《Land Degradation & Development》：Eroding Confidence in Gully Location Risk Prediction in Mine Pit Rehabilitation
编辑推荐：
理解修复措施（如地形塑造和地表处理）如何影响冲沟侵蚀风险，有助于设计抗侵蚀能力更强的修复方案。本研究利用修复后矿山采坑的高分辨率数字高程模型（Digital Elevation Model，DEM），探究冲沟形成的影响因素。研究人员确定了使修复后矿山采坑易发生
理解修复措施（如地形塑造和地表处理）如何影响冲沟侵蚀风险，有助于设计抗侵蚀能力更强的修复方案。本研究利用修复后矿山采坑的高分辨率数字高程模型（Digital Elevation Model，DEM），探究冲沟形成的影响因素。研究人员确定了使修复后矿山采坑易发生冲沟形成的地形特征，考察了这些区域内地形特征的变化情况，并生成了二项回归模型（binomial regression）和随机森林模型（random forest model），将地表特征与侵蚀风险关联起来。这些模型以“地形阈值”（topographic threshold）为基准进行性能评估。研究发现，能够汇聚并加速地表径流的地形特征（如坡面坡度和曲率）在冲沟沟头处过度呈现；而在采坑尺度上，侵蚀风险可通过地表面积和采坑平均坡面坡度进行预测，从而提供了一种高层次的風險筛查工具。将地形阈值与高分辨率汇水累积数据结合应用时，其在仅依据地形特征预测风险方面的表现优于随机森林模型和逻辑回归模型。尽管地形阈值基于侵蚀后数据，但其在预测修复后矿区侵蚀风险方面表现良好。该方法在数据需求与预测精度之间取得了平衡，是识别修复采坑内风险区域的一种保守方法。相比之下，随机森林和回归方法对冲沟位置的预测存在不足，而地形阈值则存在过度预测的问题，这限制了它们在缺乏额外输入条件下的实用性。运营方有机会在修复过程中收集额外数据，以构建更优的预测模型。基于信息的修复设计为尽可能避免采用与侵蚀更常伴生的地形特征提供了机会。
论文解读
一、研究背景与问题
冲沟侵蚀是全球范围内重要的土地退化过程，会造成土壤的意外迁移与沉积，并通过沟道下切切割地表景观。人类活动扰动（如采矿）会使景观更易发生冲沟侵蚀，而修复实践的目标应当是重建景观以降低此类风险。在采后矿区，侵蚀会限制修复成效，降低景观稳定性与通行能力，阻碍植被建立，并可能对下游流域造成污染，同时通过侵蚀沉积物减少现场地表水储存容量。由于采后修复通常是法律要求，采取减少侵蚀、提高修复成功率的策略对运营方至关重要。
然而，目前对采后矿区地表地形处理与侵蚀风险之间具体关联的理解仍然有限，可供运营方参考的技术指导也较为匮乏。许多广泛应用的侵蚀模型（如USLE及其修订版RUSLE）以泥沙流失量来预测侵蚀风险，但无法识别有冲沟形成风险的具体位置。预测此类位置通常需要结合地形信息与现有冲沟位置进行经验性预测，可采用回归模型、机器学习方法或地形阈值法，其中地形阈值法应用最为广泛。
二、研究内容与意义
本研究旨在利用修复后采后矿区的高分辨率DEM，在多个尺度上探究地形对冲沟侵蚀启动的影响。研究分析了超过900公顷的采后景观，包括903条冲沟，以确定地表特征与侵蚀在研究对象区域内的重合情况，并应用统计与机器学习模型预测冲沟风险，同时以地形阈值作为侵蚀风险预测的基准。研究具体回答三个问题：哪些特征使修复采坑易受侵蚀？冲沟沟头处地形特征分布与整体修复区域是否存在差异？基于DEM衍生地表特征的分析能否在高空间分辨率下预测侵蚀风险，且相比地形阈值是否有所改进？
三、关键技术与方法
本研究以澳大利亚西部珀斯以南达令陡崖的Huntly和Willowdale铝土矿区内98个修复采坑为研究对象，这些采坑于2018至2020年间完成修复，DEM在修复景观完工后2至3年采集。研究人员采用无人机摄影测量（含运动恢复结构技术，SfM）生成5 cm·px?1分辨率的高精度DEM，并辅以2019年固定翼机载LiDAR生成的50 cm·px?1分辨率DEM以扩展空间覆盖范围。DEM处理涉及多个算法：坡度采用GDAL slope算法（Zevenbergen和Thorne方法）；曲率采用GRASS r.param.scale算法；汇水面积采用GRASS r.watershed单流向累积算法。坡度计算前对DEM施加高斯滤波（σ=6 m，6×6 m窗口）以去除糙度和犁沟线影响，而汇水面积计算使用未滤波DEM以捕捉犁沟线对径流路径的影响。冲沟通过目视识别并手动数字化中心线，最小长度6 m，沟头位置定义为中心线上坡端。数据分析在QGIS和R环境中完成，采用2 m短对角线长度的正六边形网格对栅格数据上采样，计算各单元的平均坡度、纵向和横向曲率及最大汇水面积，共生成超过250万个分析单元。研究方法包括采坑尺度的二项逻辑回归模型、单元尺度的逻辑回归模型（采用有效样本量方法校正空间自相关）和随机森林模型（采用空间分块交叉验证），以及地形阈值的拟合与应用。
四、研究结果
4.1 哪些特征使修复采坑易受侵蚀？
采坑尺度逻辑回归模型显示，采坑平均坡面坡度和采坑面积是侵蚀风险的有效预测因子。坡度每增加1%，线性预测响应增加0.3%；例如，一个5公顷采坑的坡度从10%增至11%，侵蚀发生概率增加9%。采坑面积每增加1公顷，侵蚀概率增加4%。模型假阴性率为6%，即6个含侵蚀特征的采坑被建模为侵蚀概率低于50%。
4.2 沟头处地形特征分布与整体修复区域是否存在差异？
在两个矿区，冲沟沟头位置的地形特征与修复采坑其余区域显著不同。沟头出现在更高坡面坡度角和更大汇水面积的区域，且更频繁地出现在横截面凹形和纵剖面近平坦的区域。这些特征与侵蚀的物理驱动机制一致：高坡度配合高流量增加流速和水流功率，从而增强侵蚀潜力；横截面凹形坡面促进侧向径流汇聚；较大汇水面积产生更大流量和水深，并延长地表暴露于流动水的时间。
4.3 高分辨率地形特征能否预测侵蚀风险？
单元尺度逻辑回归模型在校正空间自相关后，坡面坡度和汇水面积与侵蚀发生保持显著关系，而曲率指标效应较弱且因地点而异。但模型预测能力不足，残差呈负偏，反映模型倾向于在无冲沟处预测冲沟存在。随机森林模型同样识别坡面坡度为解释冲沟沟头位置变异的最重要因素，其次为汇水面积和曲率，但模型性能极弱，Kappa值仅0.002，表明其表现不优于随机猜测，绝大多数沟头位置被错误识别为非侵蚀（假阴性）。
相比之下，地形阈值方法表现更优。Huntly和Willowdale的地形阈值分别为SH=0.0629A?0.108和SW=0.0672A?0.0941，冲沟形成的最小汇水面积下限分别为0.003 ha和0.007 ha。应用地形阈值后，42%（Huntly）和46%（Willowdale）的单元位于阈值线上方，施加最小汇水面积限制后高风险区域降至22.4%和17.6%。903条侵蚀特征中仅5条（0.6%）无任何单元超过阈值线（假阴性），27.7%的侵蚀特征有至少50%的相交单元处于高风险状态，而11.4%的超过阈值单元与侵蚀特征相交。
五、讨论与结论
修复采坑中的侵蚀并非随机过程，而是偏好特定地形条件组合。采坑尺度模型表现稳健且假阴性率低，可用于快速筛选采坑设计或潜在采坑位置的侵蚀风险。高分辨率风险模型基于沟头与整体采坑地形特征的差异，但回归和机器学习模型预测能力弱，可能反映地形条件是必要但非充分条件，以及土壤性质、地下特征和单次风暴细节等未观测变量的遗漏。沟头位置观测点可能并非实际起始点（因沟头会向上坡迁移），且冲沟通道会改变水文路径，影响地形阈值。地形阈值方法产生较高的假阳性率，但假阴性率极低，是一种保守的风险识别方法。本研究识别的地形阈值比以往基于更少冲沟和更粗分辨率的研究更为保守，高分辨率DEM使最小汇水面积下限比此前研究小50至100倍。修复设计可通过限制横截面凹形和坡度变化来减少径流汇聚，利用GPS辅助推土和铲刀控制等技术实施，也可采用等高线内拦沙坝等措施减少汇水面积。高分辨率DEM能够解析等高犁沟等地表处理对汇水累积的影响，未来研究可利用此类信息比较不同地表处理方式下的径流汇聚与运动特征，优化地表轮廓以收集、储存和减缓径流，或在设计边界内避免高曲率和高坡度区域，从而降低侵蚀风险。
