生產建設項自區域土壤侵蝕空間分布及驅動分析

文章編號：1001-4179（2025）06-0047-09

關鍵詞：土壤侵蝕；RUSLE模型；地理探測器；水土保持；白鶴灘水電站中圖法分類號：S157.1 文獻標志碼：A

DOI：10.16232/j.cnki.1001-4179.2025.06.007

0 引言

水土流失通常是由土壤退化和土地利用的變更造成的，是最嚴重的環境危害之一[1-2]。它不僅會降低土壤養分含量，降解土壤結構，降低有效生根深度[3]，還影響水質，增加河流泥沙含量，進而威脅河流和海洋生態系統的健康[4]。土壤侵蝕是多種影響因素綜合作用的結果，既有定性因子，又有定量因子，主要包括降雨、坡長、坡度、土壤、地形和植被等，各因子間還存在著交互影響[5]。修正的通用土壤流失方程（RUSLE）可以將各因子通過模型結合在一起，由于其模型結構簡單、數據易獲取和與GIS有較好的適配性，許多學者已廣泛將該模型應用于國內外各種空間尺度的土壤侵蝕研究[6-9]。 。陳峰等針對滇南山區云南省元陽縣的土壤侵蝕研究表明，海拔和坡度是影響土壤侵蝕分布的主要原因。彭建等[1]在云南省麗江縣使用RUSLE模型對土壤侵蝕空間分布進行研究發現，海拔在 3500～6000m 坡度在25^° 的裸地、荒草地和旱地易發生水土流失。Pei等[12]考慮不同的水土保持措施對 P 因子的定量影響，改進了RUSLE模型，并對湖北丘陵地區的土壤侵蝕進行計算，結果表明模型精度達到 89% 。除此之外，RUSLE模型也被廣泛應用于東北黑土區、黃土高原地區及長江流域等展開土壤侵蝕和水土流失的研究[13-15]。經檢驗，在不同時空尺度及環境下，該模型均表現出較好的適用性，尤其是在缺乏觀測數據的地區，是了解土壤流失狀況、分析泥沙來源的重要手段。雖然上述研究分別對不同地區，不同時空尺度下土壤侵蝕影響因子進行了分析，但主要是利用相關性分析、回歸分析和空間疊加等傳統統計方法研究不同因素對區域土壤侵蝕變化的影響，缺乏對不同因素之間交互作用的深入探討，尤其是不同因子交互作用對土壤侵蝕影響的定量表征。

生產建設項目水土流失指在建設過程中，由于地面裸露、陡坡、降雨、人為控制不佳等原因，土壤被雨水沖刷或風蝕，進而造成土壤流失的現象[16]。水電站一般遠離城區和村莊，所在地形條件復雜[17]，目前對水電站水土流失研究多集中于項目建設前后期土壤侵蝕狀況分析，較少考慮工程施工期間不同影響因子對土壤侵蝕的影響。

金沙江下游地區生態功能較為脆弱，由于地形起伏較大和受人為活動影響，植被覆蓋度較低，水土流失狀況不容樂觀，是長江上游水土流失最為嚴重的區域之—[18]。白鶴灘水電站作為我國第二大水電站，坐落于金沙江下游，自2015年主體工程開始建設至2021年首次開閘蓄水，期間人為活動的加劇，如移民安置、相關設施的建設與水土流失防治措施的開展，使得水電站區域內土壤侵蝕格局發生了較大改變[19]，因此，迫切需要研究白鶴灘工程建設區域及移民安置區域的土壤侵蝕和分布格局并確定其驅動因素，為后期土壤侵蝕治理提供參考依據。

本文利用多種數據源，基于RUSLE模型評估分析白鶴灘水電站壩址控制流域內 2014～2021 年的土壤侵蝕狀況及其空間分布特征，并利用地理探測器模型識別影響土壤侵蝕的環境因子和人為因子，以期為白鶴灘水電站的土壤侵蝕治理和水土保持規劃提供參考。

1 研究區與數據

1.1 研究區概況

研究區為白鶴灘水電站壩址控制的流域（圖1），面積為 43.03km² ，位于金沙江下游。區域內地形地貌起伏較大，平均海拔在 1109m 左右，森林植被覆蓋稀疏，大部分區域為坡耕地和灌木林地。降水時空分布不均，年均降雨量 719.5mm ，且 5～10 月降雨量占全年降雨量 90% 以上。

1.2 數據來源及預處理

本研究所選用的數據均采用 12.5m×12.5m 分辨率。世界土壤數據庫（HWSD）數據來源于“國家青藏高原科學數據中心”（http：//data.tpdc.ac.cn）；DEM數據來源于ALOS地形數據集（search.earthdata.nasa.gov）；降雨數據來源“國家氣象科學數據中心”（data.cma.cn）; 2014～2021 年8期的Landsat8衛星影像和 2016～2021 年6期的Sentinel-2衛星影像，數據來源為“地理空間數據云”（www.gscloud.cn）。利用各遙感影像，對 2014～2021 年研究區的土地利用類型進行目視解譯，然后通過谷歌影像和實地探查進行精度驗證，借助ENVI軟件計算研究區內的歸一化植被指數（NDVI）。

2 研究方法

2.1 RUSLE模型

本文利用修正通用土壤流失方程（RUSLE）對研究區域土壤侵蝕情況進行評估[20-21] ，表達公式為

A=R?K?LS?C?P

式中：A代表年均土壤年流失量， u（hm²?a）;R 為降雨侵蝕力因子， （?MJ??mm）/（?hm²??h??a） ; K 為土壤可蝕性因子， （t?hm²?h）/（hm²?MJ?mm） ; LS 為坡長和坡度因子； c 為植被覆蓋與作物管理因子； P 為水土保持措施因子。

本文基于日降雨數據，選用半月降雨侵蝕力模型來計算半個月的降雨侵蝕力累積，獲得研究區不同年份的降雨侵蝕力，經證實此模型具有較高的模擬精度，在中國被廣泛使用[22-23]。公式如下：

α= 21.586β^-7.189

式中： R 代表年平均降雨侵蝕力， （MJ?mm）/（hm²?h ·a）; M 為某半月段的降雨侵蝕力值，（ ?MJ?mm?/ （ hm²?h?a） P_j 代表半月第 j 天的侵蝕雨量（日降雨量大于或等于 12mm ）， mm;P_dl2 代表日平均侵蝕性降雨量， mm;P_yl2 為年平均侵蝕性降雨量， mm;k 取1，2，…，24，指將年劃分為24個半月。

土壤可蝕性因子 K 是表征土壤在降雨或地表徑流時被飛濺剝蝕的難易程度的重要參數[24]。本文在已有研究基礎上，選取具有代表性的Wishmeier模型中的 K 值計算公式（即 K_EPIC ），并結合研究區土壤特征對其進行修正[25]， K_EPIC 公式為

式中： S₁ 表示土壤砂粒含量， %;S₂ 表示土壤粉粒含量， %;n 表示土壤黏粒含量， %;C 表示土壤有機碳含量， %;S₃= 1-S₁/100 。再根據前人有關研究結果[29]，對 EPIC 法計算后的 K 值進行修正，修正公式為

K=- 0.0183+ 0.51575K_EPIC

坡長和坡度因子 LS 作為重要地形要素參與到模型中來估算土壤侵蝕量，表征了地形對土壤侵蝕的影響。本文選用了 MeCool^[27] 和劉寶元[28]等的計算方法計算坡長坡度因子，計算公式為

式中： λ 為坡長； m 為可變坡長系數； φ 為坡度。

植被覆蓋與作物管理因子 c 的確定選用蔡崇法等[29]建立的 C 因子與區域內植被覆蓋之間的關系對

C 進行估算，具體公式為

式中 ?f 表示植被覆蓋度； NDVI₀ 表示無植被覆蓋或裸露土壤區域的NDVI值； NDVI_g 表示完全被植被覆蓋區域的NDVI值。選用 5% 和 95% 取值法消除異常值的影響。 5% 取值法指的是在整個NDVI數據中，去除最低 5% 的極端低值，表示無植被覆蓋或裸露土壤區域的 NDVI₀ 值。 95% 取值法是指去除最高 5% 的極端高值，作為完全被植被覆蓋區域的 NDVI_g 值。

水土保持措施因子 P 目前多采用專家打分法來進行賦值，綜合研究區水土保持措施及土地利用現狀，在0～1之間對其進行賦值，其值越大，代表越易發生侵蝕。本研究參考前人研究成果對不同的土地利用類型進行賦值，裸地、草地、林地、旱地、建設用地、水域分別為1.0，1.0，1.0，0.5，0，0[30 -31] 。

2.2 探索性空間統計分析

2.2.1 空間自相關和冷熱點分析

土壤侵蝕的空間自相關性是其空間分布和聚集模式的統計學描述，用于從統計角度分析空間特征的分布規律，反映區域單元和相鄰區域單元的空間特征或數值之間的相關性程度[32]。本研究采用全局Moran'sI檢測土壤侵蝕模數的空間自相關。全局Moran'sI計算如下：

式中： W_ij 為空間權重矩陣； x_i 和 x_j 分別是第 i 個和第 j 個采樣點的土壤侵蝕模數； n 是樣本總數； 是變量 x 的平均值； I 的范圍為 -1～1，Igt;0，Ilt;0 和 I=0 分別表示土壤侵蝕模數表現為集群、離散和隨機空間分布[33] 。

本文運用冷熱點分析法（ Getis-OrdGi^* ）探究研究區域土壤侵蝕局部的空間集聚特征[34]，通過識別冷熱點地區為針對性治理水土流失提供依據。其具體公式為

式中： G_i^* 表示局部相關性指數，可用于識別冷熱點聚集區； W_ij 代表空間權重矩陣； M_i 和 M_j 分別表示第 i 個和第 j 個的土壤侵蝕模數； E（G_i^*） 為 G_i^* 值的數學期望： var（G_i^*） 為 G_i^* 值的方差。對 G_i^* 進行 Z 檢驗，若Z（G_i^*） 顯著為正，則表示土壤侵蝕存在高值集聚；反之，表示低值集聚。本研究按照 Z（G_i^*） 值劃分為5個等級：熱點區、次熱點區、不顯著區、次冷點區和冷點區。

2.2.2 地理探測器模型

地理探測器（Geodetector）是探測空間分異性的一種統計學方法，其假設自變量和因變量之間相關，則兩者在空間上存在重疊[35-36]。本研究采用地理探測器模型來衡量自然環境因素及人為活動對區域土壤侵蝕模數的影響。其中，海拔高度、NDVI和降雨量因子被選為最常用的環境條件[37]。具體表示如下：

SST=Nσ²

式中： L 表示自變量個數； N_?h 表示層 h 內的單元數； N 表示全區的單元數； σ_h² 和 σ² 分別表示層 h 和全區中因變量的方差； SST 表示全區總方差； q 值指自變量對因變量的解釋程度，介于0＼～1之間， q 值越大，說明此自變量是導致土壤侵蝕的主導因子，地理探測器還可以對q值進行非中心F檢驗以此確定顯著性水平[35] 。

參考已有文獻并結合小流域實際情況，分別從地形、氣候和人為活動3個方面選取高程、坡度、土地利用類型（LU/LC）、年降水量、NDVI5個因子作為影響區域土壤侵蝕的因子。在探索二元交互作用對因變量的影響方面，Geodetector與定性因素表現出兼容性和優越性。與傳統的線性方法相比，Geodetector不受多因素共線性的影響[39]，適用于本研究以LU/LC和NDVI作為解釋變量的情況，利用地理探測器中的交互檢測模塊可以計算出不同影響因子交互下的 q 值，以及識別多變量在影響水土流失時是相互減弱還是相互增強，或者相互獨立（表1）。

在模型運行之前，需將高程、坡度、土地利用類型、年總降水量、NDVI等連續數值變量進行分類。其中，土地利用類型按類別分類;結合王勁峰等[35]提出的數據離散化方法及先驗知識，將植被覆蓋度按照 lt;0.3 ，0.3～0.4，0.4～0.5，0.5～0.6，0.6～0.7，0.7～0.8 0.8～0.9，0.9～1 分為8類；降雨、海拔數據利用Arc-GIS根據自然間斷法分成9類；坡度按照 lt;5^°，5^°～ 10^°，10^°～15^°，15^°～20^°，20^°～25^°，25^°～30^°，30^°～ 35^° ， gt;35^° 等級分為8類。隨后將所有柵格數據基于創建的漁網提取到點，提取間距為 50m ，本研究共提取20617個點數據作為運行數據。

3 結果與分析

3.1 研究區域侵蝕格局分布特征

2014～2021 年研究區土壤侵蝕模數為 1168～ ，下降了 65.8% ，2014年侵蝕最強，2021年侵蝕最弱。整個研究期間，年平均侵蝕模數為741.3t/（km²?a） ，隨年份增加整體呈下降趨勢，但在2016～2017 年土壤侵蝕模數有所上升（圖2）。

圖3顯示，4個年份中微度侵蝕和輕度侵蝕的面積之和均占總侵蝕面積的 84% 以上。其中，2014 年輕度侵蝕面積占比最大，為 44.3% ；2017、2019年和2021年均為微度侵蝕面積占比最大；隨年份增加微度侵蝕面積占總面積比例也增加，呈正相關。而其他4個侵蝕強度面積占比均有所減少，特別是中度侵蝕和強烈侵蝕面積減少為0。

結合表2進一步分析各年份侵蝕強度占比原因。研究區受地形影響及河流切割作用，形成高原深谷地貌，巖體破碎，風化嚴重，固體徑流蘊藏量豐富，沖溝發育，造成沿河岸兩側侵蝕面積大且強度高。受土地利用方式的影響，研究區東北部主要為居民住宅區，侵蝕強度主要為微度侵蝕和輕度侵蝕；而東南部地區為稀疏的灌木林地，綜合坡度因素，侵蝕強度以中度為主。因受地形條件限制和人為活動影響形成的坡耕地和荒坡等區域，土壤侵蝕強度較為劇烈，表現為沿坡向呈帶狀分布。自2015年水電站建設開始，人為活動逐漸加強，土地利用方式出現變化，但在工程防治措施和植物措施的綜合治理下，土壤侵蝕呈現降低趨勢。但水電站建設時間較長，期間地表土壤不斷裸露，建設用地增加，再加之降雨因素導致土壤侵蝕加劇（2017年）[16]受地形因素影響，流域內土壤侵蝕強度較大的區域為河岸兩側、東南部稀疏灌木林地和部分坡耕地及荒坡，且這種格局依舊沒有改變，而侵蝕強度較小區域除東南居民住宅區外，由于水電站壩址土地利用類型變更為不透水面，侵蝕強度明顯降低，證明土地利用類型因子和地形因子尤其是坡度因子對區域土壤侵蝕空間分布影響較大。

圖32014＼～2021年研究區土壤侵蝕強度分級分布Fig.3Distribution of soil erosion intensity in thestudyarea from2014to2021

全局Moran'sI指數分析結果顯示，2014、2017、2019年和2021年間研究區土壤侵蝕水平全局Moran'sI指數分別為 0.654，0.665，0.525 和0.661，并在0.01水平上顯著，可以看出 2014～2021 年研究區土壤侵蝕存在顯著空間聚集性。為了進一步分析其在空間上的集聚態勢，本研究采用熱點分析（Getis-0rdGi^* ）工具[40]繪制研究區土壤侵蝕熱點和冷點分布圖（圖4）。結果表明：土壤侵蝕熱點區主要分布在河岸兩側及東南部地區，其他區域呈現沿坡向不連續帶狀分布，土壤侵蝕冷點區除河流區域及水電站壩址區域外，主要分布在東北部地區。 2014～2021 年間研究區的冷點逐漸增多（ 95% 置信區域），其原因是隨著水土保持措施的實施，區域土壤侵蝕強度有所降低，受土地利用類型影響，河流區域及水電站壩址及周邊區域呈現冷點聚集，其他區域土壤侵蝕強度則主要受地形因子影響，土壤侵蝕熱點逐漸聚集，這一結果與上述土壤侵蝕強度結果相一致。

3.2 土壤侵蝕驅動因子分析

本研究采用地理探測器模型對白鶴灘水電站區域土壤侵蝕空間格局的主要驅動因素進行識別與分析（圖5）。圖5中縱坐標表示因子的 q 值，即因子對土壤侵蝕空間分異的解釋力，反映各單一影響因子在不同年份對土壤侵蝕的作用強度。由圖5可知，2014年研究區內坡度因素對土壤侵蝕的解釋力最強（ 34.08% ， plt;0.01 ），其次是土地利用類型 （19.91% ，plt;0. 01 ）、NDVI（4. 26% ， plt;0.01 ）、年降雨量（3. 40% ， plt;0.01 ），海拔 （2.17% ， plt;0.01 ）的解釋力最低。在 2014，2017，2019 年和2021年4a中，土壤侵蝕的主要影響因素是坡度和土地利用類型因素（ ∣qgt; 18% ），表明坡度和土地利用類型對整個研究區內土壤侵蝕強度的空間分布格局起著重要作用，坡度作為影響土壤侵蝕的主要驅動力之一，海拔和年降雨量的解釋力較弱。這與Li等[38]在河流源區和峽谷區的研究結果一致。在河谷區域，由于海拔落差較大和長陡坡的存在，植被不易生長，這為土壤侵蝕的發生創造了有利條件，是土壤侵蝕發生的重點區域。土地利用類型因子解釋力較強則是由于當地土地利用類型多為坡耕地和植被覆蓋度較低的灌木林地，加之土地粗放式管理導致土壤侵蝕模數較高。

2017年土地利用類型對空間土壤侵蝕的解釋力相比2014年顯著增加， q 值從 19. 91% 增加至25.96% ，坡度的 q 值呈明顯下降，從2014年的34.08% 降至 29.66% 。其原因可能是2014年研究區人為因素干擾程度較小，而隨著白鶴灘水電站的建設，人類活動加劇，機器設備在生產建設期間會對地面進行碾壓，使地面植被破壞，土壤結構受到擾動，土壤環境失去表面活性與防沖能力[16]。土地利用類型逐步改變，其中建筑用地面積由 572.84hm² 增加至695.09hm² ，而裸地、人為擾動面積分別減少 200.21hm² 和164.7hm² ，灌木林地、旱地面積均有所增加。2019 年降雨量因子解釋力出現明顯降低， q 值遠遠小于其他年份（僅為 0.48% ），統計發現2019年研究區內年降雨量（ 789mm ）均小于其他年份（均大于 965mm ），表明在一定條件下隨著降雨量增大其解釋力逐漸增強。2021年由于水土保持措施持續發揮作用，水電站運行后人為干擾逐漸減少，土地利用類型因子和坡度解釋力較往年有所下降，其他因子解釋力增強，同時首次出現土地利用類型因子解釋力強于坡度，證明開展的水土保持措施卓有成效。

交互探測器可用于量化不同因子之間的交互作用關系，判斷它們在對土壤侵蝕影響過程中是否表現出增強、減弱或獨立效應，從而為分析因子協同作用下的侵蝕機制提供依據（圖6）。圖6展示了各因子兩兩組合對區域土壤侵蝕的交互作用結果。分析表明，任意兩個因素對區域土壤侵蝕的交互作用均呈現非線性增強 q（X₁∩X₂）gt;（qX₁+qX₂） 或雙因子增強 q（X₁∩X₂） gt;max{q（X₁），q（X₂）} 。說明各驅動因子之間存在顯著的協同增效關系，對土壤侵蝕空間分布具有更強的解釋力。其中2014年坡度n土地利用類型、坡度n年降水量、坡度 ∩ 高程和坡度 ∩ NDVI均具有較強解釋能力，其解釋力均大于 21% 。其次與土地利用類型相交互的因素，其解釋力均大于 20% ，證明坡度、土地利用類型在所有相互作用組合中均具有較高的解釋能力，與上述因子檢測器的結果一致。2014年的統計結果表明，受人為活動影響較小的情況下，區域土壤侵蝕的空間格局主要受坡度因素控制，其次為土地利用類型因素。2017年驅動因素的相互作用結果與2019年結果一致，坡度n土地利用類型仍占據主導地位，其次為坡度∩NDVI。2021年NDVI和降雨因子與其他因子的交互解釋力有所增強，而坡度和土地利用類型與其他因子的交互解釋力有所減弱，這是由于人為活動的減少，土地利用趨于合理，前期采取的治理措施發揮作用，使得坡面侵蝕得到治理

3.3 不同土地利用類型的土壤侵蝕特征

為分析 2014～2021 年研究區內各土地利用類型及其對應的土壤侵蝕強度面積占比，繪制了2014，2016，2017，2019年和2021年不同土地利用類型的侵蝕強度分布圖（圖7）。考慮到水電站于2015年開工建設，為更全面評估工程前期（ 2016～2017 年）對區域生態環境的影響，特增加2016年不同土地利用類型的侵蝕強度數據作為對比。

由圖7可知，2014年灌木林地面積占總面積的比例最大（ 1580.3hm² ），且主要以輕度侵蝕為主，其次是中度侵蝕約占 25.7% ，強烈侵蝕最少僅占 0.8% ；旱地面積為 1268.1hm² ，侵蝕強度等級以輕度侵蝕和微度侵蝕為主;有林地面積為 790.25hm² ，侵蝕強度等級占比為輕度侵蝕（ 53.6% ） gt; 中度侵蝕 （26.4%）gt; 微度侵蝕 （ 19.7% ） gt; 強烈侵蝕 （0.3%） 。灌木林地、旱地和有林地3種土地利用類型中輕度侵蝕的面積占所有土地利用總輕度侵蝕面積的 81.4% （1856.0hm² ），中度侵蝕面積占總中度侵蝕面積的 78.2% 0 619.8hm² ）。由此推斷，灌木林地、旱地和有林地為2014年土壤侵蝕的主要來源。 2014～2016 年期間，由于建設項目和水土保持工作的開展，裸土地面積減少至 26.46hm² ，灌木林地增加了 98.5hm² ，建設用地面積增加了 143.8hm² ，中度和輕度侵蝕強度的總面積均減小，所以年侵蝕模數呈現減小趨勢。

2016～2017 年，土壤侵蝕模數增加了162t/（km²?a） ，但兩年間各土地利用類型面積基本不變，發生變化的主要是侵蝕強度的面積。原因可能是工程的進行和受河水截斷的影響，位于河流下游的灌木林地區域土壤侵蝕強度有所增強，但依舊小于2014年的土壤侵蝕模數。 2017～2021 年年侵蝕模數持續降低，由 933hm² 下降到 399hm² ，除水域面積增加了413.9hm² ，旱地面積基本不變，其余土地利用類型均不同程度減小。特別值得注意的是，該研究區侵蝕強度也發生了明顯的趨勢變化，微度侵蝕強度成為主要類型，輕度次之，而中度侵蝕的面積則逐漸減小。這一變化趨勢的原因可能是人類活動逐漸趨于穩定，同時也該地區的水土流失防治工作開始發揮作用。截至2021年水電站正式開始運行，蓄水后上游水域面積增加，部分建筑用地也被拆除，進一步改善了該地區的生態環境。總體來看，在水電站建設期間，侵蝕強度等級為強烈侵蝕和中度侵蝕的區域面積逐漸減少，直至完全消失。灌木林地是研究區內占地面積最大的土地利用類型，且在四期統計數據中，灌木林地的土壤侵蝕強度無論是面積還是等級均大于同期其他的土地利用類型。旱地和有林地為研究區內面積第二大和第三大的土地利用類型，表明灌木林地、林地和旱地是發生土壤侵蝕的主要土地利用類型。由于地形影響，輕度侵蝕區域主要以坡面侵蝕為主，溝蝕則在坡面侵蝕的基礎上發育而來，侵蝕等級以中度侵蝕為主。

4結論

本文以白鶴灘水電站壩址控制的流域作為研究區域，基于RUSLE模型和地理探測器模型對2014＼～2021年水電站建設期間土壤侵蝕空間分布及影響因素進行定量研究，研究結論如下：

（1）RUSLE模型估算結果顯示， 2014～2021 年研究區多年平均侵蝕模數為 741.31/（km²?a） ，主要為微度和輕度侵蝕強度。2014年侵蝕最為嚴重，隨年份增加土壤侵蝕模數呈下降趨勢。全局Moran'sI指數分析結果顯示，核心區域土壤侵蝕存在顯著的空間依賴性（ _plt;0.01） ），主要受地形、人為活動和河流切割等因素共同影響。

（2）影響土壤侵蝕空間分布的主要變量是坡度和土地利用類型因素，其解釋力均超過 18% 。任意兩個因素的交互作用也增強，其中年降雨量∩海拔是唯一表現非線性增強的。對比年降雨量因素的獨立解釋力較弱，但它與高程、NDVI相互作用表現出非線性增強，表明植被覆蓋、降雨因素、高程等因素在土壤侵蝕的空間分布中也發揮了一定作用。

（3）土壤侵蝕的主要土地利用類型為灌木林地、林地和旱地，尤其是在有坡度的區域。隨著土地利用類型的變化和生態工程建設逐漸發揮作用，侵蝕強度逐漸降低，強烈和中度侵蝕轉變為微度、輕度侵蝕，

參考文獻：

[1] GUOSS，ZHU ZR，LYU L T.Effects ofclimate change and humanactivities on soil erosion in the Xihe River Basin，China[J].Water，2018（10）：1085.

[2] PIMENTELD.Soil erosion：a food and environmental threat[J].Envi-ronmentDevelopmentand Sustainability，20o6（8）：119-137.

[3] DUAN X，LIU B，GU Z，et al.Quantifying soil erosion effects on soilproductivityin thedry-hotvalley，southwestern China[J].Environ-mentalEarthSciences，2016，75（16）：1164.

[4] 黃婷婷，揚子，曹琦，等.黃土高原六道溝小流域近30年來土壤侵蝕變化評價[J].中國水土保持科學，2020，18（1）：8-17.

[5] LIANG SZX，FANG H Y.Quantitative analysis of driving factors insoil erosion using geographic detectors in Qiantang River catchment，Southeast China[J]. Journal ofSoilsand Sediments，2021，21：134-147.

[6] 張素，熊東紅，吳漢，等.基于RUSLE模型的孫水河流域土壤侵蝕空間分異特征[J].水土保持學報，2021，35（5）：24-30.

[7] 陳正發，龔愛民，寧東衛，等.基于RUSLE模型的云南省土壤侵蝕和養分流失特征分析[J].水土保持學報，2021，35（6）：7-14.

[8] NAPOLI M，CECCHIS，ORLANDINI S，etal.Simulation of field -measured soil loss in Mediterraneanhilly areas（Chianti，Italy）with

[10］陳峰，李紅波.基于GIS和RUSLE的滇南山區土壤侵蝕時空演變：以云南省元陽縣為例[J].應用生態學報，2021，32（2）：629-633.

[11］彭建，李丹丹，張玉清.基于GIS和RUSLE的滇西北山區土壤侵蝕空間特征分析：以云南省麗江縣為例[J].山地學報，2007（5）：548 -556.

[12]PEI T A，ZZA B，QYA B，et al. Soil erosion assessment by RUSLEwith improved P factor and its validation： Case study on mountainousand hilly areas of Hubei Province， China[J]. International Soil andWater Conservation Research，2021，9（3） ：433 -444.

[13］何煦，桑琦明，鄭粉莉，等.東北不同黑土厚度區多營力作用的坡面土壤侵蝕試驗研究[J].水土保持學報，2021，35（1）：103－109，115.

［14］王娟，卓靜.基于RS和GIS的陜北黃土高原退耕還林區土壤侵蝕定量評價[J].水土保持通報，2015，35（1）：220-223，229，362.

[15］王萌，劉云，宋超，等.基于RUSLE 模型的2000＼～2010 年長江三峽庫區土壤侵蝕評價[J].水土保持通報，2018，38（1）：12-17.

[16］黃達.基于生產建設項目的水土保持設計研究[J].水利科技與經濟，2024，30（6） ：90 -94.

［17］王環武，周長波，賈超.水電站建設小型生活污水處理設施應用[J].人民長江，2016，47（增1）：42-45.

［18］柴宗新，范建容.金沙江下游侵蝕強烈原因探討[J].水土保持學報，2001（增1）：14-17.

[19］陳文夫，王瑋，陳洋，等.白鶴灘水電站壩址區域生態環境質量評價[J].人民長江，2022，53（11）：35-41，52.

[20]RENARD K G，FOSTER G R，WEESIES G A，et al.Predicting soil e-rosion by water：a guide to conservation planning with the Revised U-niversal Soil Loss Equation（RUSLE）[Z]. USDA Agricultural Hand-book，1997.

[21] PANDEY S，KUMAR P，ZLATIC M，et al. Recent advances in assess-ment of soil erosion vulnerability in a watershed[J].International Soiland Water Conservation Research，2021（9） ：305 -318.

[22]YANG，F，LU，C.Spatiotemporal variation and trends in rainfall eros-ivity in China’s dryland region during 1961-2012[J]. Catena，2015，133，362 -372.

[23］翁薛柔，葉琰，葉勇，等.基于多種算法的小安溪流域降雨侵蝕力時空演變特征[J].農業工程學報，2022，38（4）：143-150.

[24］楊苗苗，楊勤科，張科利，等.礫石含量對土壤可蝕性因子估算的影響[J].土壤學報，2021，58（5）：1157-1168.

[25]WILLIAMS JR. The erosion - productivity impact calculator（EPIC）model：A case history[J].Philosophical Transactions of the Royal So-cietyBiological Sciences，1990，329（1255） ：421-428.

[26] ZHANG K L. Soil erodibility and its estimation for agricul-tural soilsin China[J]. Journal of Arid Environments，2008，72（6）：1002 -1011.

[27]MCCOOL D K，BROWN L C，FOSTER G R，et al. Revisedslope steep-ness factor for the Universal Soil Loss Equa- tion[J].Transactions ofthe ASAE，1987，30（5） ：1387 - 1396.

[28］劉寶元，張科利，焦菊英.土壤可蝕性及其在侵蝕預報中的應用[J].自然資源學報，1999，21（4）：345-350.

[29］蔡崇法，丁樹文，史志華.應用USLE模型與地理信息系統IDRISI預測小流域土壤侵蝕量的研究[J].水土保持學報，2000，14（2）：19 -24.

[30]GUTMANG，IGNATOVA.Thederivationof the greenvegetation frac-tionfromNOAA/AVHRRdataforuse innumerical weatherpredictionmodels[J].International Journal ofRemoteSensing，1998，19（8）：1533-1543.

[31］陳浩.黃土高原退耕還林前后流域土壤侵蝕時空變化及驅動因素研究［D].楊凌：西北農林科技大學，2019.

[32]REN H，SHANG Y，ZHANG S.Measuring the spatiotemporal varia-tions of vegetation net primary productivity in Inner Mongolia usingspatial autocorrelation[J].Ecological Indicators，202O，112（2）：106108.

[33]WANGH，LIU X，ZHAO C，et al.Spatial-temporal pattern analysisoflandscape ecological risk assessment based on land use/land coverchange in Baishuijiang National nature reserve in Gansu Province，China[J].Ecological Indicators，2021，124：107454.

[34］高子軼，張海峰.基于POI數據的西寧市零售業空間格局探究[J].干旱區地理，2019，42（5）：1195-1204.

[35]王勁峰，徐成東.地理探測器：原理與展望.[J].地理學報，2017，72（1）：116-134.

[36]LIJ，LIANGJ，WANGJ，et al.Spatiotemporal trendsand ecologicaldeterminants in maternal mortality ratiosin2，2O5 Chinese counties，2010-2O13：A Bayesian modellinganalysis[J].PLoS Medicine，2020.17（5）：e1003114.

[37］楊以翠，常志勇，鄭騰輝，等.廣西壯族自治區水土流失特征與治理成效分析[J].水利水電快報，2025，46（2）：107-113.

[38]LI H，GUANQ，SUN Y，etal. Spatiotemporal analysis of the quantita-tive attribution of soil water erosion in the upper reaches of the YellowRiverBasin based on the RUSLE-TLSD model[J].Catena，2022，212：106081.

[39]WANGJF，ZHANGTL，FUBJ.A measure of spatial stratified heter-ogeneity[J].Ecological Indicators，2016，67：250-256.

[40]鄭航，程學軍，邵逸文，等.2010＼～2020年漢江中下游流域景觀格局變化分析[J].水利水電快報，2023，44（4）：128-135.

（編輯：黃文晉）

Abstract：Soil erosionistheresultofcoordinatedinteractionofmultipleinfluencingfactors.Accuratelyasesingthespatial distributionofregionalsoilerosionanditsinfluencingfactorsisofgeatsignificanceforin-depthexplorationonthemchanisms of soilerosionandsoilandwaterconservationefortsBasedonRUSLEmodel，ultisourcermotesensingdatafactorssuchas elevation，slope，landusetypevegetationcoverage，andaaltotalainfallwereselectedtosystematicallanalyzethedyamic changesinsoilerosioninthecontroledwatershedatthedamsiteoftheBaihetan Hydropower Stationfrom2O14 to2021.The main driving mechanisms influencing soil erosion were also investigated.The results showed： ① The soil erosion modulus exhibited a continuous decline over the years （ R²=0.82 ），and erosion intensity was mainly slight and mild levels，and showing significant spatial clustering（ Plt;0.01 ）； ② Land use type and slope were the main driving factors affecting soil erosion （ qgt;18% ）， and their interactions exhibited nonlinear enhancement or two-factor enhancement; ③ Shrubland，grassland，and forestland were theprimary sourcesofsoilerosion，andareasofintenseandmoderateerosionwere transforedtoslightandmilderosionareasover time.

Key words：soil erosion；RUSLE model；geographicdetector；waterand soil conservation；Baihetan Hydropower Station