文件大小：3.4M
土壤侵蚀预报对区域生态修复和水土保持具有重要作用。由于受地域特异性影响，土壤侵蚀经验模型在不同地区使用时需进行参数率定和校验，时间和人力成本高。本研究通过集成前人研究成果并结合研究区特点，确定土壤侵蚀特征因子（降雨量Pre、黏粒含量Clay、粉粒含量Silt、砂粒含量Sand、坡长SL、坡度Slope、归一化植被指数NDVI、土地利用类型Land use和剖面曲率PC），并以RUSLE模型计算的土壤侵蚀模数为基准值，采用Random forest、LightGBM和Catboost三种机器学习模型，对土壤侵蚀量进行建模计算；引入SHAP值以解析各土壤侵蚀特征因子对土壤侵蚀的作用机制。结果表明：（1）3种机器学习模型在训练集与测试集的性能表现均为“非常好”，表明机器学习模型可用于土壤侵蚀预报研究。（2）以云龙县为例，Catboost模型表现最好（NSE=0.984,RSR=0.125），其次分别为Random forest(NSE=0.966,RSR=0.183)和LightGBM(NSE=0.964,RSR=0.189)。（3）SHAP值分析表明，对云龙县土壤侵蚀影响最大的4个因子依次是NDVI、SL、Slope和Pre，其中NDVI与SHAP值呈极显著的负相关关系（r=-0.68,P<0.01），而SL、Slope和Pre与SHAP值呈极显著的正相关关系（r=0.54,P<0.01;r=0.57,P<0.01;r=0.69,P<0.01）。（4）基于Catboost模型，仅需3.07s便可完成土壤侵蚀空间分布制图（CPU i5-9300H），分类正确区域占总区域的86.62%，且误差未呈现明显的聚集现象。研究结果不仅能为快速、准确地进行土壤侵蚀空间分布分析提供新的途径，也可为土壤侵蚀预报模型研究提供科学依据。
