基于多源数据的黄河一级支流土壤水分的时空动态及其对地形的响应：以万川河流域为例

《Environmental and Sustainability Indicators》：Spatiotemporal Dynamics of Soil Moisture in primary tributaries of the Yellow River Based on Multi-source Data and its response to Topography: A Case Study of Wanchuan River Basin

土壤湿度时空分布及地形响应机制研究——以洮河流域为例。采用多源遥感数据构建随机森林与岭回归模型，揭示0-30cm土层湿度与地形因子（海拔、坡度、坡向）的耦合关系，发现海拔对湿度影响最显著（贡献度32.7%），南向坡面湿度高于其他方向。模型验证显示岭回归在10-20cm土层RMSE达0.0070，优于随机森林的0.0241。空间分析表明洮河 southern mountain area湿度峰值较北方高18.6%，年际变化与生态治理工程实施进度吻合

　　土壤水分在调节生态系统供需动态中发挥着至关重要的作用。随着全球气候变化的加剧，理解土壤水分的时空变化对于评估陆地生态系统的水分保持能力变得尤为重要。然而，由于数据同质性和模型不确定性等问题，甘肃段黄河上游地区的土壤水分对地形变化的长期响应机制尚不明确，这给黄土高原生态系统的水分保持能力估计带来了不确定性。本研究通过使用万家川河流域的多源数据，构建了随机森林模型和多元线性回归模型，模拟了0–30厘米深度土壤水分的时空分布，并探讨其对地形因素的响应。研究中使用的土壤水分反演关键指标包括容重（BD）、毛细孔隙率（Pcap）、非毛细孔隙率（Pnon）、交叉极化雷达反射率（VH）以及归一化植被指数（NDVI）。在评估的模型中，线性回归方法优于其机器学习对应模型。具体而言，岭回归在所有三个土壤深度中均表现出更高的R2和相关系数，以及更低的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和p值，显示出其在研究区域土壤水分反演中的最佳性能。

从空间分布来看，高土壤水分值主要集中在黄河右岸的兴隆山森林公园，而左岸则表现出较低的水分含量。地形分析表明，土壤水分随着海拔升高而增加，但随着坡度增加而减少，表现出在北向坡面水分含量较高的特征。重要性评分进一步表明，海拔是影响土壤水分的最强地形因素。这些发现为理解黄河甘肃段土壤水分对地形变化的响应提供了关键数据和理论基础。

生态系统服务（ES）构成了人类赖以生存的重要支持系统，其主要由生态系统结构、过程和功能决定。这些服务包括供给、调节、文化和支持等功能。近年来，生态系统服务的供需失衡引发了生态风险，直接威胁区域生态安全，并影响可持续发展。因此，协调生态系统服务之间的相互作用已成为保障生态稳定的重要任务。水分保持功能作为关键的生态系统功能，在维持流域平衡和减轻土壤侵蚀方面具有不可替代的作用。该术语起源于20世纪初德国建立的水保持林。到了1960年代至1970年代，研究重点转向森林生态水文过程。然而，目前对于其机制在不同陆地生态系统中的统一理解仍然有限。学者们将水分保持功能定义为生态系统在时空约束下保持水分的能力，受地形、土壤性质、气候和植被等多种因素影响，呈现出动态复杂性。关键决定因素包括时空尺度、形成机制和定量指标。土壤水分直接反映了整个生态系统的水分保持能力，并作为土壤-水-植被系统平衡的关键指标。同时，它还调控生态系统中土壤和水保持的关键动态过程，为评估水分保持功能提供了定量依据。精确量化地表土壤水分已成为评估更广泛水分保持功能的重要方法。土壤水分含量与多种物理化学性质密切相关，其中容重和孔隙率是最具影响力的土壤结构功能指标。

随着遥感（RS）和地理空间技术的进步，现在可以大规模量化土壤水分。例如，Liang等人（2020）利用多元回归预测了农田春季土壤水分，Liu等人（2022a）则优化了BP神经网络用于坡面水分建模。Deodoro等人（2023）展示了SAR数据在土壤质地估计中的应用，通过线性回归实现。将遥感数据与地面数据结合，为宏观尺度土壤水分可视化提供了广阔前景。近年来，将遥感数据与实地测量指标相结合的机器学习算法逐渐成为该领域的研究热点。Singh等人（2023）综合了机器学习算法在地表土壤水分估计中的应用，指出随机森林是模拟地表土壤水分最常用的算法。同时，更高分辨率的基础数据将有助于研究人员在地球科学的多个领域更深入地探讨土壤水分的应用。然而，目前仍缺乏对线性回归模型与机器学习算法进行全面比较的研究，以确定最优模型选择和高分辨率地表土壤水分反演。

地形在调节土壤水分、容重、有机碳含量和养分的时空分布中起着关键作用。例如，海拔对土壤水分保持能力的影响最强，地形对黄土沟壑区有机碳分布的影响大于植被。此外，地形还驱动了物质/能量的再分配和侵蚀模式。然而，尽管现有研究确认了地形对土壤水分及其相关物理化学指标的影响，但整合地形因素（如海拔、坡度和坡向）对土壤水分的综合效应的研究仍然有限。

甘肃段黄河上游贡献了整个流域年径流量的20%，维持下游的稳定性。加速的土壤侵蚀威胁区域生态安全，因此需要精确的土壤水分评估以实现高质量的流域发展目标。本研究聚焦于万家川河流域，作为黄河的主要支流，利用高分辨率的多源数据（物理化学参数、遥感指标等），开发了多个线性回归模型。同时，随机森林被选为机器学习算法进行比较分析，以识别最佳的土壤水分反演模型，从而实现土壤水分的精确可视化。通过控制条件因素，筛选地形参数并结合反演的水分网格进行机制分析，系统地探讨了主要黄河支流中地形对土壤水分的影响。研究结果将为黄河支流的可持续水资源管理策略提供参考。

本研究的实施地点是位于黄土高原的万家川河，是黄河上游的主要支流之一。作为兰州市（甘肃省省会）的关键生态屏障和气候调节区，该流域地形复杂，北部和南部的海拔较高，中部相对较低。该地区属于大陆性季节气候，其地理坐标范围为东经103°7′-104°2′，北纬35°3′-36°1′。万家川河主干流长度约为80公里，由众多支流汇聚而成，总流域面积为1900平方公里。整个流域完全位于兰州市的榆中县，包含重要的区域气候调节区——兴隆山国家森林公园。该河发源于兴隆山（最高海拔3300米），并向西北方向流经和平镇（最低海拔1500米）汇入黄河。

值得注意的是，河流南北两岸的植被覆盖存在显著差异。主要的土地利用类型包括农田和人工建筑，反映出人类活动对这一生态敏感区域的显著影响。该地区的草地类型多为裸地，生态价值较低。

研究采用了多种土壤样本采集和性质测定方法。2022年至2024年间，现场观测和采样在7月10日左右进行，所有选定的哨兵卫星图像均在7月1日至7月11日之间获取，显示出与现场调查日期的高度时间一致性。根据“大规模均匀性与小规模随机性相结合”的原则，共设立了170个随机采样点，确保相邻采样点之间的最小直线距离为1公里。在每个采样点，划分了两个子样方（50厘米×50厘米），间隔50米。记录了PS坐标、海拔、植被类型和景观特征，并辅以摄影记录。每块子样方中，通过随机选择植物测量其平均高度。土壤采样方案：使用100立方厘米的环刀提取未扰动土壤芯，以进行新鲜重量和孔隙率的即时测量。实验室测定土壤水分含量（烘干法）和容重（BD）。从0–30厘米深度（分为0–10厘米、10–20厘米和20–30厘米三个层次）采用五点采样法收集扰动样本。样本存放在标记的袋子中，晾干、筛分并分析其物理化学性质。利用Bettersize 2600激光粒度分析仪测量粒径分布：黏粒（<0.002毫米）、粉粒（0.002–0.05毫米）和砂粒（0.05–2毫米）的含量被量化。关键测量参数和方法在表1中进行了总结。

研究整合了多种遥感数据源，并进行了数据处理以减少模型构建中的多重共线性。哨兵1号SAR数据（VV和VH极化）从Copernicus数据空间生态系统（CDSE）获取，并通过SNAP 9.0.0软件处理以获得后向散射系数（dB）。哨兵2号多光谱图像包括B1–B8A、B11和B12波段，而B9和B10波段由于其60米的分辨率被排除在外。地形特征——包括海拔、坡度和坡向——是从30米分辨率的SRTM数字高程模型（DEM）中提取的。此外，河流网络和流域边界数据来源于兰州市水文站（甘肃省）。

所有数据集通过GIS技术进行了空间对齐，重新采样以达到统一的分辨率，并投影到WGS84 UTM坐标系统中。植被指数（如NDVI和NDMI）和光谱指数在ENVI 5.3中计算。由于云和雪引起的异常值，通过MATLAB进行了线性插值修正。为减少大气噪声，采用最大值合成（MVC）方法生成月度合成图像。月度数据进一步按气候学惯例汇总为四个季节类别：春季（3月至5月）、夏季（6月至8月）、秋季（9月至11月）和冬季（12月至次年2月）。土地利用分类来源于哨兵2号卫星图像，其分类精度通过Kappa系数验证，超过0.75。

研究利用SPSS软件分析了实测土壤物理化学性质与光谱波段之间的相关性，基于相关系数确定了最适合土壤水分反演建模的波段。此外，还进行了相关性分析，以探讨土壤水分含量与相关物理化学指标的关系，为构建土壤水分指数模型奠定了基础。研究采用了三种回归方法，分别是逐步多元线性回归（SMLR）、偏最小二乘回归（PLSR）和岭回归。通过对比分析，研究发现PLSR在适用指标方面表现最佳，显示出对大多数实测参数的广泛适用性。而岭回归在建模土壤孔隙特性方面尤为有效，成功解释了所有孔隙率指标，除了10–20厘米深度的非毛细孔隙率。此外，研究发现植被指数（NDVI和NDMI）相较于单个反射波段表现出更强的预测能力，成为土壤水分相关指标中更频繁且更具影响力的协变量。这一模式表明，植被光谱响应可能在研究区域中作为土壤水分保持特性的稳健代理。模型性能的差异强调了在构建土壤水分预测框架时，选择适合特定算法的指标的重要性。尽管土壤砂含量（0–10厘米深度）和叶面积指数（20–30厘米深度）与土壤水分表现出显著相关性，但它们被排除在回归模型之外，因为缺乏能够支持稳健预测建模的显著相关反射波段。

研究中开发的回归模型在所有三个土壤深度均表现出优异的预测性能，R2值超过0.95，表明预测值与观测值之间的高度一致性。模型精度进一步通过全面的误差分析得到验证，均方根误差（RMSE）始终低于0.05，平均绝对误差（MAE）低于0.02，平均绝对百分比误差（MAPE）在10–20%之间。这些稳健的验证指标共同证明了模型在土壤水分估计方面的出色准确性。在三种回归方法的评估中，岭回归在所有三个土壤深度的评估指标中表现最佳，特别是在10–20厘米和20–30厘米深度的六个评估指标中，岭回归优于逐步多元线性回归和偏最小二乘回归。研究还发现，VH交叉极化雷达波段和NDVI植被指数在土壤水分模型中出现频率最高，成为研究区域水分保持评估的重要指标。它们的主导存在表明，这些参数对研究区域的土壤水分动态和植被-水分相互作用具有特别的敏感性。由于本研究中所构建的经验方程的自变量都可以从遥感影像中提取和计算，因此它们可以更容易地应用于与黄河流域相似的其他地区，从而验证每个方程的适用性。

研究发现，土壤水分的时空动态呈现出显著的季节性变化。例如，7月土壤水分在所有深度层中均达到峰值。值得注意的是，8月是表层（0–10厘米）和深层（20–30厘米）土壤水分的次高峰，而10–20厘米深度层的次高峰出现在6月。这一模式可能与春季融雪水渗透延迟或深度相关的植物水分吸收动态有关。研究还发现，土壤水分在不同深度层中表现出不同的季节性分布，表明土壤水分的季节变化受到多种因素的共同影响，包括降水输入、温度相关的蒸散发和植被在不同深度的水分吸收特性。

在地形因素对土壤水分的影响方面，研究发现，地形对土壤水分的响应具有显著的深度依赖性。例如，在海拔梯度下，10–20厘米深度的土壤水分表现出最广泛的分布，其峰值出现在2100–2300米的海拔范围内。而表层（0–10厘米）和深层（20–30厘米）土壤水分则在更高海拔区域显示出更广泛的分布，而在11月至2月期间则转移到较低海拔（2100–2500米）。坡度分析显示，所有三个土壤层（0–10厘米、10–20厘米和20–30厘米）均表现出坡度与土壤水分之间的显著负相关，最大水分保持出现在缓坡（0–8°）。值得注意的是，坡度相关的水分减少在不同土壤深度之间表现出极小的差异，这表明坡度对入渗和径流过程的主导作用，这种作用对整个土壤剖面具有统一影响。这些发现强调了坡度作为整体土壤水分可用性的主要调节因素，坡度大于8°的区域水分保持能力逐渐下降，无论土壤深度如何。

坡向对土壤水分的影响也呈现出一致的模式。数据显示，北向坡（东北、西北）的土壤水分保持能力显著高于南向坡。这一模式与广泛记录的机制一致：北向坡的太阳辐射减少降低了蒸散发速率，而更凉爽的表层温度进一步减少了蒸发损失。坡向效应在整个土壤剖面中的持续存在突显了地形在调节流域水文制度中的基本作用。

研究还发现，虽然研究区域的地形因素对土壤水分的影响显著，但其对土壤水分的空间异质性具有决定性作用。例如，在年尺度上，地形梯度对土壤水分变化产生了显著影响。地形对土壤水分的影响不仅限于短期变化，还影响长期的水分分布。研究中，地形因素的变量重要性评估表明，海拔是影响土壤水分的最强地形因素。这一发现与Lu等人（2025）的研究结果存在差异，后者认为地形位置是影响土壤水分的最关键地形因素。这种差异可能源于西南地区与黄土高原在地形变化和植被覆盖、水分和温度条件上的不同，导致地形因素的贡献有所差异。

研究还发现，虽然在某些深度层中，地形因素对土壤水分的影响具有显著的季节性变化，但在其他深度层中则表现出相对稳定的趋势。例如，在月尺度上，所有三个土壤层均表现出与坡度的显著负相关，但10–20厘米深度层的IncMSE值较低，这可能归因于机器学习和线性回归算法在变量选择原则上的差异。此外，APH（平均植物高度）在所有三个深度层中均表现出较强的贡献，而在线性相关性分析中，它仅与20–30厘米深度的水分含量显著相关。这些发现表明，虽然APH在土壤水分保持中具有重要作用，但其在不同深度层中的影响存在差异。

研究中，通过对比分析随机森林模型和线性回归模型的土壤水分反演结果，发现岭回归是万家川河流域最适合用于地表土壤水分建模的方法。在土壤参数中，容重、毛细孔隙率和非毛细孔隙率对土壤水分的影响最为显著，而VH后向散射和NDVI是最重要的遥感变量。这些发现为实现更精确的土壤水分监测提供了理论支持，并为其他类似区域的水分保持研究提供了参考。

本研究首次提出了在万家川河流域选择最佳土壤水分反演模型的方法，并评估了地形因素对土壤水分的调控作用。研究系统地揭示了土壤水分的时空分布以及地形因素的调控机制，为区域生态恢复和“退耕还林”政策的实施提供了理论基础。尽管研究结果与先前研究部分一致，但不同主要支流的地形和土壤物理化学特性存在显著差异，这要求在模型选择和具体分析上进行定制化处理。为了克服这些限制并拓展研究的适用性，未来的研究将包括：（1）在其他黄河流域支流（如洮河和黄水河）中进行系统的野外采样和图像处理，以提高回归模型的普适性；（2）整合多传感器卫星数据（包括Landsat和MODIS），以开发适用于2016年之前时期的精确土壤水分反演方法。