土壤侵蚀是环境科学领域的关键课题，对于维护土地资源的保护与可持续利用具有至关重要的作用^[1]。巴东县是长江由渝入鄂的第一县，是三峡库区的重要组成部分，其土壤侵蚀情况严重影响着三峡库区的水质安全。根据2021年湖北省水土流失动态监测，巴东县29.85%的区域遭受水土流失，影响面积达1 000.44 km²，造成土地生产力下降、河流泥沙含量增加、生态环境恶化等负面影响^[2]。近年来，由于建设用地扩张、极端气候频发等原因造成土壤侵蚀加剧。同时，国家投入大量资金进行水土保持工作，通过防护林建造、退耕还林、水土保持等工程缓解土壤侵蚀。因此，采用科学的方法对巴东县近20年土壤侵蚀的时空变化进行动态分析和评估各因素对土壤侵蚀的影响，可为政府制定相应政策和采取有效措施提供科学依据。

通用土壤侵蚀方程和其修正版是2个广泛应用的土壤侵蚀定量分析模型，由美国农业部开发^[3]。USLE模型由Wischmeier等^[4]于1965年首次提出，是在考虑降雨量、土壤特性、地形条件、植被状况和人类活动等因素的基础上，为土壤侵蚀的定量评估提供的经验方法。然而，随着研究的深入，USLE模型在处理降雨强度变化对侵蚀影响等方面的局限性逐渐显现。针对这些问题，RUSLE模型在USLE的基础上进行创新改进，不仅继承USLE的核心计算方法，还纳入更多影响因素，如降雨强度的动态变化、土地利用的多样性以及土壤侵蚀过程的非线性特征等^[5]。田培等^[2]采用鄂西北地区的土壤侵蚀进行时空分异特征分析；李嘉麟等^[6]采用湖北省1990—2015年土壤侵蚀模数进行计算；张卓佩等^[7]采用黄河中游多沙粗沙区进行水蚀时空演变分析；李朋飞等^[8]采用黄土高原矿区的土壤侵蚀速率进行模拟；Tian等^[9]通过设置径流小区试验，验证RUSLE模型的适用性。以上研究表明RUSLE模型在土壤侵蚀的预测和模拟中表现出较高的精度，能够较为准确地评估土壤侵蚀的时空变化。当前土壤侵蚀的模拟计算通常是基于历史数据进行计算，但这种方法不能准确预测未来土壤流失的潜在趋势。因此，结合CA-Markov模型预测土壤侵蚀的未来趋势，对于合理布局和执行水土保持策略极为关键。

土壤侵蚀是一个由多种因素共同作用的复杂过程，不同因素在时间和空间上的分异性对侵蚀过程产生显著影响。近年来，地理探测器作为一种强有力的分析工具，已在植被分布、滑坡灾害和石漠化等多个领域，展现出其在地理空间分析中的卓越性能^[10]。本研究选取湖北省巴东县作为研究对象，旨在通过综合运用RUSLE、CA-Markov、地理探测器3个模型，对2000、2010和2020年的土壤侵蚀强度分布特征进行深入分析，并据此预测2030年的土壤侵蚀空间分布态势。此外，本研究还识别并探讨影响土壤侵蚀的关键驱动因素，以期为巴东县的土壤侵蚀防治工作提供科学依据。研究结果不仅能为该地区的土壤侵蚀治理工作提供重要参考，而且对于未来土地利用规划和水土保持策略的制定具有指导意义，有助于根据驱动因子的变化趋势，调整和优化相关措施与政策，有效降低土壤侵蚀风险。

巴东县位于距三峡工程坝址64 km的湖北省西部，地处长江三峡和西陵峡之间，地处E 110°04′～110°32′、N 32°13′～31°28′，地理位置优越，交通便利。东与兴山、秭归和长阳3县交界；西与重庆市巫山县毗邻；南与五峰和鹤峰县接壤；北连神农架林区（图1）。全县平均海拔为1 053 m，最高点3 005 m，最低点156 m，相对高差达2 849 m。地形以山地和丘陵为主，整体上呈现出丘陵起伏和山峦连绵的特点。地质构造复杂，存在褶皱、断裂等多种地质构造类型，导致土体破碎，为土壤侵蚀提供了物源基础^[11]。研究区多年平均气温17°C ~ 19 °C，平均降雨量集中在1 100 ~ 1 300 mm之间。境内有众多支流和河流，如涪江、巴东河等，这些河流纵横交错，形成了丰富的水系，为土壤侵蚀提供了动力条件^[12]。

图 1(Fig. 1)

图 1 研究区概况 Fig. 1 Overview of the study area

研究数据主要涉及到降雨、土壤、地形、植被和土地利用。降雨数据来源于国家气象科学数据中心（http://data.cma.cn/），通过克里金插值法构建降雨量空间分布，分辨率为30 m；土壤属性数据来源于世界土壤数据库，分辨率为1 km；地形数据来源于地理空间数据云（http://www. gscloud.cn/），分辨率为30 m；植被数据来源于中国资源环境科学与数据平台（http://www. resdc.cn/），分辨率均为1 km；土地利用数据来源于地理遥感生态网（http://www.gisrs.cn/），空间分辨率为30 m。

RUSLE模型是目前评估土壤侵蚀量较为广泛的方法，将巴东县降雨侵蚀力（R）、土壤可蚀性（K）、地形（LS）、植被覆盖与管理（C）和水土保持（P）6个因子的栅格数据导入ArcGIS中，采用栅格计算器工具将5个因子相乘计算巴东县2000、2010和2020年平均土壤侵蚀模数。其中，K、LS因子长期内不发生太大变化，采用1期（2020年）数据进行计算。R因子采用周伏建等^[13]提出的降雨侵蚀力模型，对3期的降雨侵蚀力因子R进行了估算；K因子选用 EPIC模型^[14]进行计算; LS因子采用汪邦稳等^[15]提出的方法计算L因子和S因子；为了对C因子进行定量分析，采用归一化植被指数反映植被的生长状况和覆盖水平，成功获取3期的归一化植被指数数据，参照蔡崇法等^[16]的方法计算C因子；采用赋值法（廖雯等^[17]；田培等^[2]）确定研究区不同土地利用类型的P值：耕地1、林地0.15、草地0.3、水域0、建筑用地0.1，通过这种方法能够定量评价人工水土保持措施的效率，并为未来的水土流失防治工作提供科学依据。各因子的空间分布见图2。

图 2(Fig. 2)

图 2 各因子的空间分布 Fig. 2 Spatial distribution of each factor

采用IDRISI软件中的CA-Markov模型预测巴东县2030年的土壤侵蚀空间分布。研究主要步骤包括：1）对巴东县的地理空间数据进行预处理，包括对栅格数据的重采样和重分类，以及应用滤波器技术进行数据平滑处理；2）利用Markov链模型分析2000—2010年间的土地利用变化数据，据此生成2020年的土壤侵蚀预测模型；3）通过与2020年的实际观测数据进行比较，使用CROSSTAB模块计算Kappa系数，以评估模型的预测准确性。当Kappa系数超过0.8时，认为模型具有较高的预测精度；4）在验证模型有效性的基础上，进一步迭代2020年的预测数据，以生成2030年的土壤侵蚀空间分布预测。

地理探测器是一种依据地理空间分化理论构建的统计分析手段，旨在识别空间异质性并探究其成因^[18]。该方法的核心假设是，若某一自变量对因变量具有显著影响，则二者在空间分布上应表现出相似性。采用因子检测器各驱动因子进行量化分析，以确定它们在引起土壤侵蚀空间分异中的相对重要性；采用交互探测器对2个因子的组合效应进行评估，通过比较组合效应的q值与单一因子的q值，判断2个因子之间是否存在交互作用，并衡量交互作用的强度^[19]。在进行因子探测前，采用ArcGIS创建渔网工具将巴东县划分为500 m×500 m格网，共提取1万3 339个采样点。将降雨量、高程、坡度、植被覆盖度、土地利用、土壤类型作为自变量X，土壤侵蚀模数作为因变量Y，利用不同影响因子的驱动力值q反映3期土壤侵蚀的主要驱动力，计算公式如下：

式中：q为驱动力，代表自变量X解释因变量Y空间分化的程度，值域为[0,1]；类别h = 1，2…，M，为因变量Y或自变量X的分类；$ {N}_{h} $和$ N $分别为类别h和研究区的单元数；$ {\sigma }_{h}^{2} $和$ {\sigma }^{2} $分别为类别h和研究区的因变量Y的方差。

依据SL190-2007《土壤侵蚀分类分级标准》，将研究区的土壤侵蚀划分为6个等级：微度（< 500 t/（km²·a））、轻度（500 ~ 2500 t/（km²·a））、中等（2500 ~ 5000 t/（km²·a））、强烈（5000 ~ 8000 t/（km²·a））、极强烈（8000 ~ 15000 t/（km²·a））和剧烈（> 15000 t/（km²·a））。通过对比分析（图3），发现2000年的土壤侵蚀强度普遍高于2010和2020年，且中度以上的侵蚀区域呈现出细碎化的分布特征。2010和2020年的土壤侵蚀强度在空间分布上大致相似，主要表现为微度和轻度侵蚀。中度以上的侵蚀强度则主要集中在神农溪和清江流域附近。

图 3(Fig. 3)

图 3 3期土壤侵蚀强度空间分布 Fig. 3 Spatial distribution of soil erosion intensities in three periods

分别统计不同侵蚀强度下土壤侵蚀面积及比例（表1）。巴东县主要以低强度侵蚀为主，由微度侵蚀至剧烈侵蚀，面积比例越来越小。其中微度侵蚀在侵蚀面积中比例最大，2000、2010和2020年微度侵蚀面积分别为2511.37、2719.82和3116.94 km²，占总面积的76.93%、83.89%和95.46%；轻度侵蚀次之，2000、2010和2020年侵蚀面积分别为745.05、521.09 和144.05 km²，面积比例分别为22.82%、16.07%和4.41%。从时间变化看，2000—2020年巴东县地区侵蚀程度呈现减弱的趋势，微度侵蚀面积呈现增加趋势，轻度侵蚀呈现减少趋势，中度、强烈、极强烈、剧烈侵蚀呈现“增加—减少”的变化规律；相比2000年，2020年微度侵蚀面积增加605.57 km²，轻度以上侵蚀面积减少604.74 km²，表明研究区较高强度侵蚀逐渐向微度侵蚀转化。

表 1(Tab. 1)

表 1 2000—2020年土壤侵蚀面积统计 Tab. 1 Statistics of soil erosion area from 2000 to 2020 侵蚀强度 Erosion intensity 2000 2010 2020 面积 Area/km2 比例 Ratio/% 面积 Area/km2 比例 Ratio/% 面积 Area/km2 比例 Ratio/% 微度 Slight 2511.37 76.93 2719.82 83.89 3116.94 95.46 轻度 Light 745.05 22.82 521.09 16.07 144.05 4.41 中度 Moderate 6.71 0.21 0.98 0.03 3.23 0.10 强烈 Intensive 0.95 0.03 0.21 0.01 0.54 0.02 极强烈 Severe 0.29 0.01 0.06 0 0.34 0.01 剧烈 Violent 0.01 0 0 0 0.11 0

表 1 2000—2020年土壤侵蚀面积统计 Tab. 1 Statistics of soil erosion area from 2000 to 2020

为了评估所建立土壤侵蚀预测模型的准确性和适用性，笔者将2020年的模拟预测数据与实际观测数据进行细致的对比分析。通过将这2组数据输入IDRISI软件中的CROSSTAB模块，执行图像相似度分析，得到的Kappa值 > 0.80被视为预测精度较高。在本研究中，2020年土壤侵蚀的预测数据经过分析，得出的Kappa系数高达0.94。这一结果表明所使用的预测模型展现出极高的准确性水平。为了进一步验证模型的预测效果，对2020年土壤侵蚀的实际观测数据与预测值进行细致的对比分析，结果显示微度侵蚀的一致性达97.11%，轻度侵蚀为68.64%，中度侵蚀为43.86%，强烈侵蚀为20.53%，极强烈侵蚀为27.40%，而剧烈侵蚀则高达90.91%（图4）。这些结果表明，模型预测的土壤侵蚀分布与实际观测到的情况具有较高的一致性。结合Kappa系数的高值，本研究构建的CA-Markov模型在巴东县土壤侵蚀预测研究中具有较高的预测精度，可以作为该地区土壤侵蚀预测的有效工具。

图 4(Fig. 4)

图 4 2020年土壤侵蚀对比图 Fig. 4 Comparative map of soil erosions in 2020

将2030年的土壤侵蚀预测数据从ASCII格式转换为ArcGIS软件可识别的栅格格式，绘制巴东县2030年土壤侵蚀空间分布的预测图（图5）。预测分析揭示未来土壤侵蚀的空间变化趋势：预计微度侵蚀区域将扩张；而中度侵蚀的面积将显著减少。预计中度及更高强度的侵蚀活动将主要集中在长江、清江和神农溪等水域周边地区；轻度侵蚀的空间分布将由目前的分散性向零散性转变，主要分布在官渡口镇、信陵镇、清太坪镇、水布垭镇等区域。通过对比2020年的实际土壤侵蚀数据与2030年的预测数据（表2），发现虽然微度侵蚀仍是主要的侵蚀类型，但轻度和中度侵蚀也占有相当比例，而剧烈侵蚀的面积最小，为0.01 km²。与2020年相比，各个侵蚀等级的面积均有所变化：微度侵蚀面积增加62.78 km²；轻度侵蚀面积减少59.52 km²；中度、强烈和极强烈侵蚀的面积分别减少1.89 、0.23 和0.21 km²；剧烈侵蚀面积变化较小，减少0.1 km²。这些变化表明，尽管侵蚀强度整体有所降低，但研究区域在2030年仍将面临一定程度的水土流失问题，因此需要相关部门持续关注并采取相应的防治措施。

图 5(Fig. 5)

图 5 预测巴东县2030年土壤侵蚀强度空间分布 Fig. 5 Predicted spatial distribution of soil erosion intensities in Badong county in 2030

表 2(Tab. 2)

表 2 2020年和2030年土壤侵蚀面积变化统计 Tab. 2 Statistics of soil erosion area variation in 2020 and 2030 km2 侵蚀强度 Erosion intensity 2020年实际侵蚀面积 Actual erosion areas in 2020 2030年预测侵蚀面积 Predicted erosion areas in 2030 面积变化 Area variation 微度 Slight 3116.94 3179.72 62.78 轻度 Light 144.05 84.53 −59.52 中度 Moderate 3.23 1.34 −1.89 强烈 Intensive 0.54 0.31 −0.23 极强烈 Severe 0.34 0.13 −0.21 剧烈 Violent 0.11 0.01 −0.10

表 2 2020年和2030年土壤侵蚀面积变化统计 Tab. 2 Statistics of soil erosion area variation in 2020 and 2030

选取月均降雨量（X₁）、高程（X₂）、坡度（X₃）、植被覆盖度（X₄）、土地利用（X₅）和土壤类型（X₆）6个驱动因子，采用因子探测器评估6个因子对2000、2010和2020年土壤侵蚀模数的解释力q（图6）。分析结果显示，6个因子在3个时期的土壤侵蚀空间分异性中均起到了显著作用，并表现出不同的变化趋势。主导因子的影响力随时间发生交替变化。从2000—2020年，植被覆盖度、月均降雨量和高程是影响力排在前3位的因子。相比之下，土壤类型的解释力最弱，且在所有因子中始终保持最低。在时间变化上，月均降雨量的解释力q值从2000年的0.007上升到2020年的0.011，高程的q值也从0.003上升至0.011，而植被覆盖度的q值更是显著增长，从0.007上升至0.014。这3个因子的解释力提升尤为明显。另一方面，土地利用的解释力q值呈现出轻微的先增后减趋势，并于2010年达到峰值0.006。与此同时，坡度和土壤类型的解释力则整体呈现下降趋势。

图 6(Fig. 6)

X1、X2、X3、X4、X5、X6分别代表月均降雨量、高程、坡度、植被覆盖度、土地利用和土壤类型。X1, X2, X3, X4, X5, X6 refer to monthly average rainfall, elevation, slope, vegetation coverage, land use and soil type, respectively. 图 6 各因子的解释力q值 Fig. 6 Explanatory power q value of each factor

采用地理探测器中的交互探测模块，对2000、2010和2020年3个时间点的土壤侵蚀模数进行了双因子交互作用分析（表3）。6个因子之间的交互作用主要表现为非线性和双因子增强，表明这些因子的相互作用提升了对土壤侵蚀空间分布的解释能力。其中，X₁ ∩ X₂、X₁ ∩ X₃、X₁ ∩ X₄、X₁ ∩ X₅、X₁ ∩ X₆、X₂ ∩ X₃、X₂ ∩ X₄、X₂ ∩ X₆、X₃ ∩ X₄、X₃ ∩ X₅、X₃ ∩ X₆、X₄ ∩ X₆、X₅ ∩ X₆在2000—2020年均为非线性增强；X₂ ∩ X₅、X₄ ∩ X₅在2010年表现为双因子增强，其余年份表现为非线性增强。

表 3(Tab. 3)

表 3 驱动因子交互作用探测 Tab. 3 Interaction detection of driving factor 交互因子 Interaction factor 2000 2010 2020 平均值 Average value X1 ∩ X2 0.0135 ↑↑ 0.0206 ↑↑ 0.0350 ↑↑ 0.0231 X1 ∩ X3 0.0171 ↑↑ 0.0130 ↑↑ 0.0146 ↑↑ 0.0149 X1 ∩ X4 0.0075 ↑↑ 0.0205 ↑↑ 0.0303 ↑↑ 0.0194 X1 ∩ X5 0.0098 ↑↑ 0.0205 ↑↑ 0.0151 ↑↑ 0.0152 X1 ∩ X6 0.0141 ↑↑ 0.0153 ↑↑ 0.0236 ↑↑ 0.0176 X2 ∩ X3 0.0143 ↑↑ 0.0129 ↑↑ 0.0172 ↑↑ 0.0148 X2 ∩ X4 0.0135 ↑↑ 0.0194 ↑↑ 0.0308 ↑↑ 0.0213 X2 ∩ X5 0.0066 ↑↑ 0.0133 ↑ 0.0141 ↑↑ 0.0113 X2 ∩ X6 0.0084 ↑↑ 0.0126 ↑↑ 0.0145 ↑↑ 0.0118 X3 ∩ X4 0.0171 ↑↑ 0.0153 ↑↑ 0.0224 ↑↑ 0.0183 X3 ∩ X5 0.0098 ↑↑ 0.0112 ↑↑ 0.0056 ↑↑ 0.0089 X3 ∩ X6 0.0118 ↑↑ 0.0056 ↑↑ 0.0059 ↑↑ 0.0078 X4 ∩ X5 0.0098 ↑↑ 0.0153 ↑ 0.0161 ↑↑ 0.0138 X4 ∩ X6 0.0141 ↑↑ 0.0145 ↑↑ 0.0164 ↑↑ 0.0150 X5 ∩ X6 0.0049 ↑↑ 0.0151 ↑↑ 0.0038 ↑↑ 0.0079 　　注：↑ 表示双因子增强；↑↑ 表示非线性增强。Notes: ↑ indicates two-factor enhancement; ↑↑ indicates non-linear enhancement

表 3 驱动因子交互作用探测 Tab. 3 Interaction detection of driving factor

针对交互探测平均值的结果显示，解释力排列于前3位的交互因子分别为X₁ ∩ X₂ （0.0231）、X₂ ∩ X₄ （0.0213）、X₁ ∩ X₄ （0.0194），在解释土壤侵蚀的空间分布特征方面起到了关键作用。其中，2000、2010、2020年X₁ ∩ X₂的q值分别为0.0135、0.0206、0.0350，X₂ ∩ X₄的q值分别为0.0135、0.0194、0.0308，X₁ ∩ X₄的q值分别为0.0075、0.0205、0.0303。X₁ ∩ X₂、X₂ ∩ X₄和X₁ ∩ X₄的q值在2000—2020年不断增大，在2020年分别达到0.0350、0.0308和0.0303。在前10年，X₁ ∩ X₂是主要交互因子，q值为0.0206，紧随其后的是X₁ ∩ X₄和X₂ ∩ X₄。在后10年，X₁ ∩ X₂仍是首要交互因子，q值上升到0.0350，X₂ ∩ X₄和X₁ ∩ X₄则次之。其中，月均降雨量（X₁）、高程（X₂）和植被覆盖度（X₄）不仅在单因子分析中的解释力较高，在交互分析中仍表现出上升趋势，并且均为非线性增强。

比较2000、2010和2020年巴东县的土壤侵蚀情况，发现总体上呈现出减弱的趋势。与此一致，李嘉麟等^[6]研究表明2000—2015年湖北省土壤侵蚀情况逐渐减缓，这种变化与土地利用方式的改变以及水土保持政策的加强密切相关。随着经济增长和科技进步，人们对土地资源保护意识的提高以及政府对水土保持工作的加强，有效地减缓了土壤侵蚀速率^[20]。对不同侵蚀强度的变化分析发现，轻度侵蚀面积有所减少。这可能是土地利用的调整、耕地保护措施的加强以及植被恢复工作的推进所致，从而减少了裸露土地面积，降低了侵蚀程度。与此同时，微度侵蚀面积的增加可能是水土保持措施效果的体现，使原本的轻度、中度和强烈侵蚀得到缓解。其他侵蚀等级的面积变化则呈现出“增加−减少”的波动性，这可能是自然因素和人为活动综合作用的结果。

土壤侵蚀的变化受到自然因素（如降雨、高程、坡度、土壤类型）和人为活动（如植被覆盖度、土地利用）的共同影响。笔者发现，在单因子分析中，植被覆盖度、月均降雨量和高程对土壤侵蚀的解释力始终位于前列。增加植被覆盖度有助于稳定土壤，减少降雨引起的侵蚀^[21]。因此，2000—2020年植被覆盖度逐渐增加，土壤侵蚀强度逐渐减少。这与Masi等^[22]的研究结果相似，强调植被覆盖在减少侵蚀中的重要作用。降雨量的增加往往与土壤侵蚀程度的加剧密切相关，其正相关关系也在徐辉等^[23]的研究中得到证实。在降雨量较大的地区，土壤表层的水流速度增加，从而促进土壤颗粒的移动，加剧侵蚀过程。高程对土壤的侵蚀作用体现在海拔较高地区，由于坡度较大，更容易产生径流，增加土壤被冲刷和流失的风险。此外，高程变化也会影响气候特征，包括温度和降水模式，这些气候因素间接决定土壤侵蚀的强度和特点^[24]。

笔者进一步探讨因子之间的交互作用，发现在高海拔地区，较大降雨量和较低植被覆盖度的组合，加之陡峭的地形，可能加剧水土流失的风险。这一点在先前的研究中未被充分强调。此外，植被覆盖度较低的地区更易受到雨水冲击力的影响，而良好的植被覆盖则能有效减缓这种冲击力，降低侵蚀速率^[25]。深入理解各因子之间的相互作用和影响机制，有助于更准确地评估土壤侵蚀的风险并制定有效的水土保持措施。虽然本研究为巴东县土壤侵蚀动态及其驱动因素的解析贡献了新的视角，但笔者意识到研究中的一些限制因素，包括数据来源的局限和模型的简化处理。未来的研究工作应考虑整合更广泛的同类研究成果，利用多样化的数据集和分析手段，增强现有结论的可靠性和深度。

1） 基于ArcGIS技术和RUSLE模型，分析2000—2020年湖北省巴东县土壤侵蚀强度时空分布。巴东县以低强度侵蚀为主，微度侵蚀和轻度侵蚀面积占99%以上，中度以上侵蚀主要分布在神农溪和清江流域附近。随着水土保持工作的大力开展，从2000—2020年，土壤侵蚀由高强度侵蚀向微度侵蚀逐渐转换。

2） 通过应用CA-Markov模型进行模拟预测，2030年巴东县土壤侵蚀的空间分布将主要表现为微度侵蚀类型，微度侵蚀和轻度侵蚀的区域预计将占该地区总面积的99.95%。相较于2020年，除微度侵蚀面积增加之外，其他侵蚀程度的区域比例有所减少。这一现象反映出巴东县在土壤侵蚀防治方面取得了积极的进展，表明当地实施的水土保持措施正在产生积极影响。

3） 采用地理探测器探测巴东县土壤侵蚀的主要影响因子。植被覆盖度、月均降雨量和高程的q值始终排在前3位，土壤类型解释力最弱。月均降雨量和高程（0.023 1）、高程和植被覆盖度（0.021 3）、月均降雨量和植被覆盖度 （0.019 4）是影响土壤侵蚀空间分布的主导交互因子。