黑河中游土壤盐渍化易发风险预测

Susceptibility risk prediction of soil salinization in middle reaches of Heihe River

摘要

目的 构建黑河中游土壤盐渍化易发风险预测模型，揭示多层级驱动下的盐渍化形成机制，为区域盐渍化精准防控提供量化支撑。 方法 将压力—状态—响应（PSR）模型与随机森林算法耦合，引入区域机理修正构建预测模型，收集气象、水文、土壤类共14项影响因子搭建三级评价体系，经区域背景值修正指标权重后划分风险等级，通过实地采样验证模型精度。 结果 研究区盐渍化风险评价体系中，压力、状态、响应层权重分别为51.3%，34.9%，12.9%，核心驱动因子为蒸散量、农田灌溉用水量、地下水位埋深，工程措施抑盐效果优于农业措施；盐渍化风险呈南低北高、沿水系与低洼区汇聚的分布特征，极高风险区占研究区总面积11.4%；模型整体准确率达87%，Kappa系数0.8，预测可靠性良好。 结论 本模型实现了自然驱动—人为压力—治理响应的系统动态关联，突破了传统机理模型的局限，可为西北干旱半干旱区土壤盐渍化防控提供量化框架，为黑河中游土地退化防治提供科学参考。

Abstract

Objective This study aims to construct a susceptibility risk prediction model for soil salinization in the middle reaches of the Heihe River and reveal the formation mechanisms of salinization under multi-level driving forces， providing quantitative support for precise regional salinization prevention and control. Methods A prediction model was developed by coupling the pressure-state-response （PSR） model with the random forest algorithm， incorporating regional mechanism corrections. A total of 14 factors related to meteorology， hydrology， and soil were collected to establish a three-level evaluation system. After correcting indicator weights using regional background values， risk levels were classified， and model accuracy was validated through field sampling. Results In the salinization risk evaluation system of the study area， the weights of pressure， state， and response layers were 51.3%， 34.9%， and 12.9%， respectively. The core driving factors were evapotranspiration， farmland irrigation water consumption， and groundwater depth. Engineering measures were more effective than agricultural measures in suppressing salinization. Spatially， salinization risk showed a spatial pattern of lower in the south and higher in the north， converging along water systems and low-lying areas， with extremely high-risk areas accounting for 11.4% of the total study area. The model achieved an overall accuracy of 87%， with a Kappa coefficient of 0.8， indicating reliable predictions. Conclusion This model achieves a systematic dynamic linkage among natural driving forces， anthropogenic pressures， and governance response， overcoming the limitations of traditional mechanistic models. It provides a quantitative framework for soil salinization prevention and control in arid and semi-arid regions of Northwest China and a scientific reference for land degradation prevention in the middle reaches of the Heihe River.

Graphical abstract

关键词

黑河中游 / 土壤盐渍化 / PSR模型 / 随机森林 / 风险预测

Key words

middle reaches of Heihe River / soil salinization / PSR model / random forest / risk prediction

土壤盐渍化是指在特定的自然背景或人类活动不当影响下发生的土地退化，是阻碍干旱、半干旱地区农业可持续发展的关键因素，严重威胁区域粮食安全和生态稳定^［1-2］。黑河中游位于甘肃省西北部、河西走廊中部，是西北内陆典型的绿洲农业灌溉区域。特殊的自然气候、地理条件为土壤盐渍化的发生提供了天然环境^［3］。同时，当地农业生产曾经长期依赖大水漫灌，导致地下水位普遍偏高，加剧了盐渍化问题。据甘肃省国土资源遥感综合调查统计，流域盐渍化土地面积达4 395.86 km²，主要分布于中游绿洲，占河西走廊细土带的56%，对当地农业生产和生态环境造成严重影响^［4］。

2000年后我国开展了大量关于土壤盐渍化的研究^［5-7］。黑河流域作为我国北方干旱与半干旱区交界，是水土灾害防范与治理的代表性区域^［8］。已有多位学者对黑河流域的土壤盐渍化问题进行了研究。孟雪等^［9］以中游为典型地区，定量分析了区域水循环与土壤盐渍化之间的联系；赵玉等^［10］针对黑河下游土壤盐分分布特征进行了分析，得出垂向空间及水平空间的分布特征；高宗军等^［11］对中游明花乡北部盐渍化地区土壤盐分特征开展了一系列采样分析。近年来随着人工智能的高速发展，随机森林算法开始被相关学者引入灾害预测评价的研究中，如王倩丽等^［12］基于随机森林对林州市山洪灾害风险进行了预测分析；支泽民等^［13］通过构建指标体系，划分权重对川藏铁路沿线的地质承载力进行了研判分析，研究成果直接用于沿线的生态保护及工程活动，具有较强的现实意义。

但目前随机森林算法在盐渍化风险预测评价方面的研究相对较少，以往研究方法存在一定的局限性，机理模型多侧重于关注水盐运移过程的模拟^［9-11］，缺乏对多因子耦合作用的量化，无法满足精准预测的需求。同时传统的盐渍化评价缺少“压力—状态—响应”的动态关联框架，无法将自然和人为压力、当前盐渍化状态以及相应的治理措施有效结合，从而难以全面、系统地支撑地区盐渍化防控。本文选取黑河流域中游地区作为研究区，首次将随机森林算法融入PSR模型（Pressure-State-Response，PSR）中，并引入区域机理修正，构建一个包含压力、状态、响应3个层级的预测模型，通过量化各因子对盐渍化的贡献程度，实现“致盐因子—现状特征—治理措施”的系统关联，能够更全面地反映盐渍化的形成机制和发展趋势。同时依靠区域机理修正方法，结合黑河中游特有的水文地质条件和水盐运移规律，对模型结果进行修正，提高黑河中游土壤盐渍化易发性的预测精度。明确黑河中游土壤盐渍化关键驱动因子及其权重，为精准防治提供理论依据，从而为中游区域的社会经济发展与土地退化防治提供参考依据。

1 材料与方法

1.1 研究区概况

黑河作为我国第二大内陆河，发源于青海省祁连山北麓祁连县，向北经河西走廊后汇入内蒙古自治区额济纳旗居延海。中游地区南起莺落峡，北至正义峡全长约185 km，总面积约1.7万km²，是全流域人口、城镇和农田的主要分布区（图1）。全区属温带大陆性干旱气候，多年平均降水量仅为100~200 mm，潜在蒸发量却达2 000 mm以上，远大于降水量，为土壤盐渍化的发生提供了有利的水分条件。地势总体上南高北低，自南部祁连山北麓向北部阿拉善高原逐渐倾斜，平均海拔超过1 400 m。区内土壤类型以砂壤、黏壤为主，土壤有机质含量低，灌溉主要依赖地表水，由于曾经长期采用大水漫灌的方式，为盐分通过毛细管作用上升到地表创造了条件，次生型盐渍化高发，近年来有不断加剧的趋势^［8］。

1.2 数据来源与预处理

本次研究通过收集黑河中游气象、土壤、水文等多项背景条件来确定影响因子，具体可划分为：气象数据包括2005—2024年研究区内蒸散量与降水量，分辨率为30 m，来源于中国气象科学数据共享网（http://data.cma.cn）；水文数据包含地下水位埋深、地下水矿化度，通过黑河中游区域生态保护修复地质调查项目中的区域水文地质调查获取；地形地貌数据来源于地理空间数据云GDEMV2（http://www.gscloud.cn），分辨率为30 m；各乡镇灌溉用水量数据利用灌溉定额代替，通过收集流域内各灌区统计及水利年报；土地利用强度数据通过农业统计数据和实地调查获取；土壤电导率、含盐量、土壤质地、酸碱度、土壤含水率等土壤属性的点状数据通过野外采样后实验室分析获得，采样深度为20 cm，面状数据来源于寒区旱区科学数据中心（http://westdc.westgis.ac.cn/），基于世界土壤数据库（Harmonized World Soil Database， HWSD）的中国土壤数据集（V2.0）提取，重采样后精度为30 m；植被覆盖度数据通过申请Landsat 8遥感影像，进行反演获得，分辨率为30 m；节水灌溉比例数据来自农业部门统计；农业排水管网密度数据基于黑河流域灌区与干支渠分布图中提取，数据来源于“国家青藏高原科学数据中心”（http://data.tpdc.ac.cn）。其中考虑到黑河中游地表植被的生长周期，降水、蒸发、植被所选取的数据均为每年的3—9月均值。

由于各变量的量纲和数量级不同，为了便于模型计算和比较，对各因子进行标准化处理^［14-15］，计算公式为：

F_i=\frac{x_i-u_i}{{\sigma }_i}（1）

式中：F_i 是第i个土壤盐渍化影响因子（无量纲）；u_i 为第i个因子的均值（无量纲）；\sigma_i 为第i个因子的标准差，标准化后的数据服从 N （0，1）分布。对于降水量、植被覆盖度等逆向因子，通过符号转换函数F′=-F实现方向统一，使所有因子与盐渍化风险呈正相关。

1.3 研究方法

本研究构建的PSR-随机森林耦合模型，核心在于将PSR概念框架的系统性与随机森林算法的数据驱动能力相结合。首先，基于PSR模型建立“压力—状态—响应”三层级的指标体系，为风险评价提供理论结构；其次，利用随机森林算法量化各指标因子对盐渍化风险的贡献度，并将其作为计算盐渍化风险指数（Salinization Risk Index， SRI）的初始权重；最后，引入区域机理修正方程，对初始权重进行优化，使模型更贴合研究区的实际环境背景。通过上述流程，实现了从概念框架到定量计算，再到精确校准的完整建模过程（图2）。

1.3.1 PSR模型的构建

PSR模型即“压力—状态—响应”模型，通过建立影响因子与盐渍化发生风险之间的逻辑关系将模型划分为压力、状态和响应3个层级^［16-18］。压力层级可分为自然压力和人为压力，自然压力主要指自然环境对土壤盐渍化发生的驱动作用，包括蒸散量、地下水位埋深、地形地貌、降水量、地下水矿化度；人为压力主要指人类活动对土壤盐渍化的影响，包括农田灌溉用水量、土地利用强度。状态层级反映土壤盐渍化的当前状况，包括土壤电导率、土壤质地、土壤pH值、植被覆盖度、土壤排水能力；响应层级是指人类为应对土壤盐渍化所采取的措施，包括节水灌溉技术推广比例、农业排水管网密度，这些措施能够有效缓解表层土壤盐渍化的发展，模型的计算公式如下。

\mathrm{S}\mathrm{R}\mathrm{I}={\displaystyle \sum _{i=\mathrm{1}}^p}{w}_{p_i}\cdot F_{p_i}+{\displaystyle \sum _{j=\mathrm{1}}^s}{w}_{s_j}\cdot F_{s_j}+{\displaystyle \sum _{k=\mathrm{1}}^r}{w}_{r_k}\cdot F_{r_k}（2）

式中：SRI为盐渍化发生风险等级（无量纲）；w为修正后权重（无量纲）；F为归一化因子值（无量纲）；p， s， r分别对应压力层、状态层、响应层经过标准化和方向统一处理后的第i， j， k个因子值（无量纲）。

1.3.2 特征重要性量化

本次研究通过随机森林算法确定压力、状态和响应3个层级各项影响因子的权重。随机森林作为一种常见的机器学习方法，由多棵独立的决策树组成，每棵树通过对输入特征的递归分裂实现数据划分，最终集成多棵树的预测结果完成分类或回归任务^［19］。其中特征权重的确定逻辑为，若某一个特征对预测结果很重要，打乱其值会导致预测误差上升，通过衡量每个输入特征对模型预测结果的贡献程度来决定其权重^［20-21］。该方法可定量分析多要素类的问题，通过提供解释变量对于被解释变量的贡献率与重要性程度可确定其权重。同时，这些权重是模型“经验总结”的量化结果，而非预设参数，因此在解释性和实用性上准确性更高，也更具客观性，计算公式如下：

\mathrm{I}\mathrm{m}p\left(f_i\right)=\frac{\mathrm{R}\mathrm{M}\mathrm{S}{\mathrm{E}}_{\mathrm{s}\mathrm{h}\mathrm{u}\mathrm{f}\mathrm{f}\mathrm{l}\mathrm{e}\mathrm{d}}-\mathrm{R}\mathrm{M}\mathrm{S}{\mathrm{E}}_{\mathrm{o}\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}}{\mathrm{R}\mathrm{M}\mathrm{S}{\mathrm{E}}_{\mathrm{o}\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{i}\mathrm{n}\mathrm{a}\mathrm{l}}}\times \mathrm{100}\mathrm{\%}（3）

式中：Imp（f_i ）代表f_i 的贡献度（无量纲）；RMSE_shuffled代表打乱特征f_i 后模型预测的均方根误差（无量纲）；RMSE_Original为未打乱特征时，模型原始的基准误差（无量纲）。

1.3.3 区域机理修正

随机森林算法计算的特征权重完全基于数据驱动，虽具客观性，但可能无法充分体现研究区特有的水盐运移机理。为弥补这一不足，使模型权重同时反映数据规律与地域机理，本研究引入区域机理修正。修正的对象是由随机森林得出的因子初始权重。具体方法为计算各因子与土壤含盐量的偏相关系数，以此表征该因子在本区域与盐渍化关联的机理显著性，并建立修正方程（公式4）对初始权重进行量化调整。这一过程既保留了数据驱动的客观基础，又融入了对区域知识的理解，从而提升了模型的空间适配性与预测精度^［22］。基于上述条件背景收集研究资料，计算因子与土壤含盐量的偏相关系数，建立修正方程，对随机森林输出的初始权重进行调整。为避免主观选择导致模型结果出现误差，式中的修正强度k计算方法为，在0~1区间内以0.1为间隔设置11个不同的k值。对于每个选定的k值，均根据公式计算各因子的修正后权重，进而计算整个研究区的盐渍化风险指数SRI，并利用自然断点法^［22］进行风险等级划分。最终以模型在验证样本集上的Kappa系数作为评估指标。选择最优k值作为模型最终参数，权重修正公式如下：

W_j^{\mathrm{\text{'}}}=W_j\cdot \left(\mathrm{1}+k\cdot \frac{r_j-r_{\mathrm{t}\mathrm{h}}}{r_{\mathrm{m}\mathrm{a}\mathrm{x}}-r_{\mathrm{t}\mathrm{h}}}\right)（4）

式中：W_j^{\mathrm{\text{'}}}为修正后权重（无量纲）；W_j 为随机森林确定的初始权重（无量纲）；k为修正强度，取值范围为0~1（无量纲）；r_j 为因子与土壤含盐量的偏相关性系数（无量纲）；r_th为机理显著阈值，取0.25^［23］；r_max为研究区最大偏相关系数（无量纲）。

2 结果与分析

2.1 参数确定及模型验证

在确定各因子的最终权重前，需先确定最优修正强度参数k。在研究区内共采取土壤样品100组，通过实验室分析其土壤含盐量对照不同k值时的模型预测结果来验证模型精度。结果显示，随着k值的增大，模型精度先迅速升高后缓慢下降（图3）。当k=0.3时，模型性能达到峰值。当k值超过0.5后，模型性能开始快速下降，表明过强的机理修正会导致数据本身的统计规律失真，导致误差迅速变大。因此，本次研究选取k值为0.3作为最优参数进行后续的权重修正与风险计算。当k值选定0.3时，极高风险区内采样点土壤含盐量均值达59.52 g/kg，与预测结果吻合度87.5%；高风险区含盐量均值29.13 g/kg，吻合度87.8%；中、低风险区含盐量均值4.43 g/kg，吻合度87.5%（表1）。整体准确率为87%，Kappa系数为0.8，表明模型对黑河中游盐渍化发生风险的空间预判有较高的可靠性。

验证过程中误差值主要出现在不同风险区的过渡带，因局部地区农业灌溉定额与实际浇灌水量有差别，同时部分小区域土壤环境背景值变化未能精准划分，从而导致模型对该区域风险等级误判。

2.2 指标权重确定及修正

随机森林模型的构建中，回归树的数量与树节点分裂特征数作为随机森林的重要参数，通过设置不同ntree与mtry值，从而计算出不同随机特征数下随机森林的袋外误差，误差越小，模型预测精度越高^［19-21］。随机森林模型参数设置如下：决策树数量为500，单树最大深度为8，通过分层抽样确保盐渍化风险等级样本平衡，计算结果得到的特征重要性的值作为初始权重，结合区域自然、人文背景对初始权重进行区域机理修正，得到最终计算权重。

从权重占比来看，压力层（P）、状态层（S）、响应层（R）的累计权重分别为51.3%，34.9%，12.9%（表2）。修正后的14个核心因子的权重之间表现出明显的层级差异（图4）。在压力层中，农田灌溉用水量、蒸散量和地下水埋深为核心驱动因子，三者累计权重达34.9%，反映出人为灌溉活动与干旱气候对盐渍化的主导作用。蒸散量为影响最大的特征因子，权重经修正后由0.120 提高到0.127。黑河中游特殊的地理条件导致年蒸散量远大于降水量，强烈的蒸散作用会使土壤水分持续向上运移，盐分随之在表层聚集。实地监测显示^［8］，夏季6—8月蒸散量占全年60%，同期0—30 cm土层含盐量较春季升高30%~50%，印证了蒸发对盐分表聚的主导作用；地下水位埋深的权重修正后为0.105，研究区防治盐渍化的生态水位埋深上限为4 m^［24-26］，若埋深较浅，地下水会顺毛细管上升抵达地表，盐分向土壤表层汇聚，埋深大于4 m时，返盐风险大幅降低；农田灌溉用水量的权重修正后增幅最为明显，达到了0.117，黑河中游农业灌溉主要依靠地表水，传统灌溉的大水漫灌导致用水量普遍偏高，研究资料显示^［27-28］，如果灌溉方式由滴灌或小水漫灌改为大水漫灌，地下水入渗补给量每年将增加约100 mm，短期内水位抬升1 m以上，达到临界水位，同时电导率上升20%~40%，进一步加剧盐渍化风险。

状态层中土壤电导率和土壤质地是促使盐渍化发生的关键指标。土壤电导率的权重经修正后为0.1，变化幅度较小，土壤电导率与土壤含盐量的强相关性确保了其在状态层的基准作用。

资料分析显示^［29］，干旱区电导率小于4 mS/cm对应非盐渍化土壤，大于16 mS/cm为重度盐渍化，可直接反映当前土壤盐渍化的累积状况。临泽灌区内，地下水埋深小于4 m的地区，土壤电导率可达5.69~14.92 mS/cm，属于中重度盐渍化，较好验证了电导率对土壤盐渍化的指示作用；土壤质地的权重稳定在0.079，黏粒含量是关键影响因素。张掖南部等地区土壤黏粒占比超过30%，土壤透水性差，水分渗透速率远低于砂质土，盐分易滞留表层，而酒泉北部等区域的砂粒占比超60%，盐分随水分渗透速率快，盐分不易累积，电导率均值较黏质土低50%以上^［25］。植被覆盖度与土壤含盐量的偏相关系数为负，代表其对盐渍化的发生存在抑制性，部分区域植被以耐盐作物枸杞、苜蓿种植为主，抑盐作用明显，可使盐渍化风险降低5%~8%^［29］。

响应层总权重占比最低，本次研究只列举了节水灌溉技术以及排水工程密度2项指标，节水灌溉技术推广比例修正后权重为0.058，根据收集资料^［30］，每提升10%的节水灌溉技术推广比例，土壤含盐量降低8%~10%，滴灌区域较传统低洼地带地下水位年均下降0.1~0.3 m。排水工程密度权重为0.071，在临泽县北部排水渠密度达1.2 km/km²的区域，土壤电导率较无排水区降低40%~60%，是修正响应层抑制盐渍化因子权重的重要依据。

2.3 盐渍化易发风险空间分布

依据自然断点法^［22］将黑河中游盐渍化易发风险的等级分为极高、高、中、低四级，空间分布上表现为南低北高、沿水系与盆地低洼区汇聚的格局（图5）。

极高风险区面积约1 937 km²，占研究区总面积的11.4%，主要分布于高台县北部的罗城乡、骆驼城乡及张掖盆地的西北部。这一区域夏季蒸散量达300 mm以上，为同期降水量的6~7倍，水分收支失衡导致浅表土壤盐分浓缩强烈，同时地下水位埋深普遍小于1.5 m，地下水矿化度达5~6 g/L，高矿化度水通过毛细作用持续向地表输送盐分，土壤质地以黏壤为主，孔隙小，持水能力强，进一步驱动盐分表聚，导致盐分滞留效应显著。

高风险区呈“条带状”沿黑河支流延伸，集中于临泽县北部、高台县中部、甘州区东北部，面积约6 500 km²，占研究区总面积的38.2%，其特征为地下水矿化度3~5 g/L、水位埋深1.5~2 m、土壤以壤质黏土为主，持盐能力在黏壤与砂壤之间，处于盐分积累期，同时耕地占比超60%，节水灌溉比例与排水管网密度等人工干预工程均相对较低，人为灌溉与自然高矿化地下水叠加导致盐渍化风险加剧。

中风险区呈“斑块状”嵌于高风险区与低风险区之间，主要位于甘州区中部、临泽县南部，面积合计5 562 km²，占总面积的32.7%。这一区域内地下水位埋深下降，盐分淋溶能力提高，同时滴灌、管灌占比提升，排水管网密度加大，盐分淋溶与人为治理措施共同对区域盐渍化发展起到了遏制作用，处于次生盐渍化缓慢发展时期。

低风险区呈“连续片状”分布于南部莺落峡至甘州区南部祁连山前倾斜平原，面积合计3 000 km²，占总面积的17.6%。这一区域地表坡度加大，土壤排水能力强，盐分易随坡面径流排出，同时地下水矿化度降低，植被覆盖度提高，通过蒸腾作用降低土壤含水率，抑制其毛细上升，同时滴灌占比大，灌溉需水低，形成了自然与人为共同抑制盐渍化的机制。

因此，黑河中游盐渍化易发风险的空间分布差异是自然背景与人类活动长期相互作用的结果。北部封闭盆地的“强蒸发—浅水位—高灌溉” 组合是形成极高风险区的主要原因；南部倾斜平原的“深水位—高排水—强治理”模式保持了低风险区的稳定状态。这一分布规律为精准分区治理提供了明确方向，未来可通过控制地下水位，提高排水效率来遏制盐渍化的空间扩张与强度提升。

3 讨 论

3.1 关键因子交互分析

通过因子间相关性分析及情景模拟，研究发现黑河中游土壤致盐影响因子具有明显的干旱半干旱灌溉区特征，其形成机制与湿润区或自然盐渍区域存在本质差异，具体表现为：

压力层作为研究区土壤盐渍化的主导层级，其中蒸散量、农田灌溉用水量与地下水位埋深3项指标修正后的权重分别为0.127，0.117，0.105，是压力层中权重最高的驱动因子，表明高蒸发、浅埋深的自然背景下的大量农业灌溉用水是导致黑河中游土壤盐渍化高发的关键影响因子。与湿润地区相比，黑河中游2 000~2 500 mm的高蒸散量构成了“蒸发—积盐”的强驱动力。根据蒸散量与土壤电导率的偏相关系数r=0.68计算，在毛细作用驱动的盐分表聚作用下，蒸散量每增加100 mm，表层土壤电导率平均升高80~120 μS/cm，二者的相关性在夏季6—8月尤为显著，可提高到0.75，同时因夏季高温加快水分蒸散速率，盐分表聚速率是春秋季的3倍以上。同时研究区内高蒸发、低降水的自然背景导致农田灌溉水依赖程度超80%，总用水量中灌溉用水占比达85%以上，其中大水漫灌占比达70%^［8］，每1 hm²的年均实际灌溉量大幅超过合理灌溉阈值，直接引发浅表土壤中的毛管返盐效应。此外，灌溉水中的高含盐量对土壤表层带来的盐分输入，进一步加剧了积盐风险，三者共同构成了高蒸发—浅埋深—强积盐的循环机制，使这三项指标对土壤盐渍化的影响权重超过自然因子中的地形、降水等因子。黑河中游地区大面积的漫灌导致地下水位抬升使临界值更具现实意义。此外，黑河中游地形平坦，年均风速可达3 m/s，加剧了地表蒸发，且黏质土的积盐速率比砂质土更高，进一步放大了蒸发的致盐效应。

状态层作为反映区域土壤盐渍化形成程度的敏感层级，其中土壤质地与电导率修正后的权重分别为0.079，0.1，是其主控因子，二者间的协同效应直接反映土壤环境背景中的盐渍化程度。土壤电导率作为表征盐分的直接指标，其空间分布与土壤质地高度吻合，两者Kappa系数为0.76，其中土壤黏粒含量大于30%的区域电导率均值大于1.00 mS/cm，是砂粒区域的2~3倍。这是因为黏质土的持水性强，其田间持水量可达25%~30%，蒸发过程中盐分随水分向表层迁移的上升路径更为稳定，而砂质土的快速渗透使盐分易被淋洗至深层。因此，改良土壤质地，混合砂质成分降低黏粒含量可有效减弱土壤电导率对盐渍化的指示作用，这为治理措施提供了新的研究方向。在反向抑制因子中，植被覆盖度与土壤排水能力与盐渍化呈负相关，其原因为当土壤排水能力强或植被覆盖度高时，根系吸水及土壤排水作用可使滞留在植物根区的土壤盐分有效降低，苜蓿、枸杞等耐盐植物种植区的土壤电导率均值也较裸地相对低。

响应层级作为抑制土壤盐渍化程度的调控层级，排水管网密度的权重高于节水灌溉技术推广比例，说明当前工程措施相对于农业措施对盐渍化的缓解效果更显著。同时计算结果也体现了黑河中游盐渍化风险形成是以自然背景与人为影响为主要驱动力，当前土壤环境状态是风险累积的直接体现，而人类治理响应的作用尚处于初期遏制阶段，这与研究区盐渍化“先天易发性高、后天人为加剧、治理尚处初级阶段”的现实特征高度吻合。

3.2 模型优势与局限性

本次研究将PSR模型与随机森林算法相结合，引入参数分析来确定机理修正强度k，避免了因主观判断取值带来的不确定性，增强了模型的客观性和结果的可靠性，构建的“压力—状态—响应”（PSR）三级框架模型突破了传统机理分析难以量化多因子间相互作用、过度依赖单一水盐过程的局限，实现了“自然驱动—人为压力—治理响应”的动态关联。依托随机森林特征重要性的算法得出研究区14个风险因子的权重，表明蒸散量（0.127）、农业灌溉用水量（0.117）、地下水位埋深（0.105）为三大核心驱动因素。通过区域机理修正方程，结合研究区的实际环境背景条件将黑河中游特有的水盐运移规律、地下生态水位埋深临界值与土壤组成特异值带入模型中，修正了影响因子权重，提升了模型预测的区域适配性，空间Kappa系数为0.8，表明修正后的模型在准确度上更具优势。并且基于因子间的交互影响，识别出关键因子协同机制，证实了“土壤质地—蒸发—水体矿化”对盐渍化的放大效应。此外，研究首次将节水灌溉技术推广比例（权重0.058）、农田排水管网密度（0.071）引入预测模型之中，证实了现阶段人为对盐渍化的干预中工程措施要强于农业措施。

尽管本研究在模型构建与计算精度上取得一定进展，但仍存在以下几方面的局限。缺乏对气候波动对区域盐渍化的影响，未纳入个别年份极端气候事件对模拟结果的突发影响，下一步研究需加强气象影响模块；人类活动数据的收集尺度不够精准，农田灌溉用水量采用灌区或乡镇灌溉定额，未能反映实际个体间用水差异，可能造成部分区域误差值较大，同时排水管网密度为静态数据，未考虑工程维护状态对排水能力的影响；此外本次模型选取黑河中游作为研究区域，得出的结论仅适用于干旱、半干旱温暖区域，本次研究构建的PSR框架中蒸发为主导机制，在湿润区适配性较弱。

4 结 论

（1） 压力层中以高蒸发、浅层地下水位与强灌溉代表的自然与人为协同积盐循环为主导层级；状态层中土壤质地对盐分富集的放大作用，在土壤盐渍化的形成中起到了关键作用；响应层级对盐渍化有抑制作用，且工程措施抑盐效果要优于农业措施。

（2） 研究区盐渍化易发风险的空间分布呈现“南低北高、沿水系与盆地低洼区汇聚”的特征，是高蒸发、浅水位的自然环境背景与大水漫灌等人类活动长期相互作用的结果。

（3） 与以往研究相比，本次研究突破了传统机理模型侧重单一水盐运移、缺乏多因子耦合及动态框架集成的局限，首次将随机森林与PSR模型相结合并引入区域修正，提升了预测精度，实现了“致盐因子—现状特征—治理措施”的系统关联，可为干旱区盐渍化风险的系统防控提供量化框架。

参考文献

[1] 杨劲松，姚荣江，王相平，等.中国盐渍土研究：历程、现状与展望［J］.土壤学报，2022，59（1）：10-27.

[2] Yang J S， Yao R J， Wang X P， et al. Research on salt-affected soils in China： history， status quo and prospect［J］. Acta Pedologica Sinica， 2022，59（1）：10-27.

[3] 陈亚宁，李忠勤，徐建华，等.中国西北干旱区水资源与生态环境变化及保护建议［J］.中国科学院院刊，2023，38（3）：385-393.

[4] Chen Y N， Li Z Q， Xu J H， et al. Changes and protection suggestions in water resources and ecological environment in arid region of northwest China［J］. Bulletin of Chinese Academy of Sciences， 2023，38（3）：385-393.

[5] 程国栋，肖洪浪，傅伯杰，等.黑河流域生态—水文过程集成研究进展［J］.地球科学进展，2014，29（4）：431-437.

[6] Cheng G D， Xiao H L， FU B J， et al. Advances in synthetic research on the Eco-hydrological process of the Heihe River Basin［J］. Advances in Earth Science， 2014，29（4）：431-437.

[7] 吴婕，丁林.基于和谐论的黑河流域“水-经济-生态”发展结构评价与预测［J］.中国农村水利水电，2023（1）：38-44.

[8] Wu J， Ding L. Evaluation and prediction of Water-economy-ecology harmonious development structure in Heihe River Basin based on harmony theory［J］. China Rural Water and Hydropower， 2023（1）：38-44.

[9] 赵作章，陈劲松，彭尔瑞，等.土壤盐渍化及治理研究进展［J］.中国农村水利水电，2023（6）：202-208.

[10] Zhao Z Z， Chen J S， Peng E R， et al. Research progress on soil salinization and management［J］. China Rural Water and Hydropower， 2023（6）：202-208.

[11] 张越，叶回春，刘荣豪，等.土壤盐渍化遥感监测研究进展［J］.世界科技研究与发展，2025，47（1）：82-102.

[12] Zhang Y， Ye H C， Liu R H， et al. Research progress in remote sensing monitoring of soil salinization［J］. World Sci-Tech R&D，2025，47（1）：82-102.

[13] 赵欣悦，席海洋，赵静，等.阿拉善地区土壤盐渍化的遥感反演及分布特征［J］.中国沙漠，2023，43（1）：27-36.

[14] Zhao X Y， Xi H Y， Zhao J， et al. Inversion and spatial distribution characteristics of soil salinity in Alxa area， China［J］. Journal of Desert Research， 2023，43（1）：27-36.

[15] 马登科.黑河中游绿洲土壤盐分空间格局及运移机制［D］.北京：中国科学院大学，2023.

[16] Ma D K. Spatial pattern and transport mechanism of soil salt in oasis in the middle reaches of the Heihe River［D］. Beijing： University of Chinese Academy of Sciences， 2023.

[17] 孟雪，张娟，郑一，等.黑河中游地区水循环过程对土壤盐分特征的影响［J］.生态环境学报，2015，24（7）：1108-1112.

[18] Meng X， Zhang J， Zheng Y， et al. Impacts of hydrological processes on soil salinity in the middle Heihe River basin［J］. Ecology and Environmental Sciences， 2015，24（7）：1108-1112.

[19] 赵玉，冯起，李会亚.黑河下游土壤盐分分布特征［J］.中国沙漠，2017，37（6）：1196-1203.

[20] Zhao Y， Feng Q， Li H Y. Distribution characteristics of soil salts in the lower reaches of Heihe River， northwest China［J］. Journal of Desert Research， 2017，37（6）：1196-1203.

[21] 高宗军，任晓辉，安永会，等.黑河中游明花乡北部盐渍化地区土壤盐分特征分析［J］.北方园艺，2020（21）：71-79.

[22] Gao Z J， Ren X H， An Y H， et al. Analysis of soil salinity characteristics in salinized areas of northern minghua township in the middle reaches of Heihe River［J］. Northern Horticulture， 2020（21）：71-79.

[23] 王倩丽，马细霞，刘欣欣，等.基于随机森林的山洪灾害风险评价方法及应用［J］.人民黄河，2022，44（4）：63-66，73.

[24] Wang Q L， Ma X X， Liu X X， et al. Mountain torrent disaster risk assessment method and application based on random forest［J］. Yellow River， 2022，44（4）：63-66，73.

[25] 支泽民，陈琼，周强，等.基于随机森林的川藏铁路沿线县域地质环境承载力评价［J］.科学技术与工程，2022，22（24）：10451-10460.

[26] Zhi Z M， Chen Q， Zhou Q， et al. Evaluation of Geo-environmental carrying capacity of counties along the Sichuan-Tibet railway based on Random Forest［J］. Science Technology and Engineering， 2022，22（24）：10451-10460.

[27] Kim Y， Evans J P， Sharma A. Multivariate bias correction of regional climate model boundary conditions［J］. Climate Dynamics， 2023，61（7）：3253-3269.

[28] Wang N， Xue J， Peng J， et al. Integrating remote sensing and landscape characteristics to estimate soil salinity using machine learning methods： a case study from southern Xinjiang， China［J］. Remote Sensing， 2020，12（24）：4118.

[29] 王根绪，程国栋，钱鞠.生态安全评价研究中的若干问题［J］.应用生态学报，2003，14（9）：1551-1556.

[30] Wang G X， Cheng G D， Qian J. Several problems in ecological security assessment research［J］. Chinese Journal of Applied Ecology， 2003，14（9）：1551-1556.

[31] 张彦，李明然，寇利卿.基于PSR-PCA-ANFIS模型的保定市中心城区水资源安全评价［J］.中国农村水利水电，2022（2）：68-75.

[32] Zhang Y， Li M R， Kou L Q. Evaluation of water resources Security in Baoding central city based on PSR-PCA-ANFIS model［J］. China Rural Water and Hydropower， 2022（2）：68-75.

[33] 孙宇，刘维忠，盛洋.基于PSR模型的新疆水资源经济生态韧性时空差异及影响因素分析［J］.干旱区地理，2023，46（12）：2017-2028.

[34] Sun Y， Liu W Z， Sheng Y. Spatiotemporal differences and influencing factors of economic and ecological resilience of water resources in Xinjiang based on the PSR model［J］. Arid Land Geography， 2023，46（12）：2017-2028.

[35] Biau G. Analysis of a Random Forests Model［J］. Journal of Machine Learning Research， 2010，13（2）：1063-1095.

[36] Maxwell A E， Warner T A， Fang F. Implementation of machine-learning classification in remote sensing： an applied review［J］. International Journal of Remote Sensing， 2018，39（9）：2784-2817.

[37] Belgiu M， Drăguţ L. Random forest in remote sensing： a review of applications and future directions［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2016，114：24-31.

[38] 蒋磊，刘小龙，郭帅，等.基于Logistic回归分析的土壤盐渍化易发性评价：以新疆南疆塔里木灌区为例［J］.干旱区地理，2023，46（11）：1858-1867.

[39] Jiang L， Liu X L， Guo S， et al. Evaluation of soil salinization susceptibility based on Logistic regression analysis： a case of Tarim irrigation area in southern Xinjiang［J］. Arid Land Geography， 2023，46（11）：1858-1867.

[40] Ren D Y， Wei B Y， Xu X， et al. Analyzing spatiotemporal characteristics of soil salinity in arid irrigated agro-ecosystems using integrated approaches［J］. Geoderma， 2019，356：113935.

[41] 刘鹏飞，张光辉，崔尚进，等.旱区湿地周边盐渍化农田生态水位阈值与“水位—水量”双控技术［J］.水文地质工程地质，2022，49（5）：42-51.

[42] Liu P F， Zhang G H， Cui S J， et al. Threshold value of ecological water table and dual control technology of the water table and its quantity in the salinized farmland around wetland in arid areas［J］. Hydrogeology&Engineering Geology， 2022，49（5）：42-51.

[43] 辛小娟，项国圣.基于生态水位的张掖盆地地下水合理开发研究［J］.人民黄河，2013，35（8）：43-45，48.

[44] Xin X J， Xiang G S. Study on reasonable groundwater exploitation based on the ecological water level in Zhangye Basin［J］. Yellow River， 2013，35（8）：43-45，48.

[45] 缪建雄.甘肃省临泽县地下水资源保护与治理对策［J］.水资源开发与管理，2023，9（2）：10-13，18.

[46] Miao J X. Protection and treatment of groundwater resources in Linze county， Gansu province［J］. Water Resources Development and Management， 2023，9（2）：10-13，18.

[47] 周剑，李新，王根绪，等.黑河流域中游地下水时空变异性分析及其对土地利用变化的响应［J］.自然资源学报，2009，24（3）：498-506.

[48] Zhou Jian， Li X， Wang G X， et al. The Spatio-temporal variation analysis of groundwater and response to land-use change in the middle reaches of the Heihe river basin［J］. Journal of Natural Resources， 2009，24（3）：498-506.

[49] 徐英，葛洲，王娟，等.基于指示Kriging法的土壤盐渍化与地下水埋深关系研究［J］.农业工程学报，2019，35（1）：123-130.

[50] Xu Y， Ge Z， Wang J， et al. Study on relationship between soil salinization and groundwater table depth based on indicator Kriging［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019，35（1）：123-130.

[51] 赵传燕，李守波，贾艳红，等.黑河下游地下水波动带地下水与植被动态耦合模拟［J］.应用生态学报，2008，19（12）：2687-2692.

[52] Zhao C Y， Li S B， Jia Y H， et al. Dynamic changes of groundwater level and vegetation in water table fluctuant belt in lower reaches of Heihe River： coupling simulation［J］. Chinese Journal of Applied Ecology， 2008，19（12）：2687-2692.

[53] 强欣欢，高文文，王博，等.基于遥感的土壤盐渍化风险评估及其演变规律［J］.干旱区研究，2025，42（3）：431-444.

[54] Qiang X H， Gao W W， Wang B， et al. Remote sensing-based risk assessment of soil salinization and its change over time［J］. Arid Zone Research， 2025，42（3）：431-444.

基金资助

中国地质调查局中央财政地质调查项目(DD20242705)

甘肃省地质灾害监测预警技术创新中心开放资助项目(2024PT03-06)