《Geocarto International》：Soil erosion susceptibility modeling using stacking ensemble machine learning, Kangra District, north-western Himalaya, India
编辑推荐：
本研究旨在利用机器学习算法——支持向量机（SVM）、随机森林（RF）、XGBoost、CatBoost及其堆叠集成模型——预测印度坎格拉区的土壤侵蚀易发区域。此外，研究还采用SHAP（SHapley Additive exPlanations）模型增强对表现最
本研究旨在利用机器学习算法——支持向量机（SVM）、随机森林（RF）、XGBoost、CatBoost及其堆叠集成模型——预测印度坎格拉区的土壤侵蚀易发区域。此外，研究还采用SHAP（SHapley Additive exPlanations）模型增强对表现最优的RF算法的可解释性。为此，研究人员通过实地野外调查结合谷歌地球历史影像目视解译，构建了一个综合性的土壤侵蚀点数据集。结果表明，RF为表现最佳的模型，预测14.7%的区域处于极高易发区，其次为XGBoost（27.1%）、SVM（24.4%）和CatBoost（16.4%），而堆叠集成模型预测比例为25.2%。对最佳模型（RF）的SHAP分析表明，归一化植被指数（NDVI）、坡度和土地利用/土地覆盖（LULC）是影响该区域土壤侵蚀的主要控制因子。该研究也为制定减轻坎格拉区土壤侵蚀的政策和战略规划提供了科学基础。
论文解读
一、研究背景与意义
土壤作为地球上不可替代的自然资源，为农业提供基础、支撑植被生长、调节水循环并维持生态系统服务。然而，人类活动引发的土地利用变化、城市化进程加速以及极端降雨事件频发，正不断加剧土壤侵蚀，导致土壤肥力下降、农业生产力降低、生态退化及河流水库淤积等问题。全球每年约有750亿吨土壤流失，其中亚洲、非洲和南美洲尤为严重。印度约53%的土地面临严重的土壤侵蚀风险，每年约397.5万公顷土地受到影响。特别是在山地环境中，侵蚀成为表土流失的关键因素，威胁粮食安全、土壤生产力和生态系统可持续性。
坎格拉区位于印度西北喜马拉雅地区，地处西瓦利克山脉与道拉达尔山脉之间，地形陡峭、沟谷深切、降水强度大、地质构造复杂且岩性破碎，加之活跃断层分布，使得该区域对侵蚀高度敏感。然而，针对该区域的基于机器学习方法的土壤侵蚀易发性空间评估尚属空白。因此，开展定量化的土壤侵蚀易发性分区研究，对于指导水土保持和土地管理具有重要的科学价值和实践意义。
二、研究方法概述
本研究采用了多种关键技术方法。首先，研究人员通过野外实地调查并结合谷歌地球历史影像目视解译，建立了包含304个侵蚀点和304个非侵蚀点的土壤侵蚀点数据集，并按70:30比例划分为训练集和验证集。其次，从地形、地质、水文、气候和人为活动五个维度选取了13个土壤侵蚀条件因子（SECFs），包括坡度、坡向、剖面曲率、水流强度指数（SPI）、排水密度、距河流距离、距道路距离、归一化植被指数（NDVI）、土地利用/土地覆盖（LULC）、岩性、土壤质地、土壤深度和降雨侵蚀力因子（R因子）。这些数据来源于SRTM数字高程模型（DEM）（30米分辨率）、Landsat-8卫星影像、印度水资源信息系统（India-WARIS）门户网站、印度地质调查局（GSI）-Bhukosh门户网站、OpenStreetMap以及印度气象局（IMD）网格化降雨数据。研究人员通过皮尔逊相关矩阵和多重共线性分析（方差膨胀因子VIF和容忍度）筛选因子，确保所选因子间不存在严重共线性。在此基础上，分别构建了支持向量机（SVM）、随机森林（RF）、XGBoost、CatBoost四个基学习器模型及其堆叠集成模型，并使用准确率、精确率、召回率、F1分数和受试者工作特征曲线下面积（ROC-AUC）进行性能评估。最后，采用SHAP（SHapley Additive exPlanations）模型对表现最优的RF模型进行可解释性分析。
三、研究结果
3.1 选定因子的相关性分析
相关矩阵显示，大多数因子间呈低至中等程度的相关性。最强的正相关出现在水流强度指数（SPI）与坡度之间（0.59），以及坡度与土壤深度之间（0.59）。最强的负相关出现在归一化植被指数（NDVI）与距道路距离之间（-0.62），以及岩性与坡度之间（-0.58）。多重共线性分析结果显示，所有因子的方差膨胀因子（VIF）值介于1.01至2.70之间，容忍度介于0.36至0.98之间，均低于阈值（VIF<10，容忍度>0.1），表明所选因子间不存在严重多重共线性，均可纳入模型。
3.2 土壤侵蚀条件因子的重要性
各模型的特征重要性分析显示，在所有模型中，归一化植被指数（NDVI）、坡度和土地利用/土地覆盖（LULC）均为最重要的贡献因子。具体而言，SVM模型中坡度（33.49%）最重要，其次为NDVI（23.51%）和LULC（15.79%）；RF模型中NDVI（18.74%）最重要，其次为坡度（15.09%）和水流强度指数SPI（9.87%）；XGBoost模型中坡度（13.41%）最重要，其次为NDVI（12.57%）和LULC（12.31%）；CatBoost模型中NDVI（16.54%）最重要，其次为坡度（14.45%）和LULC（9.86%）。
3.3 土壤侵蚀易发区的空间分布
所有模型生成的土壤侵蚀易发性图（SESMs）均一致地将陡坡区域识别为高和极高易发区。不同模型预测的高和极高易发区面积占比存在差异：RF模型预测14.7%的区域为极高易发区，XGBoost为27.1%，SVM为24.4%，CatBoost为16.4%，堆叠集成模型为25.2%。极高易发区面积最小的是CatBoost（4.6%），最大的是XGBoost（9.8%）。堆叠集成模型相较于单个模型呈现出更平衡和空间一致的类别划分，有效减少了单个模型存在的过高或过低估计偏差。
3.4 模型性能评估
所有模型的AUC值均高于0.85，显示出优异的预测能力。RF算法表现最佳，AUC值为0.97，准确率为0.92，召回率为0.90，精确率为0.94，F1分数为0.92。其次为堆叠集成模型（AUC=0.94，准确率0.86，召回率0.86，精确率0.85，F1分数0.86），XGBoost（AUC=0.935），CatBoost（AUC=0.91）和SVM（AUC=0.89）。尽管RF取得了最高的个体预测水平，但堆叠集成模型通过整合所有算法的优势，提供了更稳健、平衡和泛化能力更强的预测结果。
3.5 模型解释
SHAP分析表明，归一化植被指数（NDVI）是最关键的土壤侵蚀条件因子（SECF），其次是坡度和土地利用/土地覆盖（LULC）。NDVI的重要性凸显了植被覆盖在山地侵蚀调控中的关键作用；坡度反映了地形陡峭度对地表径流和侵蚀过程的加速效应；LULC则揭示了土地利用方式对侵蚀空间易发性的重要影响。其他因子如距道路距离、水流强度指数（SPI）和降雨侵蚀力也发挥了重要作用，但影响力相对较低。
四、讨论与结论
本研究表明，将机器学习模型与SHAP可解释性分析相结合，能够有效识别和量化影响土壤侵蚀的关键环境因子，为区域尺度的侵蚀风险评估和治理决策提供科学依据。讨论指出，RF模型之所以表现最优，归因于其集成结构能够有效处理土壤侵蚀条件因子（SECFs）间的复杂非线性关系和交互作用。堆叠集成模型虽然AUC值略低于RF，但在精确率、召回率和F1分数等指标上表现出更均衡的性能，有效降低了单个模型可能存在的过高或过低估计偏差。SHAP分析揭示的NDVI、坡度和LULC的主导作用与前人研究一致，证实了植被覆盖减少、地形陡峭和人类活动干扰是西北喜马拉雅地区侵蚀风险升高的主要驱动因素。
研究结论：本研究采用支持向量机（SVM）、随机森林（RF）、XGBoost、CatBoost及其堆叠集成等先进机器学习算法，评估了印度西北喜马拉雅坎格拉区的土壤侵蚀易发区。结果表明，RF模型取得了最高性能（AUC=0.971），而堆叠集成模型相比单个模型提供了更稳定、平衡和泛化的结果。基于皮尔逊相关矩阵和多重共线性分析（方差膨胀因子VIF和容忍度）筛选出的13个土壤侵蚀条件因子（SECFs）被纳入模型。RF模型预测37.9%的区域为高易发区、14.7%为极高易发区，而堆叠集成模型预测32.2%为高易发区、25.2%为极高易发区，减少了单个模型的过高或过低估计偏差。SHAP分析揭示归一化植被指数（NDVI）、坡度和土地利用/土地覆盖（LULC）是影响该区侵蚀的主导因子。该研究提出的建模方法为高度脆弱的西北喜马拉雅环境提供了一个稳健的数据驱动型土壤侵蚀建模框架，为侵蚀易发区的水土保持措施提供了坚实的科学基础。
