全球气候剧变、人类活动加速，生态环境面临着巨大考验。其中，土壤流失问题已严重威胁着农业生产、区域生态环境和人类生产生活用地的可持续性。降雨是导致土壤流失的最重要因素之一^[1]。降雨侵蚀力（rainfall erosivity）R是衡量降雨对土壤侵蚀影响的重要指标 ^[2−3]，同时也是通用土壤流失方程（universal soil loss equation，USLE）^[4]和修正通用土壤流失方程（revised universal soil loss equation，RUSLE）中的一个关键动力因子^[5]。因此，降雨侵蚀力定量评估对于分析土壤流失规律具有重要的参数借鉴意义。

自20世纪50年代以来，国内外学者广泛研究降雨侵蚀力，目前关于降雨侵蚀力的研究主要集中在时空变化上。Verstraeten等^[6]根据1898—2002年高分辨率长序列降雨资料对比利时中部的降雨侵蚀力进行时空分析，认为降雨侵蚀力增加与全球气温上升一致。Panagos等^[7]对欧洲不同地区的降雨数据进行分析，利用高时间分辨率的降雨记录对降雨侵蚀力进行计算，并评估其空间分布。国内学者对降雨侵蚀力的研究主要集中在年际变化和季节变化等方面^[8−9]。殷水清等^[10]利用全国774个地面站点的调查结果显示，中国的降雨侵蚀能量峰值出现在广东东兴，最低是青海的小灶火地带，整体上从东南到西北的降雨侵蚀逐渐降低；刘斌涛等^[11]利用全国590个地面站点研究1960—2009中国的降雨侵蚀力，利用空间插值发现青藏高原地区的降雨侵蚀力最低 < 100 MJ·mm/（hm²·h），青藏高原的东南部年均降雨侵蚀力2000～3000 MJ·mm/（hm²·h）。高歌等^[12]利用1961—2017年的每日降水数据，使用线性回归模型、Mann-Kendall显著性检测法等多种手段，对长江流域的全年降雨侵蚀力及其时间与空间特性做了详细分析。上述研究成果主要倾向于高分辨率降水遥感数据或者地面站点插值进行降水侵蚀力的空间分析，高分辨率降水遥感数据在复杂地表条件下常常存在高估或低估的问题^[13]，尤其是在藏东南高山峡谷地区，这使得对遥感数据的评估变得尤为重要^[14]。而对于这方面研究相对较少，因此笔者结合地面站点实测数据和遥感数据，以期提高数据的精度和适用性，从而更有效地分析降水侵蚀力的空间分布。

藏东南位于西藏地区东南部，山高坡陡、河谷深切，下垫面较为复杂，由于地形的影响，该区域对气候变化异常敏感，从北部的寒冷高原气候到南部的温暖湿润气候，导致各学者对西藏地区降水变化研究结果存在一定差异^[15−17]。截至2021年，藏东南地区的水土流失面积2.23万km²，水土流失治理任务艰巨，藏东南生态环境的脆弱性以及水土流失制约该地发展，藏东南地区主要以水力侵蚀为主，对该地区进行降雨侵蚀力时空分析十分必要，以便更有效地应对和管理水土流失问题。鉴于此，基于藏东南地区地面国家基准站与降水遥感数据集，笔者对1961—2020年藏东南地区降雨侵蚀力的时空变化特征进行深入分析，使用突变检验法、小波分析，协同克里金插值结合地形数据，系统地揭示该地区降雨侵蚀力的时空演变特征及规律，旨在为预防区域水土流失、保护区域生态环境等提供科学参考。

藏东南地区位于青藏高原东南部，平均海拔超过4 000 m。该地区的西北部地势较高，东南部则相对较低（图1），藏东南地区位于喜马拉雅山东段、雅鲁藏布江下游、三江流域地带，横跨日喀则、拉萨、山南、那曲、林芝和昌都行政区。来自印度洋的暖湿气流受地形阻挡并在该地区形成海洋性气候，年平均气温为2.62 ℃～5.74 ℃，年降雨量450～650 mm，夏季为主要降雨期。受气候影响藏东南地区发育有大规模的海洋性积雪，而地形的复杂性使其成为气候变化的敏感区域。

图 1(Fig. 1)

图 1 藏东南地区位置及气象站点分布 Fig. 1 Location and weather station distribution in southeastern Tibet

本研究采用的气象数据集来源于中国气象数据网（http://data.cma.cn），涵盖1961—2020年期间10个气象站点的降雨记录。为确保数据质量，对数据缺失的站点进行了精确的插值和验证。首先对各站点的原始降雨数据进行初步筛选，剔除明显错误或不合理的数据点。接着，采用时间序列分析方法，对每个站点的数据进行趋势和异常值检测，以识别和校正潜在的数据偏差，在插值完成后，进一步通过交叉验证方法，经过严格的数据处理步骤，最终获得的数据集显示出高度的完整性和连续性。各站点基本信息及年降雨特征见表1。降雨遥感数据来源于中国逐日降雨数据集（CHM_PRE Data），空间分辨率为0.1°×0.1°，数据集获取网址国家青藏高原科学数据中心（https://data.tpdc.ac.cn/）。

表 1(Tab. 1)

表 1 气象站信息 Tab. 1 Weather station information 站名 Station name 站号 Station code 地理位置 Location 站点海拔 Altitude/m 年降雨特征 Annual rainfall/mm 经度 Longitude/（°） 纬度 Latitude/（°） 最大值 Max 最小值 Min 均值 Mean 标准差 Standard deviation 八宿 Paksho 56109 93.78 31.48 3940 811 415 605 77 比如 Dirl 56202 93.28 30.66 4488 1104 421 622 197 波密 Pome 56223 95.83 30.75 3640 561 265 403 62 左贡 Zogong 56227 95.76 29.86 2736 1152 368 881 179 米林 Miling 56228 96.91 30.05 3260 386 109 256 58 洛隆 Lhorong 56307 92.58 29.15 3260 750 326 507 96 林芝 Nyingtri 56312 94.33 29.66 2991 1018 437 699 128 嘉黎 Chili 56317 94.13 29.13 2950 895 524 671 86 加查 Gyatsa 56331 97.83 29.66 3780 686 306 433 75 察隅 Zayul 56434 97.46 28.65 2327 1104 421 737 165

表 1 气象站信息 Tab. 1 Weather station information

本研究基于藏东南地区10个气象站点1961—2020年的逐日降雨数据，结合1980—2014年间部分站点的实测数据，对CHM_PRE逐日降雨数据集进行插值与精度验证，在每次验证中，随机去除一个站点的数据，利用其余站点的数据进行插值，随后将插值结果与实测数据进行对比，计算决定系数（R²）和纳什效率系数（Nash-Sutcliffe efficiency coefficien，NSE）。在藏东南高山峡谷区域，降雨的空间异质性较强，为减少误差，引入DEM数据进行地形校正。验证结果（表2）表明，大部分站点的插值结果与实测数据具有良好的拟合度，特别是在气象条件相对稳定的地区，NSE和R²均表现出较高的数值。各气象站点NSE系数最大为0.90，最小为0.67。R²最大为0.91，最小值为0.71，均值分别为0.76和0.81，这进一步强化CHM_PRE数据集在逐日降雨量方面的可靠性。对数据进行验证，可为藏东南地区的降雨侵蚀力提供准确的空间模式分析。

表 2(Tab. 2)

表 2 CHM_PRE数据集精度验证结果 Tab. 2 Accuracy verification results of CHM_PRE data set 站名 Station name 时间段 Period R2 NSE 八宿 Paksho 1980—2014 0.76 0.71 比如 Dirl 1980—2014 0.81 0.80 波密 Pome 1961—2014 0.82 0.76 左贡 Zogong 1980—2014 0.81 0.74 米林 Miling 1980—2014 0.83 0.76 洛隆 Lhorong 1980—2014 0.84 0.76 林芝 Nyingtri 1961—2020 0.91 0.90 嘉黎 Chili 1961—2014 0.88 0.87 加查 Gyatsa 1980—2014 0.71 0.67 察隅 Zayul 1980—2014 0.74 0.70

表 2 CHM_PRE数据集精度验证结果 Tab. 2 Accuracy verification results of CHM_PRE data set

采用站点数据与气象遥感数据相结合方式，用站点实测数据进行藏东南地区时间尺度的分析，同时使用站点数据验证遥感数据集，用于分析藏东南地区的降雨侵蚀力空间演变。

在当前研究中，降雨侵蚀力的计算采用多种方法。经过广泛研究验证，章文波模型被证明是一种适用于大部分地区的有效模型^[18−22]。笔者利用该模型进行计算^[23−24]，具体计算式为

式中：R_i为每个半月的降雨侵蚀力，（MJ·mm）/（hm²·h）；t为半月内侵蚀性降雨量（≥ 12 mm的降雨量）的天数，d；P_k为半月内第k天的侵蚀性日降水量（≥ 12 mm的降雨量），mm；P_d12为≥ 12 mm的降雨量，mm；P_y12为日降雨量≥ 12 mm的年均降雨量，mm。

1） 趋势变化及显著性检验。为了探究藏东南地区降雨侵蚀力的变化特点，采用Mann-Kendall（M-K）突变检验方法^[25]。该方法是一种广泛应用于突变检测的非参数统计技术，其主要优点是它不依赖于样本的数值大小、分布形态或数据中的异常点。M-K检验能够有效地识别时间序列中的变化点及其开始时间，使其在多个领域中得到应用^[26]。M-K趋势检验的统计计算式为

式中：S为统计量；n为数据样本的长度；x_j和x_i分别为时间序列的第j和i个数据值；符号函数sgn的定义是：当x_j−x_i为正数时，sgn的取值为1；若为0时，sgn的取值为0；若为负数时，sgn的取值为−1。

2） 小波分析。小波分析能够处理包含非平稳幂次的时间序列^[27−28]。为了深入分析藏东南地区1961—2020年间降雨侵蚀力的时间尺度特征，采用Morlet小波变换对该地区的年降雨时间序列进行分析。其具体计算式为

式中：$ {\psi }_{0} $为波函数，L^−1/2，L为长度空间，km；η为时间，量纲为1；i为复数的虚数单位；$ {\omega }_{0} $是频率，量纲为1；$ \mathrm{e}^{-\eta^2/2} $表示波函数随着时间的变化而衰减，量纲为1。

为了精确分析藏东南地区降雨侵蚀力的空间分布，笔者采用中国逐日降雨数据集（CHM_PRE data）。该数据集覆盖1961—2020年，空间分辨率为0.1°×0.1°，经纬度范围为E 72°～136°，N 18°～54°。遥感数据集通过协同克里金插值方法对数据进行进一步的精确计算，协同克里金插值法能够考虑多变量之间的空间自相关性，同时利用数字高程模型（digital elevation model, DEM）数据对降雨数据进行地形校正，插值参数通过变异函数模型确定，选择球状变异函数，其适合处理空间相关性较强的气象数据。插值范围设定为50 km，基于先前研究和实地情况，通过交叉验证进一步调整和优化插值参数。为验证遥感数据集的可靠性，本研究利用站点观测数据对遥感数据进行严格的拟合分析和校正。通过计算站点记录的降雨数据与遥感数据之间的R²和NSE系数，确认两者之间的高度相关性，而且进一步增强对遥感数据集准确性，为其在本研究中的应用提供坚实的科学依据。

初始空段落

藏东南地区1961—2020年降雨侵蚀强度为1342.7～2979.7 MJ·mm/（hm²·h），多年平均值为2161.2 MJ·mm/（hm²·h），且呈逐年增长态势，增幅达每年13.76 MJ·mm/（hm²·h）。如图2所示，藏东南地区年均降雨侵蚀力的年际变化经历上升—上下波动—下降的变化过程。1961—1980年藏东南降雨侵蚀力呈上升阶段；1980—1998年藏东南地区降雨侵蚀力总体波动上升；1998—2020年藏东南地区降雨侵蚀力总体呈下降趋势。在1998年，藏东南的降雨侵蚀力和降雨量达到峰值，分别达到2979.7 MJ·mm/（hm²·h）和719.2 mm，而在1967年中，这2个数值也同时为最小值，分别是1342.7 MJ·mm/（hm²·h）和440.6 mm。根据多个监测点的历年均值降雨侵蚀量的统计结果（表3），发现波密站的降雨的侵蚀能力最大，而八宿站则是所有站点中降雨侵蚀能力最小。藏东南地区各站台降雨侵蚀力的变异系数范围0.13～0.31，可见藏东南地区各站台的年降雨侵蚀力变化较大。

图 2(Fig. 2)

图 2 1961—2020年藏东南地区降雨及降雨侵蚀力年代变化 Fig. 2 Interannual variations in rainfall and rainfall erosivity in southeastern Tibet from 1961 to 2020

表 3(Tab. 3)

表 3 各站台降雨侵蚀力及变异系数 Tab. 3 Rainfall erosivity and variation coefficient of each station 站名 Sation name 降雨量 Rainfall/mm 降雨侵蚀力 Rainfall erosivity/ （MJ·mm·hm–2·h–1） 变异系数 Coefficient of variation 八宿 Paksho 256 526.98 0.22 比如 Dirl 605 2250.78 0.13 波密 Pome 881 3449.87 0.26 左贡 Zogong 433 1515.38 0.18 米林 Miling 671 2666.85 0.13 洛隆 Lhorong 403 1165.46 0.16 林芝 Nyingytri 699 2746.28 0.18 嘉黎 Chili 622 2361.76 0.31 加查 Gyatsa 507 1696.74 0.19 察隅 Zayul 737 3028.26 0.22

表 3 各站台降雨侵蚀力及变异系数 Tab. 3 Rainfall erosivity and variation coefficient of each station

通过年降雨量距平分析（图3），变化过程分为3个阶段：1961—1968年累积距平值呈现下降趋势；1969—1980年累积距平值呈现上升趋势；1980年之后降雨累积距平值上下波动趋势。年降雨侵蚀力总体呈2个阶段，1961—1980年之间累积距平值呈上升趋势，1980年之后降雨侵蚀力呈上下波动阶段，整体呈下降趋势。在年代的逐步分析中，藏东南地区的降雨侵蚀力和降雨量在时间上呈现出先增加、后减少、最后再增加的变化模式。在1980 s，年降雨量和年降雨侵蚀力达到最高点，其距平比例分别为1.58%和6.6%。1960 s和1970 s，年降雨量和年降雨侵蚀力则达到最低点，其距平比例分别为−10.69%和−2.85%。

图 3(Fig. 3)

图 3 1961—2020年藏东南地区降雨量及降雨侵蚀力累积距平 Fig. 3 Cumulative anomalies of rainfall and rainfall erosivity in southeastern Tibet from 1961 to 2020

根据M-K突变检验的结果（图4），降雨侵蚀力的正序列UF和逆序列UB在1975年交叉，并且没有超过0.01的显著性水平，这表明1975年是时间序列中的一个突变点。为了进一步验证突变年份，结合降雨侵蚀力的累积距平，降雨侵蚀力在1975年后逐渐增大，在1980年达到最大值，之后呈上下波动，由此表明1975年是藏东南地区降雨侵蚀力的突变年份。

图 4(Fig. 4)

图 4 藏东南地区降雨侵蚀力Mann-Kendall突变检验 Fig. 4 M-K mutation test of rainfall erosivity in southeastern Tibet

根据1961—2020年藏东南地区多年平均月降雨数据分析，藏东南地区的降雨侵蚀力经历一个先升后降的趋势。如图5所示，7月份降雨侵蚀力达到最高，为611.2 MJ·mm/（hm²·h），而1月份降到最低，仅为24.3 MJ·mm/（hm²·h）。当降雨侵蚀力达到年度最高点时，该点的降雨侵蚀力波动性较大，表明极端天气事件对藏东南地区有着重要的影响。夏季藏东南地区受印度暖湿气流的影响，导致夏季降雨多，而冬季受南亚高压的影响，使其冬季降雨少。

图 5(Fig. 5)

图 5 1961—2020年降雨侵蚀力多年平均月变化 Fig. 5 Multi-year average monthly variations in rainfall erosivity from 1961 to 2020

按照气象学划分标准得出（图6），藏东南地区的4季降雨侵蚀力分别为282.55、1625.98、273.30和 47.59 MJ·mm/（hm²·h）。藏东南地区各站均呈现夏季降雨侵蚀力最大，冬季侵蚀性最小。其中，夏季降雨侵蚀能力最大的是米林站，达到3 812.92 MJ·mm/（hm²·h），最小的八宿站，仅有1452.34 MJ·mm/（hm²·h）。察隅站是冬季降雨侵蚀能力最大的站点，达到463.35 MJ·mm/（hm²·h），八宿站为36.68 MJ·mm/（hm²·h）。

图 6(Fig. 6)

图 6 藏东南地区降雨侵蚀力季节变化 Fig. 6 Seasonal variations in rainfall erosivity in southeastern Tibet

根据藏东南地区的小波分析（图7），可以得出多年平均降雨侵蚀力在时间序列上表现出明显的周期性变化。这些周期主要包括5～15年和20～30年2个尺度，周期性的变化1961—2020年间显示出稳定的全域分布特性。通过计算藏东南地区的降雨侵蚀力系列的小波方差，并绘制相应的小波方差图，其中第1个峰值出现在50年。这表明在大约50年的周期中，年均降雨侵蚀力的震荡最为强烈。这是藏东南地区的降雨侵蚀力变化的主要周期。此外，15年的周期为第2主周期。藏东南地区降雨侵蚀力的周期性变化的理解对于预测和管理该地区的水土流失具有至关重要的作用。

图 7(Fig. 7)

图 7 基于小波分析的年降雨侵蚀力周期变化及小波方差图 Fig. 7 Variation of annual rainfall erosivity cycle and wavelet variance based on wavelet analysis

在1961—2020年间，藏东南地区年均降雨侵蚀力展现出显著的地理差异（图8）。具体来说，东南部地区的降雨侵蚀力 > 1600 MJ·mm/（hm²·h），而西部的降雨侵蚀力最低，< 600 MJ·mm/（hm²·h）。这种显著的区域差异与藏东南地区的高山峡谷复杂地形和地表特性密切相关。从东南到西北，藏东南地区的降雨侵蚀能力逐步下降，东南部及中部地区的降雨量较高，而其他地区相对较低。

图 8(Fig. 8)

图 8 1961—2020年藏东南地区降雨与降雨侵蚀力空间分布图 Fig. 8 Spatial distribution map of rainfall and rainfall erosivity in southeastern Tibet from 1961 to 2020

按照季节规律来看，研究区各季节降雨侵蚀力的空间分布也存在差异（图9）。在春季，降雨侵蚀力高值出现在藏东南地区的东南部，最大值 > 350 MJ·mm/（hm²·h），低值出现在西北部和东北部，最低值范围在50～150 MJ·mm/（hm²·h），该现象与秋季相似，秋季降雨侵蚀力最大值 > 350 MJ·mm/（hm²·h），最低值范围在72～150 MJ·mm/（hm²·h）；在夏季时，藏东南地区的降雨侵蚀能力表现出较强的趋势，尤其以东部最为明显，其高值 > 1200 MJ·mm/（hm²·h），藏东南的西北部的侵蚀强度较小，降雨侵蚀力范围在340～400 MJ·mm/（hm²·h）;藏东南地区在冬季的降雨侵蚀力高值出现在东南部，其最大值 > 50 MJ·mm/（hm²·h），在西南部和北部的部分地带，其降雨侵蚀力最低值仅10 MJ·mm/（hm²·h）。由此可见，藏东南地区的降雨侵蚀力四季较为分明，夏季较高，冬季较低，这与该地区的降雨呈一定的显著性关系。

图 9(Fig. 9)

图 9 藏东南地区四季降雨侵蚀力空间分布 Fig. 9 Spatial distribution of rainfall erosivity in four seasons in southeastern Tibet

图10揭示1961—2020年间藏东南地区降雨侵蚀力的复杂动态，该地区降雨侵蚀力的增长主要集中在西北部及部分东南部，相较之下，藏东南地区减少的区域面积相对较小。此外，对各气象站点的具体分析揭示出不均匀的变化模式（表4）：比如、嘉黎、洛隆、波密、林芝和米林观测到的降雨侵蚀力极显著增加，而八宿和察隅站点也表现出显著的增长趋势。这表明在长达60年内，受全球气候变暖的影响，降雨量增加，导致藏东南地区总体降雨量也增加，降雨侵蚀力也随之增加。

图 10(Fig. 10)

图 10 1961—2020年藏东南地区降雨侵蚀力变化趋势 Fig. 10 Variation trend of rainfall erosivity in southeastern Tibet from 1961 to 2020

表 4(Tab. 4)

表 4 藏东南地区各气象站点的趋势变化 Tab. 4 Trend changes of various meteorological stations in southeastern Tibet 站名 Station name 趋势系数 Trend coefficient/ （%· a–1） 倾向率 propensity rate/ （mm·a–1） 变化趋势 Variation trend P 比如 Dirl 0.6663 15.4363 上升 Rise < 0.0010 嘉黎 Chili 1.9317 27.0506 上升 Rise < 0.0010 洛隆 Lhorong 0.1651 2.4527 上升 Rise < 0.0010 波密 Pome 2.3076 51.0432 上升 Rise < 0.0010 八宿 Paksho 0.6490 27.1840 上升 Rise 0.0026 加查 Gyatsa 0.3657 5.8638 上升 Rise < 0.0010 林芝 Nyingytri 1.6678 32.3082 上升 Rise < 0.0010 米林 Miling 0.7927 17.2075 上升 Rise < 0.0010 左贡 Zogong −0.3311 −6.1803 下降 Descend 0.0140 察隅 Zayul 3.3737 57.9829 上升 Rise 0.0300

表 4 藏东南地区各气象站点的趋势变化 Tab. 4 Trend changes of various meteorological stations in southeastern Tibet

全球气候变暖可能导致的总体降雨增加外，极端气候事件的增多也可能是导致降雨侵蚀力增强的重要因素^[29]。据IPCC报告指出，全球气候变化正导致极端降雨事件的频率和强度增加，这直接增加了土壤侵蚀的风险^[30]。在藏东南地区，这种趋势尤为显著，因为该地区独特的地形和海拔条件使得极端气候事件对地表过程的影响更加敏感^[31]。根据研究结果，藏东南地区的年均降雨侵蚀力为2161.2 MJ·mm/（hm²·h·a），年均降雨侵蚀力呈现逐年增加的趋势。这一现象与全球气候变化下极端天气事件的频繁性增加密切相关。这与Panagos等^[32]研究指出全球气候变化正导致欧洲土壤侵蚀情况的加剧一致，同时与刘斌涛等^[33]在西藏地区的研究指出降雨侵蚀力的增长与全球气候变化导致的极端降雨事件增加有关。

在空间分布上，藏东南地区降雨侵蚀力表现出明显的地区性差异。藏东南地区的地形复杂多样，东南部多山脉和陡峭坡地，地形的阻隔可改变风向和雨滴落向，导致降雨分布不均^[34]。藏东南中部及北部地势相对平坦或坡度较小，降雨导致土壤侵蚀力相对较低。此现象与刘斌涛等^[33]对青藏高原降雨侵蚀力的研究中所指出的情况相契合。鉴于高海拔地区地形与气候条件的独特性，其降雨侵蚀力的表现更为复杂。藏东南地区的地理位置使其受到多种气候系统的影响，其中东南部靠近印度洋，受季风气候影响较大。夏季，印度洋的水温升高，导致大量热量和水汽上升形成低压区，从而吸引周围的气流。这些湿润气流在被地形迫使上升时，温度下降，水汽凝结成云并降水，因此藏东南地区的降水量在夏季显著的增加。高降水量直接增加了地表径流，从而增加了侵蚀力。本研究的季节性分析揭示夏季降雨侵蚀力占显著比例，这与焦剑等^[35]在东北地区的研究发现相符，研究表明夏季是降雨侵蚀力最强的季节。这一结论与Xu等^[36]研究发现西南喀斯特地区年降雨侵蚀力的空间分布呈南部大于北部的趋势相一致。研究站点发现藏东南站台均显示出上升趋势，而左贡站台呈下降趋势，主要原因左贡位于横断山脉东段，高山峡谷地形阻挡了来自印度洋的暖湿气流，减少了该地的降雨量，同时左贡拥有丰富的植被覆盖，降低了地表的雨水冲刷，从而显著降低了该地区的降雨侵蚀力。

综合来看，藏东南地区的降雨侵蚀力受到气候变化、地形、植被覆盖以及季风等多重因素的影响。全球气候变化背景下，深入理解和预测降雨侵蚀力变化的重要性，对于制定有效的土地管理和水土保持策略具有重要指导意义。未来研究应进一步关注气候模型和土壤侵蚀模型的集成应用，以及土地利用变化对降雨侵蚀力的影响，以更全面地应对和缓解气候变化带来的挑战。

1）藏东南各地区降雨分布不均，1961—2020年藏东南地区多年均降雨侵蚀力2 161.2 MJ·mm/（hm²·h），总体呈增加趋势,增加速率为13.76 MJ·mm/（hm²·h）。

2）藏东南地区年内降雨侵蚀力多发生于5—9月，占全年的89.8％。夏季降雨侵蚀力>1 600 MJ·mm/（hm²·h），冬季侵蚀性最小为47.59 MJ·mm/（hm²·h）。

3）藏东南地区降雨侵蚀力主要以5～15 a和20～30 a的2个频率为主导。具有2个主要的高峰值。第1个高峰出现在50 a，第2个主导周期则是在15a，在该周期内降雨侵蚀力波动较大。

4）在空间上，藏东南地区总体上东南部大，降雨侵蚀力 > 1 600 MJ·mm/（hm²·h），西部及西北部降雨侵蚀力较小，东北部降雨侵蚀力最低 < 150 MJ·mm/（hm²·h），由此可见藏东南各分区差异明显。