湖北丹江口水库库区小流域土壤可蚀性特征

土壤自身的可侵蚀性是土壤侵蚀发生的内在因素。由于具有明确的物理意义和方便的测定方法,土壤可蚀性K指标值成为水土流失预报模型的一个重要参数。采用EPIC中土壤可蚀性K值计算方法,对丹江口水库库区内1.94km2的五龙池小流域的K值进行了计算。结果显示,研究区内土壤可蚀性K值平均为0.0302thm2h(MJmmhm2)-1,与我国其他有黄棕壤分布地区已有的研究结果相一致。小流域土壤可蚀性存在一定的空间变异,但变异性不大(变异系数14.7%),86.56%土地面积上的K值位于0.0264～0.0330之间。从土壤可侵蚀性强弱判断,该区土壤为易侵蚀土。利用反距离权重插值(IDW)进行了K值图的制作,并简要介绍了K值图的应用。     

河北省表层土壤可侵蚀性K值评估与分析

利用河北土系调查成果中的土壤颗粒组成、土地利用及土壤化学性质等资料,利用EPIC模型中土壤可蚀性K值算法以及结合地统计学方法,研究了不同土壤类型、不同质地及不同土地利用类型的土壤可侵蚀性K值和土壤可侵蚀性K值的空间变异特征。结果表明:1河北土壤可侵蚀性K值平均为0.27,其变化范围为0.12~0.40,土壤可蚀性K值在0.30~0.35之间易蚀性土壤面积占总土地面积的63.71%,土壤可蚀性K值在0.25~0.3之间较易蚀性土壤面积占总土地面积的21.52%,这说明该省易蚀性土壤面积较大。2不同质地的K值之间显著性差异,粉砂黏壤质的可侵蚀性K值最大,为0.37;壤砂质的可侵蚀性K值最小,为0.13。而在不同的土地利用类型之间的K值差异性不显著,耕地的K值最大,为0.33;草地的K值最小,为0.22。3河北土壤可侵蚀性K值存在较强的变异性,其变异系数为29%。因此,在土壤侵蚀定量监测、评价水土流失时,应考虑土壤可蚀性K值的这种空间变异状况。块金值/基台值为37.3%,表明在变程内具有中等强度的空间相关性。步长为23 km,变程为440 km,变程远大于步长,表明在小流域尺度下有较好的空间相关性,进行Kriging插值能得到较准确的结果。4河北土壤可蚀性K值大体呈现南高北低的空间分布特征,南部主要是耕作栽培区,北部主要是自然植被区。该研究结果为宏观大尺度土壤资源可持续利用与制定水土保持规划提供科学依据。     

土壤可蚀性研究进展

土壤可蚀性(K值)是反映土壤侵蚀规律的重要指标,有关其研究成果已有大量研究论文报道。通过总结前人的研究成果,从土壤可蚀性评价指标的确定、空间变异性和不确定性以及研究方法等方面,介绍土壤可蚀性的研究进展。同时,指出了在今后的研究中需要形成统一的评价指标对土壤可蚀性进行评价,可利用泥沙平衡原理分析和验证可蚀性公式的适用程度,并建议建立K值数据库为水土流失监测、预报和治理提供参数基础。     

小流域土壤可蚀性的空间变异及其在不同土地类型下的比较

以武陵山区女儿寨小流域为研究区,在流域内进行高密度采样的基础上,利用EPIC模型中土壤可蚀性K值计算方法与地统计学分析方法计算并分析了流域土壤可蚀性K值及其空间变异,结合流域土地利用图,运用面积加权平均计算了各土地利用类型下的K值并进行比较,结果表明:流域K值变化范围为0.2451~0.4623,均值为0.3289,变异系数为0.1295,流域K值存在中等程度的空间变异。K值总体分布趋势为从流域海拔低处向海拔高处逐渐减小,受人为干扰较多的区域其K值也较高。各土地利用类型下的面积加权平均K值,以果园0.3769最大,油桐0.2607最小,植被类型下的K值均低于除耕地外受人为影响因素较大的地类,说明植被在不同程度上改善了土壤性质,提高了土壤的抗侵蚀能力,但K值的大小与植被类型的差异有关。     

基于GIS的小流域土壤抗蚀性空间变异特征

运用GS+7.0和Surfer 8.0软件以邓下小流域为例,研究了苏南丘陵区小流域土壤抗蚀性的空间变异特征及土壤理化性质对其的影响,以期为小流域的土壤侵蚀预报和综合治理提供依据.结果表明:土壤抗蚀性的变化范围为0.180 8～0.968 1,均值为0.647 7.变异系数为27.69%,土壤抗蚀性具有中等程度的空间变异性.C0/(C0+C)值为13.47%,小于25%,表明在变程内具有强烈的空间相关性.研究区土壤抗蚀性总体分布趋势是条带状明显,波动较大,大于0.65的高值区域主要分布在小流域从南到北的中间部位,小于0.4的低值区域分布主要位于小流域地势较高的北部和东西两侧,容易发生水土流失.     

青藏高原土壤可蚀性K值的空间分布特征

土壤可蚀性反映了土壤对水力侵蚀作用的敏感性,是进行土壤侵蚀评价和预报的重要参数。收集了青藏高原1 255个典型土壤剖面资料,采用模型计算和面积加权分析方法确定了每一个土壤亚类的土壤可蚀性K值,结合青藏高原1∶100万土壤类型图,分析了青藏高原土壤可蚀性K值的空间格局特征。结果表明,青藏高原土壤可蚀性K值平均为0.230 8,低可蚀性、较低可蚀性、中等可蚀性、较高可蚀性和高可蚀性土壤面积分别占该区面积的5.60%,18.23%,24.35%,44.02%和7.80%。土壤可蚀性以中等可蚀性和较高可蚀性为主,二者分布面积之和达1.77×106 km2,占青藏高原总面积的68.37%;较高可蚀性、高可蚀性土壤主要分布在青藏高原中西部的羌塘高原、柴达木盆地和横断山区的低海拔河谷中。青藏高原土壤可蚀性K值具有明显的垂直分异特征,在横断山区最为显著,土壤可蚀性随海拔高度升高而降低。不同海拔高度的水热分异影响了土壤的理化特性,进而决定了青藏高原土壤可蚀性的垂直分带特征。     

土壤可蚀性特征及其K值图制作研究

在土壤普查结果与实地采样的基础上，应用EPIC模型计算出南安市不同土壤的K值，并研究了土壤的可蚀性特征及K值图的编制方法。研究表明：研究区土壤类型表层平均K值为0．184－0．371；不同土壤层次K值明显不同，表层抗蚀性较强：不同土地利用方式其土壤可蚀性不同，密林地抗蚀性强，裸地最弱；随着土壤侵蚀的加剧，土壤可蚀性K值有增加的趋势；土壤K值图制作对水土流失定量遥感监测有重要意义。     

花岗岩崩岗区土壤可蚀性因子估算及其空间变化特征

土壤可蚀性K值是土壤侵蚀模型的必要参数,研究花岗岩崩岗区土壤可蚀性K值有助于宏观判断和定量分析崩岗区土壤侵蚀的空间变化特征.采集湖北通城花岗岩典型崩岗淋溶层、淀积层、母质层土壤,运用5种土壤可蚀性K值估算方法分析各层土壤可蚀性差异,通过室内人工模拟降雨实验验证花岗岩风化土可蚀性K值的有效性及5种估算方法的灵敏度.结果表明:花岗岩风化土的各层土壤可蚀性差异显著,母质层平均K值最大,是淋溶层的1.20倍,淀积层的1.03倍,且各层土壤的稳定含沙率和各粒径流失量差异显著;诺莫法估算的各层土壤的可蚀性K值与40 min每层土的稳定含沙率之比最接近,诺莫法估算各层土壤可蚀性K值的灵敏度最高,为修正诺莫的1.5倍,EPIC模型法的6倍.因此,针对南方花岗岩风化土可采用诺莫法准确评价土壤可蚀性K值.通过估算崩岗不同层次土壤的可蚀性K值及其空间变化特征,对针对性地研究崩岗形成机制及其治理具有一定指导意义.     

沂蒙山区典型县土壤可蚀性K值空间变异研究

土壤可蚀性是一个相对概念,在时间、空间等方面呈现异质性特征,选取蒙阴县和沂水县为研究区域,采用EPIC模型中K值计算方法,以地统计学原理为指导,基于Arc GIS地统计模块,探讨了沂蒙山区典型县土壤可蚀性空间分布特征,为区域土壤侵蚀评价提供数据支撑。结果表明:(1)研究区土壤可蚀性K值变化范围为0.1057~0.3776,属中等变异,以中低可蚀性土壤分布最广;在分布最广的粗骨土土类中,石灰岩钙质粗骨土K值最大,为中高可蚀性土壤,存在较大的侵蚀危险性。(2)蒙阴县西北部区域为低可蚀性土壤,中部和东南部为中可蚀性及以上土壤;沂水县土壤主要为中低可蚀性,而南部、西北及东北部存在中高及高可蚀性土壤;两县相接区域土壤为中可蚀性及以上土壤。(3)同一土类而不同土地利用呈现异质性特征,不同土地利用K值大小依次为园地耕地林地草地。(4)随着海拔高度增大,土壤可蚀性K值呈逐渐减小趋势。     

沂河流域土壤可蚀性空间变异研究

对土壤可蚀性K值进行研究有助于探索和分析沂河流域土壤侵蚀的空间分布特征。利用GIS空间分析和统计功能,探讨了土壤可蚀性K值的空间分布特征及其与土壤类型、土地利用、高程、坡度等影响因子之间的相互关系。结果表明:(1)研究区K值范围在0.031 1～0.193 3之间,均值为0.099 5,以较低可蚀性和中等可蚀性土壤分布最广,上游河谷和下游平原地区土壤可蚀性明显高于沂山、蒙山等高海拔地区;(2)不同土壤类型的可蚀性K值存在差异,粗骨土、石质土、山地草甸土和棕壤的可蚀性值较低,红黏土、水稻土、砂姜黑土、新积土和潮土的可蚀性值较高,易受到侵蚀;(3)土地利用方式对K值有明显的影响作用,不同土地利用方式的可蚀性K值大小依次为:耕地未利用地草地林地;(4)随着海拔高度的上升,土壤可蚀性呈现逐渐降低的趋势;(5)不同坡度区间的K值存在差异,土壤可蚀性随坡度增加整体上呈现减小趋势。     

三峡库区土壤可蚀性K值研究

 研究土壤可蚀性K值有助于宏观判断和定量分析三峡库区土壤侵蚀的特点。依据重庆市和湖北省的第2次土壤普查资料,建立三峡库区各土种的理化性质数据库,并通过三次样条插值方法对不同粒径标准的土壤质地进行转换,然后采用几何平均粒径模型修正公式计算出三峡库区各土种的可蚀性K值,经面积加权平均得到三峡库区11类土壤的可蚀性K值,最后在分类分级基础上,探讨土壤可蚀性K值的分布特征。结果表明:三峡库区土壤可蚀性K值变化于0.00720.019 2 t.hm2.h/（MJ.mm.hm2）之间,其中在0.015 00.019 0t.hm2.h/（MJ.mm.hm2）之间的中高可蚀性和高可蚀性土壤面积占库区总面积的74.49%;三峡库区存在很大的土壤侵蚀风险,国外已有的K值经验算式不能直接照搬,而采用几何平均粒径修正模型对三峡库区土壤可蚀性K值进行估算是可行的。     

黄土丘陵区小流域土壤有效水空间变异及其季节性特征

基于213个样点土壤有效水数据,从流域、坡面和沟道三个尺度分析了黄土丘陵区典型小流域土壤有效水在春、夏、秋三个季节的空间变异特征。结果表明,土壤有效水均呈较强空间变异性,其中沟道土壤有效水均值和空间变异强度(标准差和变异系数)均显著高于坡面,坡面和沟道土壤有效水正态性明显好于流域尺度。不同尺度土壤有效水空间变异程度随均值发生变化,变异系数随均值增加呈指数递减趋势。流域和坡面尺度土壤有效水与坡向呈显著正相关关系且相关系数高于其与坡度和高程,而沟道尺度与各地形因子相关关系均较弱。土壤有效水空间变异呈现明显的季节性特征,秋季土壤有效水均值最高而空间变异性最低,夏季土壤有效水均值最低但变异系数最大。流域尺度夏季土壤有效水与高程相关系数显著高于春秋两季,而坡面尺度则相反。此外,土壤有效水抽样不确定性和估算误差随样点数量增加呈非线性递减变化趋势,当样点数超过20个时,增加样点数量的作用有限。     

利用~(137)Cs技术研究土壤可蚀性的时空变异(英文)

土壤可蚀性的研究变异性是当代土壤侵蚀预测预报研究的核心。本综述了土壤可蚀性变异性研究的进展及存在的问题,提出了利用＾１３７Ｃｓ法定量测定土壤可蚀性时空变异的新技术。     

广东省土壤可蚀性现状及影响因素分析

土壤可蚀性是土壤侵蚀预报和土地利用规划的重要参数,本文采用EPIC(Erosion Productivity Im-pact Calculator)模型中土壤可蚀性因子K值为指标,利用第二次土壤普查资料,探讨广东省土壤可蚀性K值及分布特征,并绘制了广东省土壤可蚀性K值图,结果表明:广东土壤可蚀性K值为0.116~0.415,加权平均K值为0.25,主要分布在较低-中高可侵蚀性范围;以铁铝土为例,成土母质对土壤侵蚀影响是多因素的,由于母质的特性差异,母质所发育土壤可蚀性K值并不能完全代表其侵蚀危害性,从总体上看,土壤经过多年耕种,抗侵蚀能力明显下降。     

长沙市东郊不同母质发育耕型红壤的可蚀性因子K值估算

采集了长沙市东郊第四纪红土和花岗岩风化物两种母质发育的耕型红壤样品,通过室内分析获得了土壤的颗粒组成和土壤有机质含量。利用诺谟图法、修正诺谟图法、EPIC模型、几何平均粒径模型和Torri模型分别估算了两种母质发育红壤的可蚀性因子K值,并将估算结果与江西省鹰潭市中国科学院红壤生态试验站通过自然降雨实测方法获得的K值进行了比较。结果显示,Torri模型和几何平均粒径模型比较适合估算长沙市东郊第四纪红土发育红壤的可蚀性K值,Torri模型、几何平均粒径模型和EPIC模型比较适合估算长沙市东郊花岗岩风化物发育红壤的可蚀性K值。     

Sampling procedure simulating on‐the‐go sensing for soil nutrients

The emergence of a new sensor technology based on the use of ion‐selective membranes provides an increasing number of opportunities for on‐the‐go field measurements of soil nutrients and soil pH. In the future, on‐the‐go sensing should provide a cost‐effective monitoring of heterogeneous soils with high sampling resolution. It is suitable for site‐specific management because it can be focused on the spatial representativity of observation. This study evaluates the on‐the‐go‐sensing sampling design by comparing it with a standard approach to soil sampling for soil pH and the base nutrients P, K, and Mg under local field conditions in Germany. Soil samples were taken in two test sites at a resolution and in a manner as if they were sampled with an on‐the‐go sensing system and were compared with soil samples taken at a coarser resolution and with standard methods. In general, a higher variability was observed among the on‐the‐go samples due to their smaller sample support. The finer sampling resolution of the on‐the‐go design improved field‐scale semivariogram‐analysis results, identifying the spatial structures for soil pH, P, and Mg clearly. In addition, kriged maps of these soil parameters had predominantly higher estimation accuracies. However, the on‐the‐go samples were strongly influenced by the small‐scale variability of K in one of the test sites. This variability increased the kriging standard deviation for K by 50% compared with standard sampling design. Despite of this problem, the on‐the‐go‐sensing sampling design revealed field‐scale spatial variability for base nutrient status more accurately. Except for K, the mean absolute error of fertilizer‐application maps was reduced when using the on‐the‐go sample design in comparison with the standard sample design (Ca: 210/268 kg ha^–1, P: 2.85/6.75 kg ha^–1, K: 13.7/6.0 kg ha^–1, Mg 5.7/6.8 kg ha^–1). This will reduce over‐ and underfertilization using variable‐rate fertilizer‐application systems. In the future, it will be of interest if real on‐the‐go soil‐sensor measurements exhibit the same variability behavior addressed here or if results will differ substantially.