使用不同土壤侵蚀估算方法对橄榄园的土地退化进行评估 克里斯托斯·潘塔齐斯（Christos Pantazis）和 帕纳吉奥蒂斯·T·纳斯托斯（Panagiotis T. Nastos）

《Land》：Land Degradation Assessment in an Olive Orchard Using Different Soil Erosion Estimation Methods Christos Pantazis and Panagiotis T. Nastos

　　摘要
由于土壤侵蚀导致的土地退化是地中海坡地农业生态系统面临的主要挑战，在这些系统中，极端天气事件和传统的土地管理实践加速了土壤流失，威胁到了长期的可持续性。本研究评估并比较了三种互补的方法，以估算希腊梅塞尼亚地区一个橄榄园的土壤侵蚀情况。基于现场的径流小区提供了沉积物产量的直接测量数据，基于无人机的光探测与测距（LiDAR）调查通过数字高程模型差异（DoD）方法实现了土壤表面变化的检测，同时应用了修正的通用土壤流失方程（RUSLE）利用特定地点的参数来模拟侵蚀风险。结果表明，现场测量数据与RUSLE的估算结果大体一致，尤其是在模型通过实证数据进行校准的情况下，这为了解土壤流失动态提供了可靠的见解。相比之下，LiDAR-DoD分析发现了土壤表面位移的模式，反映了整个橄榄园内表面变化的空间差异。总体而言，现场监测、遥感和建模的结合突显了每种方法的优点和局限性，并证明了多方法结合在改善侵蚀评估和支持脆弱地中海地区的可持续土地管理方面的价值。

1. 引言
土地退化是对全球土壤肥力[1]、农业生产力[2]、水质[3]和生态系统稳定性[4]的主要威胁，其中水蚀是其中最重要的形式之一。在地中海环境中，陡峭的地形、强烈的季节性降雨、一年中某些时期的稀疏植被覆盖以及长期的农业利用创造了有利于径流产生和土壤剥离的条件[5,6,7]。在这种景观中，侵蚀不仅是一个地貌过程，也是一个重大的环境和社会经济问题，因为它降低了土壤的生产能力，并导致了耕作土地的逐渐退化[8,9]。橄榄种植区在这种情况下尤为重要，因为它们是许多地中海地区的主要土地利用方式，且通常位于易受侵蚀的坡地上[7,10]。
地中海气候的特点是季节性对比强烈，夏季干燥，降雨主要集中在秋季和冬季[11]。在这种条件下，降雨的侵蚀效应常常因雨季初期土壤表面保护层有限而加剧。在许多传统管理的橄榄园中，树行之间的土壤可能会长期裸露或仅部分覆盖，从而增加了其受到雨滴冲击和地表径流的影响[12]。反复的耕作、低有机质含量以及不适当的保护措施进一步增加了土壤的侵蚀敏感性[13,14]。因此，地中海橄榄林经常被认为是土壤退化、沉积物再分布和土壤质量长期下降的高风险区域[15]。
由于土壤侵蚀受多种因素相互作用的影响，包括降雨、土壤性质、坡度、植被覆盖和土地管理[16]，其评估在方法上仍然具有挑战性[17]。没有任何一种方法能够完全捕捉到这一过程的所有维度。直接的现场测量可以提供实际条件下土壤流失的宝贵信息，但它们通常仅限于小范围和特定时间段[18]。另一方面，实证模型可以估算较大区域的侵蚀情况并探索其空间分布，尽管其可靠性在很大程度上取决于输入数据的质量和局部验证[19]。近年来，高分辨率地形技术如光探测与测距（LiDAR）和摄影测量为侵蚀研究增添了新的维度，使得能够检测到表面高程的微妙变化和局部再分布模式[20]。因此，这些不同的方法是互补的，而不是可以互换的。
修正的通用土壤流失方程（RUSLE）是一种基于降雨侵蚀性、土壤可蚀性、地形特征、土地覆盖和保护措施来估算平均年土壤流失量的实证模型[21]。由于其广泛的适用性和相对简单的参数化，RUSLE已成为最常用的土壤侵蚀估算方法之一[22]，特别适合与现场测量结果进行比较。它的广泛应用与其相对简单的结构、相比于物理基础模型较低的数据需求以及与地理信息系统（GIS）空间分析的兼容性有关[23]。因此，RUSLE被广泛用于流域研究、农业景观和侵蚀风险制图应用中。然而，其使用也需要谨慎。由于RUSLE是一个实证模型，其预测结果在很大程度上依赖于输入因素的代表性及空间准确性，因此在有当地信息和现场观测的支持下应用该模型时更为可靠[24]。
同时，现场实验仍然是量化特定区域实际土壤流失最直接的方法之一。从监测小区获得的测量数据可以提供关于时间变化和事件驱动侵蚀的有用证据，尤其是在土壤流失可能随降雨事件短期猛增的耕作系统中[18]。这些数据特别有价值，因为它们为模型结果提供了实证依据。然而，仅靠现场测量无法描述监测小区之外的侵蚀空间分布，也无法轻易揭示沉积物在表面上的再分布情况[25]。这一局限性促使人们将现场观测与空间模型和基于地形的技术结合起来使用。
在此背景下，基于LiDAR的数字高程模型（DEM）及其差分（DoD）分析为研究非常细微尺度的土壤表面动态提供了额外的工具。通过比较不同时间获取的高程模型，DoD分析可以识别局部表面下降和上升的区域，从而有助于描述短期地形变化和土壤再分布[26]。虽然这种方法不一定直接测量土壤流失，但它特别适用于可视化表面行为和小规模实验小区内的物质运动。因此，它可以补充直接的现场测量和基于模型的预测，提供关于局部微地形变化的信息。
本研究在更广泛的方法学背景下进行，旨在使用多种方法评估希腊西南部一个地中海橄榄种植子流域的土壤侵蚀情况。具体来说，该研究整合了（i）来自实验小区的直接土壤流失现场测量，（ii）使用RUSLE模型进行的空间侵蚀估算，以及（iii）基于LiDAR和DoD的短期表面高程变化分析。选择关注一个小而明确的子流域是为了提高RUSLE应用的空间可靠性，并允许在实验小区的位置直接比较模型输出和现场观测结果。这种设计还使得可以检验不同方法应用于同样易受侵蚀的环境时的表现。
因此，本研究的目的不仅在于估算土壤侵蚀量，还在于在同一片易受侵蚀的地中海橄榄园内比较三种不同的评估方法，其中侵蚀过程主要由事件驱动。结果表明，径流小区提供了事件尺度上的直接土壤流失测量数据，RUSLE在有局部校准数据支持的情况下能提供满意的估算结果，而LiDAR-DoD主要有助于对表面变化和沉积物再分布的空间解释。本研究的主要贡献不在于这些方法的单独应用，而在于在同一农业生态系统中综合评估它们，突显了它们的互补性如何有助于更全面地理解侵蚀过程。

2. 材料与方法
本研究在希腊梅塞尼亚地区皮洛斯-涅斯托尔市纳瓦里诺湾附近的泽里亚斯河流域的一个子流域（0.221平方公里）进行（约60平方公里）。尽管更广泛的泽里亚斯河流域覆盖了更大的区域，但本次分析集中在一个根据当地地形选取的较小部分，该地形为建模目的定义了一个清晰且实用的范围。这一较小单元适合应用RUSLE模型，因为它包含了用于现场研究的实验小区，并代表了与本研究目标最相关的地形条件。
图1. 研究区域位于希腊梅塞尼亚地区皮洛斯-涅斯托尔市泽里亚斯河流域的一个子流域内。该景观具有典型的地中海特征，地形起伏平缓至中等，排水路径较小，农业用地与自然植被斑块混杂。该地区的主要土地利用方式是橄榄种植，伴有灌木丛和零星的林地植被。土壤主要是钙质地中海土壤，通常从壤土到粘壤土不等[27]，其侵蚀敏感性处于中等至较高水平，尤其是在植被覆盖率较低的情况下。此外，在实验开始时对实验小区的土壤样本进行了选择性的化学和物理性质分析，包括有机质含量[28]和质地[29]。土壤质地根据USDA土壤质地三角形进行分类[30]。
该地区的气候属于地中海型，降水主要集中在秋季和冬季[11]，夏季炎热干燥[31,32]。根据当地气象站网络的数据，在2016-2025年参考期间，年均降水量为806毫米。在这些条件下，土壤流失受到季节性降雨强度、坡度、土地覆盖和管理措施的强烈影响[14]。所选子流域是一个具有代表性的、定义明确的区域，适用于研究局部尺度的侵蚀过程。

2.1. 径流与沉积物的现场监测
为了将建模基于当地果园条件的实证证据，我们使用了2023年10月至2025年3月期间的现场实验数据，包括径流和沉积物数据。具体来说，该实验采用了有界径流小区，将地表径流及其携带的沉积物引导至收集器和储水池中，从而实现事件尺度上的径流量和沉积物产量的量化。这种小区在地中海橄榄系统中被广泛用于测量总土壤流失量并比较不同的管理措施，但在解释结果时应考虑已知的尺度效应和边界效应[7]。
实验采用了随机区组设计，在橄榄园内的代表性坡地上设置了九个（10米×10米）的小区。评估了三种土壤管理处理方式，每种处理方式有三次重复：除草剂处理、覆盖作物种植和自然植被修剪。在本研究中，我们报告并分析了其中一个代表除草剂处理的小区的数据（九个小区中的一个）。选择这个小区是因为它是唯一一个配备了地表径流收集系统的除草剂处理小区，由于安装成本高且复杂，导致每种处理方式只能在一个小区内实施。此外，该除草剂处理的小区属于分配覆盖管理因子（C）时考虑的橄榄园土地覆盖类别，同时对于DoD分析至关重要，因为减少的植被有助于提高LiDAR的表面检测效果。该小区位于平均坡度约为16%的坡段上，其下坡边界配备了（a）一个横跨整个小区宽度的收集通道/沟槽以及（b）一个位于下坡方向的密封储水池，用于储存每次降雨事件产生的径流和沉积物（图2）。这种配置遵循了侵蚀实验的标准小区收集原则，包括确保雨水自由流入储水池以及具有足够的储存能力以应对不频繁的高强度风暴。尽管实验小区的面积与[33]定义的标准侵蚀小区尺寸不同，但选定的小区大小被认为适合保持当地橄榄园系统的代表性，包括树木结构和小区内的异质性。
图2. 土壤侵蚀监测网络的实验设置。每次产生可测量地表径流和沉积物输送的降雨事件后，使用一个容量为1吨的储水池量化总径流量。随后处理含沉积物的水以确定每次事件下的沉积物产量。沉积物首先被重新悬浮，然后根据收集的量进行分样或全部回收。根据标准的小区尺度水蚀协议，沉积物随后被烘干至恒重并称重[34]。事件性土壤流失量是通过将干燥沉积物的质量除以地块面积来计算的，单位为吨/公顷/事件（t ha?1 event?1），并通过在整个监测期间（通常在地中海气候条件下为10月至4月）累加各事件来得到季节性总量。这些测量数据用于：（i）记录在除草剂管理下的果园条件下侵蚀的严重程度和时间变化；（ii）验证基于GIS的RUSLE预测结果是否在当地的合理范围内。由于第一年野外数据收集的技术问题，导致测量系列中存在空白，因此可能有一些中等程度的侵蚀事件没有被记录下来。

2.2 RUSLE框架及GIS实现
空间建模采用了RUSLE乘法结构：
A = R × K × LS × C × P （1）
其中A表示由细沟和间沟作用引起的年平均土壤流失量（长期平均值），R代表降雨侵蚀力，K表示土壤可蚀性，LS表示坡长和坡度综合因子，C表示覆盖管理因子，P表示支撑实践因子[33]。所有这些因素都会影响土壤流失[21]，并且这些层被制备成空间分辨率为5米的栅格数据，采用相同的投影和范围。然后通过逐单元相乘的方式将所有栅格数据整合起来，生成整个研究子流域的连续土壤流失表面。GIS工作流程遵循标准地图代数方法：（i）预处理原始输入数据（降雨数据、土壤属性、DEM和土地覆盖类型）；（ii）推导出具有相同单位和比例尺的R、K、LS、C和P层；（iii）根据它们的乘积计算A [35]（图3）。由于RUSLE预测的是长期的年平均土壤流失量而非每次事件的沉积物输送量，因此其输出被解释为坡度尺度上的总体侵蚀潜力（包括片状侵蚀和细沟侵蚀）。通过实地测量得出的侵蚀数据可以提供有价值的一致性检验，但预计其结果不会与模型预测完全吻合，尤其是在监测时间较短或局部沉积或细沟形成阈值影响沉积物转移的情况下[22]。

2.2.1 降雨侵蚀力因子
降雨侵蚀力表示降雨的侵蚀能力及其产生能够移除和运输土壤的径流的能力。根据[33]，侵蚀力是通过降雨强度指标（例如EI30）来计算的，但许多地中海地区的监测网络往往无法获得这些高频数据。作为一种替代方法，可以根据月度或年度累积的降水量来估算侵蚀力[36]。在本研究中，R值是根据[37]描述的改进版Fournier框架计算得出的，该框架改进了Fournier最初的降水量浓度指数，以增强其与侵蚀力的相关性。对于每个监测站点，每日降雨量被累积为月度和年度总量。改进后的Fournier指数（MFI）的计算公式为：
Pi 是第i个月的降水量，P 是年降水量。
根据[39]中的关系，侵蚀力估算公式为：
0.264 是从MFI和降雨侵蚀力（R）之间的统计关系中得出的经验系数，以确保与标准的R因子单位一致。
这种基于降水量估算侵蚀力的方法特别适用于气候均匀的地区，因为F-R关系会随着降雨类型的不同而变化[36]。因此，选择了包含4个雨量站的TEMES网络（图4）来代表与目标子流域相同的气候区域，并进行了多年平均（2016–2025年）处理，以消除年度异常值，更准确地反映长期侵蚀作用[44]。站点级别的R因子值被插值到整个流域，生成空间分辨率为5米的连续降雨侵蚀力栅格，与DEM的分辨率保持一致。插值采用适合站点密度和地形变化的IDW（逆距离加权）方法进行，并将结果栅格裁剪到研究区域边界之内。所得的R值在整个建模期间被视为不变的，这与RUSLE模型的长期平均值特性相符。

2.2.2 土壤可蚀性因子
土壤可蚀性（K）表示在标准参考条件下土壤被降雨和径流带走的能力。它主要受土壤质地、有机质、结构以及水分在土壤中移动速度的影响[35]。K值通常通过标准地块测量或根据土壤属性与K值相关的方程（如pedotransfer方法）来估算。
在本研究中，所需的土壤参数（土壤质地、有机质含量、土壤结构类型和渗透性类别）来自OPEKEPE开放土壤数据集（农村发展与食品部）。这些空间层用于在整个研究子流域内参数化K因子，确保不同土地覆盖单元之间的一致覆盖和属性定义。为了确认映射的属性在当地的代表性，使用从实验地块采集的土壤样本进行了野外观察和实验室分析进行验证，检查了质地类别、有机质水平以及分配的结构和渗透性类别的一致性。
可蚀性因子是根据[33,35]开发的原始USLE诺模图的代数近似公式计算得出的，并以公制单位表示（包括0.1317的单位转换因子[22]）。应用的方程为：
M = (msilt + mvfs) × (100 ? mc) × (1 ? a × b × c × d) × 0.1317
其中msilt表示粉砂百分比，mvfs表示非常细砂百分比，mc表示黏土百分比；a表示土壤结构类型代码（b=1表示非常细颗粒，b=2表示细颗粒，b=3表示中等或粗颗粒，b=4表示块状、片状或块状混合结构）；c表示渗透性类别代码（c=1表示非常快，c=6表示非常慢）。共区分了六个等级[40]：(1) 快速，(2) 中等到快速，(3) 中等，(4) 中等到缓慢，(5) 慢速，(6) 非常缓慢。方程中的数值系数是基于Wischmeier和Smith的诺模图经验得出的[33]，反映了土壤质地、有机质、结构和渗透性对土壤可蚀性的相对影响，0.1317是单位转换因子，用于将结果转换为国际单位制（SI单位）。
通过将计算出的K值与地图上的土壤单元关联，生成了整个流域分辨率为5米的K值栅格。这种方法确保了K值根据主导土壤属性模式在空间上的变化，同时保持了物理上的合理性（例如，在细质、低有机质含量的土壤中K值较高）。这与RUSLE模型中将K视为受土壤属性控制的侵蚀敏感性修正因子的概念解释一致。

2.2.3 地形因子：坡长和坡度
地形对侵蚀有显著影响，因为它控制了径流的集中程度以及水流的能量大小。在GIS中，坡长效应通常通过上坡贡献面积（流入每个单元的面积）来表示。这样可以使得LS因子能够反映复杂地形上的水流汇聚和分散情况，而不是假设一个均匀的坡度。因此，结合了单位流功率/贡献面积的公式来计算综合LS因子：
As = ρ × β × m × n × sin(θ) （5）
其中As是特定流域面积（每个等高线宽度的上坡贡献面积），β是坡度角，m=0.4，n=1.3。RUSLE模型中的标准坡长为22.13米，0.0896对应于标准9%坡度的正弦值；这两个值用于在LS因子计算中标准化坡长和坡度。
使用经过水文校正的DEM来计算流向、流量积聚和坡度。贡献面积项As是通过将流量积聚与网格单元大小相结合（即将累积的单元计数转换为单位宽度的贡献面积）得到的，而坡度以度为单位进行计算，并根据三角函数的要求进行转换。这种方法能够捕捉到地形汇聚区域中的径流集中情况，这是相对于仅考虑坡长方法的显著优势[42]。

2.2.4 覆盖管理因子
植被和管理措施通过减少雨滴对土壤的直接冲击、增加水的粗糙度以及改善渗透性来减少土壤流失。在RUSLE模型中，这一点通过覆盖管理因子C来体现。
研究子流域内的土地覆盖类型被映射为少数几个反映当地景观的主导类别（橄榄树林、硬叶植被和具有大量自然植被的混合农业用地）。由于该子流域较小且已知情况明确，分类工作基于当地知识和详细解释完成。每个类别的数值（表1）取自[43]中发布的文献数据。

2.2.5 支撑实践因子
支撑实践因子（P）反映了侵蚀控制措施相对于未采取任何保护措施的区域在减少土壤流失方面的效果。在本研究中，P值的分配遵循RUSLE模型的标准程序[33]，基于对研究区域内现有保护措施的实地验证。实地调查表明，该子流域内唯一的支撑措施是梯田建设，而其余区域由于当地景观和土地使用条件，没有其他明显的侵蚀控制措施。因此，所有非梯田区域的P值被设定为1.0。对于梯田区域，P值的分配根据[33]中的方法按坡度类别进行：1–2%坡度的梯田为0.60，3–8%坡度的梯田为0.50，9–12%坡度的梯田为0.60，13–16%坡度的梯田为0.70，17–20%坡度的梯田为0.80，21–25%坡度的梯田为0.90，25%以上坡度的梯田为1.0。

2.3 不同方法学下的DEM
采用了DoD方法来描述子地块内的土壤运动。LiDAR传感器的一个优势是可以从图像中过滤掉植被覆盖，从而能够长时间连续监测土壤行为。通过重复的UAV-LiDAR调查来获得空间明确的侵蚀/沉积估计值。数据采集使用了搭载有DJI Zenmuse L2 LiDAR传感器的DJI Matrice 300 RTK平台。UAV-LiDAR数据集通过Matrice 300 RTK的RTK定位功能进行了地理配准；因此，没有建立专门的地面控制点（GCP），因为这种配置被认为能够满足研究的精度要求。Zenmuse L2集成了高精度的IMU，并支持多次回波采集（每个激光脉冲最多可以捕获五个回波信号）。在果园环境中，树木冠层和地面植被可能会部分遮挡土壤表面，多次回波LiDAR增加了通过冠层间隙获取地面观测数据的可能性[44]。相比之下，UAV摄影测量可能无法重建植被下的“裸露地面”，因为它依赖于光学可见性[45]。
两次飞行调查分别于2024年12月11日和2025年5月6日进行，每个点云数据都被处理成0.05米分辨率的栅格DEM。点云重建和地形建模在DJI Terra软件中进行。地面高程不是简单地通过选择“最后一次回波”来得出的，而是应用了专门的地面分类流程来区分裸土点和植被及其他物体。DJI Terra的地面分类工作流程考虑了地形差异，从而生成了符合实际条件的DEM。两次调查之间的地形变化使用差分DEM（DoD）来量化：
DoD = DEM_May2025 ? DEM_Dec2024 （6）
其中负的DoD值表示高程损失（表面降低/侵蚀），正的DoD值表示沉积。DoD方法广泛用于地形沉积量预算，但需要注意调查/模型的不确定性以及表面变化可能是由噪声而非真正地形变化引起的[46]。DoD值（Δz，单位米）通过网格单元面积转换为体积：
ΔV? = Δz? × A （7）
其中A=0.05米×0.05米=0.0025平方米。将所有单元的ΔV?相加得到观测期间的净体积变化（立方米）。然后将净体积转换为质量，使用从实验地块中采集的两个未受干扰的土壤芯样测得的平均体积密度（ρb=1.1克/立方厘米，相当于1.1吨/立方米）：
M = ΔV? × ρb （8）
根据[48]的方法计算了土壤的堆积密度，并对大于2毫米的粗颗粒进行了校正，具体公式如下：(9) 其中Wc是圆柱体内土壤的烘干质量（克），Wg是大于2毫米的砾石质量（克），Vc是圆柱体的体积（立方厘米）。3. 结果 3.1. 基于现场的土壤流失测量 在100平方米的实验小区内进行的直接测量显示，在两个监测期间土壤流失存在显著的时间变化。实验地块的土壤分析结果显示其质地为粘壤土，由32%的沙子、32%的粉砂和36%的粘土组成，有机质含量为1.9%。为了更好地解释观察到的沉积物变化，每次测量都配以降雨描述指标，包括总降水量和最大30分钟降雨强度（I30），作为降雨侵蚀性的事件尺度指标（图5a）。图5. 监测期间（2023–2025年）100平方米实验小区内降雨特征（a）和沉积物产量的时间变化（b）。监测期间的年平均降水量为785毫米，比参考期（2016–2025年）的806毫米低2.6%。这表明研究期间的降水量略低于平均水平，但仍能代表研究区域的典型降雨条件。降雨记录显示，监测到的事件在总降水量和强度上存在显著差异。每次事件的总降水量大约在15到95毫米之间，而I30则在7到69毫米/小时之间变化。这表明监测期间包括了侵蚀潜力不同的事件，从相对低强度的风暴到短暂但强度极高的降雨事件。测量到的土壤流失也表现出强烈的事件间变异性（图5b）。最高值出现在少数几个事件中，而其他几个日期仅有少量的沉积物产生。这种模式证实，实验小区内的土壤流失是基于特定事件的，而非连续的，少数降雨事件导致了大部分观察到的沉积物输出。在2023–2024年的监测期间，累积测量的土壤流失量为0.497吨/公顷·年。在2024–2025年的监测期间，由于数据更加完整，累积测量的土壤流失量达到了0.768吨/公顷·年。总体而言，现场测量结果表明，沉积物的输出主要是由个别侵蚀事件引起的，而非随着时间的推移逐渐均匀地移除土壤。3.2. RUSLE模型对土壤侵蚀的估算 雨水侵蚀性（R）：R因子地图（图6a）显示，整个研究子流域内的降雨侵蚀性几乎是一致的。这是预期之中的，因为该地区具有典型的地中海气候，大部分降雨发生在雨季，且在一个如此小的区域内没有明显的空间差异。在流域的较暴露部分，R值略有升高，而在低洼地区则较低。这种模式表明，高海拔地区的降雨强度可能稍高。尽管这些差异不大，但它们仍然很重要，因为R因子直接影响RUSLE模型中的最终土壤流失值。因此，即使R值的微小增加也可能导致更高的预测侵蚀量，特别是在坡度较陡或植被覆盖有限的地区。总体而言，地图表明整个子流域内的降雨侵蚀力相对一致，仅有轻微的局部变化。图6. 研究子流域内RUSLE输入因子的空间变异性，包括降雨侵蚀性（a）、土壤可蚀性（b）、海拔（c）、地形因子（d）、土地覆盖因子（e）和支持措施因子（f）。土壤可蚀性（K）：K因子地图（图6b）显示，整个研究子流域内的K因子空间变异性非常小，其值接近0.0249吨·公顷·小时·兆焦耳·毫米^-1。这种相对均匀的模式与农业部[27]提供的土壤调查数据一致，表明研究区域内的土壤性质较为均匀。主要土壤成分包括35.3%的沙子、30.0%的粉砂和34.7%的粘土，平均有机质含量为2.61%。这种组成大致对应于粘壤土的质地，并与我们的现场土壤测量结果相符。这些性质表明土壤对降雨和径流的侵蚀敏感性适中。因此，尽管K因子的空间变异性较低，但土壤可蚀性仍然对侵蚀风险有贡献，特别是在DEM（图6c）所示的陡坡和植被覆盖有限的地区。地形因子（LS）：LS因子地图（图6d）显示所有RUSLE因子中空间变异性最强，其值范围从0到约43.1不等。最高的LS值集中在坡度更陡、更长的段落，这些地方径流可以积聚并获得侵蚀能量。相比之下，低LS值出现在子流域的平坦部分和短坡段，那里的流量集中程度较低。这种模式表明地形是研究区域内侵蚀风险空间分布的主要控制因素。LS值较高的地区预计会经历更大的土壤流失，尤其是在植被覆盖稀疏或支持措施有限的情况下。覆盖管理（C）：C因子地图（图6e）显示出与土地覆盖和管理方式相关的明显空间差异，其值范围从0.0623到0.2273不等。较低的C值与植被密集或地面保护较好的区域相关，表明这些区域的侵蚀敏感性较低。相反，较高的C值出现在更暴露的表面，包括耕作土地或植被覆盖较差的果园区域。这种模式表明植被覆盖在子流域中起着重要的保护作用。从实际角度来看，C值较高的区域更容易受到侵蚀，因为土壤表面对雨滴冲击和地表径流的防护较少。支持措施因子（P）的空间分布如图6f所示。P值在0.6到1.0之间变化，反映了子流域内是否存在侵蚀控制措施。P值为1.0的区域表示没有采取任何侵蚀控制措施的土地，因此土壤流失没有相对于标准条件有所减少。相反，P值为0.6的区域对应于梯田，其中保护措施有助于降低侵蚀风险。地图表明，这些较低的P值主要集中于子流域的特定部分，特别是在中部到北部以及东南部的较小区域，而大部分地区的P值仍为1.0。这证实了保护措施的保护效果具有空间局限性，主要与梯田土地相关。最终的RUSLE土壤流失地图（图7）显示了整个研究子流域内年土壤侵蚀量的明显空间变化。大部分区域属于最低侵蚀类别（0.0–0.6吨/公顷·年），表明在当前的环境和土地利用条件下，土壤流失通常较低至中等。然而，有几个明显的侵蚀风险增加区域，主要位于子流域的中部、西北部和东南部，这些地区的土壤流失量上升到1.3–3.2吨/公顷·年，局部甚至达到最高的3.4–8.5吨/公顷·年。这些区域可能受到陡坡、更高的流量集中度和植被覆盖有限的共同影响[22]。总体而言，结果表明，尽管该子流域规模较小，但它包含了一些局部易受侵蚀的区域，可能需要采取有针对性的土壤保护措施。图7. 基于RUSLE模型的研究子流域年土壤流失的空间分布。3.3. 地形高程变化（差异DEM）为了研究土壤表面形态的短期变化，采用了基于多时相LiDAR高程数据的差异DEM（DoD）方法。分析重点在于识别调查日期之间的表面位移和土壤移动模式，而不是直接量化土壤流失。一个关键的预处理步骤是通过去除植被生成裸土DEM。原始DEM和过滤后的DEM（图8）的比较表明，去除植被显著改善了地面形态的表示，使得斜坡特征、微地形和流动路径的识别更加清晰。这一步骤对于确保后续高程差异反映实际地形变化至关重要。图8. 去除植被前后的LIDAR衍生表面高程。(a) 原始点云DEM（仍保留树顶和地面植被）。(b) 过滤后的地面DEM（移除了植被）。2024年12月11日和2025年5月6日的DEM比较（图9）表明，虽然总体地形结构保持一致，但地块内存在局部的高程差异。这些变化表明土壤物质沿着微地形特征发生了短期重新分布。图9. 2024年12月11日和2025年5月6日实验地块的裸土数字高程模型（DEM）。DoD地图（图10）显示了正负高程变化，反映了地块内的侵蚀和沉积的空间异质性模式。变化主要与小尺度地形特征和流动路径相关，表明沉积物在短距离内发生了局部重新分布。图10. 实验地块2024年12月11日和2025年5月6日之间的差异DEM（DoD），显示了表面高程的变化。在这项研究中，DoD结果主要被解释为土壤位移和表面动态的指标，而不是直接估计土壤流失。总体而言，DoD定性表明了地块内的净沉积物流失，尽管这种信号的一部分可能反映了内部沉积物的重新分布而非实际输出。4. 讨论 本研究的主要优点是采用了多种方法来研究土壤侵蚀，结合了直接的现场测量、RUSLE建模和基于LiDAR/DoD的表面分析。这一点很重要，因为土壤侵蚀是一个复杂的过程[49]，受到多种因素[50]的影响，这些因素在不同的空间和时间尺度上发挥作用；因此，单一方法很少能够完整地捕捉其行为。来自地中海环境的研究表明，径流小区提供了土壤流失的直接现场证据，而基于GIS和遥感的模型则代表了侵蚀风险的空间分布；这些方法共同提供了对侵蚀过程更全面的理解[51,52]。径流小区特别有价值，因为它们提供了直接的事件尺度上的总土壤流失测量[7,53]，而RUSLE提供了侵蚀风险的空间分布预测[19,54,55]，DoD方法[56]有助于可视化土壤表面随时间的变化。在测试的方法中，径流小区实验提供了来自监测小区的最直接的土壤流失测量证据[52,57]。径流小区广泛用于获取有界区域内的径流和土壤流失的直接测量，尤其是在事件尺度上[58,59]。然而，它们的结果容易受到小区设计、操作和局部空间变异性的影响，因此应谨慎解释[58,60]。在本研究中，径流小区数据作为事件驱动的土壤流失的主要测量参考。由于收集系统的技术问题，在第一个监测年度出现了一些缺失的观测数据。由于这一时期没有与强降雨事件重合，因此不太可能遗漏重大土壤流失事件。一旦在适当的空间尺度上进行比较，RUSLE的结果与现场测量结果吻合良好。这是本研究最重要的成果之一。2023–2024年的年土壤流失量为0.497吨/公顷，2024–2025年为0.768吨/公顷，这两个数值落在RUSLE预测的0.6–1.3吨/公顷范围内，或非常接近这一范围。这并不意味着这两种方法完全相同，但它确实表明它们的数量级一致，并且模型合理地再现了局部侵蚀信号。这种一致性尤为重要，因为RUSLE是最常用的土壤侵蚀估计经验模型之一[22]，但其性能在很大程度上取决于用于推导R、K、LS和C、P因子的输入数据的质量[33]。可靠的RUSLE预测需要准备充分的输入数据，并在可能的情况下进行独立验证[24,35]。在本研究中，本地输入数据的质量很高，这很可能解释了模型输出与实测的样地尺度值一致的原因。这也为将RUSLE应用于一个较小且定义明确的子流域（而非整个Xerias流域）提供了合理依据。RUSLE最初是用于估算长期平均年土壤流失量的[33]，当应用于样地到小流域尺度时通常更为可靠[61]，尤其是在有本地信息可用于参数化并且可以进行某种形式的现场验证的情况下。当模型被应用于更大的区域而缺乏验证时，不确定性会增加，因为输入因素变得更加概括化，且沉积过程没有得到明确表示[19]。在这方面，我们的研究表明，在地中海橄榄种植条件下，将RUSLE应用于子流域并结合直接现场测量可以产生现实的侵蚀估算结果。因此，其贡献不仅在于地图本身，还在于证明了本地验证能够提高对地图结果的信心。

LiDAR和DoD分析提供了不同的但互补的视角。与测量输出沉积物的径流样地不同，DoD方法主要揭示了地表高程变化[44]，从而能够识别出在两次调查之间地表下降或上升的区域。因此，在本研究中，DoD的结果主要被解释为土壤位移和局部地表重新分布，而不是直接估计土壤流失量。这种解释与其他基于DoD的研究结果一致，这些研究表明差异化的数字高程模型（DEM）在绘制地形变化图以及识别小样地和山坡上的短距离重新分布模式方面特别有效[62]。在我们的研究样地中，DoD的结果支持了一个普遍的预期，即物质倾向于从相对较高的位置移动到较低的位置，表明在监测的地表内发生了向下坡方向的土壤重新分布。

同时，研究中的DoD部分应被视为整体方法論中的一个探索性但有前景的组成部分。监测区域相对较小（100平方米），且比较仅涵盖了五个月的周期，这限制了推断更广泛或长期侵蚀模式的程度。此外，DoD产品的有效性在很大程度上取决于DEM的质量及其空间分辨率，因为需要高分辨率的表面来保留控制水流集中和局部侵蚀的微地形特征。先前的基于无人机（UAV）和LiDAR的研究表明，DEM的分辨率对坡度表示、侵蚀量估算（LS）以及微地形变化的可见性有显著影响[63,64]。因此，本研究中的DoD结果最好被视为样地尺度上地表行为的详细指标，而不应作为一个独立的年土壤流失量测量手段。尽管如此，它们仍然很有价值，因为它们以径流样地或RUSLE单独无法显示的方式揭示了地形变化的内部空间结构。

总体而言，这三种方法表明，土壤侵蚀评估受益于一个全面的框架。现场实验提供了直接的测量数据，RUSLE提供了空间外推并识别出易发生侵蚀的区域，而LiDAR/DoD则揭示了地表细尺度的重新分布情况。这种组合解决了侵蚀研究中的一个普遍问题，即许多研究仅依赖一种方法，从而只能捕捉到过程中的一个维度。最近的地中海地区综述明确呼吁采用这种多方法、多尺度的策略，因为每种方法都只能提供对侵蚀动态的部分但有用的视角[5,65]。我们的工作通过展示即使在相对较小的地中海子流域中，综合设计也能将直接观测与空间建模和高分辨率地形分析联系起来，为此类讨论做出了贡献。未来的工作可以在此基础上扩展监测持续时间、增加样地数量，并进一步完善基于地形的分析，以减少剩余限制并加强方法间的比较。

5. 结论

本研究表明，通过结合使用直接现场测量、RUSLE建模和基于LiDAR的地形分析，可以改善地中海橄榄种植区的土壤侵蚀评估。现场实验提供了样地尺度上实际土壤流失量的直接证据，而RUSLE模型则提供了整个研究子流域内侵蚀风险的空间分布估计。实测的年土壤流失量值与RUSLE预测范围之间的一致性表明，在有高质量的本地输入数据支持的情况下，RUSLE能够在局部条件下提供现实的土壤侵蚀估计。LiDAR–DoD方法通过识别实验样地内的短期地表高程变化和局部土壤重新分布模式，提供了额外的补充视角。虽然这种方法在这里没有作为直接测量土壤流失量的手段，但它对于描述土壤随时间的位移和地表行为非常有用。总的来说，这三种方法表明，土壤侵蚀是一个复杂的过程，无法仅通过单一方法完全捕捉，而多方法框架可以支持对侵蚀动态的更全面理解。总体而言，这些发现强调了综合侵蚀评估的重要性，不仅在于估算土壤流失量，还在于提高我们对脆弱地中海农业生态系统中的土地退化过程的理解。由于土壤侵蚀是土地退化的主要驱动力之一，特别是在陡坡耕作区，本研究中应用的综合方法可能有助于制定更有针对性的土壤保护和可持续土地管理策略。未来的研究应进一步完善这些方法，减少剩余的限制，并扩大监测范围，以加强样地和子流域尺度上的侵蚀评估。