从土壤流失到泥沙输移：GeoAI增强的RUSLE模型在超干旱流域侵蚀与泥沙动态模拟中的应用

《Frontiers in Earth Science》：From soil loss to sediment delivery: GeoAI-enhanced RUSLE modeling of erosion and sediment dynamics in a hyper-arid watershed

　　

在沙特阿拉伯Az Zulfi附近的Wadi Samnan划定的流域内，土壤侵蚀是一个地方性的管理问题，因为稀疏的植被、易蚀的砂质表层物质、陡崖影响的地形以及间歇性降雨事件会沿着旱谷河道和排水廊道集中径流和泥沙运动。这些条件使得仅靠野外观察难以识别易侵蚀区域，尤其是在数据稀缺的超干旱环境中。本研究提出了一个GeoAI增强的基于RUSLE的框架，用于模拟研究流域内水蚀土壤流失和泥沙输移动态。研究人员将修订通用土壤流失方程（RUSLE）与地理空间数据集、遥感产品、数字高程模型衍生的地形属性以及基于机器学习的空间分析相结合，以估算水蚀风险的空间分布。降雨侵蚀力、土壤可蚀性、地形影响、土地覆盖条件和水土保持措施因子均在GIS环境中推导并制图。此外，研究人员还纳入了泥沙输移比（SDR）来评估相对泥沙输移潜力，并改进对估算的坡面土壤流失如何在排水系统内转化为泥沙产量的解释。结果表明，RUSLE估算的潜在土壤流失范围为0至319.5 t ha^-1 yr^-1，轻度侵蚀等级覆盖流域的43.2%，建模的严重侵蚀热点占10.9%。高风险区域主要集中于陡坡、排水廊道、稀疏植被表面和易蚀砂质土壤。SDR结果表明整体泥沙连通性较低，约85%–99%的侵蚀物质可能被局部滞留在流域内，具体取决于空间变化的SDR值。随机森林内部一致性分析解释了RUSLE土壤流失估算方差的81.73%，表明输入因子捕获了大部分模拟的空间变异性；然而，该结果不应被解释为独立的野外验证。总体而言，RUSLE、SDR、遥感、GIS和GeoAI的集成为识别易侵蚀区域、区分土壤流失潜力与泥沙输移潜力、优先采取保护干预措施以及支持超干旱环境中的可持续流域管理提供了有用的框架。

在干旱和超干旱地区，土壤侵蚀与土地退化是重要的环境挑战。沙特阿拉伯大部分地区气候极端干旱，年降雨量低但偶发高强度短历时暴雨，能够产生局部径流和侵蚀，尤其在河道和排水廊道等径流汇集区。尽管该国实施了绿色倡议等生态恢复项目，但许多内陆流域，尤其是缺乏观测数据的超干旱流域，其土壤流失和泥沙输移的空间分布仍未被有效量化。传统的野外调查难以在数据稀缺的环境下识别易侵蚀区域。常用的修订通用土壤流失方程（RUSLE）虽可估算土壤流失，但在沙特地区多数应用止步于总侵蚀量估算，未结合泥沙输移比（SDR）和机器学习进行综合分析。因此，本研究旨在开发一个集成RUSLE、SDR、遥感、地理信息系统（GIS）和地理空间人工智能（GeoAI）的框架，用于超干旱流域的水蚀风险评估与泥沙动态模拟。

研究人员以沙特阿拉伯中部Az Zulfi附近的Wadi Samnan流域为研究区，构建了GeoAI增强的RUSLE模型。该研究利用多源遥感数据估算RUSLE各因子，通过SDR评估泥沙输移潜力，采用表面侵蚀风险指数（SERI）作为表面条件指示，并利用随机森林（Random Forest, RF）进行内部一致性和敏感性分析。结果表明，RUSLE估算的土壤流失范围为0至319.5 t ha^-1 yr^-1，严重侵蚀热点占流域面积的10.9%，主要分布在陡坡和排水廊道。SDR显示约85%-99%的侵蚀物质被局部滞留，泥沙连通性较低。RF分析解释了81.73%的方差，但仅为