降雨侵蚀力估算方法比较与时间分辨率效应：基于撒丁岛134个雨量站观测案例的批判性综述及替代侵蚀性事件识别算法（AAP）评估

《Journal of Hydrology》：Comparative analysis of rainfall erosivity estimation approaches and temporal resolution effects: A critical review supported by an observational case study

　　

对经验性降雨指数与基于过程的侵蚀模型进行批判性比较。替代算法程序（AAP）执行Renard等（1997）的侵蚀性事件标准。基于过程方法的R因子（R-factor）估计取决于降雨输入的时间分辨率。相对于基于过程方法，所测试的大多数简化模型在其校准区域之外对侵蚀力的误估超过100%。

降雨侵蚀力（rainfall erosivity，反映降雨引起坡面土壤流失的能力）是土壤侵蚀（soil erosion，外力导致土壤颗粒分离和位移）研究中的核心变量。研究人员指出，土壤侵蚀对陆地生态系统、农业可持续性和社会经济韧性具有重要影响，在人类土地利用强烈和气候变化区域预计加剧。自Cook、Zingg、Musgrave等早期工作以来，USLE（Universal Soil Loss Equation，通用土壤流失方程）及其R因子（R-factor，长期平均降雨侵蚀力）成为量化降雨侵蚀力的基础。高分辨率雨量计记录缺乏时，研究者提出多种简化经验指数和公式，如MFI（Modified Fournier Index，修正Fournier指数），但区域依赖性强。气候变化预测欧洲R因子到2050年高排放情景下平均增加约18%，到2070年中欧部分区域可达84%，全球模型估计气候变异可使平均侵蚀力到2070年增加至66%。因此，需要稳健、可迁移、能处理不同时间分辨率和气候模型粗分辨率数据的估算方法。研究人员开展批判性综述和比较评估，目标包括数据需求、估算精度、适用性和可迁移性、计算需求和易用性，并用撒丁岛134个雨量站1-min数据直接计算EI₃₀（降雨侵蚀性指数，由风暴动能E与最大30 min强度I₃₀乘积）作为基准，实施51种经验与过程方法，提出AAP（Alternative Algorithmic Procedure，替代算法程序）。

关键技术方法：研究使用意大利撒丁岛134个自动雨量站2008—2023年1-min降雨序列，平均站网密度约1站/180 km²，属地中海Csa气候。原始1-min数据聚合至5、15、30、60、120、360、720、1440 min；按RUSLE2框架用15-min重叠窗口计算。比较Panagos等事件识别与AAP事件识别，并组合USLE、RUSLE、RUSLE2动能公式。选取51个简化经验模型，依据文献使用频率、可复现性、输入时间分辨率和校准气候代表性，分为年、月、日尺度，并用Thiessen多边形空间平均。忽略试剂等操作。

研究结果：
2 降雨侵蚀力估算方法
2.1 基于过程的方法：直接由高分辨率降雨计算侵蚀力，包括USLE/RUSLE/RUSLE2直接计算和物理模拟。
2.1.1 基于高分辨率降雨数据的方法：亚小时数据下按月/年求和EI₃₀；USLE、RUSLE、RUSLE2动能公式不同；RUSLE2引入ED（erosivity density，侵蚀力密度）。
2.1.1.1 基于USLE的方法：Wischmeier and Smith设定12.7 mm阈值和6 h内<1.27 mm分割；Foster等建议13 mm/6 mm；RUSLE保留阈值；RUSLE2更新；Lu and Yu发现阈值降至0仅使R因子增<3.5%但计算量剧增。
2.1.1.2 其他使用高分辨率降雨数据的方法：随机天气发生器、CLIGEN（CLImate GENerator，气候发生器）、雷达、TRMM卫星、GloREDa（Global Rainfall Erosivity Database，全球降雨侵蚀力数据库）、GloRESatE、ERA5再分析等被用于扩展应用。
2.1.2 基于物理的模型：WEPP（Water Erosion Prediction Project，水蚀预测项目）、KINEROS2（运动波径流与侵蚀模型）可间接估计侵蚀力，模拟降雨—径流—侵蚀，需详细土壤、地形、管理数据；DSD（drop size distribution，雨滴谱分布）与WRF（Weather Research and Forecasting，天气研究与预报模型）耦合也可计算EI₃₀。
2.2 简化经验方法：区域特定，将EI₃₀基准R因子与年、月、日降雨指标回归。
2.2.1 基于年或季节降雨的方法：Morgan、Roose、Bols、Singh、D’Asaro and Santoro、Hurni、El-Swaify、Renard and Freimund、Mikhailova、Van der Knijff、Fernandez、Ram、Nakil and Khire、Torri、Bonilla and Vidal、Klik、Sholagberu、Yue、Padulano等提出线性、幂律、多项式或考虑高程/纬度/雨日数的公式。
2.2.2 基于月降雨的方法：月数据比年数据更能考虑季节分布。
2.2.2.1 FI和MFI方法：Fournier指数、Arnoldus的MFI及R_a=0.264·MFI^1.5等被广泛应用，但需区域校准。
2.2.2.2 其他月降雨方法：Zhou等线性月模型、Grimm、Lujan and Gabriels、Diodato and Bellocchi、Padulano等提出月尺度公式。
2.2.3 基于日降雨的方法：Goovaerts、Mannaerts and Gabriels、Loureiro and Coutinho、Zhang、Petkov?ek and Miko?、Diodato、Woldegebrael等利用日雨量、≥10 mm重雨日频率、REI（Rainfall Episodicity Index，降雨间歇性指数）和RII（Rainfall Intensity Index，降雨强度指数）等。日模型校准后误差可达10—20%。
3 时间分辨率对降雨侵蚀力估算的影响
3.1 降雨聚合间隔：Wischmeier and Smith指出30 min强度最强预测土壤侵蚀；小时数据平滑峰值导致低估；Yue等给出转换因子，30 min约1.22，60 min约1.87，沿海对流区需更大调整。
3.2 年 vs. 月 vs. 日降雨：日模型表现最好，月和年模型校准后差异不显著；年总值可能漏异常年内分布，月可算MFI，日可引入阈值。
3.3 数据时间分辨率对模型性能的影响：校准分辨率影响迁移；粗分辨率可能人为合并风暴；需调整风暴分离阈值；无高分辨率时可用区域校准或转换因子。
4 以示例案例测试和比较不同方法
4.1 研究区和数据集：撒丁岛，134个自动雨量站，1-min数据，2008—2023年，地中海Csa气候，平均1站/180 km²。
4.2 案例研究方法框架：比较Panagos等和AAP事件识别；AAP严格执行6 h内<1.27 mm分割，事件总雨量>12.7 mm或15 min内≥6.4 mm、30 min内≥12.7 mm为侵蚀性；聚合至1—1440 min，用15 min窗口；应用USLE/RUSLE/RUSLE2动能公式和51简化模型。
4.3 案例研究启示：随聚合变粗，R因子下降；RUSLE2最高，RUSLE最低；AAP在<5 min比Panagos低约20%，粗分辨率接近；RUSLE2与USLE相似，RUSLE低约10—15%。AAP+RUSLE2在30 min参考值为1137 MJ·mm·ha^?1·h^?1·yr^?1。20个年模型集合平均?3%但标准差94%、RMSE（Root-mean-squared error，均方根误差）985；24个月模型平均+70%、标准差124%、RMSE 1325；6个日模型平均+29%、标准差45%、RMSE 942。TOR2006、PAD2023、D&B2007b、WOL2025较接近（绝对差<10%），WOL2025在撒丁岛校准最佳；ZHO1995接近可能巧合。大多数简化模型在标定区外误估超过100%。
5 侵蚀力估算方法的比较评估
5.1 数据需求：简化方法仅需粗分辨率雨量，过程方法需30 min或更高，物理模型还需土壤、地形、管理数据。
5.2 估算精度：高质量输入下过程方法最可靠；简化经验不确定性大，可>100%误估；RUSLE比USLE低约15%，RUSLE2低约3.7%；粗于15 min可能低估，需随机解集。
5.3 应用背景与模型可迁移性：经验公式区域特定，物理模型理论通用但需本地参数；欧洲、亚洲、美洲、非洲已有R因子图或数据库。
5.4 计算负荷：经验公式极轻，USLE/RUSLE可自动但需长序列，物理连续模拟计算量大。
5.5 使用和实施便利性：经验模型最易，USLE/RUSLE工具有支持，WEPP等物理模型需专家知识和详细输入。
6 结论：翻译结论部分如下：降雨侵蚀力估算技术已发展成从经验雨量指数模型到复杂物理模拟的谱系。通过该批判性综述，不能单独判定某一方法优于其他方法，因为每种方法都有局限。经验模型简单、数据需求低，适用于缺详细降雨记录区域的大尺度评估或历史分析，但以精度为代价，需在不同区域校准。过程和基于物理的模型（USLE/RUSLE和WEPP）能显式估算侵蚀力并纳入风暴能量和强度变化，精度更高、R因子分辨率更高。若干方向可改进评估：第一，增加数据可用性，高分辨率降雨数据和全球侵蚀力图正在进行，如GloREDa收集全球超过3000个亚小时雨量站，GloRESatE耦合卫星和再分析产品；机器学习（ML）早期发展可促进全球适用。第二，方法创新和融合，如用过程方法生成ML训练数据，或用数据驱动方法为经验模型参数提供信息。第三，弥补知识缺口，如改进极端雨暴处理和不同气候调整因子。特别重要是R因子对降雨时间分辨率的敏感性：同一降雨序列在1-min、15-min或小时分辨率下可产生显著不同估计。对地中海气候，AAP事件识别可能更保守且更现实。未来研究应优先开发分辨率一致估算框架，系统纳入时间聚合效应；多重分形分析有前景，可表征降雨尺度不变性。离散微正则级联可将粗分辨率降雨总量分解到15-min供过程模型使用；多重分形谱可帮助构建分辨率自适应侵蚀力模型，减少经验校正因子依赖。气候变化下侵蚀力非平稳性不可忽视，升温地区侵蚀风险预计增加20%至80%以上；降雨情态和强度变化会使基于过去观测的ML方法和模型过时，需重新校准；未来需开发气候调整模型，考虑降雨模式变化和最新气候模型输出。