常梦迪，王新军*，闫立男，马克，李永康，李菊艳，贾宏涛

（1.新疆农业大学草业与环境科学学院，乌鲁木齐 830052；2.新疆土壤与植物生态过程重点实验室，乌鲁木齐 830052；3.新疆维吾尔自治区水土保持生态环境监测总站，乌鲁木齐 830011）

植被覆盖管理措施因子（Vegetation cover and management factor，以下简称C因子）用来表示植被覆盖和管理措施对土壤侵蚀的影响，是水力侵蚀模型中最敏感、易变化、可调节的因子，其空间分布特征及其影响因素备受关注[1-2]。其他重要的土壤侵蚀风险因素，包括降雨侵蚀力因子（R）、土壤可蚀性因子（K）、坡长因子（L）和坡度因子（S），主要由自然条件决定，人为干扰较少，而C因子则是受人为干扰且可调节的关键因子[3]。

通常利用遥感数据获取C因子的主要方法包括土地利用/覆盖类型直接赋值法、植被指数估算法、植被覆盖度估算法[4]。土地利用/覆盖类型直接赋值法根据不同的土地利用类型/植被覆盖级别进行C因子的赋值[4]，该方法简单易行、应用广泛，但不能反映同一土地利用类型/覆盖类型内C因子的时空异质性，受土地利用/覆盖类型解译精度的限制[5-6]。植被指数估算法首先建立小区实测C因子值与植被指数的回归模型，再将该模型推广到研究区获取C因子[4]，但该方法具有不确定性，这是由于其与植被分布、土壤反射率和植物活力变化的相关性较差。植被覆盖度估算法通过植被指数或混合像元分解反演流域、区域尺度植被覆盖度，然后通过小区、坡面尺度C因子与植被覆盖度的关系式估算流域、区域尺度C因子[4]。作为基于植被指数直接或间接计算C因子的替代方法，植被覆盖度估算法通过混合像元分解估算绿色植被覆盖的丰度，并根据C因子与植被覆盖度的关系式计算得到C因子。混合像元分解中，线性光谱混合模型（Linear Spectral Mixture Model，LSMM）是提出最早且应用最为广泛的方法。杨峰等[7]将LSMM 模型应用于干旱、半干旱地区的植被覆盖度研究，解决了地物混合像元问题，具有较好的效果。SCHMIDT 等[8]通过LSMM 模型将瑞士草地分为植被、基岩/裸土/沥青、阴影3 个端元，基于实测数据建立C因子与植被覆盖度的关系式，从而计算各时段的C因子，并加权各时段降雨侵蚀力比例，进而估算区域时空动态的C因子，结果表明，应用LSMM 模型并考虑降雨、植被季节分布能够较为全面地反映C因子的空间变化特征。以往的研究中LSMM模型常把植被作为一个端元[8-9]，由于本研究位于天山北坡中段山区，植被种类丰富、时空差异较大，故根据研究区实际情况将植被细分为草地、灌木林地、乔木林地端元。因此，如何提高区域尺度长时间序列C因子的估算精度成为预测土壤侵蚀准确性的关键。

2013 年第一次全国水利普查水土保持情况公报数据显示[10]，新疆水力侵蚀面积为8.76×104km2，主要分布在新疆北部的伊犁州、天山南北坡地带和阿尔泰山南坡，主要发生在中低山区和丘陵地区[11]。新疆大部分土壤侵蚀研究主要集中在降雨量较大的伊犁河谷区域[12-13]，而针对天山南北坡的相关研究较少。天山山区降雨存在空间不均匀性，北坡（迎风坡）大于南坡（背风坡）。降雨呈现山区高、平原低的格局。天山北坡山区受季节性强降雨的影响，水力侵蚀尤为强烈。乌鲁木齐县山区是天山北坡旅游经济和畜牧经济发展旺盛的区域[14-15]，因此以天山北坡中段乌鲁木齐县山区为研究对象，选择研究区2000、2005、2010、2015、2018 年的Landsat、MODIS MOD13Q1 遥感数据和日降水数据，结合LSMM 模型和像元二分模型分别计算空间和时间上的植被覆盖度，基于增强型自适应反射率时空融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model，ESTARFM）预测得到高时空分辨率的植被覆盖度数据（分辨率30 m，16 d），通过研究区植被覆盖度的实测值，验证反演模型的精度。将时空融合后的植被覆盖度转换为各半月时段的C因子，并结合各半月降雨侵蚀力比例进行年内加权，得到乌鲁木齐县山区时空动态的C因子，以期为进一步开展大尺度C因子的定量估算提供借鉴，为新疆干旱区土壤侵蚀的研究及综合治理提供数据支持。

1 材料与方法

1.1 研究区概况

乌鲁木齐县山区位于新疆维吾尔自治区天山北坡中段乌鲁木齐市西南（86°79′～87°93′E，43°66′～43°02′N），总面积约2 952.38 km2。地势西南高、东北低，海拔1 155～4 461 m。乌鲁木齐县山区地形地貌的多样性使不同海拔、坡位、坡面的水热条件不同，各山地垂直带气候也各不相同。在垂直方向上，降雨量随海拔高度的增加而递增，其中中部山区降雨最为丰富，高山区降雨量有所下降，气温随海拔高度的增加而降低；在水平方向上，坡向的不同导致太阳热量辐射和水汽截流状况不同，造成不同坡向水热条件的不同[16]。乌鲁木齐县山区迎风背阳，降雨量多，太阳辐射少，较为湿润，多年平均降雨量为481.79 mm，大年份614.40 mm，小年份278.50 mm。一年中降雨主要集中在5—8 月，占年降雨量的68.46%。年平均气温为3.07 ℃，月平均气温最高为16.80 ℃，月平均气温最低为-16.00 ℃。研究区主要土壤类型有栗钙土、黑钙土、灰褐土、黑毡土、草毡土等。研究区植被类型多样，主要由草本（64.82%）、乔木（15.12%）和灌木（0.93%）构成。研究区概况如图1所示。

图1 研究区概况Figure 1 Overview of the study area

1.2 数据获取

依据新疆的气候和植被生长状况，选择3—11 月作为研究时段。本研究所需的数据如下：①遥感影像数据：选取2000、2005、2010、2015、2018年4—10月的Landsat 系列遥感影像（分辨率30 m，16 d），每个年份选择质量较好的2 景影像，共10 景影像，轨道号均为143/030（来源于美国地质调查局官网）；获取以上5个年份16 d 合成的MODIS MOD13Q1 数据（分辨率250 m，16 d），统一使用年积日表示数据的获取日期，即第65 天至第337 天，每个年份各18 景影像，共90 景影像，轨道号均为24/04（来源于Earth data）。②日降水数据：获取以上5 个年份乌鲁木齐牧试站、乌鲁木齐站及周边区域共18 个气象站点的日降水数据（来源于中国气象数据网）。③土地利用数据：参照文献方法[17]，采用二级分类体系，结合实际情况，将研究区土地划分为13 类（天然牧草地、人工牧草地、其他草地、乔木林地、灌木林地、其他林地、裸土地、旱地、水浇地、采矿用地、风景名胜设施用地、内陆滩涂、农村宅基地），使用Landsat系列遥感影像、高分影像，通过人机交互解译获取研究区2000、2005、2010、2015、2018年土地利用数据。基于土地利用类型的空间分布特征，采用分层随机抽样方法，从每个时期的土地利用分类图上提取200 个样点，进行现场核查和Google Earth 历史影像检验，总体分类精度均高于85%，符合研究需求。

MODIS MOD13Q1 数据使用MRT 软件将HDF 格式转换成Tiff 格式并进行归一化植被指数（Normal⁃ized Difference Vegetation Index，NDVI）数据的导出、投影转换、裁剪、最大值合成等处理。Landsat 数据使用ENVI 5.3 软件进行预处理。辐射定标后采用FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）模型[18]进行大气校正。同时以研究区经校正的2015 年Landsat TM 遥感影像作为标准底图，采用二次多项式拟合法[19]对影像进行几何精纠正，误差控制在0.5 个像元内。受山脉的起伏和侧视成像等影响，影像具有一定的阴影。因此为了校正山区遥感影像的反射率，采用Teillet 地形校正模型[20]反演得到地表反射率。

采用分层随机采样方法，考虑研究区土壤类型和草地类型，结合流域完整性及地形坡位、土地利用类型、禁牧与放牧状况，并根据样点的均匀性和可达性设置25 个采样点。野外采样工作于2019 年7 月开展，样地大小为30 m×30 m，在样地对角线的两端和中心3 个1 m×1 m 的样方核查实际土地利用类型，并采用野外垂直向上照相法获取林地郁闭度，采用野外垂直向下照相法获取草地、灌木林地的覆盖度。

1.3 研究方法

1.3.1 降雨侵蚀力因子

根据模型算法和数据获取情况，本研究采用日降水数据计算半月降雨侵蚀力[21]。计算公式为：

式中：R半月i为第i个半月的降雨侵蚀力因子，MJ·mm·hm-2·h-1；Pk为半月中第k天的侵蚀性日降水量（≥12 mm），<12 mm以0计算，mm；m为半月内的天数，d；α、β是模型参数。

式中：Pd12和Py12分别是日降水量≥12 mm 的日平均降雨量和年平均降雨量，mm。

为了与一年内各时段的C因子时间序列统一，将半月降雨侵蚀力模型改进为16 d 降雨侵蚀力模型。应用式（1）、式（2）、式（3）计算18个气象站点每年3—11 月（18 个半月）的降雨侵蚀力，累加各半月降雨侵蚀力得到年降雨侵蚀力。采用反距离权重插值（Inverse Distance Weight，IDW）方 法[22]，得 到2000、2005、2010、2015、2018年研究区降雨侵蚀力因子。

1.3.2 线性光谱混合模型

高空间特征植被覆盖度的计算采用线性光谱混合模型。线性光谱混合模型的主要过程包括数据预处理、最小噪声分离（Minimum Noise Fraction，MNF）变换[23]、纯净像元指数（Pixel Purity Index，PPI）提取[24]、端元提取、线性光谱解混、精度分析等。

（1）端元提取

有效端元的选取是线性光谱混合模型的关键环节。在对Landsat 数据进行端元提取之前，首先进行MNF 变换，其结果用于PPI 提取，获得相对纯净的像元作为候选端元。最后利用N 维可视化（N-Dimen⁃sional visualization）工具[25]选取纯净的端元光谱，根据ENVI 5.3软件光谱库中的“参考端元”、遥感影像上提取的“影像端元”，并与研究区土地利用图相结合，最终确定了草地、乔木林地、灌木林地、裸岩和裸土5 种典型端元类型，并计算每个端元的平均光谱特征值，以获得每个端元的光谱特征曲线（图2）。

图2 终端像元光谱特征曲线Figure 2 Spectral characteristic curve of terminal pixels

（2）线性光谱解混

LSMM 模型的原理是混合像元的反射率为像元内每个组分反射率与其丰度的线性组合，它的基本假设是混合像元每个组分的光谱彼此独立[26]。计算公式为：

式中：i=1，…，n（n为光谱波段数）；j=1，…，m（m为端元数）；Ri为i波段混合像元光谱反射率；fj为j端元丰度；Wi，j为j端元在i波段上的光谱反射率；εi为i波段残差。

本研究使用ENVI-IDL 编程实现全约束线性光谱解混。已知混合像元光谱反射率Ri和端元光谱反射率Wi，j，通过全约束最小二乘算法（Fully Con⁃strained Least Squares，FCLS）[27]反解端元丰度值fj。均方根误差（Root Mean Square Error，RMSE）用于评估线性光谱解混结果的准确性，RMSE值越小，解混精度越高。计算公式为：

本研究将获得的草地、乔木林地、灌木林地端元组分丰度图进行叠加计算植被覆盖度（LandsatFGVC），得到每年各2 景的高空间植被覆盖度数据（分辨率30 m，16 d）。

1.3.3 像元二分模型

高时间序列植被覆盖度的计算采用像元二分模型，该模型假定地表由植被和土壤组成，其覆盖度与相应NDVI值的线性组合为混合像元的NDVI值[28]。计算公式为：

式中：FGVC为植被覆盖度；NDVI为像元的归一化植被指数；NDVIveg和NDVIsoil分别为纯植被、纯土壤端元的归一化植被指数。

本研究根据MODIS 数据区域不同土地利用类型在95%和5%的置信区间来确定NDVIveg和NDVIsoil，以每个时期的土地利用数据作为掩膜，将计算出的不同土地利用类型的NDVIveg和NDVIsoil带入公式（6）中，以实现植被覆盖度（MODISFGVC）的估算，得到每年各18 景的高时间序列植被覆盖度数据（分辨率250 m，16 d）。

1.3.4 ESTARFM时空融合模型

Landsat 数据易受云雾和降雨天气的影响，无法获取连续的高质量时间序列数据；MODIS 数据具有较好的时效性，但空间分辨率较低。因此采用ZHU 等[29]提出的ESTARFM 时空融合模型用于整合LandsatFGVC空间数据（分辨率30 m，16 d）和MODISFGVC时间数据（分辨率250 m，16 d），时空融合后得到的ESTARFMFGVC与LandastFGVC数据空间分辨率一致，与MODISFGVC数据时间分辨率一致，得到每年各18 景的ESTARFMFGVC数据（分辨率30 m，16 d）。

1.3.5 植被覆盖管理措施因子

本研究采用蔡崇法等[30]的方法，即根据Ci因子与FGVC之间的关系式来估算Ci值，其值在0～1 之间。计算公式为：

根据唐克丽[31]对C因子的定义，将FGVC转化为Ci，并结合18 个半月降雨侵蚀力因子比例，计算得到年内加权平均C因子值。计算公式为：

式中：Ci指第i个半月的植被覆盖管理措施因子；Ri指第i个半月的降雨侵蚀力占年降雨侵蚀力的比例；C为年均植被覆盖管理措施因子。

根据式（7）、式（8）计算C因子，得到2000、2005、2010、2015、2018年研究区植被覆盖管理措施因子。

2 结果与分析

2.1 线性光谱解混精度分析

在空间建模方法中，选取空间分辨率为30 m 的Landsat 系列遥感影像数据，采用全约束最小二乘算法进行线性光谱解混。研究以2015 年8 月18 日（第230 天）的Landsat 8 影像数据为例，检验解混精度。图3 为线性光谱解混产生的均方根误差（RMSE）分布图，像元最大RMSE值为0.089 3，最小值为0.001 2，平均值为0.027 4，绝大多数像元的RMSE值在0.013 1左右，大多数RMSE值小于0.041 2。用于时空融合的10 景Landsat 数据线性光谱解混RMSE值总体上低于0.046 3，线性光谱解混精度较高。

图3 均方根误差分布Figure 3 Root mean square error distribution

为了评估模型的准确性，使用研究区域中25 个采样点实测的植被覆盖度数据来验证模型的准确性，对通过LSMM 模型获得的植被覆盖度预测值与实测值进行线性回归分析，得到图4，决定系数R2为0.840 2，RMSE为11.045 5。两者的相关性散点相对集中，拟合趋势线接近1∶1 对角线（y=x），斜率K为0.840 4，总体预测精度较高，LSMM 模型可用于估测研究区植被覆盖度。

图4 植被覆盖度实测值与估测值关系Figure 4 The relationship between the measured and estimated values of vegetation coverage

2.2 ESTARFM时空融合精度分析

应用根据LSMM 模型获得的空间特征植被覆盖度和根据像元二分模型获得的时间序列植被覆盖度，采用ESTARFM 时空融合模型获得研究区2000、2005、2010、2015、2018年（3—11月）共90景ESTARFMFGVC数据（分辨率30 m，16 d）。相较于LandsatFGVC数据，ESTARFMFGVC数据包含更多的植被时间变化特征。此外，为进一步检验ESTARFMFGVC数据的空间变化特征，研究选择2015 年4 月12 日（102 d）、2015年9月3日（246 d）以及2015年4月7日（97 d）、2015年8月29日（241 d）的两组LandsatFGVC和MODISFGVC数据作为输入数据，使用2015 年8 月13 日（225 d）的MODISFGVC数据来预测该时期的ESTARFMFGVC数据，并利用2015 年8 月18 日（230 d）的LandsatFGVC数据作为参考。通过对比2015 年8月13日（225 d）的MODISFGVC影像、2015年8月18日（230 d）的LandsatFGVC影像和融合结果影像ESTARFMFGVC（图5）发现，与MODISFGVC数据相比，ESTARFMFGVC保留了LandsatFGVC的空间分布信息，影像纹理结构清晰，并且还包含MODISFGVC的时间变化信息。

图5 ESTARFM时空融合结果对比Figure 5 Comparison of ESTARFM spatio-temporal fusion results

由于仅凭视觉观察无法准确说明融合结果的准确性，因此对预测结果进行定量分析。通过计算ESTARFMFGVC和LandsatFGVC之间的差值来获得差值频数分布图（图6），水平轴为像元差值，垂直轴为像元差值频数。从图6 中可以看出，差值接近0 的频数较高，说明实际影像与融合影像中大多数像元值之间的差异很小。ESTARFMFGVC和LandsatFGVC的差值平均值为1.965 4，标准差为5.663 5，分布较为集中。其中差异较大的区域主要是地表植被空间格局复杂的区域，尤其是乌鲁木齐县山区林草植被分布相对零散的区域。融合结果与LandsatFGVC相差不大，大多数地区（92%）的差值绝对值小于10，总体预测精度高。

图6 ESTARFM FGVC与Landsat FGVC差值频数分布Figure 6 ESTARFM FGVC and Landsat FGVC difference frequency distribution

2.3 不同土地利用类型对植被覆盖度的影响

统计2000—2018 年乌鲁木齐县山区年内（以16 d 为间隔）的不同土地利用类型的植被覆盖度均值得到图7。从图7 中可以看出，植被生长始于第81 天（3月底），止于第321 天（11 月中旬）；除裸土地外，总体上各土地利用类型植被覆盖度均在第177天（6月底）达到最大。乔木林地在一年中植被郁闭度最高，在40%～70%之间；其次为人工牧草地、水浇地、风景名胜设施用地、天然牧草地，年内植被覆盖度最高在60%左右；裸土地的植被覆盖度最低，年内植被覆盖度最高在25%左右。

图7 2000—2018年乌鲁木齐县山区年内不同土地利用类型植被覆盖度均值变化Figure 7 The average change of vegetation coverage of different land use types in the mountainous area of Urumqi County from 2000 to 2018

2.4 植被覆盖管理措施因子时间变化特征

2000—2018 年乌鲁木齐县山区3—11 月间春季（3—5月）、夏季（6—8月）、秋季（9—11月）、雨季（4—9月）、旱季（3月、10—11月）的C因子值见表1。由表1 可知，2000—2018 年C因子随季节变化有所不同，其中春秋两季的C因子值较大，且较为接近，夏季的C因子值较小；C因子受雨旱季节演替变化影响较大，其中旱季的C因子值均大于雨季，这主要是因为雨季植被生长旺盛，地表植被能够有效地截留降雨，降雨对土壤表面颗粒的影响随之降低。这表明当侵蚀性降雨集中的月份有较好的植被保护时，土壤流失较少。而旱季地表植被覆盖少，甚至无植被覆盖，易引起土壤侵蚀。植被对土壤的防护作用随着植被的生长发育而逐渐改变。因此，研究区植被覆盖最差、降雨侵蚀力较大的时段是土壤侵蚀的危险时期，在此期间采取相应的防护措施能够有效防止土壤侵蚀的发生。由研究区年际C因子的平均值（图8）可以看出，2000—2018 年C因子均值总体上呈现先上升后下降趋势。

图8 2000—2018年乌鲁木齐县山区C因子均值年际变化Figure 8 Interannual change of the mean value of C factor in the mountainous area of Urumqi County from 2000 to 2018

表1 2000—2018年乌鲁木齐县山区不同季节、雨旱季的C因子均值Table 1 The mean value of C factor in different seasons，rainy and dry seasons in the mountainous area of Urumqi County from 2000 to 2018

2.5 植被覆盖管理措施因子空间变化特征

经计算得到2000—2018 年的乌鲁木齐县山区C因子分布（图9）。从图9 中可以看出，植被覆盖度对C因子的影响较大，植被稀疏、植被结构简单甚至没有植被覆盖的南部高山区C因子值较高；植被茂密、植被结构复杂的北部中低山丘陵区C因子值较低。2000—2018 年研究区抵抗土壤侵蚀能力较强（C<0.05）和较弱（C>0.3）的区域面积变化趋势如图10 所示。C<0.05 的区域面积先由研究区总面积的20.38%（2000 年）逐渐减小到15.41%（2010 年），后迅速增大到34.99%（2018年）；而C>0.3的区域面积先由研究区总面积的3.16%（2000 年）迅速增大到22.58%（2005年），后缓慢增大到23.19%（2010 年），再逐渐减少到14.34%（2018 年）。起初由于超载放牧，植被破坏严重，覆盖度低。从2010 年实施草原生态保护补助奖励机制以来，植被逐渐恢复，覆盖度大幅提高。

图9 2000—2018年乌鲁木齐县山区C因子空间分布Figure 9 The spatial distribution of C factor in the mountainous area of Urumqi County from 2000 to 2018

图10 2000—2018年乌鲁木齐县山区C因子值像元数百分比年际变化Figure 10 Interannual change of the percentage of the pixel number of the C factor value in the mountainous area of Urumqi County from 2000 to 2018

2.6 不同土地利用类型对植被覆盖管理措施因子的影响

统计2000—2018 年乌鲁木齐县山区年内（以16 d 为间隔）的不同土地利用类型的C因子均值得到图11。从图11 中可以看出，2000—2018 年乌鲁木齐县山区年内C因子均值总体呈现先下降后上升的趋势，与植被覆盖度年内变化趋势相反，这表明较好的植被覆盖可降低土壤侵蚀。研究区C因子值的分布与土地利用类型密切相关。裸土地的C因子值最高，主要分布在海拔>3 000 m 的高山区域；其次是其他林地、采矿用地、其他草地、灌木林地、旱地，主要分布在海拔1 600～2 000 m 之间的山前冲积扇区域。而乔木林地、人工牧草地、天然牧草地的C因子值最低，主要分布在海拔2 000～3 000 m 之间植被覆盖度较高的中低山丘陵区域。乌鲁木齐县山区天然牧草地和乔木林地面积占比较大，且草地面积大于林地面积，C因子值估算结果总体呈现出草地>林地的特点，表明不同土地利用类型的水土保持功效有所不同，一般表现为林地>草地。不同林地利用类型C因子表现为其他林地>灌木林地>乔木林地，符合C因子的实际分布特征。

图11 2000—2018年乌鲁木齐县山区年内不同土地利用类型C因子均值变化Figure 11 The average change of C factor of different land use types in the mountainous area of Urumqi County from 2000 to 2018

3 讨论

由于C因子受侵蚀性降雨的季节性分布以及地表植被覆盖时间变化特征的影响[32]，本研究结合区域植被生长周期，选取多期遥感影像计算年内各时段的C因子，并利用各时段的降雨侵蚀力比例来修正C因子。SCHMIDT 等[8]的研究表明：与年度C因子相比较，侧重于四季或一年12 个月C因子的动态方法能够减少年度C因子计算中的误差；采用植被各生长期时空变化的R因子和C因子的组合能更准确地评估C因子动态，同时确定易受侵蚀的区域和季节。C因子与植被覆盖度的变化趋势相反，主要是因为良好的地表植被覆盖能够防止雨滴飞溅侵蚀，减缓地表径流，降低土壤侵蚀风险，这与已有研究[33]结果一致。张晓艳等[34]对不同土地利用类型的土壤侵蚀进行研究，结果表明同一降雨时间内，地表径流量表现为草地>林地，林地的水土保持功效优于草地，这与本研究结果基本一致。林杰等[2]对不同林地利用类型的C因子进行研究，结果表明林地的水土保持功效最大，灌木林地次之，疏林地最差，这与本研究结果基本一致。天山北坡处于迎风坡，降雨量相对较大，影响C因子的主要气候因素为降雨。本研究结果表明，一年中5—8月为主要的降雨期，C因子值较小，这主要是因为该时期植被生长较为旺盛，地表植被覆盖度较高，能够有效地截留降雨，减小径流对土壤的冲刷。降雨侵蚀力年内分配与地表植被覆盖季节变化的配合状况对土壤侵蚀有较大影响，而在暴雨集中期，植被覆盖较差时，土壤流失最为严重，这与已有研究[33]结果一致。

随着畜牧业的不断发展，牧场的载畜量日益增大，草地退化问题严重，草畜矛盾日趋尖锐。自2010年10月以来，国务院对8个主要草原牧区（包括新疆）实施草原生态保护补助奖励机制，每年把大额补助资金用于草原禁牧补助、草畜平衡奖励、牧草良种补助和牧户生产性补助等方面，起到很好的效果[35]。植被覆盖度是草地退化监测的关键指标之一，起初草地严重超载和过度放牧，草地植被受到严重破坏，植被覆盖度降低。自2010 年以来，一系列措施的实施，例如禁牧休牧、划区轮牧、舍饲圈养等，使植被得到恢复，植被覆盖度增加。C因子与植被覆盖度之间具有密切的联系，2000—2018年乌鲁木齐县山区C因子呈先上升后下降的趋势。

本研究对天山北坡中段乌鲁木齐县山区C因子的定量估算也存在不足。新疆天山北坡草地受季节变化影响明显，可能导致结果具有一定偏差；同时本研究所使用的Landsat 影像分辨率较低，端元选取时未考虑草地非光合植被、阴影等，这也可能会对结果产生影响。因此在今后的研究中应当使用高分辨率影像，并深入探讨基于光谱混合模型的C因子应用研究。

4 结论

本研究根据不同的卫星遥感数据（Landsat 和MODIS MOD13Q1）、日降水数据、土地利用数据、植被覆盖度实测数据等，结合LSMM 模型、像元二分模型和ESTARFM 模型计算C因子，并分析C因子的时空格局特征及不同土地利用类型对C因子的影响，得出以下结论：

（1）10景Landsat数据线性光谱解混精度较高，对研究区植被覆盖度的估测结果较为理想。ESTARFM 算法生成的具有高时空分辨率的ESTARFMFGVC数据不仅增加了LandsatFGVC的空间特征，而且包含MODISFGVC的时间序列。ESTARFMFGVC与LandsatFGVC相差不大，差值趋近于0的像元数量占比较大，总体预测精度较高。

（2）2000—2018年C因子均值总体呈现先上升后下降趋势。C因子值随季节、雨旱季变化而变化，表现为秋季>春季>夏季、旱季>雨季。基于植被覆盖度和C因子的年内变化特征可知，植被覆盖度较大的时段C因子值较小。C因子值呈现南部高山区较高、北部中低山丘陵区较低的格局。C因子值估算结果呈现出草地>林地的特点，说明不同土地利用类型的水土保持功效有所不同，对水土保持而言，林地是最有效的土地利用类型。