一种创新的土壤侵蚀性制图框架，融合了空间关联维度和机器学习技术

《Soil and Tillage Research》：An innovative mapping framework for soil erodibility integrating spatial association dimensions and machine learning

土壤侵蚀力（K）精准制图框架创新研究：整合经验模型、多尺度空间关联与机器学习提升东北黑土区K值预测精度，SDA方法使R2提升12%-89%，Shirazi模型最优（R2=0.4562），气候和地形为关键驱动因素。

　　

卢伟|王佳学|魏玉娇|孙正|马丽霞|洪永生|陈一云

武汉大学资源与环境科学学院，中国武汉430079

摘要

准确的空间土壤侵蚀力（K）映射对于评估侵蚀风险和制定保护策略至关重要。然而，现有的经验模型和空间预测方法面临一些挑战，包括低估空间变异性、静态的局部环境关联以及有限的区域适应性。本研究提出了一个创新框架，该框架整合了经验模型、空间关联的第二维度（SDA，包含多尺度邻域特征）和机器学习来选择最佳的K值映射方法。首先，基于中国东北黑土（Mollisols）地区的土壤调查和实验室分析，使用了三种经验模型：侵蚀-生产力影响计算器（K_EPIC）、Shirazi模型（K_Shirazi）和Torri模型（K_Torri）来计算K值。其次，SDA通过提取半径定义的邻域（100–3000米）内的分位数特征（0–1）来重构环境协变量，从而捕捉多尺度的空间动态。第三，采用随机森林（RF）和梯度提升决策树（GBDT）进行数字映射，并为每种配置生成40个集成模型（10个随机种子×4折交叉验证）以提高模型稳健性。结果表明，基于SDA的模型相比传统的静态局部关联模型，R²提高了12–89%。考虑到数据分布、模型精度和空间预测能力，K_Shirazi模型表现出最佳的区域代表性（R²=0.4562，在SDA-GBDT中）。此外，气候和景观是K_EPIC和K_Shirazi的重要驱动因素，而地形也影响K_Torri。所提出的框架通过多尺度环境特征提取和集成机器学习建模，为土壤侵蚀力映射提供了科学有效的方法，这种方法可以应用于其他地区或领域。

引言

土壤侵蚀是一种普遍存在的土地退化形式，对土壤生产力、粮食安全和生态稳定性构成重大威胁（Thaler等人，2021年；Yang等人，2024年；Fang等人，2024年；Hunakunti等人，2025年）。全球范围内，水蚀和风蚀每年分别导致1.3 Pg C和1.0 Pg C的土壤有机碳（SOC）损失（Lal，2020年）。2023年，中国27.44%的土地发生了土壤侵蚀，相当于263万平方公里（水利部，2024年）。

中国的黑土（Mollisols）地区主要位于东北部的黑龙江省、吉林省、辽宁省以及内蒙古部分地区，是中国最重要的农业区之一，以其深厚且富含有机质的Mollisols而闻名（Zhang等人，2021年；Zhang等人，2025年）。然而，由于集约化农业活动、森林砍伐和土地利用变化，该地区在过去几十年里遭受了严重的土壤侵蚀（Zhang等人，2021年；Ma等人，2024年）。研究表明，该地区某些区域的年平均土壤流失量可超过每公顷5吨，导致土壤肥力显著下降，威胁到农业生产的长期可持续性（Zhu等人，2022年）。因此，监测该地区的侵蚀风险至关重要。

土壤侵蚀力因子（K）是侵蚀建模中的一个关键参数，反映了土壤对外部力量导致的剥离和运输的固有敏感性。准确评估K值的空间分布对于理解侵蚀过程、监测侵蚀风险、开发预测性侵蚀模型以及设计有效的土壤和水资源保护策略至关重要。

评估K值有两种主要方法：实验测量和经验模型。实验测量基于自然条件下的现场标准径流观测数据和土壤流失方程计算（Boix-Fayos等人，2006年；Fang等人，2017年）。然而，缺乏划分径流区的国际标准以及需要大量的长期侵蚀数据使得这种方法成本高昂且应用受限（Cerdan等人，2010a年；Han等人，2021年；Zhang等人，2007年）。由于数据效率和计算可行性，经验模型成为主要方法。Nomogram模型（Wischmeier等人，1971年）使用四个关键土壤属性：质地、有机质、结构系数和渗透系数；侵蚀-生产力影响计算器（EPIC）（Williams，1990年）和Torri模型（Torri等人，1997年）仅基于土壤质地和SOC；Shirazi模型（Shirazi和Boersma，1984年）仅需要土壤质地。这些方法提供了评估K值的直接途径，但由于相关参数和局部特征的差异，经验模型在特定区域表现出最佳适用性（Corral-Pazos-de-Provens等人，2018年；Zhao等人，2018年）。例如，Lin等人（2017年）认为Torri模型更适合燕河流域。Zhu等人（2021年）发现EPIC模型在中国东南部表现更好。Keller等人（2021年）确定Nomogram模型更适合匈牙利的黄土地区。Yang等人（2024年）报告称Shirazi模型与全球测量数据之间存在显著差异。然而，大多数现有研究基于单一模型生成空间预测，而没有系统地优化模型的适用性（Gu等人，2021年；Yu等人，2023年；Ghavami等人，2025年）。这些局限性凸显了需要一个新框架，该框架整合多模型优化和空间预测，以提高K值估计的准确性和泛化能力。

K值直接受土壤性质控制，并间接受环境因素调节。传统的数字土壤映射模型主要使用样本点属性（如质地、有机质）与局部环境变量（如坡度、植被）之间的静态关联策略（Mohamed等人，2023年；Emami等人，2025年）。因此，当前大多数土壤侵蚀力的空间建模隐含地假设局部环境条件足以代表空间异质性（Yu等人，2023年；Ghavami等人，2025年）。然而，土壤侵蚀本质上是一个多尺度扩散和再分布过程，不仅受特定地点性质的影响，还受跨尺度能量和物质流动的影响，如降雨-径流相互作用和上坡-下坡沉积物连通性（Borselli等人，2008年；Behrens等人，2014年；Luo等人，2023年；Quinton和Fiener，2024年）。这表明土壤侵蚀力（K）可能不仅反映点条件，还反映每个位置周围的更广泛空间背景。一些土壤科学研究探索了尺度感知方法，包括小波变换和经验模态分解（EMD），以提取多尺度环境信号，从而提高数字土壤制图（DSM）的性能。基于小波的土壤映射已被证明能有效表征不同分辨率下的地形和土壤性质变化（Neaman等人，2009年；Webster，2000年）。EMD及其变体能够自适应地将协变量分解为内在尺度成分，从而在异质景观下改善空间预测（Azizi等人，2020年；Huang等人，1998年）。

与这些方法相比，空间关联的第二维度（SDA）框架有两个主要优势（Song，2022年）：（1）SDA使用地理明确的半径，使空间尺度与现实世界的地貌或生态过程直接联系起来；（2）SDA在移动窗口内提取分布属性（如分位数、方差），提供灵活且可解释的跨尺度环境异质性描述符。虽然基于小波和EMD的方法也生成数据驱动的、空间明确的成分，并已广泛应用于研究土壤过程（Biswas等人，2013年；Sun等人，2019年），但SDA明确强调了具有直接地理意义的空间结构化协变量，从而便于在土壤侵蚀研究中基于过程的推理。最新研究结果表明，结合多尺度背景信息显著提高了DSM的准确性，并改善了土壤-环境关系的物理可解释性（Padarian等人，2019年；Wang等人，2024年）。因此，评估采样点之外的环境信息的影响以及理解环境驱动因素在各个尺度上的作用对于改进土壤侵蚀力建模至关重要。

选择合适的空间预测模型对于高精度的K值预测也非常重要。典型方法包括空间插值（Efthimiou，2020年）、多元线性回归（Rehman等人，2024年）和机器学习（Parvizi和Fatehi，2025年）。Aqdam等人（2022年）使用随机森林（RF）和人工神经网络（ANN）模型在30米分辨率下生成K值的空间预测，并确定了伊朗Nazlou-Chai流域的重要地形因素。Sun等人（2024年）和Tian等人（2025年）使用RF模型在中国分别以90米和250米分辨率下进行K值的空间预测，并量化了环境变量的贡献。Gupta等人（2024年）使用RF模型在1公里分辨率下进行全球K值的空间预测，并提取了十个最重要的环境协变量。这些研究共同强调了机器学习在土壤侵蚀力空间预测中的有效性，以及探索环境因素的重要性。

鉴于此，本研究旨在为中国黑土（Mollisols）地区的粮食种植区提出一个准确的土壤侵蚀力映射创新框架。该框架整合了经验模型的优化、空间关联的第二维度（SDA）——基于多尺度重构环境协变量，以及集成机器学习（图1）。本研究的具体目标包括：（1）分析不同经验模型下K值的分布特征；（2）利用重要环境协变量和SDA构建输入变量，通过机器学习预测和映射K值；（3）通过比较预测模型的准确性、空间稳定性和不确定性，选择最佳的经验和空间预测模型组合；（4）确定K值空间变异性的主要环境驱动因素。

研究区域和土壤样本

研究区域位于吉林省西南部（东经123°45′ - 124°53′，北纬42°49′ - 43°46′，图2），面积约为4660平方公里，包括四平市的礼书县、铁西区和铁东区。礼书县以其坚实的农业基础而成为全国重要的粮食生产区。四平市地理位置优越，是东北地区重要的交通枢纽。研究区域具有典型的温带季风气候特征

描述性统计

表3列出了使用EPIC、Shirazi和Torri模型计算的样本点土壤质地、SOC和K值的统计特征。沙粒、粉粒和粘粒的平均含量分别为38.90％、43.85％和17.25％，其分布范围分别为12.46％至88.18％、6.65％至68.82％和5.17％至37.68％。SOC的平均含量为1.258％，分布范围为0.41％至2.39％。沙粒、粉粒和粘粒的变异系数（CV）分别为

K值的空间预测模型

本研究提出了一个基于K值经验模型、空间关联的第二维度以及机器学习模型的土壤侵蚀力空间映射框架，以确定最适合研究区域的经验模型和空间预测模型。EPIC、Shirazi和Torri模型是主要的K值经验模型。我们基于FDA和SDA为这三个经验模型构建了RF和GBDT的空间预测模型。

结论

本研究提出了一个创新框架，整合了经验模型、空间关联的第二维度（SDA）和机器学习，以优化土壤侵蚀力（K）的映射。SDA增强的机器学习方法能够捕捉传统FDA方法忽略的跨尺度相互作用，弥合点尺度经验计算与区域侵蚀动态之间的差距，从而显著提高预测准确性。土壤质地和土壤有机碳直接影响

CRediT作者贡献声明

卢伟：写作——审稿与编辑，撰写——初稿，可视化，验证，方法学，概念化。王佳学：写作——审稿与编辑，验证，方法学，调查，正式分析，概念化。陈一云：写作——审稿与编辑，验证，项目管理，方法学，正式分析，数据管理，概念化。魏玉娇：审稿与编辑，验证，方法学，调查，正式分析，数据管理

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家重点研发计划（项目编号：2022YFB3903302）的支持。此外，还得到了国家自然科学基金（NSFC）青年科学基金项目（项目编号：42201058）的支持。气候数据集由国家青藏高原/第三极环境数据中心（http://data.tpdc.ac.cn）和地理遥感生态网络平台（www.gisrs.cn）提供。