黃河流域土壤侵蝕的氣候-植被閾值機制及時序響應特征

關鍵詞：土壤侵蝕;生態修復;隨機森林;InVEST-USLE;XGBoost;Attention-LSTM;黃河流域中圖分類號：S157.1;TV882.1 文獻標志碼：A doi：10.3969/j.issn.1000-1379.2025.09.011用格式：，，.黃河流域土壤侵蝕的氣候-植被閾值機制及時序響應特征[J].人民黃河，2025，47（9）：77-84

Climate-Vegetation Threshold Mechanism and Temporal Response Characteristics of Soil Erosion in the Yellow River Basin

DENG Xiangzheng1，2，LIU Yijie2，3， LIU Yuhan3 （1.Beijing Technology and Business University，Beijing lO0048，China；2.Institute of Geographic Sciences and NaturalResoucesResearchCA，Beijing10o0l，China；3.UniversityofChineseAcademyofSciences，Beijing9，China） Abstract：TheYellowRiverBasin，atypicalsoilerosion-sensitiveregionin China，wasselectedastheresearchtarget.Byconstructinga multi-modelframework integratingInVEST-USLE，RandomForest，XGBost，ndAtention-LST，andusingmulti-sourceremotessing andclimatedatafrom20to2O23，thedynamicevolutionofoilrosionundersixfturescenariosfrom2024to2O5OwassimulatedThe coupledimpactsofclimatechangeandcologcalestorationmeasuresweresystematicallevauated，revealingthedrivingmechanisad regulatoryreshldsofsoilrosionesultssowtat：a）precipitatioistpriarydriverofsoilrosion，ndvegeaiogulatioexhibitssignifattreshdhacterists；b）hodeldentifict“rentdmnancofsolrosion，withrpredictior foranceforlonges；）sceariosiulatiosealtatuderisiopathas，wiotolocalstorationtl sionmodulusillotiueticease.Whileigesityolicalstoratioansiiiantlyiigaterosiontrds，eoio ductionbenefisedelaedesefidingsprovidequanitativesupportfortezonganddyaicegatorymechanismsofsiladater conservatioineYeloversinItiscommededatcritcalhresholdsandtie-lgctsbcopatedintofutureolical governance policy frameworks to improve the precision and efectiveness of regional ecological management.

Key Words：soil erosion；ecologicalrestoration;RandomForest；InVEST-USLE；XGBoost；Attention-LSTM;YelowRiverBasin

0 引言

土壤侵蝕是當前全球最嚴重的土地退化形式之一，直接導致土壤資源不可逆損失，間接加劇區域生態系統退化與社會經濟的脆弱性[1-3]。在我國西北、華北等半干旱與亞濕潤地區，水蝕過程長期威脅農業生產力與生態系統服務功能[4-5]。盡管近年來黃土高原和黃河流域生態修復取得顯著成效，但監測與模擬結果表明，區域土壤侵蝕風險依然較高[6-7]，其動態變化和驅動機制亟待深人探討。

黃河流域作為我國典型的生態脆弱帶與水土流失集中區[8]，其復雜的地形地貌、顯著的氣候梯度以及人類活動強度疊加作用，使得土壤侵蝕過程具備高度敏感性和空間差異性[9-10]。黃河中游黃土丘陵溝壑區被認為是流域侵蝕的“核心高值區”，其生態安全與下游水資源調控能力對整個流域的可持續發展具有決定性影響[11-12]。已有研究指出，氣候因子變化（降水強度、極端氣候頻次等）以及生態修復措施（退耕還林/草等）是影響土壤侵蝕動態變化的關鍵因子[13-14]。然而，這些因子往往存在非線性耦合關系及顯著的時滯效應，氣候-植被系統驅動的閾值機制尚未被量化識別，阻礙了對未來侵蝕風險的有效預測與管理

隨著遙感技術與大數據的發展，土壤侵蝕研究逐步邁向多源、多尺度、多方法集成的新階段[15-16]。傳統的經驗模型如通用土壤流失方程（USLE）與修正土壤流失方程（RUSLE）在水土流失估算與生態治理成效評估中具有廣泛應用價值[17-18]，但其在處理非線性關系、識別驅動因子閾值以及模擬動態響應方面存在明顯不足。近年來，機器學習方法[隨機森林（RF）、極端梯度提升（XGBoost）等]在變量重要性排序、因子交互作用識別及響應曲線擬合方面展現出優越性能[19-21]。與此同時，深度學習方法[長短期記憶網絡（LSTM）及Attention-LSTM等]在建模非平穩、非線性的時序過程方面日益成熟[22-23]，尤其適用于復雜生態系統中土壤侵蝕預測與調控分析。

盡管上述模型在不同應用中各具優勢，但當前研究仍面臨以下不足：其一，模型單一性限制了對黃河流域復雜氣候-植被系統非線性與滯后機制的全面揭示；其二，對閾值響應的研究多停留在定性認知階段，缺乏基于融合模型的系統量化；其三，在未來情景模擬方面，如何結合社會經濟路徑（SSPs）與生態修復強度，識別土壤侵蝕演變趨勢與關鍵影響區仍屬研究前沿[15.24]。基于此，本文構建融合 InVEST-USLE、RF、XGBoost與Attention-LSTM的多模型框架，綜合利用2000一2023年多源遙感與氣候數據，系統識別黃河流域土壤侵蝕的氣候-植被閾值機制及時序響應特征，進而模擬2024—2050年6種未來情景（不同SSP路徑與生態修復強度組合）下土壤侵蝕動態演變，以期為黃河流域水土保持分區、生態修復優先級劃定與適應性管理提供理論支撐與模型基礎。

1研究區概況與數據來源

1.1 研究區概況

黃河流域面積約79.5萬 km² ，跨越青藏高原、黃土高原和華北平原等多種地貌單元[8]。地形起伏劇烈，坡陡溝深，是世界上水土流失最為嚴重的地區之二[5，17]。氣候呈由西向東從干旱寒冷到濕潤溫和的梯度過渡，年降水量從 100mm 遞增至 800mm ，降水主要集中在6—8月[6。植被覆蓋空間差異顯著，中游黃土高原植被稀疏，易發生侵蝕[14，24]。歷史上黃河流域水土流失嚴重，平均土壤侵蝕模數超過 2 000t/km² ，造成生態退化與農業損失[7，20]。近年的生態工程如退耕還林/草、封山育林雖取得階段性成效，但侵蝕問題依然嚴峻[11-12]

1.2 數據來源

采用多源、高分辨率數據集以支撐土壤侵蝕模擬與因子解析。氣候數據方面，獲取了2000—2023年逐月 1km 分辨率的氣溫、降水量與潛在蒸散發量，數據源自國家青藏高原科學數據中心[25]；未來氣候情景采用基于SSP2-4.5與SSP5-8.5路徑模擬的2024—2050年逐年氣候預估數據，數據源自國家青藏高原科學數據中心[26]。植被數據方面，植被指數源自 NASA提供的MOD13A3月度NDVI產品，空間分辨率為 1km ，時間跨度為2000一2023年，該類數據廣泛應用于生態與水土保持研究。地形數據方面，地形高度源自Fath-omDEM[27]，空間分辨率為 30m ，FathomDEM融合視覺Transformer模型生成，具有全球一致性與高精度特征，適用于復雜地貌區的地形因子提取。土壤屬性方面，土壤數據源自FAO與IIASA聯合發布的HWSD 數據庫，該數據庫在土壤分類與理化屬性描述方面具有權威性。土地利用數據源自基于遙感影像解析的30m 分辨率中國年度土地覆蓋數據集，時間跨度為1985一2023年，該類數據時序完整、精度可靠，是植被動態監測與生態建模的重要基礎。

所有數據統一重采樣至 1km 空間分辨率，采用Al-bers等面積圓錐投影（中央經線 105^°E 、標準緯線 25^°N 和 47^°N ），以保證數據空間一致性與模型兼容性。

2 研究方法

2.1 InVEST-USLE模型

采用InVEST模型中的水土流失模塊，對黃河流域水土流失過程進行定量模擬。該模塊基于USLE估算單位面積年均土壤流失量 A ，其表達式如下：

A=R×K×L_s×C×P

式中： R 為降水侵蝕力因子， K 為土壤可蝕性因子， L_s 為坡度坡長因子， c 為植被覆蓋與管理因子， P 為水土保持措施因子。

在缺乏高頻降水數據的區域，采用適用于中國地區的經驗指數模型，根據年降水量 P_re 估算 R 值，表達式如下：

R=a×P_re^b

式中： a 和 b 均為經驗參數，需要依據區域特征設定，本研究設置為 a=0.053 4，b=1.654 8 ，即 R=0.0534× P_re^1.6548 ，該公式已在我國北方黃土高原和半干旱地區廣泛應用，可較好反映年降水量對土壤侵蝕力的長期影響。

土壤可蝕性因子 K 采用基于土壤顆粒組成與有機碳含量的經驗模型計算，表達式如下：

K=K₁×K₂×K₃×K₄

式中： K_r 為土壤顆粒影響因子， K₂ 為土壤粉砂比例影響因子， K₃ 為土壤有機碳影響因子， K₄ 為土壤結構與滲透等級影響因子， S_and?S_ilt?C_lay 分別為土壤中砂粒、粉粒、黏粒含量， o_c 為有機碳含量。

2.2 RF模型

RF是一種基于集成學習思想的監督機器學習算法，通過構建 M 棵決策樹 （T₁，T₂，…，T_M） ，對各樹的預測結果進行平均（回歸）以獲得最終預測值。對于給定輸人特征向量 x=（x₁，x₂，…，x_p） ，RF 的回歸預測輸出 可表示為

式中： T_m（x） 為第 ?_m 棵決策樹的預測值。

每棵樹構建過程中，RF通過在樣本集合中有放回地抽取子樣本（bootstrapsampling），隨機選擇部分特征子集 F_m?{1，2，…，p} 來進行節點分裂，以有效降低模型的方差和過擬合風險。

對樹的數量 M 最大樹深度 d_max 以及每棵樹使用的最大特征數 k 等超參數進行優化，結合交叉驗證方法確定最佳參數組合，以最大化模型的解釋率。

2.3 XGBoost模型

XGBoost是一種高效的梯度提升樹（GBT）算法，通過迭代優化加法模型逐步減小預測誤差。給定訓練數據集 {Φ（x_i，y_i）}_i=1^N ，其中： x_i 為第 i 個訓練樣本的特征向量， y_i 為第 i 個訓練樣本對應的真實標簽值， N 為訓練集中總樣本量。模型以加法方式構建第 Φ_t 輪迭代的樹 ?f_t ，第 Φ_t 輪迭代的模型預測值 為

式中：函數空間 F 為所有可能的回歸樹集合。

目標函數 E^Ξ（t） 由訓練誤差和正則化項組成：

式中： l 為損失函數（如平方誤差）； 為第 _t-1 輪迭代的模型預測值； Ω（f） 為正則化項，用于控制樹的復雜度； T 為葉節點數; w_j 為葉節點權重； γ 和 λ 均為正則化參數。

利用XGBoost模型識別氣溫、降水量和NDVI對黃河流域水土流失的閥值機制，定量分析變量的重要性及其非線性關系，為揭示水土流失的驅動機制提供理論支持。

2.4 LSTM模型

LSTM能夠有效捕捉序列數據中的長期依賴關系。對于給定輸入序列 X={x₁，x₂，…，x_T} ，LSTM通過門控機制遞歸計算每個時間步的隱狀態向量 h_t 和細胞狀態向量 c_t ，其計算過程為

?f_t=σ（?W_fx_t+U_fh_t-1+b_f）

i_t=σ（W_ix_t+U_ih_t-1+b_i）

c_t=f_t?c_t-1+i_tc_t

h_t=σ_t?tanh（c_t）

式中 ?f_t 為遺忘門向量， i_ι 為輸入門向量， 為候選細胞狀態向量， c_t 為 χ_t 時刻的細胞狀態更新向量， c_t-1 為 _t-1 時刻的細胞狀態更新向量， o_t 為 Φ_t 時刻的輸出門向量，σ 為 Sigmoid 函數， W_f?W_i?W_c?W_o?U_f?U_i?U_c?U_o 為權重矩陣， h_t-1 為 _t-1 時刻的隱狀態向量， b_f、b_i、b_c、b_o 為偏置向量， ? 表示逐元素乘積。

為了增強模型對不同時間步的關注能力，引入時間注意力機制。定義注意力權重 ?α_? ，對 計算：

式中： e_t 為時間步 χ_t 的重要性分值，可視為標量； δW_a 為權重矩陣， b_a 為偏置向量， u 為投影權重向量。

最終加權時序向量 h_att 表示為

h_att 為模型對未來水土流失預測的時序特征輸入，通過后續全連接層或回歸層得到最終預測結果。

本模型綜合利用氣溫、降水量和NDVI的歷史時序數據，動態調整各時間步長的貢獻權重，以提升預測性能與解釋能力。

2.5 多情景耦合

采用 2×3 因子設計了多情景耦合框架來預測黃河流域2024—2050年土壤侵蝕演變趨勢，見表1。

表1未來情景設計

Tab.1 Future Scenario Design

注：SSP245指2050年 CO₂ 濃度 ≈970mg/m³ ;SSP585指2050年 CO₂ 濃度 ≈1205mg/m³ ;生態修復情景中2023年NDVI值為基準值，當任一區域 NDVI?0.6 時停止增大（超過閾值）。

3 研究結果

3.1 InVEST-USLE模型模擬結果

基于InVEST模型中USLE模塊對2000—2023年黃河流域土壤侵蝕演變趨勢的模擬結果如圖1所示。由圖1（a）可知，流域整體年平均土壤侵蝕模數呈現出顯著的上升—下降—平穩的演變趨勢。2000—2023年流域年平均土壤侵蝕模數維持在約 3 000t/km² 的較高水平，反映出在生態修復工程大規模實施前，流域土壤侵蝕形勢依然嚴峻。自2004年起，年平均土壤侵蝕模數明顯下降，至2010年已降至約 2 000t/km² ，年均降幅超過 140t/km² ，說明該階段退耕還林/草、封山育林等生態修復措施取得了階段性成效。2010年之后，年平均土壤侵蝕模數總體呈現緩慢下降態勢，至2023年降至約 1700t/km² ，年均降幅放緩至不足25t/km² ，表明流域水土保持進入鞏固提升階段。

從空間分布來看，土壤侵蝕仍主要集中在黃河中游地區，尤其是晉陜交界的黃土丘陵溝壑區，該區域地形破碎、土壤結構疏松，且人類活動頻繁，長期以來是黃河流域土壤侵蝕的核心敏感區。相比之下，上游高原地帶和下游平原區植被覆蓋較好或地勢相對平坦，土壤侵蝕程度相對較輕。

圖1InVEST-USLE模型模擬結果Fig.1 InVEST-USLEModelSimulation Results

該階段的土壤侵蝕變化規律不僅反映生態修復工程的有效性，而且揭示中游地區在黃河流域水土保持中的關鍵地位，未來仍需要持續關注重點區域的綜合治理與生態修復。

3.2 RF模型模擬結果

RF模型從季節尺度系統評估氣溫、降水量與NDVI因子對黃河流域土壤侵蝕的相對解釋能力，結果見圖2。整體結果顯示，降水量是關鍵驅動因子，其中秋季降水量的解釋率最高，達 21.3% ；其次為春季降水量（解釋率為 12.2% ）與夏季降水量（解釋率為 11.9% ）；冬季降水量解釋率相對較低，為 5.2% 。這一分布趨勢揭示了秋季強降水事件對地表土壤侵蝕過程的顯著作用，特別是在農作物收獲后植被稀疏、裸地比例較高的背景下，王攘侵蝕風險加劇。

圖2RF模型季節性因子識別結果

從因子類型整體貢獻角度來看，降水量的累計解釋率為 50.6% ，顯著高于NDVI（解釋率為 19.8% ）與氣溫（解釋率為 27.2% ）的，明確指出水文過程對黃河流域土壤侵蝕的主導地位。NDVI方面，夏季NDVI對土壤侵蝕的解釋率最高，為 9.9% ，表明生長旺季的植被覆蓋在抑制土壤侵蝕方面發揮了關鍵作用，而春、秋、冬季NDVI的貢獻相對有限，解釋率分別為 4.3% ！2.5%，3.1% 。氣溫的影響較為復雜，夏季氣溫的解釋率最大，為 11.8% ，可能與蒸發強度和土壤干裂程度提高有關；而冬季氣溫（解釋率為 8.5% ）與春季氣溫（解釋率為 4.9% ）的作用次之；秋季氣溫影響最弱，解釋率為 2.0% 。

綜合來看，秋季降水量、夏季NDVI與夏季氣溫共同構成土壤侵蝕的主要驅動因子，其中秋季降水量尤為關鍵。這些結果支持了水-熱-植被協同機制的研究框架，強調了在制定水土保持措施時應考慮季節性變化特征，尤其應在秋季進行精準化干預與生態修復。

3.3 XGboost模型模擬結果

為識別氣候因子與植被因子在驅動土壤侵蝕過程中的非線性閾值機制，基于XGBoost模型對氣溫、降水與NDVI進行響應特征分析，結果見圖3。

圖3XGboost模型多閥值識別結果 Fig.3Multi-Threshold Recognition Results of XGboost Model

氣溫對土壤侵蝕的影響未表現出顯著的閾值機制，說明在當前區間內，氣溫更多通過間接路徑（影響蒸散發、植被生長）抑制土壤侵蝕，而非產生直接驅動作用。相比之下，降水量與NDVI均表現出典型的非線性閾值機制。降水量方面，當年降水量超過 530mm 時，土壤侵蝕模數快速增大，呈現明顯的躍增趨勢；當年降水量超過 780mm 時，土壤侵蝕模數減小，變化相對趨緩。因此， 530～780mm 為土壤侵蝕的敏感高風險區間，反映出強降水是觸發坡面土壤侵蝕加劇的關鍵驅動因子。NDVI方面，模型揭示了清晰的生態閾值機制：當NDVI小于0.15時，土壤侵蝕模數極大，反映出地表土壤基本裸露、植被調蓄能力缺失；當NDVI介于0.15至0.40之間時，土壤侵蝕模數雖有所減小但仍處于較高水平，表明稀疏植被尚不足以有效抵御降水引起的土壤侵蝕；當NDVI大于0.40時，土壤侵蝕模數顯著減小；當NDVI大于0.50時，土壤侵蝕模數趨于穩定，說明NDVI為0.40與0.50可視為抑制土壤侵蝕的關鍵生態閾值，并作為植被恢復目標的量化依據，

在多因子交互模擬中，發現土壤侵蝕的高風險區域主要集中于降水量大于 700mm 、NDVI小于0.50的組合。該類型區域在空間上多對應黃土高原南部等降水量大、植被覆蓋率低的區域，屬于生態系統脆弱、氣候沖擊強烈的典型區域，應作為未來水土保持與生態修復的重點對象。

3.4Attention-LSTM模型模擬結果

為刻畫氣候與植被因子對土壤侵蝕的時序響應關系，構建了融合注意力機制的LSTM模型（Attention-LSTM），并分別設定短時間步長（2a）、中時間步長（5a）與長時間步長（10a）進行模擬，模型預測值與實際值的擬合情況見圖4，模擬時間步長對應的注意力權重見圖5。

圖5Attention-LSTM模型模擬時間步長對應的注意力權重 Fig.5 Attention Weights Corresponding to Time Steps Attention-LSTM Model Simulates

分析圖4可知，模型在不同時間步長下均能有效捕捉因子對土壤侵蝕的動態影響，其擬合優度 （R²） 隨時間步長延長而顯著增大，說明長時間序列能更充分地捕捉因子累積變化與滯后效應，從而增強模型對土攘侵蝕的預測能力。

從注意力權重分布來看（見圖5），模型揭示出時間臨近性對土壤侵蝕預測的重要性：短時間步長（2a）時，注意力權重主要集中在2a前，可能反映出前一年度的因子狀態在短期內具有較強的慣性影響。而在5a和10a步長時，注意力權重普遍集中于3a步長內，且呈現出隨時間間隔越長而權重下降的趨勢，顯示出當前年份及前2a的氣候與植被狀態對土壤侵蝕具有更高的解釋率。特別是在10a時間步長時，1～8a時間步長的注意力權重顯著降低，這說明雖然長期數據有助于提升模型整體擬合能力，但對具體年份的響應主要集中在近3a，反映出土壤侵蝕過程存在一定的“近時主導”特征。這類特征對未來水土保持管理具有重要意義，不僅需要長期監測以增強模型穩定性，而且應加強對土壤侵蝕的快速響應與干預能力。

綜合來看，Attention-LSTM模型在揭示黃河流域土壤侵蝕與氣候、植被因子之間的動態耦合關系方面具有較大潛力，建議在未來情景預測與風險預警中推廣應用。

3.5 未來氣候情景模擬結果

在前述模型構建與訓練的基礎上，基于2024—2050年不同氣候情景（SSP245與SSP585）及生態修復策略（高強度修復、低強度修復與無修復）組合下的USLE模型模擬結果，系統分析未來黃河流域土壤侵蝕的演變趨勢及其調控機制，結果見圖6。分析可知，氣候情景與生態修復措施的交互作用共同塑造了土壤侵蝕的動態特征。在相同生態修復水平下，RCP8.5高排放情景的土壤侵蝕模數普遍大于RCP4.5情景的，平均增幅為 18%～35% ，且該差異隨時間逐步擴大，呈現出近似指數型的增長趨勢。例如，在2045年，RCP8.5無修復情景（S4）的年均土壤侵蝕模數為2 455.38t/km² ，較RCP4.5對應情景的 ≥131.76t/km² 高出 15.2% ；至2050年，兩者差距擴大至 37.1% 。這一結果凸顯了氣候變化加劇土壤侵蝕風險的長期累積效應。

生態修復措施在減緩土壤侵蝕方面展現出顯著成效，且隨修復強度的提升，其抑制作用更為明顯。模擬數據顯示，高強度修復可將年均土壤侵蝕模數削減29%～43% ，其中RCP8.5情景的平均減幅（為 38.7% ）略高于RCP4.5情景（為 32.5% ）的，表明在氣候壓力更大的背景下，生態修復對土壤侵蝕的抑制效果更為顯著。此外，修復效益存在明顯的時滯性，通常在實施后第3～5a間逐步顯現，并在第4a趨于穩定。

圖6未來氣候情景黃河流域土壤侵蝕模擬結果

5.6 SimulationResults of Soil Erosion inthe YellowRiver BasininFuture Climate Scenario

從時間演化特征看，2024—2050年土壤侵蝕過程大致可劃分為快速上升、平臺波動、緩慢下降3個階段，反映了生態系統由退化狀態向穩定恢復狀態演變的典型模式。尤其在2040年以后，隨著早期修復措施成效積累，即使在高排放情景下，區域土壤侵蝕模數也出現年均 1.2% 的下降趨勢。這一發現為評估生態修復工程的長期成效提供了有力支持，亦提示應在未來管理中充分考慮生態修復措施的滯后響應特征，建立具有時序調節功能的動態適應性機制。

4討論

本研究構建的多模型框架集成了InVEST-USLE模型、RF模型與XGBoost模型以及Attention-LSTM模型，實現了對黃河流域土壤侵蝕過程的多尺度、高精度模擬。各類模型在空間分布、變量識別與時序預測上優勢互補，顯著提升了模擬穩健性與機理解釋力，為復雜流域系統中多因子耦合過程的建模提供了技術路徑和范式參考。

研究發現，降水量和NDVI對土壤侵蝕具有顯著的季節性驅動效應， 530mm 與 780mm 為土壤侵蝕加劇的降水量閾值，NDVI為0.40與0.50是抑制土壤侵蝕的關鍵生態閾值，夏季為水熱與植被耦合調節的關鍵期。Attention-LSTM模型揭示出明顯的“近時主導”特征，反映出土壤系統對近期氣候與植被擾動的高敏感性與滯后性。這些發現為構建動態、分區、分季節的精準調控策略提供了理論支撐，有助于識別生態治理的關鍵窗口期與干預時間節點。

未來情景模擬結果表明，高強度生態修復措施可在不同SSP路徑下顯著減輕土壤侵蝕，平均減蝕率達38.7% ，優于低強度修復或無修復情景的，顯示出生態工程的空間精度與持續投人對提升流域韌性的核心作用。基于閾值識別與空間風險區劃，提出以下管理建議：一是強化“高降水 + 低NDVI\"區域的精準治理與生態補償;二是推動監測-評估-響應一體化動態管理機制建設，提升實時預警與應急能力；三是將關鍵閾值區與高風險帶納入生態紅線管控范圍，優化土地利用與生態修復布局；四是加強植被恢復質量控制，突出從“增綠”向“達標\"轉變。以上建議有助于實現黃河流域水土保持由粗放式管理向精細化、適應性管理的轉型。

5 結論

構建融合InVEST-USLE、RF、XGBoost與Attention-LSTM的多模型框架，系統揭示了2000—2023年黃河流域土壤侵蝕的時空演變趨勢及氣候-植被驅動機制。結果表明，土壤侵蝕模數自2004年起持續下降，高值區集中于中游黃土高原。降水量為主要驅動因子，NDVI在夏季具有顯著調節作用。識別出 530mm 與 780mm 為降水關鍵閾值，NDVI為0.40和0.50是關鍵生態閥值。Attention-LSTM揭示“近時主導”特征，強調了對最新時間氣候與植被狀態的監測意義。未來情景模擬結果顯示，高強度生態修復可在氣候變暖背景下有效減輕侵蝕風險。

本研究為理解氣候變化背景下土壤侵蝕的非線性響應、時滯機制及其閾值調控路徑提供了科學依據，亦可為黃河流域水土保持優先區識別、生態修復政策優化與動態調控機制構建提供理論支撐和模型工具。

參考文獻：

[1] PIMENTELD，HARVEYC，RESOSUDARMOP，etal.Envi ronmental and Economic Costs of Soil Erosion and Conserva-tion Benefits[J].Science，1995，267（5201） ：1117-1123.

[2]CHEN J，CHEN J Z，TAN M Z，et al.Soil Degradation： AGlobal Problem Endangering Sustainable Development[J].Journal of Geographical Sciences，2002，12（2） ：243-252.

[3]MONTGOMERY D R.Soil Erosion and Agricultural Sustain-ability[J].Proceedings of the National Academy of Sciencesof theUnited States of America，2007，104（33）：13268-13272.

[4］趙文武，傅伯杰，郭旭東.多尺度土壤侵蝕評價指數的技術與方法[J].地理科學進展，2008，27（2）：47-52.

[5]ZHAO G J，MU X M，WEN Z M，et al.Soil Erosion，Conser-vation，and Eco-Environment Changes in the Loess Plateau ofChina[J].Land Degradation amp; Development，2013，24（5）：499-510.

[6]張琨，呂一河，傅伯杰，等.黃土高原植被覆蓋變化對生態系統服務影響及其閾值[J].地理學報，2020，75（5）：949-960.

［7]史志華，宋長青.土壤水蝕過程研究回顧[J].水土保持學報，2016，30（5）：1-10.

[8]穆興民，李朋飛，劉斌濤，等.1901—2016年黃土高原土壤侵蝕格局演變及其驅動機制[J].人民黃河，2022，44（9）：36-45.

[9]WANG S，FU B J，PIAO S L，et al.Reduced Sediment Trans-port in the Yellow River Due to Anthropogenic Changes[J].Nature Geoscience，2016，9（1） ：38-41.

[10]徐輝，師諾，武玲玲，等.黃河流域高質量發展水平測度及其時空演變[J].資源科學，2020，42（1）：115-126.

[11］鄧祥征，張帆，劉剛.黃河三角洲生態保護與可持續發展研究［J].人民黃河，2020，42（9）：117-122.

[12］陸大道，孫東琪.黃河流域的綜合治理與可持續發展[J].地理學報，2019，74（12）：2431-2436.

[13］鄧祥征，王文宣，李志慧.山西省糧食生產水足跡時空特征及水資源利用評價[J].人民黃河，2023，45（9）：52-57，76.

[14]ZHANG B，FANG H Y，WU S F，et al.Soil Erosion Predictionand Spatiotemporal Heterogeneity in Driving Effcts of Precip-itationand Vegetation on the Northern Slope of TianshanMountain[J].Journal of Cleaner Production，2024，459：142561.

[15］李佳蕾，孫然好，熊木齊，等.基于RUSLE 模型的中國土壤水蝕時空規律研究[J].生態學報，2020，40（10）：3473-3485.

[16]楊潔，謝保鵬，張德罡，等.基于InVEST模型的黃河流域土壤侵蝕評估及其時空變化[J」.蘭州大學學報（目然科學版），2021，57（5）：650-658.

[17］李秀霞，倪晉仁，李天宏.黃河流域土壤侵蝕快速評估[J].應用基礎與工程科學學報，2008，16（1）：1-11.

[18]BOARDMAN J.Soil Erosion Science：Reflections on the Lim-itations of Current Approaches[J].Catena，2006，68（2-3）：73-86.

[19］朱青，國佳欣，郭熙，等.基于隨機森林算法的土壤侵蝕影響因子研究：以贛江上游流域為例［J].水土保持通報，2020，40（2） ：59-68.

[20]張麗華，謝忠奎，王亞軍，等.隴中黃土高原土地利用變化對土壤有機碳、無機碳的影響[J].土壤通報，2013，44（2） ：369-375.

[21]WEN L S，PENG Y，ZHOU Y R，et al.Study on Soil Erosionand Its Driving Factors from the Perspective of Landscapein Xiushui Watershed，China[J].Scientific Reports，2023，13：8182.

[22]FILIPOVIC N，BRDAR S，MIMIC G，et al. Regional SoilMoisture Prediction System Based on Long Short-TermMemory Network[J]. Biosystems Engineering，2022，213：30-38.

[23］李明偉.基于LSTM模型預測不同水保工程措施條件下土壤侵蝕量：以遼西北地區為例[J].水土保持通報，2023，43（4） ：162-169.

[24］郎燕，劉寧，劉世榮.氣候和土地利用變化影響下生態屏障帶水土流失趨勢研究[J].生態學報，2021，41（13）：5106-5117.

[25]PENG S Z，DING Y X，LIU W Z，et al.1 km Monthly Tempera-ture and Precipitation Dataset for China from 190l to 2017[J].Earth System Science Data，2019，11（4） ：1931-1946.

[26]PENG S Z，DING Y X，WEN Z M，et al.SpatiotemporalChange and Trend Analysis of Potential Evapotranspirationover the Loess Plateau of China During 2011-2100[J].Ag-ricultural and Forest Meteorology，2017，233 ：183-194.

[27]UHE P，LUCAS C，HAWKER L，et al.FathomDEM： An Im-proved Global Terrain Map Using a Hybrid Vision Trans-former Model[J].Environmental Research Letters，2025，20（3） ：034002.