综述：评估暴雨条件下淤地坝的泥沙拦截效率

《International Soil and Water Conservation Research》：Assessing Sediment Interception Efficiency of Check Dams under Rainstorms

　　

• 可解释机器学习（Explainable Machine Learning, ML）揭示了小流域土壤流失机制。
• 淤地坝（Check Dams）的泥沙拦截效率在暴雨期间显著下降。
• 坝体溃决与上游淤地坝共同影响泥沙拦截性能。
• 草地与农田的布局改善了淤地坝的泥沙拦截效率。

本文以黄土高原延河流域（7725 km²）与岔巴沟流域（205 km²）为研究区，系统评估暴雨条件下淤地坝的泥沙拦截效率，并运用可解释机器学习识别关键影响因素。

1 引言（Introduction）
淤地坝是广泛实施的有效水土保持措施，但极端洪水与结构缺陷常致其拦沙效率受损；全球气候变化使暴雨频率与强度增加，加速拦沙效率衰减，亟需系统评估暴雨条件下的拦沙效率。已有研究常假定淤地坝100%拦沙，忽略了暴雨事件的影响。本研究目标为：（1）评估可解释机器学习（ML）模拟土壤流失速率的适用性；（2）量化暴雨条件下淤地坝的泥沙拦截效率；（3）识别关键影响因素。

2 材料与方法（Material and Methods）
2.1 研究区概况（Study Area）
研究区位于黄土高原中部典型黄土丘陵沟壑区，属大陆性干旱气候，6–9月降水量约占全年70%，多为高强度短历时暴雨。地形破碎、沟壑密布，植被覆盖低，土壤以黄土为主，质地疏松、抗蚀性弱。

2.2 数据来源（Data Sources）
使用数据集包括12.5 m分辨率数字高程模型（DEM）、2013–2020年30 m分辨率土地利用与归一化植被指数（NDVI）数据、降雨数据、淤地坝后淤积反演的泥沙数据及土壤可蚀性因子。

2.3 数据采集与处理（Data Collection and Processing）
选取16座配有溢洪道、排水涵管或缺口坝体（即与下游具有不同连通模式）的淤地坝计算拦沙效益，选取24座未淤满淤地坝反演其控制流域的土壤侵蚀速率。共收集439场降雨-流失事件，按70%（300场）与30%（129场）随机划分训练集与测试集。重点分析2017年“7·26”暴雨（累积降雨212.2 mm、最大小时雨强52 mm、洪峰流量339 m³/s）及2018年9月2日非暴雨事件（降雨量27.8 mm、最大1小时雨强9.4 mm/h、历时13 h）。

2.4 土壤流失模型构建（Soil Loss Model Construction）
2.4.1 模型因子集：选取气候因子（总降雨量R、降雨历时T、最大1 h/2 h/3 h降雨量R_max1、R_max2、R_max3）、下垫面因子（LS、C、K、P）与流域形态因子（Fu、Rf、Cc、Rb、Re、Rt