地形因子对表层土壤水分空间分布的影响：以中国闪电河流域为例

《Journal of Hydrology: Regional Studies》：Effect of topographic factors on the spatial distribution of surface soil moisture: A case study in the Shandian River Basin, China

　　

研究区域：中国闪电河流域。研究焦点：本研究开发了一个集成框架，结合了地理探测器（GeoDetector）和基于Loess的季节与趋势分解方法（STL），以量化环境控制因子对土壤水分的空间层次性、时间稳定性以及交互作用效应。研究人员在站点尺度和9-km尺度上评估了环境因子，并进一步利用STL对地形因子的GeoDetector导出q值序列进行分解，以区分持久性控制因子与季节性效应。随后，研究人员使用风险探测器和交互作用探测器分析了依赖于类别的土壤水分差异和联合地形效应。区域新水文见解：结果表明，地形效应存在明显的尺度依赖性，站点尺度对土壤水分空间异质性的解释力显著强于9-km尺度。在测试的地形描述符中，距最近排水道高度（HAND）是最强且最稳定的时间因子；相比之下，坡度、地形湿度指数（TWI）以及基于TWI的指数NI和NI2具有更强的季节性响应。风险探测器分析揭示了单调型、阈值型和非线性类别响应，而交互作用分析表明，所有成对地形组合均优于单因子表现，表明多维且过程耦合的地形控制。外部验证表明，可迁移性是有限且部分性的，而HAND仍是稳健一致的描述符。概念验证的降尺度实验表明，具有水文意义的地形描述符优于基于数字高程模型（DEM）的预测因子集。

**论文解读：地形因子对表层土壤水分空间分布的影响——以中国闪电河流域为例**

**一、研究背景与问题**

土壤水分（SM）作为陆地水循环的核心组成部分，通过影响水通量、能量分配和碳交换，在调节陆-气相互作用中发挥关键作用。精确的土壤水分信息是水文模型、气候模式、陆面过程模型以及生态干旱评估的重要输入。虽然被动微波遥感能够提供大范围连续的空间土壤水分信息，但其产品通常空间分辨率较粗（如9-km的SMAP L4产品），限制了其在流域尺度水文分析和局地水资源管理中的应用。为克服这一限制，多种空间降尺度方法被提出，利用与土壤水分相关的高分辨率辅助变量（如地形、土地覆盖）来重建粗分辨率产品无法解析的空间细节。因此，识别控制土壤水分空间格局的物理意义因子在水文敏感源区和水源涵养区尤为关键。

已有研究表明，土壤质地、地形、土地覆盖和气象条件共同影响土壤水分的空间分布。在局地尺度，土壤质地和地形因子主导土壤水分变异，而在更大空间尺度，土地覆盖和气象强迫作用更为显著。数字高程模型（DEM）衍生的地形变量（如高程、坡度、坡向、曲率）被广泛报道与土壤水分空间格局相关。然而，这些经典DEM属性主要描述绝对高程梯度和局部地形几何，并未显式表征相对排水位置、局地水文连通性或侧向水分再分布，而后者可能与精细尺度土壤水分对比更直接相关。在干旱半干旱的头水流域，降水时间集中、地形对比强烈，地表或近地表土壤水通常以侧向再分布为主而非均匀存储，因此位置相近但处于不同坡面-河道系统的点可能在水分状态上差异显著。因此，关键问题不仅是地形是否重要，而是哪些地形描述符最能代表水分受限景观中土壤水分的水文组织特征。

为此，研究人员提出了一系列具有水文意义的地形指数，如地形湿度指数（TWI）、NI、NI2以及距最近排水道高度（HAND）。这些指数在许多研究中显示出与水文过程的强关联，但在被动微波土壤水分应用中仍未被充分利用和综合。一个尚未解决的关键问题是：具有水文意义的地形描述符如何通过空间主导性、时间稳定性和交互机制跨尺度组织土壤水分。

本研究旨在超越简单的地形指数比较，提供对具有水文意义的地形如何组织土壤水分异质性的更集成理解。研究目标包括：（1）在站点尺度和9-km尺度比较环境因子（包括地形、土壤质地、覆盖特征和气象强迫）的解释层次；（2）利用地理探测器-时间序列分解（GeoDetector-STL）框架评估地形效应的时域稳定性和季节性；（3）识别土壤水分在地形类别上的分异以及地形因子间的交互效应；（4）评估关键地形描述符对被动微波土壤水分降尺度的相关性。

**二、主要技术方法**

研究人员采用了以下关键技术方法：（1）**地理探测器（GeoDetector）**：利用q统计量量化因子对土壤水分空间异质性的解释力，包括因子探测、风险探测和交互作用探测；（2）**基于Loess的季节与趋势分解（STL）**：将GeoDetector导出的q值时间序列分解为趋势、季节和残差分量，以区分持久性控制与季节性效应；（3）**XGBoost与SHAP分析**：作为非线性解释的补充，利用极端梯度提升（XGBoost）模型和SHAP值评估地形特征在多元非线性框架下的重要性；（4）**降尺度概念验证实验**：基于粗到细框架，测试不同地形预测因子组合对土壤水分降尺度的表现。研究使用站点原位土壤水分观测数据（2018年7月至2022年7月）和9-km SMAP L4土壤水分产品，研究区为中国闪电河流域。

**三、研究结果**

**3.1 环境效应尺度依赖性层次**

在站点尺度，地形因子整体表现出最强的解释力，其中HAND排名第一（均值q=0.52），其次为UPA、砂粒含量、粉粒含量、坡度等。在9-km尺度，大多数地形因子解释力显著降低，仅HAND和坡度保留相对较高解释力，气象变量在粗尺度上表现最强。这表明地形效应存在明显的尺度依赖性，站点尺度局地地形异质性得以保留，而空间聚合削弱了粗尺度上地形的解释力。

**3.2 站点尺度地形效应的时间表达**

季节均值q值显示，HAND在所有季节均一致表现出最高解释力，UPA次之。STL分解进一步揭示，HAND和PfCur的趋势分量近乎平坦，季节分量周期性弱，属于稳定因子；而NI和NI2的季节信号较强，属于季节响应型因子。综合评分和季节强度排序识别出两类地形控制：稳定因子（如HAND）和季节响应因子（如NI、NI2）。

**3.3 土壤水分在地形类别上的空间分层**

风险探测器分析表明，地形因子并非通过单一均匀模式组织土壤水分，而是产生不同类型的空间分层：HAND和UPA表现出阈值型响应，最湿润条件出现在中等类别区间而非最低值；坡度呈反向单调趋势；TWI总体正向但存在波动；NI和NI2呈非线性非单调响应；坡向显示强烈方向性对比。

**3.4 地形效应交互作用增强**

交互作用探测显示，所有成对地形组合的解释力均超过单因子，表明地形效应是多维且过程耦合的。解释力最高的组合包括DEM-Cur（0.454）、HAND-PfCur（0.453）、HAND-DEM（0.450）等。大部分因子对表现为非线性增强或双因子增强，表明一个因子的水文效应往往受到另一因子定义的地形背景的调节。

**四、讨论与结论**

**讨论要点：**
- **区域可迁移性**：外部验证表明，在干旱半干旱的美国西部和湿润的美国东南部地区，地形控制不能以固定因子排名转移。HAND表现出有限但稳健的可迁移性，而NI2和坡度未能保持一致的长期作用。
- **非线性解释**：XGBoost-SHAP结果支持GeoDetector结论，HAND仍为最重要特征，坡度、Cur、TWI为第二梯队，表明关键地形控制在多变量非线性条件下依然重要。
- **降尺度含义**：概念验证实验表明，基于HAND、NI2、坡度的预测因子集（R2=0.712，RMSE=0.040）优于传统DEM、坡度、坡向组合（R2=0.568，RMSE=0.049），说明用水文意义地形描述符替代纯高程基变量可改善粗尺度土壤水分信息向细分辨率的传递。

**结论翻译：** 本研究开发了一个集成GeoDetector-STL框架，以考察环境控制因子对闪电河流域土壤水分异质性的空间、时间和交互效应。结果表明，地形因子表现出明显的尺度依赖性，站点尺度解释力显著强于9-km尺度，而在9-km环境因子集中气象变量解释力最高。在测试地形描述符中，HAND是最强且最稳定的时间因子。从水文角度看，这表明河道相对位置对站点尺度土壤水分异质性提供持久影响，而坡度、TWI、NI和NI2对局地能量-水平衡的季节性变化更敏感。风险探测器分析表明地形控制通过不同响应形式而非单一普遍模式运作。交互作用分析进一步表明，站点尺度土壤水分异质性源于排水位置、汇流、径流再分布和暴露相关干燥的耦合，而非任何单一地形描述符。外部验证进一步表明，部分水文意义描述符（尤其是HAND）表现出有限稳健性，而非完整的因子排名结构跨区域保持不变。本研究的主要含义是，土壤水分相关地形不应仅由绝对高程或基本地貌变量表示。相反，与排水位置、局地湿度倾向、径流保留和暴露驱动再分布相关的地形描述符为理解土壤水分格局提供了更基于过程的基础。因此，本工作的贡献在于在统一框架内链接空间层次性、时间稳定性、类别依赖分异和交互机制，对土壤水分降尺度、水文建模、生态水文学和干旱分析具有直接相关性。