《Soil Systems》：Machine Learning-Based Assessment of Current and Future Sheet Erosion Susceptibility in the Oued Zat Watershed, High Atlas, Morocco
编辑推荐：
本研究旨在利用机器学习和气候预测，对位于摩洛哥高阿特拉斯的Oued Zat流域当前及未来的片蚀易发性进行建模。片蚀发生数据源自2023年11月开展的野外调查，调查中识别并记录了片蚀的特征标志，共获取295个侵蚀发生点和400个非侵蚀点。研究人员开发并比较了五种
本研究旨在利用机器学习和气候预测，对位于摩洛哥高阿特拉斯的Oued Zat流域当前及未来的片蚀易发性进行建模。片蚀发生数据源自2023年11月开展的野外调查，调查中识别并记录了片蚀的特征标志，共获取295个侵蚀发生点和400个非侵蚀点。研究人员开发并比较了五种支持向量机（Support Vector Machine, SVM）模型：SVM-线性核（SVM-Linear）、SVM-线性核-递归特征消除（SVM-Linear-RFE）、SVM-径向基函数核（SVM-RBF）、SVM-径向基函数核-递归特征消除（SVM-RBF-RFE）和SVM-多项式核（SVM-Polynomial）。研究中整合了16个环境和人为诱发因子，这些因子源自遥感产品、地面降水观测、土壤和地质图以及气候预测。未来降水数据来自第六次耦合模式比对计划（Coupled Model Intercomparison Project Phase 6, CMIP6）框架下的CanESM5全球气候模型，采用SSP2-4.5和SSP5-8.5两种共享社会经济路径（Shared Socioeconomic Pathway, SSP）。模型性能通过特异性（Specificity）、敏感性（Sensitivity）和受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic Curve, ROC-AUC）进行评估。在所测试的模型中，SVM-多项式核取得了最高的预测性能（特异性 = 0.92，敏感性 = 0.81，ROC-AUC = 0.91），其次是SVM-径向基函数核（特异性 = 0.81，敏感性 = 0.79，ROC-AUC = 0.88），而SVM-线性核表现最弱（特异性 = 0.64，敏感性 = 0.63，ROC-AUC = 0.68）。基于SVM-多项式核的当前易发性评估表明，该流域主要以中度易发区（占28.89%）和高度易发区（占27.79%）为主。极高易发区约占流域面积的14%，主要集中在流域南部，而低度和极低度易发区主要分布在流域北部，占总面积不足30%。气候预测显示，在SSP2-4.5和SSP5-8.5情景下，片蚀易发性的变化呈现对比鲜明的趋势，具体取决于模型和易发性等级。SVM-径向基函数核和SVM-多项式核模型均预测，相对于SSP2-4.5情景，在SSP5-8.5情景下极高易发区将扩大，到本世纪末相对增幅分别达到27.40%和62.43%。然而，在较低易发性等级，特别是低度易发区，模型显示出相反的响应：在SVM-径向基函数核模型下增加，而在SVM-多项式核模型下减少。这些差异凸显了未来易发性预测所伴随的不确定性。总体而言，研究结果识别出了在土壤保持和流域管理中可能需要优先关注的区域，同时强调这些预测代表的是相对的易发性格局，而非土壤流失速率或未来侵蚀发生的直接估算。
一、研究背景与研究目的
片蚀是指由雨滴溅击和地表径流导致土壤颗粒被位移的过程，是水蚀的第一阶段，其均匀发生在坡面上，往往在大部分表土流失后才被发现。片蚀会导致植物生长所需养分流失、农业减产，并对水质造成危害。在北非干旱地区，气候变化导致的升温与降雨减少已加剧了土壤侵蚀。摩洛哥的高阿特拉斯山区，土壤本就脆弱易蚀，气候变化使这一问题更为严峻。此外，植被覆盖下降和洪水等极端事件频率的增加也与流域侵蚀过程的加剧有关。
此前针对摩洛哥包括Oued Zat流域在内的侵蚀建模研究主要集中于传统方法和当前侵蚀状况。虽然有一项前期研究在该流域基于SVM框架探讨了未来沟蚀易发性，但片蚀易发性尚未在此背景下得到专门研究。因此，本研究旨在通过开发SVM模型来预测和绘制Oued Zat流域的片蚀易发性图，并在未来气候情景下预测潜在变化，从而提供对该流域水蚀过程的补充性评估，为更全面的侵蚀易发性评价和土地管理规划提供支持。
二、关键技术方法概述
研究人员首先通过2023年11月的野外调查建立侵蚀清单，基于可见的地表特征识别并记录片蚀发生点与非侵蚀点。随后整合16个环境与人为诱发因子，包括从数字高程模型提取的地形变量、从Landsat 8 OLI影像计算的归一化植被指数、土壤类型、岩相以及RUSLE因子等。未来降水数据来源于WorldClim CMIP6数据集中的CanESM5全球气候模型，采用SSP2-4.5和SSP5-8.5两种情景。研究采用支持向量机算法，分别使用线性核、径向基函数核和多项式核构建模型，并通过递归特征消除探索降维效果。模型训练与验证采用80:20比例划分数据集，结合交叉验证评估性能。
三、研究结果
3.1 多重共线性分析结果
皮尔逊相关性检验显示，坡度与LS因子之间存在强正相关，海拔与R因子之间也存在强正相关。但方差膨胀因子值均低于10的常用阈值，表明所选变量间不存在严重的多重共线性问题，所有因子均被保留用于建模。
3.2 变量选择与重要因子识别
基于SVM-多项式核模型的变量重要性评估显示，原始矿质土壤类别是最重要的编码特征，重要性得分为100%；其次为剖面曲率，得分98.10%。此外，LS因子、R因子和K因子也是强有力的预测因子，得分均超过70%。其他重要因子还包括流动力指数、岩相、平面曲率和坡度，相对重要性均超过60%。
3.3 模型对比与性能分析
在五种SVM模型中，SVM-多项式核表现最佳，在测试集上实现了最高的特异性（0.92）、敏感性（0.81）、精确率（0.92）、F1分数（0.86）和ROC-AUC值（0.91）。SVM-径向基函数核紧随其后（ROC-AUC = 0.88），而SVM-线性核表现最弱（ROC-AUC = 0.68）。基于递归特征消除的模型并未一致地提升全变量模型的预测性能。
3.4 片蚀易发性制图结果
3.4.1 当前片蚀易发性
各模型预测的当前易发性分布存在显著差异。SVM-多项式核模型预测结果显示，中度易发区占比最高（28.89%），高度易发区次之（27.79%），极高易发区约占14%，主要集中在流域南部。低度和极低度易发区合计占比不到30%，主要分布在流域北部。两个最优模型的空间一致性分析表明，约三分之一的流域面积分类一致，不一致区域约占三分之二，主要集中在中南部。
3.4.2 未来片蚀易发性
在SSP2-4.5情景下，SVM-径向基函数核模型预测极低度和低度易发区面积略有增加，极高易发区从16.74%（2021-2040年）增至20.65%（2081-2100年）。在SSP5-8.5情景下，极高易发区扩张更为明显，从18.05%增至26.31%。SVM-多项式核模型在SSP2-4.5下预测极高易发区从24.64%增至30.46%；而在SSP5-8.5下，这一增长极为显著，到2081-2100年极高易发区将覆盖近一半流域面积（49.47%）。两模型均一致预测极高易发区在SSP5-8.5下比SSP2-4.5下更广泛，但它们在低易发性等级的响应上存在分歧。
四、讨论与结论
讨论部分总结： 本研究证明了机器学习方法在数据稀缺环境下建模片蚀易发性的有效性。非线性SVM模型（多项式核和径向基函数核）优于线性模型，这归因于它们处理复杂非线性关系的能力。当前易发性图显示，流域南部高海拔陡坡区域（>2000米，>45°）由于浅薄的原生矿物土壤、稀疏植被和陡峭地形，成为极高易发区。未来预测方面，尽管摩洛哥平均降水量预计减少，但极端降雨事件的增强可能改变产流和土壤剥离过程，从而增加某些区域的侵蚀易发性。两模型在低易发性等级上的相反响应凸显了未来预测的不确定性，这种不确定性源于野外标签的潜在误分类、空间依赖性、模型校准敏感性、单一全球气候模型的局限以及假设非气候预测因子不变的局限性。因此，预测结果应被视为基于情景的相对易发性指示，而非土壤流失率的直接估算。
研究结论翻译： 片蚀是地中海和山地环境中一项重大的环境挑战。本研究应用基于支持向量机的机器学习模型评估了摩洛哥高阿特拉斯Oued Zat流域当前和未来的片蚀易发性。在评估的模型中，SVM-多项式核和SVM-径向基函数核提供了最佳的预测性能，其中SVM-多项式核取得了最高的判别性能（ROC-AUC = 0.91）。生成的易发性图表明，该流域目前面临显著的侵蚀易发性，约40%的区域被划分为高度至极高度易发，南部尤为脆弱。未来预测显示，与SSP2-4.5相比，SSP5-8.5情景下极高侵蚀易发区总体上将扩大，但变化幅度因模型而异。这些发现强调了将气候预测和模型不确定性纳入长期流域管理和土壤保持策略的重要性。研究还展示了机器学习作为一种经济高效的方法，在难以进行广泛野外监测的山地环境中进行空间明确的侵蚀易发性评估的潜力。尽管如此，未来预测仍存在诸多不确定性，应将其视为基于情景的相对易发性估计。未来研究应整合更高分辨率的气候预测、土地利用变化情景和更多实地观测数据，以降低预测不确定性。基于诊断评估，可考虑在高度暴露和未来脆弱区域优先实施植被恢复、保护性造林、边坡稳定化和小型截留结构等措施。
