全球降雨侵蚀力：经验性侵蚀力模型的综合回顾与适当应用

《Earth-Science Reviews》：Global rainfall erosivity: A comprehensive review and appropriate applications of empirical erosivity models

　　•综合评估发现全球经验性侵蚀力模型使用中存在19个问题。
•多模型集合降低了全球降雨侵蚀力估算中的不确定性。
•自1982年以来全球降雨侵蚀力趋势分析，揭示了时空动态。
引言
降雨侵蚀力是控制水蚀土壤流失的关键气候因子，对土壤保护和可持续土地管理具有重要意义（Dai等，2023a）。在气候变化影响下，极端降雨事件变得更加频繁和剧烈，未来预测表明，全球超过85%的陆地面积上，降雨侵蚀力和水蚀土壤流失将变得更加频繁和严重（IPCC，2021；Li和Fang，2016；Panagos等，2022）。降雨侵蚀力的变化可能加速土壤退化，并对农业生产、生态系统稳定性、基础设施安全和土地管理构成日益严峻的挑战（Eekhout和de Vente，2022；Yousefi等，2022；Keesstra等，2016）。因此，可靠的降雨侵蚀力时空评估对于识别易侵蚀区域、评估土壤流失风险变化以及支持水土保持至关重要。
降雨侵蚀力已被引入以表示降雨强度、历时和量对土壤的影响，考虑了动能对土壤颗粒分离、破碎和运移的作用（Kinnell，2023；Dai等，2023b）。降雨侵蚀力被广泛使用的土壤流失模型用作主要因子（Kumar等，2022；Batista等，2019；Li等，2017），包括通用土壤流失方程（USLE）（Wischmeier和Smith，1978）及其修订版本，如RUSLE（Renard等，1997）、RUSLE2（Dabney等，2012）和RUSLE2015（Panagos等，2015a）。这些模型将降雨侵蚀力计算为降雨动能与最大30分钟降雨强度的乘积（EI30），这需要具有高时间分辨率的连续雨量记录（Wang等，2024a；Wang等，2024b）或降雨事件内详细的雨滴谱分布数据（Alivio等，2023；Bezak等，2021）。然而，对于全球大部分地区而言，这种高分辨率降雨记录稀缺，阻碍了使用USLE程序直接估算降雨侵蚀力（Fenta等，2023）。
虽然卫星和再分析降雨产品提供了连续的亚小时降水数据，但在评估降雨侵蚀力时，与站点观测相比已识别出显著偏差（Das等，2024；Fenta等，2023）。为提高数据可用性，欧洲土壤数据中心（ESDAC）发布了首个开放获取的全球降雨侵蚀力数据库（即GloREDa），其中包含来自65个国家约4000个站点的原位降雨侵蚀力值（EI30），支持全球土壤流失评估的最新研究（Panagos等，2023；Borrelli等，2022）。相比之下，日、月和年降水数据在更长时间内可用，并显示出更广泛的时空分布，来自超过124000个站点（Schneider等，2022a）。经验模型可以将EI30与粗时间分辨率（日、月或年数据）的降水数据联系起来，从而简化算法并提高数据质量（Wang等，2024a；Wang等，2024b）。越来越多经验模型已被构建并应用于评估降雨侵蚀力和土壤流失（Padulano等，2023；Wang等，2024a；Wang等，2024b；Bezak等，2020）。
经验模型在从流域到大陆乃至全球的空间尺度上开发，由于区域气候、地形和景观塑造的多样化降雨模式而表现出显著差异（Naipal等，2015；Diodato等，2013）。经验模型之间的差异也可能源于气候变量和站点数据的不同（Xie等，2016）。因此，通常建议在模型开发区域使用经验模型，因为跨区域应用经验模型可能导致降雨侵蚀力的显著偏差（Sakhraoui和Hasbaia，2023；Brychta等，2022）。例如，Ma和Zheng（2022）通过应用来自澳大利亚不同区域的15个模型，评估了侵蚀力值从561到2971 MJ·mm·ha?1·h?1·yr?1不等。然而，许多研究在其原始背景之外应用经验模型，可能引入大量不确定性和偏差（Guerra等，2020；Majhi等，2021；Luo等，2023）。已有若干全球尺度应用的经验模型被开发。Naipal等（2015）为不同气候带拟合线性回归以评估侵蚀力，纳入年均降水量、日降水强度指数和海拔作为参数。Liu等（2020）通过拟合日降雨侵蚀力与降水之间的幂函数开发了一个经验模型。尽管全球经验模型在全球降雨侵蚀力评估中表现良好，但其在区域和局部尺度的准确性下降（Li等，2022a）。总体而言，与针对区域尺度定制的模型相比，全球模型为特定区域提供的信息较不详细（Panagos等，2017）。因此，没有单一的区域或全球模型普遍适用于所有地区的降雨侵蚀力评估。
在空间异质性区域评估降雨侵蚀力的一种方法是将研究区域划分为均质子区域，并在每个子区域内应用适当的经验模型（Almagro等，2017；Raj等，2022）。将区域模型在其各自开发区域结合，可以将降雨侵蚀力评估扩展到更广泛的空间范围，同时保持每个模型的区域适用性。这种方法已在巴西（Mello等，2013）、韩国（Lee和Heo，2011）和伊朗（Azari等，2021）的几项区域研究中应用。这些研究仅利用了众多经验模型中的一小部分。近期研究报道，经验模型在印度（Majhi等，2021）、巴西（Teixeira等，2023）和其他地区（Brychta等，2022；Wang等，2024a；Wang等，2024b；Nearing等，2017；Benavidez等，2018）的使用日益增多。总的来说，这些发展扩大了区域适用模型的库，但其潜力尚未在全球降雨侵蚀力评估中得到充分利用。
整合经验模型不仅需要更广泛的模型覆盖，还需要在适当的区域和数据条件下正确实现每个方程。值得注意的是，先前尝试应用经验模型的各种误用已被观察到，导致区域和全球降雨侵蚀力估算的显著偏差（Chen和Bezak，2022；Majhi等，2022；Chen等，2023a）。仅对于一个广泛使用的经验模型，在125篇出版物中识别出涉及模型方程、参数定义和单位错误，这些错误随后传播到相关降雨侵蚀力研究中（Chen等，2023a）。当前证据已识别出若干模型中的问题，而大多数经验模型的历史应用和可用性尚未被系统检查。因此，需要进行全面评估以综合模型开发和应用，识别重复出现的应用问题，并评估其可靠性和可用性，从而为全球降雨侵蚀力评估提供方法论基础。在模型开发的区域内或在其记录适用条件下应用经验模型，可以将其区域估算纳入全球多模型集合。当时间序列降水数据作为输入时，这些模型还可以估算过去几十年的年降雨侵蚀力及其时间变率。
本研究旨在对经验降雨侵蚀力模型进行全面评估，并评估其在全球背景下的表现。为此，我们首先概述了经验模型历史应用中观察到的挑战和问题。通过排除这些问题模型，我们筛选并记录了可用模型，并描述了这些筛选后模型的时空特征、参数类型和适用条件。然后，我们将可用模型整合为多模型集合，以计算全球年降雨侵蚀力，并基于时间变化的降水输入分析其自1982年以来的时空变化。最后，讨论了降雨侵蚀力评估和经验模型的关键局限性与未来展望。经验模型的概述和集合可为区域和全球降雨侵蚀力评估提供宝贵参考。
章节片段
数据来源与处理
数据来源记录在表1中。月度和日降水数据集可从全球降水气候中心（GPCC）获取，该中心基于全球最大的降水数据库（124000个站点）开发，并被全球众多研究人员和机构使用（Schneider等，2022a；Schamm等，2014）。本研究使用1982年至2020年的GPCC月度和日度数据集计算降雨侵蚀力。月度和日度数据以提供于...
经验模型的历史应用：挑战与问题
经验模型的适当应用对于定量评估和预测降雨侵蚀力至关重要（Brychta等，2022）。然而，模型之间在参数、模型结构、时空尺度和数据质量方面的差异可能在结果中引入显著偏差（Wang等，2024a；Wang等，2024b）。通过对经验模型历史应用的系统概述，我们识别了先前模型应用中面临的挑战和问题...
结论
本研究从全球视角对经验降雨侵蚀力模型进行了系统综合，阐明了阻碍其实际应用的关键局限性和挑战。结果表明，先前研究通常面临降水数据时间分辨率要求过高、模型来源、单位和方程不清晰或错误，以及不合适的空间尺度和跨区域应用等问题。本研究识别了19个具体...
代码可用性
本研究中使用的代码可在GitHub上获取（https://github.com/Renjie-soil/Multi-model-Ensemble-for-global-rainfall-reosivity-assessments.git）。
资助
本研究由国家自然科学基金（42177335和42207405）和中国高校科学基金（2452023071）资助。
未引用参考文献
Abdelsamie等，2022
Almoza Hernández等，2016
Bonilla和Vidal，2011
Das等，2022
de Brito等，2021
Gilani等，2021
Kumar等，2021
Leticia Montes-Leon等，2011
Li等，2021
Liu等，2019
Matthews等，2022
Meddi等，2016
Olivares等，2011
Sartori等，2024
Silva等，2020
Sonder等，2002
Sudhishri和Patnaik，2004
Tu等，2023
Yu，1996
Yue等，2020
Yue等，2022
Zhang等，2003
利益冲突声明
作者声明，他们不知道可能影响本文报告工作的已知竞争性经济利益或个人关系。
致谢
我们要感谢Walter Chen教授（台北科技大学）的审阅和编辑帮助。
Renjie Zong|Nufang Fang|Yi Zeng|Nejc Bezak|Pasquale Borrelli|Wei Dai|Subhankar Das|Panos Panagos|Zhihua Shi