RUSLE gee计算

### 使用 Google Earth Engine (GEE) 进行 RUSLE 模型计算 RUSLE（修正通用土壤流失方程）用于估算平均年土壤侵蚀量，其表达式如下： \[ A = R \times K \times L \times S \times C \times P \] 其中： - \(A\) 是单位面积上的平均每年土壤损失量； - \(R\) 是降雨侵蚀力因子； - \(K\) 是土壤可蚀性因子； - \(L\) 和 \(S\) 组合为地形因子； - \(C\) 是植被覆盖管理因子； - \(P\) 是水土保持措施因子。 #### 获取数据集并初始化 GEE 环境 为了在 GEE 中实现上述公式的各个因子计算，首先需要加载必要的影像集合以及定义研究区。对于不同因子的数据源可以考虑以下选择[^1]： ```javascript // 加载所需库和设置工作空间 var dataset = ee.ImageCollection('projects/sat-io/open-datasets/soilgrid'); // 定义感兴趣区域(AOI)，这里以中国为例 var china = ee.FeatureCollection("USDOS/LSIB_SIMPLE/2017").filter(ee.Filter.eq('country_na', 'China')); Map.centerObject(china, 5); ``` #### 计算各因子值 ##### 雨fall侵蚀力(R) 通常通过多年气象站记录来确定\(R\)值，在此我们可以通过调用CHIRPS(Climate Hazards Group InfraRed Precipitation with Station data)月度降水量产品间接推导得出。 ```javascript // CHIRPS Monthly precipitation product var chirps = ee.ImageCollection("UCSB-CHG/CHIRPS/PENTAD"); function calculate_r_factor(image){ var precip = image.select('precipitation'); // ...具体转换逻辑... } ``` ##### 土壤可蚀性(K) 可以直接从SoilGrids下载得到全球范围内30m分辨率下的土壤物理化学性质图层，从中选取适合的指标作为\(K\)因子输入。 ```javascript // SoilGrids OC content at depth of 0-30cm as proxy for soil erodibility factor K var kFactor = dataset.filter(ee.Filter.eq('property_name','OC')).first().select('b').rename('kfactor'); ``` ##### 地形(L&S) 利用DEM派生坡度信息进而求解这两个参数组合而成的整体影响程度。 ```javascript // Load DEM and compute slope aspect etc. var dem = ee.Image("JAXA/ALOS/AW3D30_V1_1"); var terrain = ee.Algorithms.Terrain(dem); var lsFactor = terrain.expression( '(sin(slope * pi()/180))^2',{ 'slope':terrain.select('slope') }); ``` ##### 覆盖与管理(C) 基于MODIS NDVI时间序列分析作物生长周期变化情况从而评估植被密度对减少径流冲刷作用效果。 ```javascript // MODIS monthly NDVI composite var modisNdvi = ee.ImageCollection("MODIS/006/MOD13Q1") .map(function(img){return img.normalizedDifference(['Nadir_Reflectance_Band2', 'Nadir_Reflectance_Band1']).rename('ndvi')}); // Calculate average annual maximum ndvi value per pixel to represent vegetation cover status var cFactor = modisNdvi.max(); ``` ##### 实践保护(P) 这部分往往依赖于实地调查资料或者特定农业活动模式的空间分布映射结果来进行量化处理；如果缺乏此类详尽的信息，则可能需采用默认经验值填充缺失部分。 最后一步就是将所有这些准备好的因子图像相乘获得最终估计的潜在土壤侵蚀速率地图。 ```javascript // Combine all factors into one equation var rusleResult = rFactor.multiply(kFactor).multiply(lsFactor).multiply(cFactor); //.multiply(pFactor) ```