机器学习模型整合RUSLE-IC-SDR-SWAT框架揭示印度Chota Nagpur高原主要水库流域沉积物来源与输移路径

本研究针对印度Chota Nagpur高原水库淤积问题，创新性整合RUSLE-IC-SDR-SWAT-SEH-ML多模型框架，首次实现沉积物来源热点(SEH)与连通性路径(IC)的耦合分析。结果显示Maithon、Panchet和Tenughat水库流域严重侵蚀区分别增长0.31%、0.285%和0.7%，SVM/RF模型预测精度达R2 ≥0.994，为水库可持续管理提供科学依据。

　　

论文解读：

在气候变化加剧的背景下，印度Chota Nagpur高原的水库正面临严峻挑战。Maithon、Panchet和Tenughat三大水库已分别损失27.4%、25.17%和16.8%的库容，这种"沉默的危机"主要源于上游流域采矿活动和极端气候引发的土壤侵蚀。传统研究往往孤立分析侵蚀过程与输移路径，而沉积物从产生到入库的动态关联机制始终是未解之谜。更棘手的是，现有模型难以精准预测空间异质性显著的沉积物产出脆弱区，这直接制约着靶向治理措施的制定。

针对这一科学难题，Vidyasagar大学地理系的Sk Asraful Alam和Ramkrishna Maiti研究团队开创性地构建了多模型融合框架。研究整合了修正通用土壤流失方程(RUSLE)、沉积物连通性指数(IC)、沉积物输移比(SDR)、土壤与水评估工具(SWAT)、侵蚀热点(SEH)识别以及机器学习(ML)预测模型，首次在Damodar河流域实现从侵蚀源到水库沉积的全过程解析。通过1990-2021年长达31年的时序分析，结合SVM、RF、XGBoost等算法，在《Physics and Chemistry of the Earth, Parts A/B/C》发表了这项突破性成果。

关键技术方法包括：1) 基于RUSLE模型量化时空土壤侵蚀，结合Getis-Ord Gi*识别SEH；2) 采用IC指数分析沉积物连通性路径；3) 运用SWAT模拟流域出口沉积物通量(SY)；4) 整合Mantel检验、ANOVA和LSD事后检验进行统计验证；5) 应用机器学习模型预测SY空间脆弱性。数据涵盖三大水库流域1990-2021年的水文气象、地形和遥感资料。

研究结果：

1. Spatiotemporal soil erosion (SE) rate in the catchments of three major dam
   RUSLE模型显示三大流域侵蚀强度持续攀升：Maithon流域严重侵蚀区占比从0.74%增至1.36%(Δ0.31，R²
   =0.65)，Panchet从1.78%升至3.58%(Δ0.285)，Tenughat从0.92%增至1.49%(Δ0.7，R²
   =0.69)。SWAT估算的平均SY分别为Maithon 7.662 t ha^-1
   yr^-1
   、Panchet 5.871 t ha^-1
   yr^-1
   、Tenughat 9.146 t ha^-1
   yr^-1
   。

2. Characterized sediment source zone
   沉积物连通性分析揭示：Maithon流域高连通区从14.45 km²
   扩至17.69 km²
   ，Panchet从21.22 km²
   增至26.64 km²
   ，Tenughat从18.77 km²
   扩至22.96 km²
   。Mantel检验证实关键变量可解释90-97%的SY变异(p<0.001)。

3. Conclusion and recommendation
   机器学习预测显示SVM对Maithon和Tenughat流域最优(R²
   =0.998)，而RF在Panchet流域表现最佳(R²
   =0.994)。ANOVA表明流域间SY差异显著(p<0.001)，LSD检验揭示Panchet与Tenughat差异最显著(p<0.001)，这与Tenughat水库对Panchet上游的调水调沙作用有关。

该研究首次在Damodar河流域实现"侵蚀源-输移路径-水库沉积"的全链条解析，其创新性体现在：1) 创建RUSLE-IC-SDR-SWAT-SEH-ML多模型耦合框架；2) 揭示采矿活动是Panchet流域SY显著高于Maithon的主因；3) 开发高精度SY空间预测模型。研究成果为全球类似气候区的水库淤积防治提供了可复用的方法论框架，尤其对解决"亚洲水塔"等关键区域的泥沙问题具有重要借鉴价值。作者建议将SEH识别与IC分析纳入水库流域管理标准，为实施联合国可持续发展目标(SDG)6.4的水资源可持续利用指标提供技术支撑。