Assessment and Mapping of Soil Erosion Hotspots in the Himalayan Region Using RUSLE and Machine Learning Technique

方法

RUSLE结合Sentinel-2、ALOS DEM、80个土壤样点与随机森林回

发现

热点占流域9.34%，集中于陡坡与植被稀疏区；坡度、坡向、NDVI最关键。

机会点

可将该RUSLE+RF框架迁移至其他山地流域，并引入时序遥感与深度学习提升热点动态监测。

土壤侵蚀是土地退化的主要驱动因素，在喜马拉雅等生态脆弱的高山地区尤为突出。本研究通过整合修正通用土壤流失方程（RUSLE）、遥感、地理信息系统、野外观测和随机森林（RF）机器学习方法，评估了北阿坎德邦乌塔尔卡西县巴吉拉蒂流域的土壤侵蚀风险并绘制了侵蚀热点分布图。评估利用80个空间分布的地表土壤样品估算土壤可蚀性，采用ALOS PALSAR数字高程模型（12.5 m）进行地形表征并推导地形因子，利用Sentinel-2A多光谱数据（10 m）获取土地利用/土地覆盖及光谱信息。在RUSLE框架内整合降雨、土壤、地形、植被和管理相关因子以估算土壤流失量，随后利用地形和光谱变量构建随机森林回归模型。将估算土壤流失量超过40 t ha⁻¹ yr⁻¹的区域划定为侵蚀热点。基于RUSLE的侵蚀风险评估与野外观测结果吻合良好，总体验证精度达85%。随机森林回归模型表现出良好的预测性能，R²为0.72，RMSE为0.31，Nash–Sutcliffe效率系数为0.67。研究发现坡度、坡向和归一化植被指数（NDVI）是影响模型性能及侵蚀热点空间分布的最重要预测因子。侵蚀热点约占流域面积的9.34%，主要分布于陡坡及植被稀疏或无植被区域，这些位置在高分辨率卫星影像中亦可清晰识别。研究结果表明，将经验侵蚀模型与野外观测、地理空间数据和机器学习相结合，能够有效评估喜马拉雅复杂且难以到达地形的侵蚀风险并识别优先热点区域。该方法可为脆弱山地生态系统的针对性水土保持规划和可持续土地管理提供支持。