融合RUSLE模型与机器学习的津巴布韦农村流域土壤侵蚀风险评估及驱动机制解析

针对津巴布韦农村流域土壤侵蚀加剧问题，研究人员结合RUSLE模型、遥感技术（Sentinel 2）与随机森林（RF）算法，量化了2016-2023年Shashe与Tugwi-Zibagwe子流域土壤流失动态（最高达48 t ha?1 year?1 ），揭示耕地扩张是主要驱动因素，为非洲干旱区土壤保护提供关键数据支撑。

　　

土壤侵蚀已成为全球性环境挑战，尤其在依赖农业的非洲地区，津巴布韦农村流域因耕地扩张导致年均土壤流失高达90 t ha^?1
，严重威胁粮食安全。传统监测方法成本高、效率低，而现有研究多局限于单一时相或低分辨率数据。为此，由WeMAST项目资助的研究团队在《Journal of Arid Environments》发表论文，首次整合多时相Sentinel 2数据、RUSLE模型与机器学习，系统评估了Shashe和Tugwi-Zibagwe两个典型农村子流域的土壤侵蚀风险。

研究采用三大关键技术：1）基于Google Earth Engine(GEE)平台的随机森林(RF)算法，对2016-2023年Sentinel 2影像进行土地利用覆盖(LULC)分类（精度77%-91%）；2）运用修订通用土壤流失方程(RUSLE)计算降雨侵蚀力(R)、土壤可蚀性(K)等五大因子；3）通过空间叠加分析量化LULC变化对侵蚀的贡献。

【LULC变化特征】研究发现耕地面积与侵蚀强度呈正相关，Shashe流域2020年土壤流失峰值达45.25 t ha^?1
year^?1
，显著高于Tugwi-Zibagwe流域（37.34 t ha^?1
year^?1
），差异源于不同农业生态区的坡度与植被覆盖度。

【侵蚀驱动机制】耕地年均流失量16-48 t ha^?1
year^?1
，是其他地类的2-3倍。排水网络周边和植被砍伐区侵蚀尤为严重，印证人类活动是核心驱动因素。

【方法论创新】研究证实GEE云平台结合RF算法可高效处理分析就绪数据(ARD)，相比传统方法节约90%成本，为发展中国家提供可行解决方案。

结论强调，津巴布韦农村流域土壤侵蚀呈现显著时空异质性，需实施差异化保护策略。该研究不仅填补了非洲中小流域高精度侵蚀模型的空白，其"遥感+机器学习+RUSLE"的技术框架更为实现联合国SDG 2（零饥饿）和SDG 15（陆地生态）目标提供了科学工具。作者Tatenda Musasa等指出，未来应重点监测耕地-林地交错带，并将该模式推广至类似干旱区流域。