基于随机森林地质统计混合方法（RFRGS）的干旱盐碱生态系统土壤侵蚀性指标（K因子和EF指数）制图

《Remote Sensing Applications: Society and Environment》：Hybrid Random Forest Geostatistics (RFRGS) for Mapping Soil Erodibility Indicators (K factor and EF index) in an Arid Saline Ecosystem

　　

摘要：土壤抗侵蚀性指标对于评估环境威胁和可持续土地管理至关重要，因此需要精确的制图方法。本研究开发并评估了锡斯坦平原水土流失抗侵蚀性模型（K因子）和风蚀抗侵蚀性指数（EF指数）的模型，使用1200个表层土样本。我们研究了三组环境协变量（土壤性质、数字高程模型衍生的地貌形态指标、遥感数据）的影响，采用了随机森林（RF）和混合随机森林地统计回归（RFRGS）方法。一个显著发现是，细质地土壤中的高盐分导致植被退化，致使植被指数（如NDVI）与粘土含量呈负相关，这与典型趋势相反。离散RF模型显示，土壤性质对K因子的预测效果最佳，而地貌形态指标对EF指数的预测效果最佳。在综合输入模型中，三组变量的整合对K因子表现出协同效应（R2 = 0.55）。然而，对于EF指数，遥感数据充当了特征空间稀释因子；最优模型仅结合土壤和地貌形态数据（R2 = 0.69），突显出协变量质量可能比数量更为重要。为纳入空间依赖性，开发了RFRGS模型。该方法显著提高了精度，表现最佳的模型（K因子的RFCOK；EF指数的RFOK）将测试集R2分别从0.55提升至0.72（提升31%）和从0.69提升至0.75（提升9%）。变量重要性排序为：土壤数据 > 地貌形态指标 > 遥感数据，凸显出土壤固有性质的主导预测贡献。RFRGS框架为高分辨率抗侵蚀性制图提供了一种可靠方法，对干旱与盐碱生态系统资源管理至关重要。

引言：土壤侵蚀是生态系统退化的主要驱动因素之一，对生态系统各组分及其可持续管理产生重大影响。Wang等（2021）将土壤侵蚀描述为全球最基本的地表退化形式之一。据估计，全球每年因水蚀损失的土壤约为359亿吨，因风蚀损失的土壤约为583亿吨（Borrelli等，2017；Yang等，2022；Han等，2023）。因此，土壤侵蚀被视为当今社会面临的最大社会、经济和环境问题之一。该问题不仅导致严重的地表退化并以惊人速率造成经济损失，还对社会可持续发展构成严重威胁（Barbut & Alexander，2016）。土壤侵蚀最初会降低土地肥力和土壤质量（Mandal等，2023；Kanianska等，2024），若不加以控制，将逐渐导致土地生产力下降（Jafari等，2022）、空气（Gholami等，2021）和水质（Kjelland等，2015）恶化、生物多样性丧失（Guerra等，2020）以及洪水风险增加（Jafari等，2022），从而危及社会-生态系统的稳定性（Wang等，2025）。因此，降低侵蚀风险并识别和监测土壤侵蚀易发性高的区域至关重要。文献综述表明，评估土壤侵蚀最重要的因素是其抗侵蚀性（Song等，2005；Tian等，2022；Sun等，2024）。

土壤抗侵蚀性指土壤抵抗颗粒被侵蚀介质剥离和搬运的能力（Jafari等，2022）。精确估算土壤抗侵蚀性是精确模拟土壤侵蚀的关键前提。在这方面，Han等（2023）指出，对土壤抗侵蚀性的定量化理解及其影响变量的识别是侵蚀风险评估、侵蚀控制和生态系统恢复规划的基本步骤。在缺乏来自单元小区（针对水蚀）或风洞（针对风蚀）的直接实地数据的情况下，土壤抗侵蚀性通过计算K因子（源自通用土壤流失方程，USLE）和EF指数（源自修订风蚀方程，RWEQ）来量化。这种直接计算方法的优点在于，在局部尺度上即使样本量较小，结果也具有很高的准确性和可靠性，且研究人员易于实施。然而，当需要在更大空间尺度上评估该参数或进行长期监测时，该过程成本高昂且耗时过长（Abiye & Dengiz，2025）。此外，由于土壤性质、地形、土地利用和气候的综合作用，将K因子和EF指数的点状测量值外推到更大空间尺度并制作土壤侵蚀易发性空间地图面临重大挑战。

近年来，随着遥感、软计算等领域的发展，研究者开发了利用机器学习技术、混合模型和环境数据挖掘的新型土壤制图方法（Rezaei等，2023；Gholami and Mohammadifar，2022；Poppiel等，2021）。这些进展形成了土壤科学中一种被称为"数字土壤制图"的精确技术驱动方法。数字土壤制图（DSM）是一种利用环境辅助变量（协变量）作为预测因子，建立模型以预测连续土壤性质或离散土壤类别的方法。Ma等（2021）指出，这是空间预测土壤性质的一种前景广阔的方法。因此，DSM已成为在不同尺度上制作精确土壤地图的有效工具，显著克服了传统方法的局限性。此外，这些方法不仅提高了制图精度，还减少了相关时间和成本（Taghizadeh-Mehrjardi等，2021）。事实上，可以在DSM框架内利用综合且易获取的数据源（如数字高程模型（DEMs）和卫星影像）作为环境辅助变量来估算土壤抗侵蚀性（McBratney等，2003）。在这方面，Abiye & Dengiz（2025）认为，通过整合这些技术，研究人员可以创建精确的土壤侵蚀风险地图并识别驱动土壤抗侵蚀性的因素。地统计学（Alaboz等，2021）、人工神经网络（ANN）（Alexakis等，2019）、决策树（Ghosh & Maiti，2021）、Cubist（Kamamia等，2022）和随机森林（RF）（Tian等，2022；Qi等，2024；Sun等，2024；Ghosh & Maiti，2021）是近年来研究者用于土壤抗侵蚀性空间表征的常见DSM方法。然而，RF模型已被全球广泛用于预测土壤参数，并在土壤性质制图方面表现出优于其他方法的预测性能（Zolfaghari Nia等，2022）。

锡斯坦平原是一片冲积平原，许多地区覆盖着源自赫尔曼德河河流沉积物和与"120日风"相关的风积活动的土壤（Mirakzehi等，2018），土壤侵蚀是一种普遍现象。在该地区，具有脆弱社会-生态系统结构的干旱土地极易受到土壤侵蚀影响。此外，锡斯坦平原的干旱地区面临水蚀和风蚀的双重威胁。这种情况不仅导致土壤质量退化，还对当地居民的谋生造成不利影响。为应对该地区有限土壤资源日益加剧的损害，开发有效的土壤侵蚀预测模型已成为迫切需求。因此，土壤侵蚀评估对于该地区任何长期土壤保护规划都至关重要。为实现这一目标，精确空间预测两个关键的土壤抗侵蚀性指标——K因子（用于水蚀）和EF指数（用于风蚀）——是理解该地区侵蚀过程必不可少的基础步骤。通过评估这两个关键侵蚀参数，土地管理者可以实施策略以最大限度减少侵蚀、保护土壤结构并维持农田的长期生产力。该地区以盐渍土占主导地位和严重的120日风为特征，使其成为土壤侵蚀高风险区域。因此，迫切需要获取该地区K因子和EF指数空间分布的全面数据以支持农业发展和土壤保护。

对土壤抗侵蚀性数字制图科学文献的综述表明，以往大部分研究集中在具有显著地形和大幅海拔变化的地区（Gelagay等，2016；Jugder等，2018；Ouri等，2020；Wang等，2020；Rezaei等，2023；Khosravi等，2023；Sun等，2024；Parajuli等，2025）。在这些地区，地貌形态属性对土壤抗侵蚀性（尤其是水蚀抗侵蚀性）空间变化的直接且强烈影响是清晰可辨且可建模的。然而，本研究的研究区域——锡斯坦平原——具有独特的地貌特征。这片冲积平原海拔差仅约60米，地形相对均质且平坦。这一特征为检测和建模环境因素与土壤抗侵蚀性之间的关系带来了独特挑战。因为在这种地区，地貌形态信号较弱，其他因素（如土壤质地、植被和管理）的影响可能更为突出（Li等，2023）。因此，当为山地或陡坡地区开发的方法应用于这些广阔的缓倾平原时，其有效性需要重新评估和验证。

此外，现有研究主要集中在使用全面的环境变量集合配合各种机器学习算法来共同预测土壤抗侵蚀性（Jugder等，2018；Ouri等，2020；Tian等，2022；Rezaei等，2023；Sun等，2024；Abiye & Dengiz，2025）。虽然这种方法提高了总体模型精度，但对各协变量组（如土壤性质、地貌形态属性和遥感数据）相对影响的独立分解分析，以及各数据组合对预测精度贡献的分析，则关注较少。这阻碍了对控制抗侵蚀性空间分布的驱动过程的深入理解，尤其是在锡斯坦平原这样的独特地区。另一个局限在于，以往研究主要采用基础性机器学习模型（Phinzi & Ngetar，2017；Han等，2023；Alqadhi等，2023；Tarek等，2023；Nouri等，2023；Wang等，2024；Qi等，2024）。这些模型虽然高效，但往往缺乏纳入数据空间结构的先进能力。在像锡斯坦这样广袤的冲积平原，土壤样本间的空间依赖性可能在最终地图精度中起决定性作用，将这一空间维度排除在建模之外构成重大研究空白。因此，为弥补这些空白，本研究设定了以下目标：

1. 研究三组环境协变量（土壤性质、数字高程模型衍生的地貌形态属性以及Landsat 8衍生的遥感数据）对锡斯坦平原水蚀（K因子）和风蚀（EF指数）抗侵蚀性指标建模精度的个体解释能力，采用随机森林（RF）模型作为DSM中最广泛使用的机器学习模型。

2. 评估随机森林算法识别环境协变量间协同效应的能力，并确定实现K因子和EF指数数字制图最高可能精度的最优数据组合。

3. 通过将最终随机森林模型（使用最优协变量组合）与地统计模型（克里金、协同克里金）和反距离加权（IDW）相结合来评估混合模型，以改善这一低起伏平原抗侵蚀性空间结构的表征。

通过聚焦锡斯坦平原的独特特征并解决已识别的研究空白，本研究代表了为全球均质和低起伏地区土壤抗侵蚀性DSM方法开发迈出的有效一步。

节选片段 研究区域：锡斯坦平原位于伊朗东部的赫尔曼德河三角洲（一片冲积平原），在锡斯坦和俾路支斯坦省的北部。其位于东经61°16′至61°49′和北纬29°55′至31°20′之间。该地区平均海拔为海平面以上485米。年均降水量为55毫米，而年蒸散发量为4500至5000毫米。该地区以其强劲的"120日风"而独特，除了高……

统计分析：在建模之前，对所测量的土壤抗侵蚀系数进行了质量控制和审查。基于Tukey箱线图方法识别并移除了离群值和非同质数据点（图4）。

表3给出了K因子和EF指数在原始数据集和过滤（精炼）数据集中描述性统计的摘要。偏度值在±1范围内通常被认为是参数频率分布近似正态的指标。结论本研究证明，将机器学习（随机森林）与空间地统计学（RFRGS）相结合，显著推动了复杂干旱环境中水土可蚀性（K因子）和风蚀可蚀性（EF指数）的数字土壤制图（DSM）。一项关键发现是锡斯坦平原存在生态系统特定的光谱偏差，其中细质地土壤的高盐度严重破坏了植被，颠倒了典型的遥感关系（例如，CRediT作者贡献声明Ali Shahriari：写作—审阅与编辑，写作—初稿，验证，方法论，调查研究，资金获取，概念化。Mohammad Reza Pahlavan-Rad：写作—审阅与编辑，写作—初稿，软件，方法论，数据整理。Abolfazl Bameri：写作—审阅与编辑，写作—初稿，软件，方法论，调查研究，形式分析，数据整理，概念化。Farshad Kiani：写作—审阅与编辑，写作—初稿，未引用参考文献Aljanabi和Dedeo?lu, 2026; As syakur等人, 2012; Esmali Ouri等人, 2020; Fox等人, 2020; Gelagay和Minale, 2016; Hengl等人, 2004; Ho等人, 2024; Neguyen等人, 2021; Osat等人, 2023; Pahlavan-Rad和Akbarimoghaddam, 2018; Rodríguez-Rastrero等人, 2025; Torkamani等人, 2026; Vaezi和Bahrami, 2014; Walkley和Black, 1934。原创性和数据完整性作者特此声明，本手稿呈现的是原创工作，未曾在此前发表，也未被任何期刊或会议论文集整体或部分考虑发表。本研究基于严格的科学方法，所用数据，特别是1200个表层土壤样本、基于DEM的形态计量数据和遥感数据，均已以最高诚信度进行收集、分析和解释，并利益冲突声明（COI）作者声明不存在任何可能被解读为影响本研究中结果、解释或结论的经济或非经济利益冲突。研究伦理和可持续实践实地采样（1200个表层土壤样本）按照标准科学协议进行，并尊重自然环境。未因实地工作而扰乱任何受保护区域。本研究的核心目标是为高分辨率可蚀性制图提供可靠框架，从而积极促进干旱和盐碱生态系统中的可持续土地管理和环境退化的缓解。手稿准备过程中生成式AI和AI辅助技术的声明在本工作准备过程中，作者使用了Google的AI助手来准备图形摘要并改善英语语言质量和清晰度。使用该工具后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担全部责任。竞争利益声明? 作者声明，他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能被视为影响了本论文中报告的工作。Abolfazl Bameri | Farhad Khormali | Farshad Kiani | Mohammad Reza Pahlavan-Rad | Ali Shahriari伊朗戈尔甘农业大学与自然资源学院水土工程学院土壤科学系，戈尔甘，伊朗