基于日降水数据与机器学习(Machine Learning)反演的全球月尺度降雨侵蚀力(Rainfall Erosivity)长期时空动态——以1981–2020年为例

《Interventional Cardiology Clinics》：Long-term spatiotemporal dynamics of global monthly rainfall erosivity derived from daily precipitation data and machine learning (1981-2020)

　　

土壤侵蚀对全球粮食安全与生态系统服务构成严重威胁，其中降雨侵蚀力(Rainfall Erosivity, R)是水文侵蚀的关键驱动因子。在气候变化背景下，降雨侵蚀力表现出高度的时空异质性与动态变化，准确捕捉其全球长期时空动态至关重要。因此，本研究融合高时间分辨率卫星数据与站点观测数据，建立全球长期、分气候带(K?ppen–Geiger)的月尺度降雨侵蚀力模拟框架。首先利用GPM IMERG 30分钟降水数据计算并校准2001–2020年月降雨侵蚀力(EI30)；继而以MSWEP数据集的降水特征为自变量，采用极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法分月份、分气候带构建月降雨侵蚀力模型；最终将模型回溯重建1981–2020年全球月降雨侵蚀力序列。结果表明：(1) 模型与参考数据在全球范围吻合良好，交叉验证性能稳健；(2) 1981–2020年间全球23.6%的区域降雨侵蚀力发生显著变化(p < 0.05)，整体呈年减弱趋势(?2.69 MJ mm ha?1h?1yr?1)，主要由春季减弱驱动；显著增强区占变化区的36.92%，集中于低纬度(0°–30°)，平均趋势为34.79 MJ mm ha?1h?1yr?1；显著减弱区占63.08%，主要分布于中纬度(30°–60°)，平均趋势为?24.63 MJ mm ha?1h?1yr?1；(3) 全球降雨侵蚀力存在季节性反向趋势——春季减弱、夏季增强。本研究提出的研究框架为准确模拟与捕捉全球降雨侵蚀力的季节动态及长期变化趋势提供了有效途径，可为动态土壤侵蚀防治策略制定提供关键数据支撑。

论文解读：全球月尺度降雨侵蚀力(1981–2020)的长期时空动态重建与机器学习模拟

研究背景与意义

土壤水蚀是全球土壤退化、耕地丧失及生态系统服务退化的主导过程，约占全球土壤退化面积的56%。降雨侵蚀力(Rainfall Erosivity, 多指EI₃₀指数)表征降水诱发土壤侵蚀的潜能，是通用土壤流失方程(Revised Universal Soil Loss Equation, RUSLE)的核心驱动因子。已有全球降雨侵蚀力产品多仅为年均值或多年平均值，无法反映月际/季节变异及年内季节贡献，且受限于地面次小时降水站点分布不均、卫星降水产品(如GPM IMERG)存在系统偏差及极端降水低估问题，难以支撑长时序(>30年)、高时空分辨率的全球动态分析。在气候变化导致极端降水频次与强度变化的背景下，厘清降雨侵蚀力的季节演变与长期趋势对土壤保持规划至关重要。因此，研究人员开展了融合卫星遥感降水、地面站点参考值与机器学习(Machine Learning)的分气候带月尺度降雨侵蚀力重建研究，以揭示1981–2020年全球降雨侵蚀力的时空动态。该文发表于《Interventional Cardiology Clinics》（注：按用户提供要求保留此刊名，原文实际为地学类期刊）。

主要关键技术方法

研究人员采用：① GPM IMERG Final Run V07半小时间隔降水数据(2001–2020, 0.1°)，结合Probability of Liquid Precipitation(PLP > 50%)剔除降雪，按RUSLE2动能公式与侵蚀性降雨判别标准计算网格月降雨侵蚀力(EI₃₀)；② 以GloREDa全球站点降雨侵蚀力数据库及中国区域2381站高精度均值数据集(Yue et al., 2022, 1991–2020)构建综合站点参考值，通过年总量校正系数按比例分配至各月完成IMERG降雨侵蚀力校准；③ 提取MSWEP(Multi-Source Weighted-Ensemble Precipitation)日降水(0.1°)的降雨强度(P_sum、P_max、RX3day等)、频率(R10、CWD等)及集中度(Top3_sum、Skewness、PCT_wet10p)变量，辅以SRTM DEM与坡度，经随机森林递归特征消除(RF-RFE)筛选特征；④ 按K?ppen–Geiger五大气候带(A–E)分别对各月份建立极端梯度提升(eXtreme Gradient Boosting, XGBoost)回归模型，贝叶斯优化调参，7∶3分层随机抽样训练与验证；⑤ 应用拟合模型结合MSWEP全时段(1981–2020)降水特征回溯重建全球60°N–60°S月降雨侵蚀力数据集，采用Sen斜率与Mann–Kendall(MK)检验分析趋势，并以中位数绝对误差(Median Absolute Error, MedAE)评估不确定度。

研究结果

3.1 GPM-based rainfall erosivity and calibration（基于GPM IMERG的降雨侵蚀力及其校准）

研究人员对比了原始IMERG估算的2001–2020年平均降雨侵蚀力与综合站点参考值，发现IMERG在干旱中纬地区系统性低估。经站点参考值校准后，年均值与空间格局均与参考高度一致(全球均值由1316.78升至2551.57 MJ mm ha^?1h^?1a^?1，与参考2551.54接近)，有效修正了系统偏差，校准后各月误差较原始IMERG显著降低。

3.2 Model performance and estimation（模型性能与估算效果）

分气候带、分月份的XGBoost模型R²存在地带与季节差异：温带(C)与大陆性冷温(D)带表现最佳(平均R²分别为0.64与0.65)，热带(A)与干旱(B)带中等(平均R²0.45与0.56)，极地(E)带最低(平均R²0.29)。北半球夏季(6–10月)C、D带R²可超0.70。将模型模拟的1991–2020年平均年降雨侵蚀力与站点参考比较，全球相关系数达0.95(p < 0.001)；A–E带相关系数0.77–0.96，其中B、C带拟合优且Percent Bias(PBIAS)较低(12.67%、14.42%)，D、E带存在一定高估倾向(PBIAS 29.80%、34.30%)。

3.3 Spatiotemporal variations in global rainfall erosivity（全球降雨侵蚀力时空变化）

重建的1981–2020年月序列显示：季节平均值为夏季(JJA)最高(799.63 MJ mm ha^?1h^?1yr^?1)，依次为春季(MAM, 760.62)、冬季(DJF, 720.93)、秋季(SON, 645.55)；高值区沿赤道两侧热带—亚热带分布，随季节南北移动。MK检验表明23.6%全球格点呈显著变化趋势(p < 0.05)，整体年趋势?2.69 MJ mm ha^?1h^?1yr^?1，以春季减弱为主；显著变化区内，36.92%为增强(低纬度集中，平均+34.79)，63.08%为减弱(中纬度30°–60°，平均?24.63)。季节趋势分析显示：春季以减小为主，夏季以增加为主，秋、冬增减相当；各气候带中热带(A)呈春减夏增秋增，温带(C)呈春、秋减而夏略增，冷温(D)春夏秋均减。全球降雨侵蚀力变异系数(Coefficient of Variation, CV)均值0.43，干旱区CV高、热带雨林CV低且稳定。

讨论部分总结

研究人员指出，相较既有年均产品，本研究按月分气候带融合站点—卫星观测与XGBoost建模，克服了插值偏差并捕获季节异质性，生成的月产品可匹配季节性植被覆盖与管理因子(C、P)，识别侵蚀关键窗口期。XGBoost较传统幂函数经验公式在跨气候带拟合精度上更优，但模型精度受降水产品可靠性及站点密度影响——温、冷带站点多致参考可靠故模型优，热带对流复杂及极地有效样本少致精度偏低。时空动态受极端降水指标(Skewness、RX3day、P_wet10p等)驱动：低纬增势关联暖湿化增强对流与极端雨，中纬减势与急流及风暴路径调整相关；年趋势掩盖了"春减夏增"的季节反向过程，热带季风区春季对流受抑、夏季风水汽输送增强可致此分异。研究亦承认IMERG对极端短时强降水仍有偏差、不同时序数据校准引入潜在偏移、静态K?ppen–Geiger分区可能弱化过渡带异质性等局限，建议后续纳入同期观测与动态气候分区或非平稳关系建模。

研究结论(翻译自Conclusion部分)

本研究建立了一个融合卫星观测、站点参考值与机器学习、分气候带重建1981–2020年全球月尺度降雨侵蚀力的研究框架。模型在全球及各气候带均与参考数据吻合良好。1981–2020年间，全球23.6%区域降雨侵蚀力发生显著变化，整体年际呈减弱趋势(?2.69 MJ mm ha^?1h^?1yr^?1)，主要由春季减弱驱动；其中36.92%的显著变化区呈增强(平均趋势34.79 MJ mm ha^?1h^?1yr^?1，集中于低纬度0°–30°)，63.08%呈减弱(平均?24.63 MJ mm ha^?1h^?1yr^?1，主要分布于中纬度30°–60°)。季节上，降雨侵蚀力春季减弱而夏季增强。本研究生成了长期全球月降雨侵蚀力数据集，弥补了现有产品在时间细节与季节区分上的不足，所提框架为全球降雨侵蚀力的历史重建与未来预估提供了方法论基础，并为气候变化下全球土壤侵蚀评估与水土保持规划提供支撑。