犓
ｖａｌｕｅ
相对误差
Ｒｅｌａｔｉｖｅ
ｅｒｒｏｒ
１２０ ２２４．９０ ０．２５９５６７ １．０７５２６９ １２０ １９２．９０ ０．２７４３６５ ４．７１９３８８
０ ２６６．９０ ０．２２３３６４ ５．０６７８４５ ０ １９２．９０ ０．２１７６６０ ０
０ ２２４．９０ ０．２１６１７４ ０．７５７００９ ２４０ ７３．９７ ０．２７９３２７ ８．１４０３７６
１２０ １９２．９０ ０．２５０４４９ ４．４０８６９６ ４８０ ２２４．９０ ０．２４５１４２ ４．５９４７９０
２４０ ２２４．９０ ０．２４６４９９ ３．４７８２６１ ４８０ １９２．９０ ０．３７０９１９ ４．７９６３４６
０ ２２４．９０ ０．２１３５２０ ０．４８００８５ ２４０ ２６６．９０ ０．２５０８７４ １．６０９４４２
２４０ ７３．９７ ０．３１２５３０ ２．７７８７６１ ４８０ １９２．９０ ０．３６６５８４ ３．５７１４２９
０ ７３．９７ ０．２３８４８０ ３．７３２１４３ ０ ２６６．９０ ０．２１２５９０ ０
０ ７３．９７ ０．２４１３７３ ４．９９０５２４ １２０ ７３．９７ ０．２３７４００ ０
２８ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１０） Ｖｏｌ．１９，Ｎｏ．３
　续表３　Ｃｏｎｔｉｎｕｅｄ
训练集Ｔｒａｉｎｅｄｓｅｔ
生长期累计
践踏量［３６］
Ａｍｏｕｎｔｏｆｃｕｍｕｌａｔｅｄ
ｅｘｐｅｒｉｍｅｎｔａｌ
ｔｒａｍｐｌｉｎｇ［３６］
（次羊践踏ＵＳＴ／ｍ２）［３６］
生长期模拟
降水量
Ａｍｏｕｎｔｏｆ
ｓｉｍｕｌａｔｉｏｎ
ｒａｉｎｆａｌｄｕｒｉｎｇ
ｇｒｏｗｔｈｐｅｒｉｏｄ（ｍｍ）
拟合的犓值
Ｓｉｍｕｌａｔｅｄ犓
ｖａｌｕｅ
相对误差
Ｒｅｌａｔｉｖｅ
ｅｒｒｏｒ
测试集Ｔｅｓｔｅｄｓｅｔ
生长期累计
践踏量［３６］
Ａｍｏｕｎｔｏｆｃｕｍｕｌａｔｅｄ
ｅｘｐｅｒｉｍｅｎｔａｌ
ｔｒａｍｐｌｉｎｇ［３６］
（次羊践踏ＵＳＴ／ｍ２）［３６］
生长期模拟
降水量
Ａｍｏｕｎｔｏｆ
ｓｉｍｕｌａｔｉｏｎ
ｒａｉｎｆａｌｄｕｒｉｎｇ
ｇｒｏｗｔｈｐｅｒｉｏｄ（ｍｍ）
拟合的犓值
Ｓｉｍｕｌａｔｅｄ犓
ｖａｌｕｅ
相对误差
Ｒｅｌａｔｉｖｅ
ｅｒｒｏｒ
２４０ ２６６．９０ ０．２５２３７９ ２．２１９２９８ ２４０ １９２．９０ ０．２６４７２７ １．４４１８６０
０ ２６６．９０ ０．２２４０１０ ５．３７１６８１ ２４０ ２２４．９０ ０．２５１６２９ １．４６９６６２
１２０ １９２．９０ ０．２５９８３５ ０．８２６４４６ ４８０ ７３．９７ ０．４２８２１１ ６．２３３０６２
１２０ ２６６．９０ ０．２５１７４７ ３．０８６６１４ １２０ ２６６．９０ ０．２６２４２２ １．０２２９６９
４８０ １９２．９０ ０．３６４４１４ ２．９５８３３３ ２４０ ２２４．９０ ０．２５０４００ １．９５０８６７
２４０ １９２．９０ ０．２６２４７５ ２．２８０２３０ ４８０ ７３．９７ ０．４２６７５１ ５．８７０８８０
４８０ ７３．９７ ０．３９８６９４ １．０８９５５２ ４８０ ２６６．９０ ０．２８５３１９ ６．１７３９７７
４８０ ２６６．９０ ０．２６６７８１ ０．７２４６３８ ０ ２２４．９０ ０．２１７５６８ １．４０６４４８
０ １９２．９０ ０．２１４０３８ １．６６４２８６ ４８０ ２６６．９０ ０．２８６３５０ ６．５５７３７７
０ ７３．９７ ０．２３７５０８ ３．３０９２５７ ２４０ ７３．９７ ０．３１３０１８ ２．９３９３７５
１２０ ２２４．９０ ０．２４４８２２ ４．６６６６６７ ２４０ ２２４．９０ ０．２６２６７９ ２．８５７１４３
０ ２６６．９０ ０．２１８６６４ ２．８５７１４３ ０ １９２．９０ ０．２１３５４３ １．８９１５１９
４８０ ２２４．９０ ０．２６４２８９ ２．８５７１４３ １２０ ２６６．９０ ０．２６６５１２ ２．５９７４０３
４８０ ２２４．９０ ０．２６０３２９ １．３１５７８９ １２０ ２２４．９０ ０．２６３６２０ ２．６５３５２５
２４０ １９２．９０ ０．２５５２９９ ４．９５２０９５ ０ ７３．９７ ０．２３８１５５ ３．５９０５２７
１２０ ２２４．９０ ０．２６４０４６ ２．８１９３４０ １２０ ２６６．９０ ０．２５１２６８ ３．２７０９１７
２４０ ２６６．９０ ０．２３４６２４ ４．９７１９４２ ４８０ １９２．９０ ０．３５８０６１ １．１６３５０３
４８０ ２６６．９０ ０．２５９２９２ ３．５１１４８２ ０ ２２４．９０ ０．２１７１３５ １．２０４８１９
２４０ ２６６．９０ ０．２３９３８０ ３．０４５６８５ １２０ ７３．９７ ０．２２５０３５ ５．２０８３３３
２４０ １９２．９０ ０．２５７６６９ ４．０６９５６５ ０ １９２．９０ ０．２２０５４５ １．３２５５８１
２４０ ７３．９７ ０．３１６６５８ ４．１３６２８４ ４８０ ７３．９７ ０．３９５７６４ １．８１６５７１
４８０ ２２４．９０ ０．２６８９００ ４．６５１３５２ １２０ １９２．９０ ０．２６７０５２ １．９２８１２３
图３　计算的犓值与预测的犓 值之间的比较
犉犻犵．３　犆狅犿狆犪狉犻狊狅狀犫犲狋狑犲犲狀犮犪犾犮狌犾犪狋犲犱犓狏犪犾犲犫狔犳狅狉犿狌犾犪（１）
犪狀犱狊犻犿狌犾犪狋犲犱犓狏犪犾狌犲犫狔犳狅狉犿狌犾犪（２）
建立的土壤可蚀性犓 值与生长期单位面积累计
践踏量和模拟降水量的二元线性回归模型为：
犓＝０．２７３－０．２６６１×１０－４犠＋２．１４５×１０－４犜
（２）
相关系数犚＝０．８１３，犚２＝０．６６１，调整的犚２＝
０．６５０。
式中，犠 是生长期单位面积累计模拟降水量（ｍｍ／ｍ２
·期），犜为单位面积累计践踏量（次羊践踏／ｍ２·期）
作为输入变量。
由于土壤可蚀性犓 值与牧草生长期单位面积累
计践踏量和模拟降水量的点距较分散，故线性预测值
的计算误差较大（图３）。预测值的平均相对误差为
８．５８％，最大相对误差为２６．２５％，这说明对于复杂的
３８第１９卷第３期 草业学报２０１０年
草地土壤侵蚀系统，利用具有非线性映射功能的ＢＰ网络模型能更好刻画土壤可蚀性犓 值的复杂特性。
人工神经网络的最大特点在通过神经元之间的相互作用来完成整个网络的信息处理，与传统回归模型相比
较，ＢＰ网络模型能更好刻画的土壤可蚀性犓 值的复杂非线性特性，具有自学习、自组织、自适应和容错性等一系
列优点，因而用它来推测土壤可蚀性犓 值是可行的，计算结果也表明了这一点。显然，直接从输入到草地生态系
统的外侵蚀营力着手，跨越系统内土壤可蚀性变化的内在的复杂的隐含过程，建立输出端－土壤可蚀性犓 值，与
土壤侵蚀外营力的ＡＮＮ关系模型是准确确定土壤可蚀性犓 值的一次全新的创新性尝试。显然，本研究建立的
ＢＰ网络模型的输入参数是在特定试验条件下建立的，具有一定的使用范围，草地生态系统的外侵蚀营力涵盖因
素众多，因此，构建一个集不同外营力和全过程作用规律的综合性土壤可蚀性指标体系是明晰放牧侵蚀机制、认
识可蚀性特征、评价土壤易损性与否并建立合理的放牧管理策略的重要基础，在今后研究中仍需深入探讨。
参考文献：
［１］　刘秉正，吴发启．土壤侵蚀［Ｍ］．西安：陕西人民出版社，１９９７．
［２］　ＧｏｖｅｒｓＧ，ＬｏｂｂＤＡ，ＱｕｉｎｅＴＡ．Ｔｉｌａｇｅｅｒｏｓｉｏｎａｎｄｔｒａｎｓｌｏｃａｔｉｏｎ：Ｅｍｅｒｇｅｎｃｅｏｆａｎｅｗｐａｒａｄｉｇｍｉｎｓｏｉｌｅｒｏｓｉｏｎｒｅｓｅａｒｃｈ［Ｊ］．
Ｓｏｉｌ＆ＴｉｌａｇｅＲｅｓｅａｒｃｈ，１９９９，５１：１６７１７４．
［３］　ＬｉｎｄｓｔｒｏｍＭＪ，ＬｏｂｂＤＡ，ＳｃｈｕｍａｃｈｅｒＴＥ．Ｔｉｌａｇｅｅｒｏｓｉｏｎ：Ａｎｏｖｅｒｖｉｅｗ［Ｊ］．ＡｎｎａｌｓｏｆＡｒｉｄＺｏｎｅ，２００１，４０：３３７３４９．
［４］　ＶａｎＯｏｓｔＫ，ＧｏｖｅｒｓＧ，ｄｅＡｌｂａＳ，犲狋犪犾．Ｔｉｌａｇｅｅｒｏｓｉｏｎ：Ａｒｅｖｉｅｗｏｆｃｏｎｔｒｏｌｉｎｇｆａｃｔｏｒｓａｎｄｉｍｐｌｉｃａｔｉｏｎｓｆｏｒｓｏｉｌｑｕａｌｉｔｙ［Ｊ］．
ＰｒｏｇｒｅｓｓｉｎＰｈｙｓｉｃａｌＧｅｏｇｒａｐｈｙ，２００６，３０：４４３４６６．
［５］　ＬｏｂｂＤＡ，ＫａｃｈａｎｏｓｋｉＲＧ．ＭｏｄｅｌｉｎｇｔｉｌａｇｅｅｒｏｓｉｏｎｉｎｔｏｐｏｇｒａｐｈｉｃａｌｙｃｏｍｐｌｅｘｌａｎｄｓｃａｐｅｓｏｆｓｏｕｔｈｗｅｓｔｅｒｎＯｎｔａｒｉｏ，Ｃａｎａｄａ［Ｊ］．
Ｓｏｉｌ＆ＴｉｌａｇｅＲｅｓｅａｒｃｈ，１９９９，５１：２６１２７８．
［６］　Ｌｉｎｄｓｔｒｏｍ ＭＪ，ＳｃｈｕｍａｃｈｅｒＪＡ，ＳｃｈｕｍａｃｈｅｒＴＥ．ＴＥＰ：Ａｔｉｌａｇｅｅｒｏｓｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｔｏｃａｌｃｕｌａｔｅｓｏｉｌｔｒａｎｓｌｏｃａｔｉｏｎ
ｒａｔｅｓｆｒｏｍｔｉｌａｇｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｏｉｌａｎｄＷａｔｅｒＣｏｎｓｅｒｖａｔｉｏｎ，２０００，５５：１０５１０８．
［７］　ＴｏｒｒｉＤ，ＢｏｒｓｅｌｉＬ．Ｃｌｏｄｍｏｖｅｍｅｎｔａｎｄｔｉｌａｇｅｔｏｏｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｆｏｒｍｏｄｅｌｉｎｇｔｉｌａｇｅｅｒｏｓｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＳｏｉｌａｎｄＷａｔｅｒ
Ｃｏｎｓｅｒｖａｔｉｏｎ，２００２，５７（１）：２４２８．
［８］　ＡｌｂａＳＤｅ，ＬｉｎｄｓｔｒｏｍＭ，ＳｃｈｕｍａｃｈｅｒＴＥ，犲狋犪犾．Ｓｏｉｌｌａｎｄｓｃａｐｅｅｖｏｌｕｔｉｏｎｄｕｅｔｏｓｏｉｌｒｅｄｉｓｔｒｉｂｕｔｉｏｎｂｙｔｉｌａｇｅ：Ａｎｅｗｃｏｎｃｅｐ
ｔｕａｌｍｏｄｅｌｏｆｓｏｉｌｃａｔｅｎａｅｖｏｌｕｔｉｏｎｉｎａｇｒｉｃｕｌｔｕｒａｌｌａｎｄｓｃａｐｅｓ［Ｊ］．Ｃａｔｅｎａ，２００４，５８：７７１００．
［９］　ＬｉＳ，ＬｏｂｂＤＡ，Ｌｉｎｄｓｔｒｏｍ ＭＪ，犲狋犪犾．ＴｉｌａｇｅａｎｄｗａｔｅｒｅｒｏｓｉｏｎｏｎｄｉｆｆｅｒｅｎｔｌａｎｄｓｃａｐｅｓｉｎｔｈｅｎｏｒｔｈｅｒｎＮｏｒｔｈＡｍｅｒｉｃａｎ
ＧｒｅａｔＰｌａｉｎｓｅｖａｌｕａｔｅｄｕｓｉｎｇ１３７Ｃｓｔｅｃｈｎｉｑｕｅａｎｄｓｏｉｌｅｒｏｓｉｏｎｍｏｄｅｌｓ［Ｊ］．Ｃａｔｅｎａ，２００７，７０：４９３５０５．
［１０］　ＬａｌＲ．Ｓｏｉｌｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎｉｍｐａｃｔｓｏｎｇｌｏｂａｌｃｌｉｍａｔｅｃｈａｎｇｅａｎｄｆｏｏｄｓｅｃｕｒｉｔｙ［Ｊ］．Ｓｃｉｅｎｃｅ，２００４，３０４（１１）：１６２３１６２７．
［１１］　ＢｒｉｃｋｌｅｍｙｅｒＲＳ，ＬａｗｒｅｎｃｅＲＬ，ＭｉｌｅｒＰＲ．Ｐｒｅｄｉｃｔｉｎｇｔｉｌａｇｅｐｒａｃｔｉｃｅｓａｎｄａｇｒｉｃｕｌｔｕｒａｌｓｏｉｌｄｉｓｔｕｒｂａｎｃｅｉｎｎｏｒｔｈｃｅｎｔｒａｌ
ＭｏｎｔａｎａｗｉｔｈＬａｎｄｓａｔｉｍａｇｅｒｙ［Ｊ］．Ａｇｒｉｃｕｌｔｕｒｅ，ＥｃｏｓｙｓｔｅｍｓａｎｄＥｎｖｉｒｏｎｍｅｎｔ，２００６，１１４：２１０２１６．
［１２］　ＬｉＳ，ＬｏｂｂＤＡ，ＬｉｎｄｓｔｒｏｍＭＪ．ＴｉｌａｇｅｔｒａｎｓｌｏｃａｔｉｏｎａｎｄｔｉｌａｇｅｅｒｏｓｉｏｎｉｎｃｅｒｅａｌｂａｓｅｄｐｒｏｄｕｃｔｉｏｎｉｎＭａｎｉｔｏｂａ，Ｃａｎａｄａ［Ｊ］．
Ｓｏｉｌ＆ＴｉｌａｇｅＲｅｓｅａｒｃｈ，２００７，９４：１６４１８２．
［１３］　伍芬琳，李琳，张海林．保护性耕作对农田生态系统净碳释放量的影响［Ｊ］．生态学杂志，２００７，２６（１２）：２０３５２０３９．
［１４］　ＰｉｍｅｎｔｅｌＤ，ＫｏｕｎａｎｇＮ．Ｅｃｏｌｏｇｙｏｆｓｏｉｌｅｒｏｓｉｏｎｉｎｅｃｏｓｙｓｔｅｍｓ［Ｊ］．Ｅｃｏｓｙｓｔｅｍｓ，１９９８，１：４１６４２６．
［１５］　ＰｉｍｅｎｔｅｌＤ，ＨａｒｖｅｙＣ，ＲｅｓｏｓｕｄａｒｍｏＰ．Ｅｎｖｉｒｏｎｍｅｎｔａｌａｎｄｅｃｏｎｏｍｉｃｃｏｓｔｓｏｆｓｏｉｌｅｒｏｓｉｏｎａｎｄｃｏｎｓｅｒｖａｔｉｏｎｂｅｎｅｆｉｔｓ［Ｊ］．Ｓｃｉ
ｅｎｃｅ，１９９５，２６７：１１１７１１２３．
［１６］　ＥｖａｎｓＲ．ＳｏｉｌｅｒｏｓｉｏｎｉｎｔｈｅＵＫｉｎｉｔｉａｔｅｄｂｙｇｒａｚｉｎｇａｎｉｍａｌｓ［Ｊ］．ＡｐｐｌｉｅｄＧｅｏｇｒａｐｈｙ，１９９７，１７（２）：１２７１４１．
［１７］　ＥｖａｎｓＲ．Ｃｕｒｔａｉｌｉｎｇｇｒａｚｉｎｇｉｎｄｕｃｅｄｅｒｏｓｉｏｎｉｎａｓｍａｌｃａｔｃｈｍｅｎｔａｎｄｉｔｓｅｎｖｉｒｏｎｓ，ｔｈｅＰｅａｋＤｉｓｔｒｉｃｔ，ＣｅｎｔｒａｌＥｎｇｌａｎｄ［Ｊ］．
ＡｐｐｌｉｅｄＧｅｏｇｒａｐｈｙ，２００５，２５：８１９５．
［１８］　ＳａｖａｂｉＭＲ，ＧｉｆｆｏｒＧＦ．Ａｐｐｌｉｃａｔｉｏｎｏｆｓｅｌｅｃｔｅｄｓｏｉｌｌｏｓｓｅｑｕａｔｉｏｎｓｔｏｔｒａｍｐｌｅｄｓｏｉｌｃｏｎｄｉｔｉｏｎｓ［Ｊ］．ＪｏｕｒｎａｌｏｆｔｈｅＡｍｅｒｉｃａｎ
ＷａｔｅｒＲｅｓｏｕｒｃｅｓＡｓｓｏｃｉａｔｉｏｎ，１９８７，２３（４）：７０９７１６．
［１９］　林慧龙，龙瑞军，任继周．放牧侵蚀研究回顾与展望［Ｊ］．生态学杂志，２００８，２７（１２）：２２２２２２２７．
［２０］　闫玉春，唐海萍．草地退化相关概念辨析［Ｊ］．草业学报，２００８，１７（１）：９３９９．
［２１］　许志信，赵萌莉．过度放牧对草原土壤侵蚀的影响［Ｊ］．中国草地，２００１，２３（６）：５９６３．
４８ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１０） Ｖｏｌ．１９，Ｎｏ．３
［２２］　许志信，李永强．草地退化对水土流失的影响［Ｊ］．干旱区资源与环境，２００３，１７（１）：６５６８．
［２３］　ＲｏｗｎｔｒｅｅＫ，ＤｕｍａＭ，ＫａｋｅｍｂｏＶ，犲狋犪犾．Ｄｅｂｕｎｋｉｎｇｔｈｅｍｙｔｈｏｆｏｖｅｒｇｒａｚｉｎｇ［Ｊ］．ＬａｎｄＤｅｇｒａｄａｔｉｏｎａｎｄＤｅｖｅｌｏｐｍｅｎｔ，
２００４，１５：２０３２１４．
［２４］　ＨｕａｎｇＤ，ＷａｎｇＫ，ＷｕＷＬ．Ｄｙｎａｍｉｃｓｏｆｓｏｉｌｐｈｙｓｉｃａｌａｎｄｃｈｅｍｉｃａｌｐｒｏｐｅｒｔｉｅｓａｎｄｖｅｇｅｔａｔｉｏｎｓｕｃｃｅｓｓｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｄｕｒ
ｉｎｇｇｒａｓｓｌａｎｄｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｕｎｄｅｒｓｈｅｅｐｇｒａｚｉｎｇｉｎａｎａｇｒｏｐａｓｔｏｒａｌｔｒａｎｓｉｔｉｏｎｚｏｎｅｉｎＮｏｒｔｈｅｒｎＣｈｉｎａ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｒｉｄＥｎ
ｖｉｒｏｎｍｅｎｔｓ，２００７，７０：１２０１３６．
［２５］　ＳａｄｅｇｈｉＳＨＲ，ＡｚａｒｉＭ，ＧｈａｄｅｒｉＶａｎｇａｈＢ．ＦｉｅｌｄｅｖａｌｕａｔｉｏｎｏｆｔｈｅＨｉｌｓｌｏｐｅＥｒｏｓｉｏｎＭｏｄｅｌ（ＨＥＭ）ｉｎＩｒａｎ［Ｊ］．Ｂｉｏｓｙｓｔｅｍｓ
Ｅｎｇｉｎｅｅｒｉｎｇ，２００８，９９（２）：３０４３１１．
［２６］　ＳｔａｎｌｅｙＷＴ，ＡｌｅｘａｎｄｒａＣＭ．ＴｈｅｃｏｗａｓａｇｅｏｍｏｒｐｈｉｃａｇｅｎｔＡｃｒｉｔｉｃａｌｒｅｖｉｅｗ［Ｊ］．Ｇｅｏｍｏｒｐｈｏｌｏｇｙ，１９９５，１３：２３３２５３．
［２７］　ＴｈｏｒｎｅｓＪＢ．Ｃｏｕｐｌｉｎｇｅｒｏｓｉｏｎ，ｖｅｇｅｔａｔｉｏｎａｎｄｇｒａｚｉｎｇ［Ｊ］．ＬａｎｄＤｅｇｒａｄａｔｉｏｎａｎｄＤｅｖｅｌｏｐｍｅｎｔ，２００５，１６：１２７１３８．
［２８］　ＴｈｏｒｎｅｓＪＢ．Ｍｏｄｅｌｉｎｇｓｏｉｌｅｒｏｓｉｏｎｂｙｇｒａｚｉｎｇ：Ｒｅｃｅｎｔｄｅｖｅｌｏｐｍｅｎｔｓａｎｄｎｅｗａｐｐｒｏａｃｈｅｓ［Ｊ］．ＧｅｏｇｒａｐｈｉｃａｌＲｅｓｅａｒｃｈ，２００７，
４５（１）：１３２６．
［２９］　ＰｉｅｔｏｌａＬ，ＨｏｒｎＲ，ＹｌｉＨａｌａＭ．Ｅｆｆｅｃｔｓｏｆｔｒａｍｐｌｉｎｇｂｙｃａｔｔｌｅｏｎｔｈｅｈｙｄｒａｕｌｉｃａｎｄｍｅｃｈａｎｉｃａｌｐｒｏｐｅｒｔｉｅｓｏｆｓｏｉｌ［Ｊ］．Ｓｏｉｌ＆
ＴｉｌａｇｅＲｅｓｅａｒｃｈ，２００５，８２：９９１０８．
［３０］　ＺｈａｏＨＬ，ＺｈａｏＸＹ，ＺｈｏｕＲＬ，犲狋犪犾．Ｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｐｒｏｃｅｓｓｅｓｄｕｅｔｏｈｅａｖｙｇｒａｚｉｎｇｉｎｓａｎｄｙｒａｎｇｅｌａｎｄ，ＩｎｎｅｒＭｏｎｇｏｌｉａ［Ｊ］．Ｊｏｕｒ
ｎａｌｏｆＡｒｉｄＥｎｖｉｒｏｎｍｅｎｔｓ，２００５，６２：３０９３１９．
［３１］　ＧｏｌｏｄｅｔＣ，ＢｏｅｋｅｎＢ．Ｍｏｄｅｒａｔｅｓｈｅｅｐｇｒａｚｉｎｇｉｎｓｅｍｉａｒｉｄｓｈｒｕｂｌａｎｄａｌｔｅｒｓｓｍａｌｓｃａｌｅｓｏｉｌｓｕｒｆａｃｅｓｔｒｕｃｔｕｒｅａｎｄｐａｔｃｈｐｒｏｐｅｒ
ｔｉｅｓ［Ｊ］．Ｃａｔｅｎａ，２００６，６５：２８５２９１．
［３２］　ＨｏｆｆｍａｎｎＣ，ＦｕｎｋａＲ，ＷｉｅｌａｎｄｂＲ．ＥｆｆｅｃｔｓｏｆｇｒａｚｉｎｇａｎｄｔｏｐｏｇｒａｐｈｙｏｎｄｕｓｔｆｌｕｘａｎｄｄｅｐｏｓｉｔｉｏｎｉｎｔｈｅＸｉｌｉｎｇｅｌｅｇｒａｓｓｌａｎｄ，
ＩｎｎｅｒＭｏｎｇｏｌｉａ［Ｊ］．ＪｏｕｒｎａｌｏｆＡｒｉｄＥｎｖｉｒｏｎｍｅｎｔｓ，２００７，７２：７９２８０４．
［３３］　ＳａｖａｄｏｇｏＰ，ＳａｗａｄｏｇｏＬ，ＴｉｖｅａｕＤ．Ｅｆｆｅｃｔｓｏｆｇｒａｚｉｎｇｉｎｔｅｎｓｉｔｙａｎｄｐｒｅｓｃｒｉｂｅｄｆｉｒｅｏｎｓｏｉｌｐｈｙｓｉｃａｌａｎｄｈｙｄｒｏｌｏｇｉｃａｌｐｒｏｐｅｒ
ｔｉｅｓａｎｄｐａｓｔｕｒｅｙｉｅｌｄｉｎｔｈｅｓａｖａｎｎａｗｏｏｄｌａｎｄｓｏｆＢｕｒｋｉｎａＦａｓｏ［Ｊ］．Ａｇｒｉｃｕｌｔｕｒｅ，ＥｃｏｓｙｓｔｅｍｓａｎｄＥｎｖｉｒｏｎｍｅｎｔ，２００７，１１８：
８０９２．
［３４］　ＢｅｔｔｅｒｉｄｇｅＫ，ＭａｃｋａｙＡＤ，ＳｔｅｐｂｅｒｄＴＧ．Ｅｆｆｅｃｔｏｆｃａｔｔｌｅａｎｄｓｈｅｅｐｔｒｅａｄｉｎｇｏｎｓｕｒｆａｃｅｃｏｎｆｉｇｕｒａｔｉｏｎｏｆａｓｅｄｉｍｅｎｔａｒｙｈｉｌ
ｓｏｉｌ［Ｊ］．ＡｎｓｔｒａｌｉａｎＪｏｕｒｎａｌｏｆＳｏｉｌＲｅｓｅａｒｃｈ，１９９９，３７（４）：７４３７６０．
［３５］　侯扶江，常生华，于应文，等．放牧家畜的践踏作用研究评述［Ｊ］．生态学报，２００４，２４（４）：１３３１３９．
［３６］　林慧龙，侯扶江，任继周．放牧家畜的践踏强度指标探讨［Ｊ］．草业学报，２００８，１７（１）：８５９２．
［３７］　ＳｔａｖｉＩ，ＬａｖｅｅＨ，ＵｎｇａｒＥＤ，犲狋犪犾．Ｅｃｏｇｅｏｍｏｒｐｈｉｃｆｅｅｄｂａｃｋｓｉｎｓｅｍｉａｒｉｄｒａｎｇｅｌａｎｄｓ：Ａｒｅｖｉｅｗ［Ｊ］．Ｐｅｄｏｓｐｈｅｒｅ，２００９，
１９（２）：２１７２２９．
［３８］　张荣华，安沙舟，杨海宽，等．模拟放牧强度对针茅再生性能的影响［Ｊ］．草业科学，２００８，２５（４）：１４１１４４．
［３９］　ＬａｓｋａＧ．Ｔｈｅｄｉｓｔｕｒｂａｎｃｅａｎｄｖｅｇｅｔａｔｉｏｎｄｙｎａｍｉｃｓ：Ａｒｅｖｉｅｗａｎｄａｎａｌｔｅｒｎａｔｉｖｅｆｒａｍｅｗｏｒｋ［Ｊ］．ＰｌａｎｔＥｃｏｌｏｇｙ，２００１，
１５７（１１）：７７９９．
［４０］　ＰｏｅｓｅｎＪＷＡ．Ｅｒｏｓｉｏｎ，ｆｌｏｏｄｉｎｇａｎｄｃｈａｎｎｅｌｍａｎａｇｅｍｅｎｔｉｎＭｅｄｉｔｅｒｒａｎｅａｎｅｎｖｉｒｏｎｍｅｎｔｓｏｆｓｏｕｔｈｅｒｎＥｕｒｏｐｅ［Ｊ］．Ｐｒｏｇｒｅｓｓ
ｉｎＰｈｙｓｉｃａｌＧｅｏｇｒａｐｈｙ，１９９７，２１（２）：１５７１９９．
［４１］　ＢｕｔｌｅｒＤＲ．Ｚｏｏｇｅｏｍｏｒｐｈｏｌｏｇｙ：ＡｎｉｍａｌｓａｓＧｅｏｍｏｒｐｈｉｃＡｇｅｎｔｓ［Ｍ］．Ｌｏｎｄｏｎ：ＣａｍｂｒｉｄｇｅＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２００７．
［４２］　ＳｔｅｆａｎＭ Ｍ，ＣｏｌｉｎＫＢ．Ｆｏｏｔｐａｔｈｍｏｒｐｈｏｌｏｇｙａｎｄｔｅｒｒａｉｎｓｅｎｓｉｔｉｖｉｔｙｏｎｈｉｇｈｐｌａｔｅａｕｘ：ＴｈｅＭａｍｏｒｅＭｏｕｎｔａｉｎｓ，Ｗｅｓｔｅｒｎ
ＨｉｇｈｌａｎｄｓｏｆＳｃｏｔｌａｎｄ［Ｊ］．ＥａｒｔｈＳｕｒｆａｃｅＰｒｏｃｅｓｓｅｓａｎｄＬａｎｄｆｏｒｍｓ，２００８，３３（１）：４０５４．
［４３］　ＧａｏＺＱ，ｌｉｕＪＹ．ＳｉｍｕｌａｔｉｏｎｓｔｕｄｙｏｆＣｈｉｎａ’ｓｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎ［Ｊ］．ＣｈｉｎｅｓｅＳｃｉｅｎｃｅＢｕｌｅｔｉｎ，２００８，５３（３）：４３４４４３．
［４４］　杨文治．黄土高原土壤水分研究［Ｍ］．北京：科学出版社，２０００．
［４５］　王效科，欧阳志云，肖寒，等．中国水土流失敏感性分布规律及其区划研究［Ｊ］．生态学报，２００１，２１（１）：１４１９．
［４６］　朱显漠，张相麟，雷文进．径河流域土壤侵蚀现象及其演变［Ｊ］．土壤学报，１９５４，２（４）：２０９２２２．
［４７］　陈明华，周福建，黄炎和．土壤可蚀性因子的研究［Ｊ］．水土保持学报，１９９５，９（１）：１９２４．
［４８］　刘宝元，张科利，焦菊英．土壤可蚀性及其在侵蚀预报中的应用［Ｊ］．自然资源学报，１９９９，１４（４）：３４５３５０．
［４９］　彭坷珊．中国土壤侵蚀影响因素及其危害分析［Ｊ］．首都师范大学学报（自然科学版），２０００，２１（２）：８８９４．
［５０］　张科利，蔡永明．土壤可蚀性动态变化规律研究［Ｊ］．地理学报，２００１，５６（６）：６７３６８１．
５８第１９卷第３期 草业学报２０１０年
［５１］　王小丹，钟祥浩，范建容．西藏水土流失敏感性评价及其空间分异规律［Ｊ］．地理学报，２００４，５９（２）：１８３１８８．
［５２］　宋阳，刘连友，严平，等．土壤可蚀性研究述评［Ｊ］．干旱区地理，２００６，２９（１）：１２４１３１．
［５３］　张科利，彭文英，杨红丽．中国土壤可蚀性值及其估算［Ｊ］．土壤学报，２００７，４４（１）：７１３．
［５４］　齐矗华，甘枝茂．黄土高原侵蚀地貌与水土流失关系研究［Ｍ］．西安：陕西教育出版社，１９９１：１２８９．
［５５］　郝高建，赵先贵．甘肃省环县生态环境建设及生态农业发展模式研究［Ｊ］．水土保持研究，２００４，１１（１）：２３２６．
［５６］　ＲｅｎＪＺ，ＨｕＺＺ，ＺｈａｏＪ，犲狋犪犾．ＡＧｒａｓｓｌａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｓｙｓｔｅｍａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎＣｈｉｎａ［Ｊ］．ＴｈｅＲａｎｇｅｌａｎｄＪｏｕｒｎａｌ，
２００８，３０：１９９２０９．
［５７］　林慧龙，侯扶江，李飞．环县典型草原地下生物量对放牧家畜践踏的响应［Ｊ］．草地学报，２００８，１６（２）：１８６１９０．
［５８］　林慧龙，任继周．践踏和降水对环县典型草原土壤颗粒分维特征的影响［Ｊ］．草业学报，２００９，１８（４）：８５９２．
［５９］　林慧龙，徐震，王金山．环县典型草原滩羊夏季放牧践踏模拟同质性试验［Ｊ］．中国草地学报，２００８，３：２２２７．
［６０］　ＳｈｅｌｄｒｉｃｋＢＨ，ＷａｎｇＣ．Ｐａｒｔｉｃｌｅｓｉｚｅｄｉｓｔｒｉｂｕｔｉｏｎ［Ａ］．Ｉｎ：ＣａｒｔｅｒＭＲ．ＳｏｉｌＳａｍｐｌｉｎｇａｎｄＭｅｔｈｏｄｓｏｆＡｎａｌｙｓｉｓ［Ｍ］．ＦＬ：
ＬｅｗｉｓＰｕｂｌｉｓｈｅｒｓ，ＤｉｖｉｓｉｏｎｏｆＣＲＣＰｒｅｓｓ，１９９３：４９９５１１．
［６１］　鲁如坤．土壤农业化学分析方法［Ｍ］．北京：中国农业科技出版社，１９９９：６３８．
［６２］　中国土壤学会编．土壤农业化学分析方法［Ｍ］．北京：中国农业出版社，２０００：１４６１９５，２７２２７６．
［６３］　季天委．重铬酸钾容量法中不同加热方式测定土壤有机质的比较研究［Ｊ］．浙江农业学报，２００５，１７（５）：３１１３１３．
［６４］　邵月红，潘剑君，许信旺，等．浅谈土壤有机碳密度及储量的估算方法［Ｊ］．土壤通报，２００６，３７（５）：１００７１０１１．
［６５］　ＳｈａｒｐｌｅｙＡＮ，ＷｉｌｉａｍｓＪＲ．ＥＰＩＣＥｒｏｓｉｏｎｐｒｏｄｕｃｔｉｖｉｔｙｉｍｐａｃｔｃａｌｃｕｌａｔｏｒ：１Ｍｏｄｅｌｄｏｃｕｍｅｎｔａｔｉｏｎ［Ａ］．ＵＳＤｅｐａｒｔｍｅｎｔｏｆ
ＡｇｒｉｃｕｌｔｕｒｅＴｅｃｈｎｉｃａｌＢｕｌｅｔｉｎＮｏ．１７６８［Ｃ］．Ｔｅｍｐｌｅ，ＴＸ：ＵＳＤｅｐａｒｔｍｅｎｔｏｆＡｇｒｉｃｕｌｔｕｒｅ，１９９０．
［６６］　ＨｅｒｔｚＪＡ，ＫｒｏｇｈＡＳ，ＰａｌｍｅｒＲＧ．ＩｎｔｒｏｄｕｃｔｉｏｎｔｏｔｈｅＴｈｅｏｒｙｏｆＮｅｕｒａｌＣｏｍｐｕｔａｔｉｏｎ［Ｍ］．ＲｅｄｗｏｏｄＣｉｔｙ，ＣＡ：Ａｄｄｉｓｏｎ
Ｗｅｓｌｅｙ，１９９１：１１５１６２，２１７２２７．
［６７］　叶其孝．大学生数学建模竞赛辅导教材［Ｍ］．长沙：湖南教育出版社，１９９８：４９６９．
［６８］　冯利华．基于ＡＮＮ的土壤侵蚀研究［Ｊ］．土壤侵蚀与水土保持学报，１９９９，５（６）：１０５１０９．
［６９］　赵西宁，吴普特，冯浩，等．坡面土壤侵蚀产沙的神经网络模拟［Ｊ］．土壤学报，２００６，４３（２）：３２４３２７．
［７０］　周继成，周青山，韩飘扬．人工神经网络－第六代计算机的实现［Ｍ］．北京：科学普及出版社，１９９３：４７５１．
［７１］　陈明．神经网络模型［Ｍ］．大连：大连理工大学出版社，１９９５．
［７２］　董长虹．ＭＡＴＬＡＢ神经网络与应用［Ｍ］．北京：国防工业出版社，２００５．
［７３］　柳承茂．ＭＡＴＬＡＢ５．Ｘ入门与应用［Ｍ］．北京：科学出版社，１９９９．
［７４］　ＬｅｈｍａｎｎＡ，ＬｅａｔｈｗｉｃｋＪＲ，ＯｖｅｒｔｏｎＪＭｃＣ．ＡｓｓｅｓｓｉｎｇＮｅｗＺｅａｌａｎｄｆｅｒｎｄｉｖｅｒｓｉｔｙｆｒｏｍｓｐａｔｉａｌｐｒｅｄｉｃｔｉｏｎｓｏｆｓｐｅｃｉｅｓａｓｓｅｍ
ｂｌａｇｅｓ［Ｊ］．Ｂｉｏｄｉｖｅｒｓ，Ｃｏｎｓｅｒｖ，２００２，１１：２２１７２２３８．
［７５］　ＬｅｈｍａｎｎＡ，ＯｖｅｒｔｏｎＪＭ，ＬｅａｔｈｗｉｃｋＪＲ．ＧＲＡＳＰ：Ｇｅｎｅｒａｌｉｚｅｄｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓａｎｄｓｐａｔｉａｌｐｒｅｄｉｃｔｉｏｎ［Ｊ］．Ｅｃｏｌｏｇｉｃａｌ
Ｍｏｄｅｌｉｎｇ，２００２，１５７：１８９２０７．
［７６］　ＬｉｎＨＬ，ＺｈｕａｎｇＱＭ．ＡｄａｐｔｉｖｅｅｘｔｅｎｔａｎｄｓｅｅｄｙｉｅｌｄｐｒｅｄｉｃｔｉｏｎｓｆｏｒＭｉｃｒｏｕｌａｓｉｋｋｉｍｅｎｓｉｓｇｒｏｗｎｉｎｔｈｅＱｉｎｇｈａｉＴｉｂｅｔＰｌａｔ
ｅａｕ，Ｃｈｉｎａ［Ｊ］．ＥｃｏｌｏｇｉｃａｌＭｏｄｅｌｉｎｇ，２００７，２０１：５０７５２０．
［７７］　ＣｈｅｐｉｌＷＳ．Ｐｒｏｐｅｒｔｉｅｓｏｆｓｏｉｌｗｈｉｃｈｉｎｆｌｕｅｎｃｅｗｉｎｄｅｒｏｓｉｏｎ：１．Ｔｈｅｇｏｖｅｒｎｉｎｇｐｒｉｎｃｉｐｌｅｏｆｓｕｒｆａｃｅｒｏｕｇｈｎｅｓｓ［Ｊ］．ＳｏｉｌＳｃｉ
ｅｎｃｅ，１９５０，６９：１４９１６２．
６８ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１０） Ｖｏｌ．１９，Ｎｏ．３
犃狊狋狌犱狔狅狀狊狅犻犾犲狉狅犱犻犫犻犾犻狋狔犻狀犪犮狅犿犫犻狀犲犱犲狓狆犲狉犻犿犲狀狋犪犾狋狉犪犿狆犾犻狀犵犪狀犱狊犻犿狌犾犪狋犲犱狉犪犻狀犳犪犾犲狓狆犲狉犻犿犲狀狋
狅狀犪犛狋犻狆犪犫狌狀犵犲犪狀犪狊狋犲狆狆犲犻狀犎狌犪狀狓犻犪狀犆狅狌狀狋狔，犌犪狀狊狌犘狉狅狏犻狀犮犲，犆犺犻狀犪
ＬＩＮＨｕｉｌｏｎｇ，ＷＡＮＧＭｉａｏｍｉａｏ，ＬＩＸｕｅｌｉｎｇ，ＷＡＮＧＺｈａｏｑｉ
（ＣｏｌｅｇｅｏｆＰａｓｔｏｒａｌＡｇｒｉｃｕｌｔｕｒｅＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，ＧａｎｓｕＧｒａｓｓｌａｎｄ
ＥｃｏｌｏｇｉｃａｌＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｌａｎｚｈｏｕ７３００２０，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｓｏｉｌｅｒｏｄｉｂｉｌｉｔｙｄｉｆｆｅｒｅｄｗｉｔｈｖａｒｉｏｕｓｃｏｍｂｉｎａｔｉｏｎｓｏｆｅｘｐｅｒｉｍｅｎｔａｌｔｒａｍｐｌｉｎｇａｎｄｓｉｍｕｌａｔｅｄｒａｉｎｆａｌ．
Ｕｎｄｅｒｔｈｅｓａｍｅｓｉｍｕｌａｔｅｄｒａｉｎｆａｌｃｏｎｄｉｔｉｏｎ，ｔｈｅｓｏｉｌｅｒｏｄｉｂｉｌｉｔｙｆａｃｔｏｒ，犽，ｉｎｃｒｅａｓｅｄａｓｔｈｅｔｒａｍｐｌｉｎｇｉｎｔｅｎｓｉｔｙ
ｉｎｃｒｅａｓｅｄ，ｓｕｇｇｅｓｔｉｎｇｔｈａｔｔｒａｍｐｌｉｎｇｅｎｈａｎｃｅｄｇｒａｚｉｎｇｉｎｄｕｃｅｄｅｒｏｓｉｏｎｒｉｓｋ．Ｈｏｗｅｖｅｒ，ｔｈｅａｍｐｌｉｔｕｄｅｏｆｔｈｅ犽
ｖａｌｕｅｗａｓａｐｐａｒｅｎｔｌｙｒｅｌａｔｅｄｔｏｔｈｅｌｅｖｅｌｓｏｆｓｉｍｕｌａｔｅｄｒａｉｎｆａｌ：ｔｈｅ犽ｖａｌｕｅｃｈａｎｇｅｄｉｎｔｈｅｓｅｑｕｅｎｃｅａｒｉｄ＞ｎａｔｕ
ｒａｌ＞ａｖｅｒａｇｅ＞ｈｉｇｈ．Ｔｈｅｒｅｗａｓａｎｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎｔｈｅｅｆｆｅｃｔｓｏｆｔｒａｍｐｌｉｎｇａｎｄｓｉｍｕｌａｔｅｄｒａｉｎｆａｌｏｎｔｈｅ犽
ｖａｌｕｅ．Ｓｉｍｕｌａｔｅｄｒａｉｎｆａｌｒｅｄｕｃｅｄｔｈｅｔｒｅｎｄｏｆ犽ｖａｌｕｅｉｎｃｒｅａｓｅｗｈｉｌｅａｎｉｎｃｒｅａｓｅｉｎｔｒａｍｐｌｉｎｇｉｎｔｅｎｓｉｔｙｄｉｄｔｈｅ
ｏｐｐｏｓｉｔｅ．Ａｐｏｓｉｔｉｖｅｃｏｒｒｅｌａｔｉｏｎｗａｓｆｏｕｎｄｂｅｔｗｅｅｎｔｈｅ犽ｖａｌｕｅａｎｄｔｒａｍｐｌｉｎｇｉｎｔｅｎｓｉｔｙ（Ｃｏｅｆｆｉｃｉｅｎｔ＝０．７４１），
ａｎｄａｎｅｇａｔｉｖｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎ犽ｖａｌｕｅａｎｄｒａｉｎｆａｌｌｅｖｅｌ（Ｃｏｅｆｆｉｃｉｅｎｔ＝－０．３７８）．Ｃｏｍｐａｒｅｄｗｉｔｈｔｒａｄｉｔｉｏｎａｌ
ｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｓ，ｔｈｅａｒｔｉｆｉｃｉａｌｎｅｕｔｒａｌｎｅｔｗｏｒｋ（ＡＮＮ）ｍｏｄｅｌｓｈｏｗｓｍａｎｙａｄｖａｎｔａｇｅｓ，ｓｕｃｈａｓｓｅｌｆｓｔｕｄｙｉｎｇ，
ｓｅｌｆｏｒｇａｎｉｚｉｎｇ，ｓｅｌｆａｄａｐｔｉｎｇａｎｄｆａｕｌｔｔｏｌｅｒａｎｃｅ．Ｔｈｅｒｅｆｏｒｅ犽ｗａｓｃａｌｃｕｌａｔｅｄｕｓｉｎｇｔｈｅＡＮＮｍｏｄｅｌ，ｂａｓｅｄｏｎ
ｔｈｅｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅｓｏｆａｃｃｕｍｕｌａｔｅｄｔｒａｍｐｌｉｎｇｅｆｆｅｃｔｓｐｅｒｕｎｉｔａｒｅａａｎｄｓｉｍｕｌａｔｅｄｒａｉｎｆａｌ．ＴｈｅＡＮＮｍｏｄ
ｅｌａｌｏｗｓｔｈｅｃｏｍｐｌｉｃａｔｅｄｓｏｉｌｅｒｏｄｉｂｉｌｉｔｙｍｅｃｈａｎｉｓｍｓｔｏｂｅｓｋｉｐｐｅｄａｎｄｔｏｄｉｒｅｃｔｌｙｅｓｔａｂｌｉｓｈｔｈｅｒｅｌａｔｉｏｎｓｈｉｐ
ｂｅｔｗｅｅｎｓｏｉｌｅｒｏｄｉｂｉｌｉｔｙａｎｄｆａｃｔｏｒｓｉｎｆｌｕｅｎｃｉｎｇｉｔ．ｅ．ｇ．ｔｒａｍｐｌｉｎｇａｎｄｒａｉｎｆａｌ．Ｔｈｉｓｓｔｕｄｙｉｓａｎｉｎｎｏｖａｔｉｖｅ
ａｔｔｅｍｐｔｔｏｅｖａｌｕａｔｅｓｏｉｌｅｒｏｄｉｂｉｌｉｔｙｍｏｒｅｐｒｅｃｉｓｅｌｙ．
犓犲狔狑狅狉犱狊：ｅｘｐｅｒｉｍｅｎｔａｌｔｒａｍｐｌｉｎｇ；ｔｒａｍｐｌｉｎｇｉｎｔｅｎｓｉｔｙ；ａｒｔｉｆｉｃｉａｌｓｉｍｕｌａｔｅｄｒａｉｎｆａｌ；ｓｏｉｌｅｒｏｄｉｂｉｌｉｔｙ；ａｒｔｉｆｉｃｉａｌ
ｎｅｕｔｒａｌｎｅｔｗｏｒｋ（ＡＮＮ）ｍｏｄｅｌ
７８第１９卷第３期 草业学报２０１０年