馮 強, 趙文武

(1. 北京師范大學(xué)資源學(xué)院，地表過程與資源生態(tài)國家重點實驗室，北京 100875；2. 山西農(nóng)業(yè)大學(xué)林學(xué)院， 太谷 030801)

USLE/RUSLE中植被覆蓋與管理因子研究進展

馮 強1,2, 趙文武1,*

(1. 北京師范大學(xué)資源學(xué)院，地表過程與資源生態(tài)國家重點實驗室，北京 100875；2. 山西農(nóng)業(yè)大學(xué)林學(xué)院， 太谷 030801)

通用土壤流失方程(USLE)及修正通用土壤流失方程(RUSLE)是世界范圍內(nèi)應(yīng)用最廣泛的土壤侵蝕預(yù)報模型，模型中C因子表示植被覆蓋和管理措施對土壤侵蝕的作用，是人為控制土壤侵蝕的重要因子。回溯了C因子發(fā)展演變歷程，依據(jù)國內(nèi)外最新研究成果，系統(tǒng)闡述了不同尺度C因子估算方法。在小區(qū)、坡面、小流域尺度上，C因子確定主要依賴于野外實驗觀測，研究條件的一致性尤其是標準小區(qū)的統(tǒng)一是C因子值可比性的前提。流域、區(qū)域尺度C因子確定通常需要利用遙感影像，遙感技術(shù)的發(fā)展促進了流域、區(qū)域尺度C因子估算方法的進步，使提取的C因子圖更加精細、準確，但是使用遙感數(shù)據(jù)全面刻畫C因子含義仍然是一大挑戰(zhàn)，因此仍需加強C因子相關(guān)研究。共歸納了10種確定C因子的方法，介紹了不同方法的優(yōu)缺點及適用條件，提出了我國C因子研究應(yīng)加強的工作，希望為相關(guān)領(lǐng)域研究者提供參考。

植被覆蓋與管理因子；尺度；土壤侵蝕；通用土壤流失方程/修正通用土壤流失方程(USLE/RUSLE)

通用土壤流失方程(USLE)[1- 2]和修正通用土壤流失方程(RUSLE)[3]是美國農(nóng)業(yè)部開發(fā)的預(yù)報坡地年均土壤流失量的經(jīng)驗?zāi)Ｐ?，隨著GIS和RS技術(shù)的發(fā)展，USLE/RUSLE現(xiàn)已應(yīng)用于流域、區(qū)域尺度土壤流失預(yù)測。USLE/RUSLE模型結(jié)構(gòu)簡單、參數(shù)較少、所需數(shù)據(jù)容易獲取，使其成為世界范圍內(nèi)應(yīng)用最廣泛的土壤侵蝕預(yù)報模型。USLE/RUSLE模型形式為：A=R·K·L·S·C·P,式中，A為年均土壤流失量，R為降雨侵蝕力因子，K為土壤可蝕性因子，LS為坡度坡長因子或稱為地形因子，C為植被覆蓋與管理因子，P為水土保持措施因子。植被覆蓋與管理因子(Cover-Management Factor，以下簡稱C因子)用來表示植被覆蓋和管理措施對土壤侵蝕的影響。植被的林冠層、灌木層能夠攔截降雨，使降雨再分配，改變降雨動能；草本層更加貼近地表，不僅能夠減少降雨擊濺侵蝕，同時能夠減少地表徑流動能；枯枝落葉層除截留降水外，能夠降低徑流速度，增加水分入滲。在USLE和RUSLE中，R因子、K因子、LS因子依賴于自然地理條件，短期內(nèi)水土保持活動不會改變這些因子，而水土保持措施(P)的建設(shè)需要大量的資金和人力投入，通過調(diào)整土地利用方式及改善管理措施(降低C因子)能夠以最小的資金投入降低土壤侵蝕。C因子值是模型諸因子中變化幅度最大的，可相差2—3個數(shù)量級。研究認為C因子和LS因子對土壤侵蝕最敏感[4]，對USLE整體有效性的作用是最顯著的[5]。植被覆蓋與管理不僅是USLE/RUSLE的重要因子，還應(yīng)用于其他土壤侵蝕模型，如非點源流域環(huán)境響應(yīng)模型(ANSWERS)、水蝕預(yù)報模型(WEPP)、地中海區(qū)域土壤侵蝕預(yù)報模型(SEMMED)[6- 7]。

C因子估算涉及多個尺度，小區(qū)、坡面、小流域尺度面積相對較小，從幾平方米到幾十平方公里不等，可以利用徑流小區(qū)、坡面、小流域卡口站土壤流失數(shù)據(jù)估算C因子；流域、區(qū)域尺度面積大，不能直接利用土壤流失數(shù)據(jù)估算C因子。不同尺度C因子估算方法在理論或?qū)嵺`上均存在各自的問題。在小區(qū)、坡面、小流域尺度，C因子確定主要依賴野外實測，研究方法的統(tǒng)一是不同學(xué)者、不同地區(qū)C值可比性的前提。在流域、區(qū)域尺度，C因子確定主要依賴遙感影像。C因子包含了與植被相關(guān)的地上、地表、地下、土壤等諸多因素的作用，單一的遙感影像難以完全刻畫C因子，這既是一個重要的科學(xué)問題也是一個關(guān)鍵的應(yīng)用難題。依據(jù)國內(nèi)外相關(guān)文獻，綜述了不同尺度C因子確定方法，評介了不同方法的優(yōu)缺點和適用條件，以期為不同尺度C因子的研究提供借鑒。

1 植被覆蓋與管理因子的定義及發(fā)展演變

C因子定義為在一定地表覆蓋和管理措施下土壤流失量與同等條件下適時翻耕、連續(xù)休閑對照地上土壤流失量之比。C值大小還取決于作物不同生長期侵蝕性降雨的多寡，全年平均C值需要根據(jù)降雨侵蝕力年內(nèi)季節(jié)分布進行加權(quán)計算。

1965年版USLE[1]劃分了5個農(nóng)作期，C因子主要是定性的考慮作物覆蓋、耕作歷史、生產(chǎn)力水平、作物殘體、輪作和冬季覆蓋物等因子的作用。在觀測數(shù)據(jù)的基礎(chǔ)上，USLE手冊給出了主要農(nóng)作物和耕作制度下土壤流失比率表。1978年版USLE[2]劃分了6個農(nóng)作期，增加了適用于水土保持耕作法的土壤流失比率表。早期USLE是用來預(yù)測不同作物系統(tǒng)的片蝕和細溝侵蝕，1970年代早期美國農(nóng)業(yè)部開始討論將其應(yīng)用到牧草地等非擾動地區(qū)，但是由于缺少這些地區(qū)徑流小區(qū)數(shù)據(jù)，Wischmeier在1975年提出一個次因子方法來確定牧草地和林地的C因子，Wischmeier和Smith1978年提出用冠層覆蓋、地表覆蓋、地下殘體作用(如根系)、耕作方式等次因子來確定C因子?？梢姡M管1978年版的USLE沿用了前一版本C因子估算方法，但同時提出了次因子概念并擴大了應(yīng)用范圍。Dissmeyer和Foster[8]對其進行修正并增加次因子以適應(yīng)林地狀況，包含的次因子有土壤表面覆蓋(枯枝凋落物、礫石)、裸土百分比、冠層蓋度、土壤緊實度、有機質(zhì)含量、細根生物量、殘渣固結(jié)作用和土壤儲水量。

RUSLE[3]不再使用基于觀測數(shù)據(jù)的土壤流失率表，土壤流失率(SLR)計算主要考慮5個次因子：前期土地利用次因子(PLU) 、冠層覆蓋次因子(CC) 、地面覆蓋次因子(SC)、表面糙度次因子(SR) 、土壤水分次因子(SM)。SLR=PLU·CC·SC·SR·SM。RUSLE不再劃分農(nóng)作期，而是以15d為步長計算半月土壤流失率。RUSLE提供的計算機程序包含作物數(shù)據(jù)庫、管理措施數(shù)據(jù)庫、氣候數(shù)據(jù)庫，只要用戶輸入所需參數(shù)，計算機程序就可以輸出C因子值，而且用戶可以自行擴展數(shù)據(jù)庫，擴大應(yīng)用范圍。

Liu等[9]借鑒USLE/RUSLE的成功經(jīng)驗，建立了中國土壤流失方程CSLE。根據(jù)中國實際將USLE/RUSLE的C、P兩個因子變?yōu)锽、E、T三個因子，B、E、T分別是用于水土保持的生物、工程、耕作措施因子。CSLE現(xiàn)已成功應(yīng)用于第1次全國水利普查水土保持情況普查[10]，B、E、T因子的確定方法與C、P因子相似，在小區(qū)、坡面、小流域尺度主要依賴實驗觀測，我國已積累了相關(guān)查詢表。在流域、區(qū)域尺度，B、E、T因子的確定依賴遙感影像與野外調(diào)查。B、E、T因子是C、P因子的中國化，其本質(zhì)含義與C、P因子相同。

2 小區(qū)、坡面、小流域尺度C因子確定方法

USLE/RUSLE在美國開發(fā)并在世界范圍內(nèi)推廣使用。不同研究區(qū)與模型建立地區(qū)的環(huán)境差異不盡相同，人們往往根據(jù)實際情況選擇一種方法或綜合不同方法來確定C因子?？傮w來看，小區(qū)、坡面、小流域尺度C因子確定方法如下。

2.1 手冊查詢法

當研究者認為研究區(qū)環(huán)境與USLE/RUSLE構(gòu)建區(qū)域相近時，直接利用USLE或RUSLE手冊提供的查詢表確定C值。如Spaeth等[11]在不同草地植被類型上使用模擬降雨方法評估USLE和RUSLE預(yù)測土壤流失效果時，分別使用USLE和RUSLE提供的查詢表確定美國8個州32個研究地132個草地小區(qū)的C值。同樣，Gabriels等[12]通過USLE查詢表估計比利時Kemmelbeek流域40種作物輪作系統(tǒng)的C值。通過模型手冊直接查詢相應(yīng)參數(shù)來獲取C值簡單快速，但研究區(qū)環(huán)境及管理措施千差萬別，查詢獲得的C值難以在大部分地區(qū)適用。

2.2 標準小區(qū)法

這是確定不同作物C值的基礎(chǔ)方法。根據(jù)C因子定義，一定地表覆蓋和管理措施下的土壤流失量與標準小區(qū)土壤流失量之比為C值，標準小區(qū)定義為坡長水平投影為22.1 m，坡度9%，適時翻耕、連續(xù)休閑小區(qū)。我國學(xué)者通過徑流小區(qū)實驗得到中國東北[13]、西北[14]、西南[15]、華東[16]等地區(qū)不同作物及管理措施下C因子值。我國主要農(nóng)作區(qū)、主要作物的C因子值均已有學(xué)者確定。同一個研究者得到的不同作物、不同作物生長期C值相差甚微，而不同研究者得到的同一作物C值相差較大，不具有可比性。主要原因是標準小區(qū)不一致，生長季劃分不同，C因子計算較少考慮降雨侵蝕力(EI)季節(jié)分布。我國學(xué)者張科利提出適合我國的標準小區(qū)為15°坡度、20 m坡長、5 m寬休閑地[17]，水利部同樣頒布了《水土保持監(jiān)測技術(shù)規(guī)程》(SL277—2002)，規(guī)定了標準小區(qū)的建設(shè)與觀測方法。這將有利于我國C因子測定的規(guī)范化，提高不同地區(qū)C值的可比性。

2.3 次因子法

雖然仍有學(xué)者利用Dissmeyer和Foster早期確定的次因子法[8]計算C值，如Zhang等[18]和De Asis和Omasa[7]分別用該方法進行了林地C因子計算，但目前廣泛使用的是RUSLE提供的次因子法[3]。每個次因子都有具體計算公式，關(guān)鍵是獲得次因子計算需要的參數(shù)。冠層郁閉度、雨滴降落高度、地表蓋度、根系生物量、地表隨機糙度、土壤含水量一般通過樣地實測，土壤表面穩(wěn)定性因子、地上地下殘體分解速率等參數(shù)不易測定，往往需要查詢RUSLE手冊或參考當?shù)叵嚓P(guān)研究。獲得各個參數(shù)后，通過次因子計算公式或RUSLE計算機程序即可得到C因子值。該方法在耕地[19]、草地[11]、林地[20]以及火燒后不同生態(tài)恢復(fù)措施[21]的C因子測算研究中都有廣泛應(yīng)用。研究中參數(shù)獲取主要依靠野外實測，過多的依靠RUSLE手冊提供的查詢表往往會帶來C因子估算的不準確性[21]。

2.4 USLE方程反用法

直接利用USLE計算C因子，C=A/(R·K·L·S·P)，需要對除C因子以外的其他因子進行測定。Novara等[22]使用該方法計算傳統(tǒng)耕作葡萄園和覆蓋作物耕作葡萄園的C因子。也有學(xué)者將C因子和P因子結(jié)合成CP因子，在小區(qū)和小流域尺度[23]、微集水區(qū)尺度[24]計算了林地和作物CP因子。Cinnirella等[25]將小流域分成若干植被單元和裸地單元，小流域總產(chǎn)沙量是植被單元和裸地單元產(chǎn)沙量之和，規(guī)定裸地C因子為常數(shù)，計算植被C因子并分析其月變化和年變化。該法計算C因子需要測定其余所有因子，隨著尺度增大尤其費時費力，不易推廣。

2.5C因子與蓋度關(guān)系式法

對于除美國以外的其他國家來說，農(nóng)業(yè)輪作系統(tǒng)徑流小區(qū)數(shù)據(jù)十分缺乏，難以通過土壤流失率直接計算C值，對于草地和林地更是如此[26]。因此出現(xiàn)了大量利用植被蓋度估算C值的方法，即先通過徑流小區(qū)實驗，獲得C值和植被蓋度關(guān)系式，而后只需測定植被蓋度即可推算出C值。C因子與植被蓋度關(guān)系模型形式有線性[27]、指數(shù)[14,28]、對數(shù)[29- 30]等。以上關(guān)系式中植被蓋度未考慮群落層次結(jié)構(gòu)，劉寶元等[26]將C因子分解為兩個子因子：冠層覆蓋子因子Cc和地表覆蓋子因子Cs，C因子計算式為C=Cc·Cs。不同學(xué)者C因子與蓋度關(guān)系式詳細情況見表1。通過關(guān)系式可以簡單快速的得到C因子，但是以上研究C因子計算方法不一致、標準小區(qū)不統(tǒng)一，所建立的關(guān)系式可比性相對較差，難以判斷通過哪些關(guān)系式能夠得到可靠的C因子值。

表1 中國C因子與植被蓋度關(guān)系式列表

3 流域、區(qū)域尺度C因子估算

USLE/RUSLE在流域、區(qū)域尺度的推廣應(yīng)用為水土保持規(guī)劃提供了有力支持，如何提高流域、區(qū)域尺度C因子估算精度成為USLE/RUSLE預(yù)測土壤侵蝕準確性的關(guān)鍵。隨著遙感技術(shù)的發(fā)展，C因子提取方法也在不斷進步，逐漸接近C因子所包含的植被和管理信息。流域、區(qū)域尺度C因子估算主要有以下方法。

3.1 土地利用/覆蓋類型直接賦值法

通過遙感影像分類[31- 32]獲取土地利用圖，或直接收集土地利用資料[33- 34]，然后將相似地區(qū)文獻記載的C值賦給相應(yīng)土地利用類型。也有學(xué)者自行計算典型土地類型的C值然后進行流域、區(qū)域尺度賦值[35]。類似的，還有通過遙感解譯植被蓋度級別，然后將文獻中C值賦予不同蓋度級別[36]，或同時考慮土地利用類型和蓋度級別進行賦值[37]。土地利用/覆蓋類型賦值法簡單易行，在世界范圍內(nèi)廣泛使用，但該方法獲得的C值為一恒定常數(shù)，沒有考慮同一土地利用類型的時空異質(zhì)性，尤其在中國丘陵山區(qū)植被密度不均、田塊破碎、農(nóng)戶個體經(jīng)營的情況下更容易帶來較大的C因子估計誤差。同時不同精度遙感影像也會對土地利用類型或蓋度級別的解譯精度帶來影響，進而影響C值估算的準確性。

3.2 基于小區(qū)、坡面尺度C因子與植被蓋度關(guān)系式估算流域、區(qū)域尺度C因子

小區(qū)、坡面尺度研究表明土壤侵蝕和植被蓋度存在負相關(guān)關(guān)系，植被蓋度是構(gòu)成C因子的重要因素，研究者構(gòu)建了很多C因子和蓋度關(guān)系式(見表1)。通過植被指數(shù)或混合像元線性分解反演流域、區(qū)域尺度植被蓋度，或通過流域小班調(diào)查獲得植被蓋度[38]，然后通過小區(qū)、坡面尺度的關(guān)系式計算流域、區(qū)域尺度C因子。目前，應(yīng)用最多的是蔡崇法等[30]在三峽庫區(qū)建立的關(guān)系式，眾多學(xué)者[39- 43]利用該關(guān)系式進行了流域、區(qū)域尺度C因子估算，研究區(qū)包括江西、福建、甘肅、岷江流域、新疆艾比湖地區(qū)。潘美慧等[44]應(yīng)用了江忠善等[14]在陜北建立的關(guān)系式進行了東江(屬珠江水系)流域C因子估算。

該方法在中國廣泛使用，但不同地區(qū)植被類型與土壤侵蝕環(huán)境差異較大，某一地區(qū)建立的C因子與蓋度關(guān)系式在其他地區(qū)是否適用需要進一步驗證。再者，小區(qū)、坡面尺度建立的關(guān)系式應(yīng)用于流域、區(qū)域尺度是尺度上推的過程，還需進行尺度效應(yīng)分析與尺度轉(zhuǎn)換研究。此外，通過遙感影像提取的植被蓋度通常不包括地表枯枝落葉層，而地表枯枝落葉覆蓋的減蝕作用比冠層覆蓋更重要[45]，因此，還需開展通過遙感技術(shù)提取地表枯枝落葉層蓋度的研究。

3.3 通過遙感影像波段組合或植被指數(shù)直接估算C因子

為了克服土地利用類型賦值法無法反映C因子時空變異的缺點，有學(xué)者提出建立C值與遙感信息(波段組合或植被指數(shù)) 的回歸方程，再通過回歸方程反演地面C值。波段組合或植被指數(shù)能降低遙感數(shù)據(jù)信息冗余，最大程度反映植被特點。通過土地利用圖與遙感影像疊加，提取各個土地利用類型內(nèi)平均的波段組合或植被指數(shù)值，參照文獻中不同土地利用類型的C值，建立兩者的回歸方程[46- 48]。或通過野外實測C因子，建立C因子與相同地理位置遙感像元波段組合或植被指數(shù)的關(guān)系方程[6- 7,49- 51]。該方法在非采樣區(qū)估算的C因子可能會出現(xiàn)負值或極大值，通常將負值賦值為0，將極大值賦值為1。已有研究所構(gòu)建的關(guān)系方程的詳細信息見表2。各植被類型可以共同建立統(tǒng)一的關(guān)系方程，或每種植被類型建立各自的關(guān)系方程，后者C因子與波段信息的相關(guān)系數(shù)要高于前者[50]。關(guān)系方程結(jié)合多時相遙感數(shù)據(jù)可以獲得C因子時間與空間變異信息，提高土壤侵蝕預(yù)測效果。

歸一化植被指數(shù)NDVI是目前評估植被覆蓋使用最廣泛的植被指數(shù)，NDVI對植被生命力敏感，因為植被生長初期強烈的葉綠素活力，NDVI會帶來植被覆蓋的高估，相反，NDVI帶來衰老植被覆蓋的低估，而對于土壤侵蝕過程，初期植被和衰老植被的水土保持作用相差不大。因此C因子與NDVI之間的回歸方程效果不好[7,49]，Wang等[49]甚至發(fā)現(xiàn)NDVI與C因子相關(guān)性低于TM影像band1—band7任一波段與C因子的相關(guān)性。增強型植被指數(shù)EVI提高了對高生物量區(qū)植被的敏感度，同時通過消弱冠層背景信號和降低大氣影響，改善了對植被的監(jiān)測[52]。垂直植被指數(shù)PVI能夠消除土壤表面背景噪聲的影響，增強植被信息。轉(zhuǎn)換型土壤調(diào)整植被指數(shù)TSAVI是土壤調(diào)整植被指數(shù)SAVI的轉(zhuǎn)換形式，能顯著降低稀疏植被區(qū)土壤背景的影響?？梢?，根據(jù)研究區(qū)植被特點選擇合適的植被指數(shù)能改善C因子估計，但以上植被指數(shù)無法評估作物殘茬等地表枯落物。NDSVI、NDTI、NDI5、NDI7等衰敗植被指數(shù)可以反映林下枯枝落葉層信息，Wen等[53]引入冬季影像的衰敗植被指數(shù)表示枯落層，與綠度指數(shù)(NDVI等)聯(lián)合估算結(jié)構(gòu)化植被指數(shù)，結(jié)構(gòu)化植被指數(shù)能夠更準確表達植被的減蝕作用；結(jié)構(gòu)化植被指數(shù)是對不同群落層次植被蓋度的加權(quán)求和，屬蓋度含義，仍然需要依賴他人建立的C因子與蓋度關(guān)系式計算C值。作物殘茬光譜在接近2100 nm具有明顯吸收特征，基于高光譜數(shù)據(jù)的纖維素吸收指數(shù)CAI與作物殘茬覆蓋度線性相關(guān)[54]。微波數(shù)據(jù)也可以反映作物殘茬覆蓋[55]。將衰敗植被指數(shù)、高光譜數(shù)據(jù)和微波數(shù)據(jù)應(yīng)用于流域、區(qū)域尺度C因子估算中有望能更合理的反映枯枝落葉層的減蝕作用，但目前還未見此類報道。

表2 C因子與波段組合或植被指數(shù)關(guān)系式列表

3.4 基于光譜混合分析(SMA)的C因子估算

中低分辨率遙感圖像中的像元大多是包含幾種植被類型的混合像元，在景觀破碎化或地形復(fù)雜區(qū)域尤為普遍，這對于通過土地利用分類或利用植被指數(shù)估算C因子不利。光譜混合分析法認為圖像中的一個像元可能由多個組分構(gòu)成，每個組分對遙感傳感器所觀測到的信息都有貢獻，因此可對混合像元進行分解?；旌舷裨纸饽Ｐ椭饕芯€性模型、概率模型、幾何光學(xué)模型、隨機模型、模糊分析模型。線性模型假設(shè)像元的反射率為其端元組分反射率的線性組合。

地表覆蓋越高，土壤侵蝕量越少，地表越裸露，土壤侵蝕量越大?；谶@個思想，Lu等[56]利用ETM影像光譜混合分析，將地表分為土壤、綠色植被、陰影3個組分，建立C因子估算公式：

C=Fbs/(1+Fveg+Fshade+Fveg·Fshade)

(1)

式中,Fbs、Fveg、Fshade分別代表裸土、綠色植被、陰影的蓋度。類似的，De Asis和Omasa[7]通過線性光譜混合模型提取裸土、植被、非光合物質(zhì)(枯落物、礫石等)蓋度:

C=Fbs/(1+Fveg+FNPM)

(2)

式中,Fbs、Fveg、FNPM分別代表裸土、植被、非光合物質(zhì)的蓋度，該式計算的C值在0—1之間。作者對比了(2)式得到的C因子與通過NDVI提取的C因子(作者建立了NDVI與C因子的關(guān)系式，表2)，混合像元分析法得到的C因子提供了更詳細的空間變異信息，輸入RUSLE模型得到更準確的土壤侵蝕預(yù)測結(jié)果。

相對于通過NDVI等植被指數(shù)提取C因子，線性光譜混合分析法具有如下優(yōu)勢：不受土壤背景影響；考慮了地表枯落物、礫石等對C因子的貢獻；直接提取C因子值，不需要建立C因子與植被指數(shù)的關(guān)系。該方法的缺點是：(1)端元組分數(shù)要小于影像波段數(shù)，因此地面分類數(shù)受限。(2)該方法假設(shè)到達遙感傳感器的光子與唯一地物(即一個光譜端元組分) 發(fā)生作用，而實際上多重散射是經(jīng)常發(fā)生的。(3)當植被及枯落物完全覆蓋地表時，C=0(意味著預(yù)測的土壤侵蝕量為0)，但是即使是未受干擾的林地，具有完全的林冠和枯枝落葉層覆蓋，仍然存在輕微的土壤侵蝕[57]。

3.5 地理統(tǒng)計學(xué)方法結(jié)合遙感影像進行C因子插值

通過野外布設(shè)C因子實測樣點，利用地理統(tǒng)計學(xué)空間插值技術(shù)可以得到C因子圖，引入遙感影像信息作為輔助變量進行插值可以提高C因子估算精度。Wang等[49]通過協(xié)同克里金插值和序列高斯協(xié)同模擬進行C因子制圖，首要變量是野外實測的C因子，輔助變量是與C因子相關(guān)系數(shù)最大的波段組合(band3+band7)/band4，結(jié)果表明輔助影像信息的序列高斯協(xié)同模擬得到最準確的C因子估計，協(xié)同克里金插值次之，兩種方法得到C因子的精度均高于C因子與影像波段關(guān)系式法(表2)。該研究通過C因子估計值與實測值的相關(guān)系數(shù)和均方根誤差(RMSE)來表示C因子估計的準確性，這是衡量C因子圖的全局準確性，未反映不同空間位置C因子空間變異。Gertner等[58]基于TM影像在相同地區(qū)通過多變量(冠層覆蓋GC、地面覆蓋CC、植被高度VH)聯(lián)合序列協(xié)同模擬進行無偏的C因子制圖，通過多項式回歸進行空間不確定性分析，定量化了變量、變量之間交互作用、鄰近像元對C因子變異的貢獻。地理統(tǒng)計學(xué)方法的缺點是需要大量野外采樣，尤其是景觀破碎化地區(qū)，費時費力， 難以廣泛推廣使用。

4 不同尺度C因子估算方法比較

以上共總結(jié)了10種C因子估算方法，不同方法的適用尺度、應(yīng)用范圍不同，各有所長且存在各自的不足(表3)。手冊查詢法簡單快捷但應(yīng)用范圍有限；標準小區(qū)法依據(jù)C因子定義，但該方法應(yīng)用過程中需要統(tǒng)一標準；次因子法依賴于對次因子及相關(guān)參數(shù)的實測或查詢，增加野外實測會提高C因子計算準確性；USLE/RUSLE方程反用法邏輯合理，但工作量大，其他因子的測定與計算誤差會進入C因子估算結(jié)果中；C因子與蓋度關(guān)系式無論應(yīng)用與小區(qū)、坡面、小流域尺度，還是應(yīng)用于流域、區(qū)域尺度，均使C因子估算簡單便捷，但該方法始終屬于經(jīng)驗關(guān)系式，未反應(yīng)植被減蝕作用機理，同時關(guān)系式的跨尺度應(yīng)用存在尺度效應(yīng)問題，因此該方法準確性難以保證；土地利用/覆蓋類型直接賦值法簡單易行，但提取的C因子圖精度較差；通過C因子與遙感影像波段組合或植被指數(shù)關(guān)系式提取的C因子圖更精細，但遙感影像波段組合或植被指數(shù)反映的C因子信息不全面，往往忽略地表枯落層和淺層根系信息；光譜混合分析(SMA)能夠全面反映C因子信息，但SMA方法本身存在一些缺點；地理統(tǒng)計學(xué)方法結(jié)合遙感影像進行C因子插值可獲取精細的C因子圖，并進行深入的空間統(tǒng)計分析，但工作量過大，應(yīng)用困難。

表3 不同尺度C因子估算方法比較

5 結(jié)語

隨著研究者對植被與管理措施減蝕作用認識的不斷深入，C因子從誕生開始就經(jīng)歷了一系列發(fā)展演變。小區(qū)、坡面、小流域尺度C因子估算所需研究場地和耗費時間不同，研究人員可以根據(jù)研究區(qū)特點和研究精度要求選擇合適方法。對我國來說，雖然確定了大部分作物的C值，構(gòu)建了多種C因子與蓋度關(guān)系式，但是標準小區(qū)不統(tǒng)一，使研究結(jié)論缺少可比性，難以推廣使用。

區(qū)域、流域尺度C因子合理估算及空間分布圖制作是預(yù)測流域與區(qū)域土壤侵蝕的關(guān)鍵環(huán)節(jié)。土地利用/覆蓋類型直接賦值法簡單快速，利用小區(qū)、坡面尺度建立的C因子與植被蓋度關(guān)系式估算流域、區(qū)域尺度C因子是另一簡便方法。通過建立植被指數(shù)與C因子關(guān)系式可以進行更精確的C因子估算，但目前建立關(guān)系式使用的NDVI等植被指數(shù)無法表征地表枯枝落葉層。光譜混合分析(SMA)法可直接進行C因子估算，考慮了地表枯落層、礫石的減蝕作用，是目前最接近C因子含義的流域、區(qū)域尺度C因子提取方法。地理統(tǒng)計學(xué)方法與遙感影像結(jié)合可以提高C因子插值精度，并能進行C因子變異來源分析。相對來說，在流域、區(qū)域尺度進行C因子準確估算仍然是個難點，這依賴于遙感技術(shù)與水土保持科學(xué)更充分的結(jié)合。

在C因子的估算研究中，我國科學(xué)家尚需要加強如下方面工作：(1)在標準小區(qū)一致的前提下，詳細測定地上地下各次因子參數(shù)，建立不同植被類型C因子及次因子參數(shù)的查詢表;(2)綜合考慮林冠層、灌木層、草本層、枯落物層的減蝕作用，構(gòu)建并篩選小區(qū)、坡面尺度C因子與植被蓋度關(guān)系式，比較C因子與植被蓋度關(guān)系式在流域、區(qū)域尺度上的應(yīng)用效果及影響因素，揭示尺度效應(yīng)并開展尺度轉(zhuǎn)換研究；(3)引入衰敗植被指數(shù)、高光譜數(shù)據(jù)、微波數(shù)據(jù)表達枯枝落葉層信息，與綠度指數(shù)相結(jié)合，使遙感數(shù)據(jù)能夠完全刻畫C因子，建立遙感數(shù)據(jù)與C因子關(guān)系式，更準確的估算流域、區(qū)域尺度C因子。

[1] Wischmeier W H, Smith D D. Predicting Rainfall Erosion Losses from Cropland East of the Rocky Mountains: Guide for Selection of Practices for Soil and Water Conservation. U. S. Department of Agriculture, Agriculture Handbook No.282. Washington, D. C.: U. S. Government Printing Office, 1965: 10- 36.

[2] Wischmeier W H, Smith D D. Predicting Rainfall Erosion Losses. A Guide to Conservation Planning. U. S. Department of Agriculture, Agriculture Handbook No.537. Washington, D. C.: U. S. Government Printing Office, 1978: 17- 34.

[3] Renard K G, Foster G R, Weesies G A, McCool D K, Yoder D C. Predicting soil Erosion by Water: A Guide to Conservation Planning with the Revised Universal Soil Loss Equation (RUSLE). U. S. Department of Agriculture, Agriculture Handbook No.703. Washington, D. C.: U. S. Government Printing Office, 1997: 143- 182.

[4] Biesemans J, van Meirvenne M, Gabriels D. Extending the RUSLE with the Monte Carlo error propagation technique to predict long-term average off-site sediment accumulation. Journal of Soil and Water Conservation, 2000, 55(1): 35- 42.

[5] Risse L M, Nearing M A, Laflen M L, Nicks A D. Error assessment in the Universal Soil Loss Equation. Soil Science Society of America Journal, 1993, 57(3): 825- 833.

[6] De Jong S M. Derivation of vegetative variables from a Landsat TM image for modelling soil erosion. Earth Surface Processes and Landforms, 1994, 19(2): 165- 178.

[7] De Asis A M, Omasa K. Estimation of vegetation parameter for modeling soil erosion using linear spectral mixture analysis of Landsat ETM data. Journal of Photogrammetry & Remote Sensing, 2007, 62(4): 309- 324.

[8] Dissmeyer G E, Foster G R. Estimating the cover-management factor (C) in the Universal Soil Loss Equation for forest conditions. Journal of Soil and Water Conservation, 1981, 36(4): 235- 240.

[9] Liu B Y, Zhang K L, Xie Y. An empirical soil loss equation // Proceedings of 12th International Soil Conservation Organization Conference, Vol. III. Beijing: Tsinghua University Press, 2002: 21- 25.

[10] Zhang Y, Liu X C, Li Z G, Zhu Q K. Surveying soil erosion condition in Loess Plateau using soil erosion model. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(10): 165- 171.

[11] Spaeth K E, Pierson F B, Weltz M A, Blackburn W H. Evaluation of USLE and RUSLE estimated soil loss on rangeland. Journal of Range Management, 2003, 56(3): 234- 246.

[12] Gabriels D, Ghekiere G, Schiettecattea W, Rottiersa I. Assessment of USLE cover-management C-factors for 40 crop rotation systems on arable farms in the Kemmelbeek watershed, Belgium. Soil and Tillage Research, 2003, 74(1): 47- 53.

[13] Lin S L, Huang Y, Nie Z G, Sun J H. Establishment of the soil loss equation for sloping farmland in low hill area of northern Liaoning Province. Chinese Journal of Soil Science, 1997, 28(6): 251- 253.

[14] Jiang Z S, Wang Z Q, Liu Z. Quantitative study on spatial variation of soil erosion in a small watershed in the Loess Hilly region. Journal of Soil Erosion and Soil Conservation, 1996, 2(1): 2- 9.

[15] Tang Y, Dai S, Jiang G Y, Shi D M, Chen Z F. Calculation and analysis of the vegetation cover and management factor c value in slope farmland of Chongqing area. Journal of Soil and Water Conservation, 2010, 24(6): 53- 59.

[16] Yu D S, Shi X Z, Lü X X.Cvalue of different land-use patterns and its assessment on sustainability in low hill red soil area. Journal of Soil Erosion and Soil and Water Conservation, 1998, 4(1): 71- 76.

[17] Zhang K L, Liu B Y, Cai Y M. The standard of unit plot in soil loss prediction of China. Geographical Research, 2000, 19(3): 297- 302.

[18] Zhang H M, Wang Q L, Dai L M, Guofan S, Tang L N, Wang S Z, Gu H Y. Quantifying soil erosion with GIS-based RUSLE under different forest management options in Jianchang Forest Farm. Science in China: Series E Technological Sciences, 2006, 49(S1): 160- 166.

[19] López-Vicente M, Navas A, Machín J. Identifying erosive periods by using RUSLE factors in mountain fields of the Central Spanish Pyrenees. Hydrology and Earth System Sciences, 2008, 12(2): 523- 535.

[20] Milgroom J, Gómez J A, Soriano M A, Fereres E. From experimental research to an on-farm tool for participatory monitoring and evaluation: an assessment of soil erosion risk in organic olive orchards. Land Degradation and Development, 2007, 18(4): 397- 411.

[21] Fernández C, Vega J A, Vieira D C S. Assessing soil erosion after fire and rehabilitation treatments in nw spain: performance of RUSLE and revised Morgan-Morgan-Finney models. Land Degradation and Development, 2010, 21(1): 58- 67.

[22] Novara A, Gristina L, Saladino S S, Santoro A, Cerdà A. Soil erosion assessment on tillage and alternative soil managements in a Sicilian vineyard. Soil and Tillage Research, 2011, 117: 140- 147.

[23] ?zhan S, BalcA N, ?zyuvaci N, Hzal A, G?kbulak F, Serengil Y. Cover and management factors for the Universal Soil-Loss Equation for forest ecosystems in the Marmara region, Turkey. Forest Ecology and Management, 2005, 214(1/3): 118- 123.

[24] Lufafa A, Tenywa M M, Isabirye M, Majaliwa M J G, Woomer P L. Prediction of soil erosion in a Lake Victoria basin catchment using a GIS-based Universal Soil Loss model. Agricultural Systems, 2003, 76(3): 883- 894.

[25] Cinnirella S, Iovino F, Porto P, Ferro V. Anti-erosive effectiveness of Eucalyptus coppices through the cover management factor estimate. Hydrological Processes, 1998, 12(4): 635- 649.

[26] Liu B Y, Bi X G, Fu S H, Wei X, Li Y G, Duan S H,Yuan A P, Lu B J, Xie Y, Zhang W B，Ye Z H, Zeng X Q, Xu L. Beijing Soil Loss Equation. Beijing: Science Press, 2010: 72- 77.

[27] Bu Z H, Zhao H F, Liu S Q, Chen M H. Preliminary study on algorithm formula of vegetative factor for undisturbed areas in remote sensing monitoring soil loss. Remote Sensing Technology and Application, 1993, 8(4): 16- 22.

[28] Jin Z P, Shi P J, Hou F C, Zhao H X. The System Model and Governance Pattern of Soil Erosion in Hangfu River Watershed of Yellow River. Beijing: China Ocean Press, 1992: 69- 73.

[29] Liu B Z, Liu S H, Zheng S D. Soil conservation and coefficient of soil conservation of crops. Research of Soil and Water Conservation, 1999, 6(2): 32- 36, 113- 113.

[30] Cai C F, Ding S W, Shi Z H, Huang L, Zhang G Y. Study of applying USLE and geographical information system IDRISI to predict soil erosion in small watershed. Journal of Soil and Water Conservation, 2000, 14(2): 19- 24.

[31] Beskow S, Mello C R, Norton L D, Curi N, Viola M R, Avanzi J C. Soil erosion prediction in the Grande River Basin, Brazil using distributed modeling. Catena, 2009, 79(1): 49- 59.

[32] Da Silva R M, Montenegro S M G L, Santos C A G. Integration of GIS and remote sensing for estimation of soil loss and prioritization of critical sub-catchments: a case study of Tapacurá catchment. Nat Hazards, 2012, 62(3): 953- 970.

[33] Park S, Oh C, Jeon S, Jung H, Choi C. Soil erosion risk in Korean watersheds, assessed using the Revised Universal Soil Loss Equation. Journal of Hydrology, 2011, 399(3/4): 263- 273.

[34] Ranzi R, Le T B, Rulli M C. A RUSLE approach to model suspended sediment load in the Lo river (Vietnam): Effects of reservoirs and land use changes. Journal of Hydrology, 2012, 422: 17- 29.

[35] Fu G B, Chen S L, McCool D K. Modeling the impacts of no-till practice on soil erosion and sediment yield with RUSLE, SEDD, and ArcView GIS. Soil & Tillage Research, 2006, 85(1/2): 38- 49.

[36] Cohen M J, Shepherd K D, Walsh M G. Empirical reformulation of the Universal Soil Loss Equation for erosion risk assessment in a tropical watershed. Geoderma, 2005, 124(3/4): 235- 252.

[37] Zhu L, Huang J F, Li J. Application and result of soil erosion estimation method based on geographic information system and remote sensing technology. Journal of Zhejiang University: Agriculture & Life Sciences, 2005, 31(4): 413- 416.

[38] Lü M Q, Wang J J, Jiang Q L, Zhang H, Hao X D. Temporal and spatial variability of soil erosion in Dongbeigou Watershed in northern mountainous area, Hebei Province, based on Land Use /Cover Change(LUCC). Science of Soil and Water Conservation, 2011, 9(3): 18- 25.

[39] Ji S H, Jiang M X, Yu X B. Evaluating soil erosion in Jiangxi Province with USLE model and remote sensing technology during 1995—2005. China Environmental Science, 2011, 31(7): 1197- 1203.

[40] Chen Y H, Pan W B, Cai Y B. Quantitative study of soil erosion in watershed based on RS, GIS and RUSLE-a case study of the Jixi Watershed in Fujian Province. Journal of Geological Hazards and Environment Preservation, 2007, 18(3): 5- 10.

[41] Feng L, Sun B P, Li J R, Zhao Y, Zhou X S. Application of GIS and USLE in evaluation of dynanic changes of soil erosion in areas of returning farmland to forest-A case study in Anding district, Dingxi City, Gansu province. Hunan Agricultural Sciences, 2011, (11): 82- 85, 89- 89.

[42] Ma C F, Ma J W, Buhe A. Quantitative assessment of vegetation coverage factor in USLE model using remote sensing data. Bulletin of Soil and Water Conservation, 2001, 21(4): 6- 9.

[43] Yu R, Kang Q, Zhang Z X. Assessment of vegetation coverage factor in soil erosion model based on ASTER image interpretation. Journal of Hebei Normal University: Natural Science Edition, 2006, 30(1): 113- 117.

[44] Pan M H, Wu Y Q, Ren F P, Dong F, Jiang Y. Estimating soil erosion in the Dongjiang river basin based on USLE. Journal of Natural Resources, 2010, 25(12): 2154- 2164.

[45] Wu X Q, Zhao H Y, Liu X D, Han B. Evaluation on role of forest litter to water source conservation and soil and water conservation. Journal of Soil Erosion and Soil and Water Conservation, 1998, 4(2): 23- 28.

[46] Yoshino K, Ishioka Y. Guidelines for soil conservation towards integrated basin management for sustainable development: A new approach based on the assessment of soil loss risk using remote sensing and GIS. Paddy and Water Environment, 2005, 3(4): 235- 247.

[47] Kefi M, Yoshino K, Setiawan Y, Zayani K, Boufaroua M. Assessment of the effects of vegetation on soil erosion risk by water: a case of study of the Batta watershed in Tunisia. Environmental Earth Sciences, 2011, 64(3): 707- 719.

[48] Kefi M, Yoshino K, Setiawan Y. Assessment and mapping of soil erosion risk by water in Tunisia using time series MODIS data. Paddy and Water Environment, 2012, 10(1): 59- 73.

[49] Wang G, Wente S, Gertner G Z, Anderson A. Improvement in mapping vegetation cover factor for the Universal Soil Loss Equation by geostatistical methods with Landsat Thematic Mapper images. International Journal of Remote Sensing, 2002, 23(18): 3649- 3667.

[50] Warren S D, Mitasova H, Hohmann M G, Landsberger S, Iskander F Y, Ruzycki T S, Senseman G M. Validation of a 3-D enhancement of the Universal Soil Loss Equation for prediction of soil erosion and sediment deposition. Catena, 2005, 64(2/3): 281- 296.

[51] Suriyaprasit M, Shrestha D P. Deriving land use and canopy cover factor from remote sensing and field data in inaccessible mountainous terrain for use in soil erosion modeling. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2008, 37(partB7): 1747- 1750.

[52] Li H J, Zheng L, Lei Y P, Li C Q, Zhou K. Comparison of NDVI and EVI based on EOS/MODIS data. Progress in Geography, 2007, 26(1): 26- 32.

[53] Wen Z M, Brian G L, Jiao F, Lei W N, Shi H J. Stratified vegetation cover index: A new way to assess vegetation impact on soil erosion. Catena, 2010, 83(1): 87- 93.

[54] Daughtry C S T, Hunt Jr E R. Mitigating the effects of soil and residue water contents on remotely sensed estimates of crop residue cover. Remote Sensing of Environment, 2008, 112(4): 1647- 1657.

[55] McNairn H, Duguay C, Brisco B, Pultz T J. The effect of soil and crop residue characteristics on polarimetric radar response. Remote Sensing of Environment, 2002, 80(2): 308- 320.

[56] Lu D, Li G, Valladares G S, Batistella M. Mapping soil erosion risk in Rondǒnia, Brazilian Amazonia: using RUSLE, remote sensing and GIS. Land Degradation & Development, 2004, 15(5): 499- 512.

[57] Patric J H. Soil erosion in the eastern forest. Journal of Forestry, 1976, 74(10): 671- 677.

[58] Gertner G, Wang G, Fang S, Anderson A B. Mapping and uncertainty of predictions based on multiple primary variables from joint co- simulation with Landsat TM image and polynomial regression. Remote Sensing of Environment, 2002, 83(3): 498- 510.

參考文獻:

[10] 張巖, 劉憲春, 李智廣, 朱清科. 利用侵蝕模型普查黃土高原土壤侵蝕狀況. 農(nóng)業(yè)工程學(xué)報, 2012, 28(10): 165- 171.

[13] 林素蘭, 黃毅, 聶振剛, 孫景華. 遼北低山丘陵區(qū)坡耕地土壤流失方程的建立. 土壤通報, 1997, 28(6): 251- 253.

[14] 江忠善, 王志強, 劉志. 黃土丘陵區(qū)小流域土壤侵蝕空間變化定量研究. 土壤侵蝕與水土保持學(xué)報, 1996, 2(1): 2- 9.

[15] 唐寅, 代數(shù), 將光毅, 史冬梅, 陳正發(fā). 重慶市坡耕地植被覆蓋與管理因子C值計算與分析. 水土保持學(xué)報, 2010, 24(6): 53- 59.

[16] 于東升, 史學(xué)正, 呂喜璽. 低丘紅壤區(qū)不同土地利用方式的C值及可持續(xù)性評價. 土壤侵蝕與水土保持學(xué)報, 1998, 4(1): 71- 76.

[17] 張科利, 劉寶元, 蔡永明. 土壤侵蝕預(yù)報研究中的標準小區(qū)問題論證. 地理研究, 2000, 19(3): 297- 302.

[26] 劉寶元, 畢小剛, 符素華，魏欣，李永貴，段淑懷，袁愛萍，陸炳軍，謝云，章文波，葉芝菡，曾憲勤，徐麗. 北京土壤流失方程. 北京: 科學(xué)出版社, 2010: 72- 77.

[27] 卜兆宏, 趙宏夫, 劉紹清, 陳明華. 用于土壤流失量遙感監(jiān)測的植被因子算式的初步研究. 遙感技術(shù)與應(yīng)用, 1993, 8(4): 16- 22.

[28] 金爭平, 史培軍, 侯福昌, 趙煥勛. 黃河皇甫川流域土壤侵蝕系統(tǒng)模型和治理模式. 北京: 海洋出版社, 1992: 69- 73.

[29] 劉秉正, 劉世海, 鄭隨定. 作物植被的保土作用及作用系數(shù). 水土保持研究, 1999, 6(2): 32- 36, 113- 113.

[30] 蔡崇法, 丁樹文, 史志華, 黃麗, 張光遠. 應(yīng)用USLE模型與地理信息系統(tǒng)IDRISI預(yù)測小流域土壤侵蝕量的研究. 水土保持學(xué)報, 2000, 14(2): 19- 24.

[37] 朱蕾, 黃敬峰, 李軍. GIS和RS支持下的土壤侵蝕模型應(yīng)用研究. 浙江大學(xué)學(xué)報: 農(nóng)業(yè)與生命科學(xué)版, 2005, 31(4): 413- 416.

[38] 呂明權(quán), 王繼軍, 江青龍, 張懷, 郝曉東. 基于LUCC的冀北土石山區(qū)東北溝流域土壤侵蝕時空變化分析. 中國水土保持科學(xué), 2011, 9(3): 18- 25.

[39] 齊述華, 蔣梅鑫, 于秀波. 基于遙感和ULSE模型評價1995—2005年江西土壤侵蝕. 中國環(huán)境科學(xué), 2011, 31(7): 1197- 1203.

[40] 陳燕紅, 潘文斌, 蔡芫鑌. 基于RS/GIS和RUSLE的流域土壤侵蝕定量研究- 以福建省吉溪流域為例. 地質(zhì)災(zāi)害與環(huán)境保護, 2007, 18(3): 5- 10.

[41] 馮磊, 孫保平, 李錦榮, 趙巖, 周湘山. GIS方法和USLE模型在退耕還林區(qū)土壤侵蝕動態(tài)變化評價中的運用- 以甘肅定西市安定區(qū)為例. 湖南農(nóng)業(yè)科學(xué), 2011, (11): 82- 85, 89- 89.

[42] 馬超飛, 馬建文, 布和敖斯爾. USLE模型中植被覆蓋因子的遙感數(shù)據(jù)定量估算. 水土保持通報, 2001, 21(4): 6- 9.

[43] 于嶸, 亢慶, 張增祥. 基于ASTER影像的土壤流失方程植被覆蓋因子估計. 河北師范大學(xué)學(xué)報: 自然科學(xué)版, 2006, 30(1): 113- 117.

[44] 潘美慧, 伍永秋, 任斐鵬, 董帆, 江源. 基于USLE的東江流域土壤侵蝕量估算. 自然資源學(xué)報, 2010, 25(12): 2154- 2164.

[45] 吳欽孝, 趙鴻雁, 劉向東, 韓冰. 森林枯枝落葉層涵養(yǎng)水源保持水土的作用評價. 土壤侵蝕與水土保持學(xué)報, 1998, 4(2): 23- 28.

[52] 李紅軍, 鄭力, 雷玉平, 李春強, 周戡. 基于EOS/MODIS數(shù)據(jù)的NDVI與EVI比較研究. 地理科學(xué)進展, 2007, 26(1): 26- 32.

The study on cover-management factor in USLE and RUSLE: a review

FENG Qiang1,2, ZHAO Wenwu1,*

1StateKeyLaboratoryofEarthSurfaceProcessesandResourceEcology,CollegeofResourcesandTechnology,BeijingNormalUniversity,Beijing100875,China2CollegeofForestry,ShanxiAgriculturalUniversity,Taigu,Shanxi030801,China

The Universal Soil Loss Equation (USLE) and the Revised Universal Soil Loss Equation (RUSLE) are two most widely soil erosion prediction models worldwide. In both of these models,Cfactor, i.e., the Cover-Management Factor, quantifies the effects of vegetation cover and management practices on soil erosion, which is the most important factor in USLE/RUSLE models that can be easily controlled to alleviate soil erosion. The authors reviewed the evolvement ofCfactor and concluded various estimation methods forCfactor at different scales by integrating recent domestic and international developments in this field. Therefore, five methods to quantifyCfactor were summarized at plot, hillslope and small watershed scales: 1)ObtainingCfactor values from USLE/RUSLE handbooks; 2) EstimatingCfactor values based on the definition ofCfactor; 3) ComputingCfactor values by its sub-factors; 4) CalculatingCfactor values using inverse method based on the USLE/RUSLE (C=A/(R·K·L·S·P); 5) AssessingCfactor with linear and nonlinear models betweenCfactor and vegetation coverage. Currently, estimation ofCfactor mainly depended on field experiments and observations at plot, hillslope and small watershed scales. Thus, the consistency of experimental conditions among different experiments, especially the consistency of standard runoff plots, is important and a prerequisite for comparability ofCfactor values. Once again, five methods to quantifyCfactor at watershed, region scales were summarized as well: 1)AssigningC-factors values from reported values in literature according to land-cover/land-use categories; 2) EstimatingCfactor values at larger scales by equations based on relationships betweenCfactor values and vegetation coverage acquired at smaller scales; 3) Performing direct regression between image bands ratios / vegetation indices andCfactor values determined in the field; 4)EstimatingCfactor values by linear Spectral Mixture Analysis; 5) Improving in mapping ofCfactor values by geostatistical methods with remote sensing images. In general, at watershed and region scales,Cfactor values were usually estimated by using remote sensing images, The development of remote sensing technology promoted the evolvement ofCfactor estimation methods, which makesCfactor mapping more precise. However, full interpretation ofCfactor values by using remote sensing date remains a major challenge, requiring further research onCfactor. In conclusion，the authors summarized 10 ways to estimateCfactor values, their advantages and disadvantages and also their applicable conditions in detail. Furthermore, the authors emphasized the important aspects of further research onCfactor in future and wished extensive involvement of more researchers in this field.

cover-management factor；different scales；soil erosion；Universal Soil Loss Equation/Revised Universal Soil Loss Equation(USLE/RUSLE)

國家自然科學(xué)基金(41390462, 41171069)

2013- 06- 15; 網(wǎng)絡(luò)出版日期:2014- 03- 04

10.5846/stxb201306151710

*通訊作者Corresponding author.E-mail: zhaoww@bnu.edu.cn

馮強, 趙文武.USLE/RUSLE中植被覆蓋與管理因子研究進展.生態(tài)學(xué)報,2014,34(16):4461- 4472.

Feng Q, Zhao W W.The study on cover-management factor in USLE and RUSLE: a review.Acta Ecologica Sinica,2014,34(16):4461- 4472.