鄂尔多斯万利矿区沟谷侵蚀敏感性评估与沟头前进速率研究：采矿扰动下的生态风险量化

本研究针对采矿活动加剧的沟谷侵蚀问题，通过无人机(UAV)航测构建数字高程模型(DEM)，结合多模型融合方法(MABAC-FR-LG/ET/AB)评估鄂尔多斯万利矿区沟谷侵蚀敏感性(GES)，揭示坡度、高程及地裂缝距离等关键驱动因子，并首次量化不同GES分区的沟头前进速率(GHR)。结果显示MABAC-FR-LG模型预测精度最高(AUC=0.996)，极高GES区GHR达0.247 m yr?1，地裂缝使GHR提升27.5%，为矿区生态修复提供理论依据。

　　

在干旱半干旱地区，沟谷侵蚀如同大地肌肤上的"伤口"，每年吞噬大量土壤并破坏生态系统。采矿活动更如同在这些伤口上"撒盐"——地下煤炭开采引发的地裂缝和地面沉降，使得本就脆弱的植被覆盖雪上加霜。鄂尔多斯高原的万利矿区正是这样的典型区域：这里沟壑密度超过6 km/km²，陡坡坡度常达45度以上，而采矿活动导致的地表变形使沟头以惊人速度向上游"啃食"。但究竟采矿如何影响沟谷侵蚀？哪些区域最容易发生侵蚀？这些问题至今缺乏量化研究。

来自北京师范大学的研究团队在《CATENA》发表的研究，首次将机器学习与地理空间分析相结合，揭示了采矿扰动下沟谷侵蚀的动力学机制。研究通过2023年无人机航测获取0.01米分辨率的多光谱数据，构建数字正射影像图(DOM)和数字高程模型(DEM)，精准识别出2128条沟谷。采用多属性边界近似区域比较(MABAC)、频率比(FR)与三种机器学习算法(AdaBoost/极端随机树/轻量梯度提升机)构建混合模型，评估14个环境因子（包括6个地形因子、4个水文因子和4个其他因子）对沟谷侵蚀敏感性(GES)的影响。

关键技术方法
研究采用无人机(UAV)获取高精度遥感数据，通过频率比(FR)分析环境因子与沟谷的空间关联性，结合MABAC与三种机器学习算法(AB/ET/LG)构建混合模型。利用2012-2021年卫星影像计算不同GES分区的沟头前进速率(GHR)，并通过地裂缝存在性分组验证模型准确性。

空间相关性分析
坡度与高程被证明是沟谷发育的最关键因素，在LG模型中相对重要性超过20。高程1365-1403米区间沟谷发生频率比(FR)显著高于其他区域，这与采矿引起的应力重分布导致的坡体失稳直接相关。距地裂缝200米内的区域FR值达1.83，揭示采矿裂隙对侵蚀的加速作用。

模型性能比较
MABAC-FR-LG模型表现最优(AUC=0.996，Kappa=0.952)，其预测的极高GES区面积占比21.3%，但集中了47.6%的沟谷。该模型成功捕捉到采矿扰动区与非扰动区的侵蚀差异，证明混合模型在复杂人为干扰环境下的适用性。

沟头前进速率验证
历时9年的卫星影像分析显示：极高GES区GHR达0.247 m yr^?1，是低GES区的6.9倍。存在地裂缝的沟谷GHR(0.213 m yr^?1)显著高于无裂缝沟谷(0.167 m yr^?1)，证实采矿裂隙通过改变地下水流路径加剧侵蚀。

这项研究开创性地建立了采矿扰动与沟谷侵蚀的定量关系，提出的MABAC-FR-LG模型为矿区生态风险预警提供了新工具。研究发现采矿活动通过双重机制加剧侵蚀：一方面，地裂缝形成优先流路径，增加孔隙水压力导致沟头崩塌；另一方面，植被破坏使地表失去保护层。该成果不仅为鄂尔多斯矿区生态修复提供科学依据，其方法论框架也可推广至全球其他采矿影响区。特别是将历史GHR数据用于验证GES模型的新思路，为类似研究提供了可复制的验证范式。