基于LSTM、CA-Markov与InVEST-SDR耦合框架的祁连山大野口流域土壤侵蚀与土壤有机碳损失集成预测

《Land Degradation & Development》：Integrated Prediction and Analysis of Soil Erosion and Soil Organic Carbon Loss in the Dayekou Watershed, Qilian Mountains

　　

土壤侵蚀对全球山地流域的生态安全构成严重威胁。由于气候、土地利用和地形之间的复杂相互作用，预测其动态及相关土壤有机碳（SOC）损失在21世纪仍是一项持续挑战。研究人员开发了一种集成建模框架，将长短期记忆（LSTM）神经网络、元胞自动机-马尔可夫（CA-Markov）模型和InVEST泥沙输移比（SDR）模块相结合，以预测中国西北祁连山大野口流域的土壤侵蚀和SOC损失。LSTM利用2000–2024年300个月的历史数据，准确预测了48个月的降雨量（RMSE：177.9–211.7）；CA-Markov以较高精度模拟了2024–2028年土地利用格局（Kappa = 0.85）。结果表明，严重侵蚀区（占流域面积<9%）贡献了总土壤流失量的>97%，且集中于流域海拔3750 m以上区域。土地利用类型主导侵蚀空间分布（q = 78.8%），其中冰川/积雪和裸地侵蚀模数最高。平均SOC损失从2000年的9.877 t/(km²·a)增至2023年的21.524 t/(km²·a)，森林区域尽管侵蚀速率较低，却经历了不成比例的碳损耗。该耦合框架证明了其在复杂山地系统中预测动态侵蚀的稳健性，为中国西北保护区的生态保护提供了强有力的循证支持。

土壤侵蚀是全球山地流域面临的重大生态安全威胁。准确预测其时空动态及伴随的土壤有机碳（Soil Organic Carbon, SOC）损失，对于土地管理和生态保护至关重要。然而，侵蚀过程受气候变率、人类活动和地形等多因素交互影响，现有方法存在明显不足：经验模型（如USLE/RUSLE）过度简化复杂过程，物理模型参数需求大，而多数研究依赖历史气候和土地利用数据，缺乏对未来的预测能力。此外，同时耦合气候、土地利用和SOC动态的集成框架仍不完善。为此，研究人员以祁连山大野口流域为对象，开发了耦合长短期记忆（Long Short-Term Memory, LSTM）神经网络、元胞自动机-马尔可夫（Cellular Automata-Markov, CA-Markov）模型和InVEST泥沙输移比（Sediment Delivery Ratio, SDR）模块的集成框架，预测土壤侵蚀和SOC损失，并揭示其主导因子。该研究不仅提供了复杂山地系统中动态侵蚀预测的新方法，也为祁连山国家公园保护提供了循证依据。

研究方法上，研究人员利用2000–2024年300个月降雨数据训练LSTM，预测2025–2028年48个月降雨；采用CA-Markov模拟2024–2028年土地利用，基于2019–2023年数据及高程、坡度、坡向、降雨、距河流距离五个驱动因子，以Kappa=0.85验证；使用InVEST-SDR基于通用土壤流失方程（Universal Soil Loss Equation, USLE）估算侵蚀，结合降雨侵蚀力、EPIC模型估算的土壤可蚀性、地形LS因子以及覆盖与管理（C）、水土保持措施（P）因子；SOC损失通过线性方程耦合表层SOC含量与侵蚀泥沙富集比（erosion sediment enrichment ratio, Er）估算，并进行了敏感性分析；地理探测器（Geodetector）用于因子归因。数据来源包括CLUD v2.1、SRTMDEM、NOAA、国家青藏高原/第三极环境数据中心及Fan (2023)提供的田间SOC样本。

研究结果包括：4.1 土壤侵蚀时空变化特征：2000、2010、2020、2023年平均侵蚀模数为158.62、120.96、172.80和212.23 t/(hm²·a)，严重侵蚀区（<9%面积）贡献>98%土壤流失，集中于海拔>3750 m；总侵蚀先降后升，严重侵蚀面积收缩。4.1.1 不同土地利用类型与土壤侵蚀：裸地和冰川面积仅占8%和0.26%，却贡献92%和3.5%的流失；其侵蚀模数超过“严重”等级十倍以上。4.1.2 海拔梯度与土壤侵蚀：>3750 m区域以17%面积贡献98%流失，4000–4300 m带贡献50%。4.1.3 不同坡度与土壤侵蚀：>15°坡面贡献96%流失，25°–35°坡度带贡献50%。4.1.4 地理探测器因子检测：土地利用解释力最高（q=0.788），其次高程（0.440）、降雨（0.347）、坡度（0.024）；坡度与土地利用交互最强（q=0.817）。4.2 SOC损失时空分布：平均SOC损失从9.877增至21.524 t/(km²·a)，低损失区面积比例下降，高损失区扩大。4.2.1 SOC损失时间演变：内部一致性检验相对偏差约24%。4.2.2 SOC损失空间演变特征：高损失集中于中部和北部森林，加剧区面积是缓解区的9.5倍。4.3 LSTM降雨预测：预测48个月降雨的RMSE为177.9–211.7。4.3.1 最优训练集大小：通过内部滚动验证确定。4.3.2 LSTM降雨预测：预测了六个气象站2025–2028年降雨并生成降水图。4.4 基于CA-Markov预测土地利用：森林稳定占>40%，草地占30%–35%，水体、冰川有波动。4.5 大野口流域侵蚀空间分布预测：2024–2028年预测侵蚀模数为53.789、42.322、54.978、50.878、53.789 t/(hm²·a)，严重侵蚀区贡献>97%流失，总侵蚀呈波动略降趋势。

讨论指出，模型耦合带来的不确定性使预测结果应视为基于稳定气候假设的情景投影；裸地和冰川高侵蚀模数与植被缺失、陡坡和冻融循环有关；森林SOC损失高源于高碳密度和富集比效应；地理探测器结果属于模型内诊断归因。管理上，高海拔区应作为气候变化的哨点监测区域，森林碳库需加强保护。研究结论为：集成的LSTM-CA-Markov-InVEST-SDR框架成功预测了土壤侵蚀和SOC损失时空格局，揭示了侵蚀与SOC损失的空间解耦；高海拔区是优先监测区域，森林需加强碳保护；土地利用是对侵蚀最强的诊断关联因子；未来应引入不确定性传播、更高时间分辨率降雨预测、本地化富集比校正、气候情景数据及冻融侵蚀模块。