白洋淀流域土地利用变化对土壤侵蚀强度的影响

Impact of land use change on soil erosion intensity in Baiyangdian Basin

摘要

目的 明确白洋淀流域土壤侵蚀的时空演变特征，揭示其对不同土地利用类型变化的响应规律。 方法 基于逐小时降雨数据以及2005年、2010年、2015年、2020年和2023年五期土地利用、植被、土壤等遥感数据，采用RUSLE模型对该流域土壤侵蚀状况进行定量测算与空间分析。 结果 （1）流域土壤侵蚀强度空间上呈西北山区高、东南平原低，且年际变化显著，2020年受植被覆盖影响，侵蚀模数最低〔1.071 t/（hm² · a）〕，2023年受极端暴雨事件影响侵蚀强度最高〔4.014 t/（hm² · a）〕；（2）不同土地利用类型中，未利用地和草地侵蚀模数最高且持续上升，耕地对总侵蚀量的贡献率最高，林地和灌木丛保持较低侵蚀水平；（3）生态建设有效削减了中高等级侵蚀的面积，但极端降雨条件下，地形起伏显著增加了西部山区坡耕地和未利用地的侵蚀风险，而高覆盖植被具有明显的缓冲作用。 结论 白洋淀流域土壤侵蚀受地形、降雨与土地利用共同驱动。生态建设虽整体有效，但极端天气下的西部山区坡耕地仍为侵蚀防治重点；未来应聚焦该类高风险区的精细化防护。

Abstract

Objective This study aims to clarify the spatiotemporal evolution characteristics of soil erosion in the Baiyangdian Basin and reveal its response patterns to changes in different land use types. Methods Based on hourly rainfall data and remote sensing data on land use， vegetation， and soil from five periods （2005， 2010， 2015， 2020， and 2023）， the RUSLE model was used to quantitatively calculate and spatially analyze the soil erosion conditions in the basin. Results （1） Spatially， soil erosion intensity was higher in the northwestern mountainous areas and lower in the southeastern plains， with significant interannual variations. The erosion modulus was lowest in 2020 〔1.071 t/（hm² · a）〕 due to improved vegetation cover， and highest in 2023 〔4.014 t/（hm² · a）〕 under extreme rainfall events. （2） Among all land use types， unused land and grassland had the highest erosion modulus and showed a continuous increase. Cropland had the highest contribution rate to total erosion， while forestland and shrubland maintained relatively low erosion levels. （3） Ecological construction effectively reduced the area of moderate and high erosion. However， under extreme rainfall conditions， topographic relief markedly increased the erosion risk on slope cropland and unused land in the western mountainous areas， whereas high vegetation cover exhibited a pronounced buffering effect. Conclusion Soil erosion in the Baiyangdian Basin is jointly driven by topography， rainfall， and land use. Although ecological construction is generally effective， slope cropland in the western mountainous areas under extreme weather conditions remains a priority for erosion prevention and control. Future efforts should focus on the refined protection of these high-risk areas.

Graphical abstract

关键词

白洋淀流域 / 土地利用变化 / 土壤侵蚀强度 / 总量贡献率 / RUSLE模型

Key words

Baiyangdian Basin / land use change / soil erosion intensity / total contribution rate / RUSLE model

土壤侵蚀是土壤退化的重要表现形式之一，会对土壤资源安全、生态系统功能及区域可持续发展产生影响^［1-2］。侵蚀过程不仅会破坏土壤结构、降低土地生产力^［3］，还会通过泥沙输移加剧水体污染与河湖淤积^［4］，进而威胁流域生态系统稳定性与生态安全。土壤侵蚀的发生受降雨特征、地形地貌、土壤性质、植被覆盖及土地利用方式等多种因素的共同影响，其中土地利用/覆盖变化因其直接改变地表覆盖状况和人为扰动强度，被认为是最具调控潜力的人为驱动因素之一^［5］。因此，揭示土地利用变化与土壤侵蚀之间的响应关系，对流域水土保持与土地资源优化配置具有重要意义。

当前研究常利用修正通用土壤流失方程（Revised Universal Soil Loss Equation， RUSLE）结合GIS技术开展流域尺度土壤侵蚀评估工作。例如，程陆陆等^［6］利用RUSLE模型、景观格局指数和地理探测器探究了西南高山峡谷区景观格局变化及其对土壤侵蚀的影响；许长安等^［7］基于RUSLE和地理探测器探究了皖南地区土壤侵蚀的时空分异及定量归因。然而，RUSLE模型的模拟精度在很大程度上受降雨侵蚀力因子计算方法的影响^［8］。现有研究中，降雨侵蚀力因子多基于日或月尺度降雨数据进行估算^［9-10］，这虽然能在一定程度上反映降雨量的时间分布特征，但可能对场次降雨过程内部强度变化的刻画仍显不足。对于降雨过程高度集中、暴雨事件频发的流域，年度土壤侵蚀总量往往由少数高强度降雨过程贡献^［11］。基于日或月尺度降雨数据的侵蚀力计算方法，难以充分反映这些关键降雨事件的强度特征，可能在一定程度上弱化了极端降雨在侵蚀过程中的作用，从而影响侵蚀量估算结果的准确性。因此，本研究引入小时尺度降雨数据以提升降雨侵蚀力计算精度。此外，现有研究多侧重于通过侵蚀模数分析不同土地利用类型侵蚀强度的差异。然而，仅从侵蚀强度出发，难以发现各类土地对流域土壤侵蚀总量形成的相对作用。在实际情况中，一些侵蚀强度较高但分布范围有限的地类对侵蚀总量的贡献可能相对有限；相反，侵蚀强度处于中等水平但分布广泛的地类，在一些条件下可能成为土壤侵蚀总量的重要来源。忽略侵蚀总量贡献这一维度，可能在一定程度上影响关键治理区域与治理对象的识别，从而制约土地利用调控与水土保持措施的针对性与有效性。

白洋淀流域位于海河流域中部，是京津冀地区重要的生态屏障与水源涵养区域^［12］。近年来，在城镇化扩张与生态修复工程共同作用下，流域土地利用格局发生了显著变化^［13］，这种变化对土壤侵蚀过程的影响日益凸显。基于此，本文以白洋淀流域为研究区，综合利用2005—2023年逐小时降雨数据及土地利用、植被、土壤和DEM等多源数据，采用RUSLE模型估算土壤侵蚀强度；在此基础上，引入侵蚀模数与侵蚀总量贡献率两个指标，系统分析不同土地利用类型土壤侵蚀特征及其时空变化规律，并重点关注极端降雨背景下土壤侵蚀响应特征，以期为流域水土保持规划与生态管理提供科学依据。

1 研究区概况

白洋淀流域（东经113°39′—116°14′，北纬38°09′—40°04′）位于海河流域中部，地跨北京、河北和山西，面积约31 814 km²，是华北平原典型流域。流域地势自西北向东南倾斜，主要的地貌类型为山地、丘陵和平原。西北部为太行山东麓低山丘陵区，地形起伏显著，中东部为地势平缓的冲积—湖积平原。流域属于温带半湿润半干旱大陆性季风气候，年均气温约为12.7 ℃，多年平均降水量435~529 mm。流域内土地利用类型受人类活动干扰较强，以林地、耕地、草地和建设用地为主，其中山区多为林地和草地，平原区以集中分布的耕地为主。

2 材料与方法

2.1 数据来源

本研究选取2005年、2010年、2015年、2020年、2023年为研究时段，开展土地利用变化对土壤侵蚀强度的影响研究，相关数据来源见表1。

2.2 研究方法

2.2.1 修正通用土壤流失方程（RUSLE）

土壤侵蚀模数计算公式为：

A=R\times K\times LS\times C\times P（1）

式中：A为土壤侵蚀模数〔t/（hm² · a）〕； R为降雨侵蚀力因子〔（MJ · mm）/（hm² · h · a）〕； K为土壤可蚀性因子〔t · h/（MJ · mm）〕；LS为地形因子； C为植被覆盖与管理因子； P为水土保持措施因子，其中LS，C，P因子无量纲。

2.2.2　土壤流失方程各因子获取　（1） 降雨侵蚀力因子R。本研究依据每小时降雨数据进行次降雨事件划分，并据此估算降雨侵蚀力因子。Wu等^［14］研究发现，对于干旱少雨的华北地区，降雨强度对土壤侵蚀的影响更为显著。因此，降雨侵蚀力因子采用降雨总动能与最大30 min雨强的乘积（EI₃₀）作为计算指标^［15］。并通过经验公式，利用最大60 min雨强推算最大30 min雨强^［16］。最后计算5期各气象站点的降雨侵蚀力因子，并用反距离权重法进行插值，得到空间分布图。计算公式如下：

R={\displaystyle \sum _{i=\mathrm{1}}^n}(E_i\times I_{\mathrm{30}i})（2）

E{I}_{\mathrm{30}}=\mathrm{0.29}〔\mathrm{1}-\mathrm{0.72}\mathrm{e}\mathrm{x}\mathrm{p}(-\mathrm{0.05}{i}_r)〕(\mathrm{\Delta }{V}_r)(I_{\mathrm{30}})（3）

(E{I}_{\mathrm{30}}{)}_{\mathrm{b}\mathrm{p}}=\mathrm{1.730}(\mathrm{E}{\mathrm{I}}_{\mathrm{30}}{)}_{\mathrm{60}}（4）

式中：E_i 为第i次降雨的总能量（MJ/hm²）；I₃₀为该次降雨的最大30 min雨强（mm/h）；i_r 与ΔV_r 分别为第r时段的降雨强度（mm/min）与降雨量（mm）；（EI₃₀）₆₀为基于60 min间隔降雨数据估算的EI₃₀值；（EI₃₀）_bp为基于小时数据估算结果的修正值。

（2） 土壤可蚀性因子K。该因子表示单位能量降雨引起的土壤流失量，采用由EPIC（Erosion Prod-uctivity Impact Calculator）模型发展而来的经验公式进行估算^［17］。土壤可蚀性因子主要由土壤颗粒组成（砂、粉、黏粒比例）和土壤有机质质量分数所决定，由于这些参数在短期内几乎没有改变，因此忽略该因子的时间变化。计算公式如下：

\begin{array}{l}{K}_{\mathrm{e}\mathrm{p}\mathrm{i}\mathrm{c}}=\mathrm{0.1317}\times \left\{\mathrm{0.2}+\mathrm{0.3}\mathrm{e}\mathrm{x}\mathrm{p}〔-\mathrm{0.0256}{\omega }_{Sand}\left(\mathrm{1}-\frac{{\omega }_{\mathrm{S}\mathrm{i}\mathrm{l}\mathrm{t}}}{\mathrm{100}}\right)〕\right\}\times \\ {〔\frac{{\omega }_{\mathrm{S}\mathrm{i}\mathrm{l}\mathrm{t}}}{{\omega }_{\mathrm{S}\mathrm{i}\mathrm{l}\mathrm{t}}+{\omega }_{\mathrm{C}\mathrm{l}\mathrm{a}\mathrm{y}}}〕}^{\mathrm{0.3}}\times 〔\mathrm{1}-\frac{\mathrm{0.25}{\omega }_{\mathrm{o}\mathrm{c}}}{{\omega }_{\mathrm{o}\mathrm{c}}+\mathrm{e}\mathrm{x}\mathrm{p}\left(\mathrm{3.718}-\mathrm{2.947}{\omega }_{\mathrm{o}\mathrm{c}}\right)}〕\times \\ 〔\mathrm{1}-\frac{\mathrm{0.7}{\omega }_{\mathrm{S}\mathrm{a}\mathrm{n}\mathrm{d}}\mathrm{\text{'}}}{{\omega }_{\mathrm{S}\mathrm{a}\mathrm{n}\mathrm{d}}\mathrm{\text{'}}+\mathrm{e}\mathrm{x}\mathrm{p}\left(-\mathrm{5.509}+\mathrm{22.899}{\omega }_{\mathrm{S}\mathrm{a}\mathrm{n}\mathrm{d}}\mathrm{\text{'}}\right)}〕\end{array}（5）

{\omega }_{\mathrm{S}\mathrm{a}\mathrm{n}\mathrm{d}}^{\mathrm{\text{'}}}=\mathrm{1}-\frac{{\omega }_{\mathrm{S}\mathrm{a}\mathrm{n}\mathrm{d}}}{\mathrm{100}}（6）

K=-\mathrm{0.01383}+\mathrm{0.551575}{K}_{\mathrm{e}\mathrm{p}\mathrm{i}\mathrm{c}}（7）

式中：ω_sand、ω_silt、ω_clay和ω_oc分别为土壤中砂粒、粉粒、黏粒和有机碳含量（%）。

为使土壤数据与其他数据的分辨率保持一致，在计算土壤可蚀性因子前，将90 m分辨率的土壤颗粒组成与有机碳含量数据，采用双线性插值法重采样至30 m。此过程仅用于空间对齐，不改变原始数据的统计特征。

（3） 坡度坡长因子LS。LS因子由坡度因子S与坡长因子L共同构成，二者与坡面坡度角及长度密切相关。本研究根据符素华等^［18］提出的方法，采用基于坡度区间的分段经验公式进行估算，公式如下：

（8）

L={\left(\frac{\lambda }{\mathrm{22.13}}\right)}^m（9）

（10）

式中：θ为坡角（°）；\lambda为坡长（m）。

（4） 植被覆盖与管理因子C。该因子用于量化不同植被覆盖状况对土壤侵蚀的调控能力。参考前人研究^［19］，本研究采用归一化植被指数（NDVI）反演方法计算该因子。基于NDVI值推算植被覆盖度c，并据此分段估算C值，计算公式如下：

（11）

c=\frac{N-N_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}{N_{\mathrm{v}\mathrm{e}\mathrm{g}}-N_{\mathrm{s}\mathrm{o}\mathrm{i}\mathrm{l}}}（12）

式中：N， N_soil和N_veg分别为研究像元、纯裸土区域和完全植被覆盖区域的NDVI值。N_soil采用研究区NDVI的5%百分位数值，N_veg采用研究区NDVI的95%百分位数值^［20］。

（5） 基于地形特征的水土保持措施因子P。P因子的取值范围为0~1，值越接近0，表明水土保持措施效果越好；值越接近1，表明效果越差；不采取水土保持措施的P值为1。参考Xiong等^［21］结合土地利用类型和坡度进行赋值，森林、灌木林、草地、水域、未利用地、建设用地的P因子分别赋值为0.05，0.1，0.16，0，1，0.001；将耕地的坡度分为0°~5°、5°~10°、10°~25°、25°~45°、≥45°，分别赋值为0.2，0.5，0.6，0.8，1。

3 结果与分析

3.1 基于场次降雨的土壤侵蚀强度

由小时降雨序列划分为场次降雨，并逐场次计算EI₃₀后累加得到2005年、2010年、2015年、2020年、2023年的年尺度R因子，如图1所示。各期降雨侵蚀力因子差异显著：2010年〔均值1 648.792 MJ · mm/（hm² · h · a）〕<2005年〔均值1 970.712 MJ · mm/（hm² · h · a）〕<2015年〔均值2 092.728 MJ · mm/（hm² · h · a）〕<2020年〔均值2 387.621 t/（hm² · a）〕<2023年〔均值5 797.640 MJ · mm/（hm² · h · a）〕。在空间上，各期的高值区和低值区均随年份变化而发生位置调整，表明降雨侵蚀力在时间与空间尺度上均具有较为显著的年际波动特征。

土壤可蚀性因子与地形因子主要反映了流域的土壤和地形条件的易蚀性。由图1可见，土壤可蚀性因子呈现出东南高、西北低的分布格局；地形因子呈现东南低、西北高的分布，与流域地形起伏特征基本一致。植被覆盖因子与水土保持措施因子主要用于反映人类活动导致的植被覆盖变化及工程措施对土壤侵蚀风险的调节作用。由图2可知，研究期内植被覆盖状况总体呈改善趋势。2005—2015年C因子高值区范围较大，而2020年和2023年C因子高值区显著减少，2005年、2010年、2015年、2020年、2023年的C因子均值分别为0.377，0.432，0.348，0.146，0.180。P因子在2005—2023年的均值稳定分布于0.168~0.179，且整体呈现东南低、西北高的空间特征，不同年份间仅表现出小幅波动。

基于RUSLE模型计算的五期（2005年、2010年、2015年、2020年、2023年）土壤侵蚀强度栅格结果显示（图2），白洋淀流域整体土壤侵蚀强度呈西北高、东南低的空间格局。西北部的山区为轻度及以上侵蚀的集中分布区，而东南部平原区以微度侵蚀为主。五期平均土壤侵蚀模数分别为4.275，4.423，4.249，1.071，4.014 t/（hm² · a）。不同年份的土壤侵蚀等级面积分布结果（表2）进一步表明，微度与轻度侵蚀类型在研究期内始终占据主导地位，但中度及以上侵蚀等级面积在不同年份间波动较为明显，反映出土壤侵蚀过程受土地利用变化与气候条件年际差异的共同影响。对比2020年与2023年可见，西北部山区轻度及以上侵蚀区域面积整体减少，但2023年极强烈及以上侵蚀等级面积较其他四期面积显著增加（较2020年增加了9.85倍），可能与该年极端强降雨事件频发有关。同时，2020年与2023年微度侵蚀面积较2005—2015年有所增加；而轻度侵蚀面积较2005—2015年大幅减少（减少幅度为73.503%~80.786%）。

3.2 土地利用变化特征

白洋淀流域2005—2023年不同土地利用类型之间的转化情况如图3所示。耕地在近20年内始终为流域内的主要土地利用类型（面积占比约40%），且整体占比保持相对稳定。部分耕地转化为建设用地、草地和未利用地，同时，也有一定比例的耕地由草地、林地和灌木丛等土地利用类型转化而来。建设用地面积持续扩张，其主要流入来源为耕地和未利用地，尤其在2010—2020年期间扩张趋势较为明显。草地、林地和灌木丛这3种土地利用类型也存在向建设用地转化的情况，但整体占比较小。草地与林地之间的相互转化较为频繁，尤其在2010—2020年较为突出，这可能与该阶段实施的退耕还林还草及人工造林等生态建设措施有关。未利用地虽然面积占比不足1%，但其转换活跃度较高，既是建设用地扩张和耕地补充的重要来源，也可能由草地、林地和灌木丛等土地利用类型退化形成。

3.3 土地利用变化与土壤侵蚀强度响应

对2005—2023年的五期土地利用类型与土壤侵蚀强度的叠加分析结果表明，不同土地利用类型对土壤侵蚀强度的影响具有显著差异。流域内各地类在不同土壤侵蚀等级下的面积变化情况如图4所示。研究期内，耕地、草地和建设用地变化最为显著，并在不同侵蚀等级下呈现出差异化响应。

耕地面积变化主要集中在轻度与中度侵蚀等级之间。2005—2010年耕地的轻度侵蚀面积增加108.23 km²，而2010—2015年减少194.32 km²，2015—2020年进一步减少342.58 km²，至2020—2023年又增加206.712 km²，整体呈现出明显的阶段性波动，耕地的中度侵蚀等级变化趋势也与之相似。该结果在一定程度上反映出流域内农业开发强度上升加剧了中度侵蚀风险，而后期随着生态建设与水土保持措施的实施，侵蚀风险有所缓解。草地和林地整体上呈现出向微度侵蚀等级转化的趋势，其中草地的极强烈侵蚀面积在2015—2020年减少652.90 km²，草地的强烈侵蚀和林地的强烈侵蚀等级面积也出现明显缩减，表明在退耕还林还草等生态工程推动下，部分高侵蚀风险区域逐步向相对稳定状态转化。建设用地面积持续扩张，尤其在2010—2015年和2015—2020年分别增加496.19 km²，242.99 km²，且主要分布于微度或轻度侵蚀区，说明城镇扩张总体趋向于选择地势较为平缓、侵蚀风险较低的区域。

选取研究区内位于山区的平原过渡带、侵蚀变化较为剧烈的唐县作为典型区域进行案例剖析（图5）。2005—2023年唐县土壤侵蚀强度变化均值为-2.277 t/（hm² · a），整体呈下降趋势。期间草地和建设用地是变化最为显著的土地利用类型，其中草地面积减少78.05 km²，建设用地面积增加64.67 km²。空间上，唐县中部及北部山区土壤侵蚀强度变化幅度较大，主要对应草地面积减少及地形起伏较大的区域；而南部平原区侵蚀强度变化相对较小，其土地利用变化以耕地向建设用地转化为主。在地形条件差异显著的区域内，土地利用变化对土壤侵蚀强度的影响具有明显的空间异质性。

3.4 极端降雨条件下地形与土地利用的侵蚀响应特征

为探究极端降雨条件下地形与土地利用对土壤侵蚀变化的交互作用，以2023年极端降雨年为研究情景，选取2020年作为对比基准年，计算不同地形条件下各土地利用类型土壤侵蚀强度变化均值。依据LS因子分级结果，将白洋淀流域划分为低LS区域与高LS区域，分别统计不同土地利用类型的侵蚀响应特征（图6）。

结果表明，在低LS区域内，不同土地利用类型的土壤侵蚀强度变化整体较小。耕地、草地的侵蚀强度变化均值分别为2.32 t/（hm² · a）和3.47 t/（hm² · a），森林和灌木丛的侵蚀强度变化均值接近于0，表明在地形相对平缓区域，即使在极端降雨背景下，侵蚀过程整体响应有限，地形条件对侵蚀放大效应具有明显约束作用。相比之下，高LS区域内不同土地利用类型的侵蚀响应差异显著。耕地侵蚀强度变化均值高达111.33 t/（hm² · a），显著高于低LS区，表明坡耕地在极端降雨条件下侵蚀风险被显著放大。草地土壤侵蚀强度变化均值为24.09 t/（hm² · a），亦表现出明显的侵蚀增强趋势，但其增幅明显低于耕地，显示出一定的地表覆盖缓冲作用。未利用地在高 LS区域表现出极高的侵蚀变化均值〔751.21 t/（hm² · a）〕，但其分布范围有限，主要反映局地陡坡裸露区在极端降雨作用下的高风险特征。森林和灌木丛在高LS区域内的侵蚀变化均值分别为0.62 t/（hm² · a）和2.89 t/（hm² · a），显著低于耕地和草地，且与低LS区域相比变化幅度较小，表明良好的植被覆盖能够有效削弱地形起伏和极端降雨对侵蚀过程的放大效应。

4 讨 论

4.1 土壤侵蚀年际变化机制

土壤侵蚀是多种自然因素与人为因素共同作用的结果，其年际变化受降雨特征、地形条件、植被覆盖与土地利用格局等多重因素的综合影响。已有研究表明，降雨侵蚀力因子是土壤侵蚀年际变化的重要因子，尤其是极端降雨事件的频率和强度变化，往往会放大土壤侵蚀过程^［22-23］。从年际变化特征来看，2020年土壤侵蚀模数显著低于其他年份，尽管该年份降雨侵蚀力因子处于中高水平。这一现象可能与当年区域植被覆盖状况改善及农田管理水平提升密切相关。在此背景下，强降雨过程更多发生在作物生长季或地表被覆较好的时段，从而有效地削弱了雨滴溅蚀和汇流过程，进而抑制土壤侵蚀的发生和发展^［24］。而2023年土壤侵蚀模数的大幅上升（较2020年增加近3.75倍），主要受当年局地极端暴雨事件频发以及年均降雨侵蚀力因子达到研究期内最高值的共同影响。在极端暴雨条件下，产流过程集中、径流能量显著增强，坡面与沟道之间的水沙连通性提高，从而加剧了土壤剥蚀与输移过程，显著增加了土壤侵蚀的风险^［25］。

4.2 土地利用变化对土壤侵蚀强度与贡献的影响

土地利用格局的改变可以通过改变地表覆盖状况、土壤扰动频率及产流汇流条件，进而影响不同地类的侵蚀模数及其在流域总侵蚀量中的贡献率^［5］。近20年来，白洋淀流域土地利用格局发生显著变化，主要表现为城市建设用地持续扩张、部分坡耕地向林草地转化以及湿地面积恢复，这些变化在不同区域对侵蚀过程的影响存在明显差异，该特征与高星等^［26］在白洋淀流域土地利用变化及生态系统服务价值的研究结论在总体趋势上基本一致。

从单位面积土壤侵蚀强度上来看（图7），未利用地始终处于最高水平，且呈现显著上升趋势，其侵蚀模数由2005年的40.789 t/（hm² · a）增加至2023年的209.127 t/（hm² · a）。未利用地通常缺乏有效植被覆盖，土壤结构相对松散，在暴雨条件下易发生雨滴溅蚀与径流冲刷，尤其是在坡度较大的区域，这种效应更为明显^［27］。草地在流域中分布面积较大，其侵蚀模数仅次于未利用地，且多年保持在较高水平。这一现象可能与局部草地退化或人为干扰（过度放牧）导致植被盖度降低有关，从而增加坡面产流并加剧侵蚀过程^［28］。耕地的单位面积侵蚀强度处于中等水平，但由于其面积占比高，因而成为流域总侵蚀量的主要来源，其贡献率介于33.49%~45.24%之间（表3）。耕地侵蚀强度的年际波动与耕作活动、植被覆盖及土壤类型等因素密切相关^［29］。其中，2023年耕地侵蚀模数显著回升，可能主要与坡耕地比例增加、地表覆盖不足及强降雨事件频发等因素共同作用有关。相比之下，林地与灌木丛的侵蚀模数及其对侵蚀总量的贡献率始终处于较低水平，表明较高的植被覆盖能够有效削减雨滴动能，促进入渗从而降低土壤侵蚀风险^［30］。建设用地与水域的侵蚀模数接近于零，这主要与地表硬化或水体覆盖条件下土壤不直接暴露有关。

4.3 水土保持建议与研究局限性

本研究揭示了白洋淀流域土壤侵蚀强度的空间异质性及其对不同土地利用类型和极端降雨的响应特征。土壤侵蚀强度高值主要集中在西北丘陵山区，而东南平原区整体侵蚀风险较低。因此，建议在西北部坡度较大的以未利用地、退化草地及坡耕地为主的区域，应优先考虑实施退耕还林还草、封育恢复等生态建设措施，以提高植被覆盖度和地表土壤结构稳定性；针对草地退化和过度放牧问题，可通过放牧轮歇、载畜量控制及草地补播等制度，降低其向高侵蚀风险状态转化的可能性；对于坡耕地，应结合地形条件推广保护性耕作和农艺措施，并在强降雨季前提高地表覆盖度，以降低暴雨期间的侵蚀风险。在城镇规划中，应尽量避免占用生态敏感区域，并通过建设绿色基础设施，减少地表硬化对下游侵蚀的间接影响。

本研究仍存在一定的局限性。首先，降雨侵蚀力因子的计算基于气象站逐小时降雨数据，其空间分布密度有限，在地形起伏较大的区域可能难以完全反映局地降雨过程的空间异质性，从而可能对降雨侵蚀力因子的空间插值结果产生一定影响。其次，本研究采用的RUSLE模型主要用于坡面侵蚀模拟，对沟蚀及其与坡面侵蚀之间的耦合过程刻画能力有限，在极端降雨条件下可能对局地高强度侵蚀量存在一定不确定性。

5 结 论

（1） 基于RUSLE模型对2005年、2010年、2015年、2020年、2023年白洋淀流域五期数据的分析发现，未利用地与草地是土壤侵蚀模数最高的地类，2023年草地单位面积侵蚀量达11.969 t/（hm² · a），而未利用地则高达209.127 t/（hm² · a）。耕地单位面积侵蚀量相对中等（4.420 t/（hm² · a）），但是因为面积占比很高，所以对流域总土壤侵蚀量的贡献率很高且呈现上升趋势，2023年达45.239%，是控制白洋淀流域水土流失的关键地类。

（2） 未利用地和草地侵蚀模数最高且上升明显，耕地虽侵蚀模数处于中等水平，但因面积大，是总侵蚀量的主要来源；林地与灌木丛保持较低侵蚀水平，建设用地与水域侵蚀风险最低。退耕还林还草、湿地恢复等措施显著减少了中高等级侵蚀面积，改善了流域土壤侵蚀强度分布。

（3） 在极端降雨条件下，地形起伏显著增加了坡耕地和未利用地的侵蚀风险，而高覆盖植被具有明显的缓冲作用。

参考文献

[1] 傅伯杰，陈利顶，马诚.土地可持续利用评价的指标体系与方法［J］.自然资源学报，1997，12（2）：112-118.

[2] Fu B J， Chen L D， Ma C. The index system and method of land sustainable use evaluation［J］. Journal of Natural Resources， 1997，12（2）：112-118.

[3] Batista P V G， Davies J， Silva M L N， et al. On the evaluation of soil erosion models： are we doing enough［J］. Earth-Science Reviews， 2019，197：102898.

[4] 谢锦升，杨玉盛，陈光水，等.植被恢复对退化红壤团聚体稳定性及碳分布的影响［J］.生态学报，2008，28（2）：702-709.

[5] Xie J S， Yang Y S， Chen G S， et al. Effects of vegetation restoration on water stability and organic carbon distribution in aggregates of degraded red soil in subtropics of China［J］. Acta Ecologica Sinica， 2008，28（2）：702-709.

[6] 欧阳志云，王效科，苗鸿.中国陆地生态系统服务功能及其生态经济价值的初步研究［J］.生态学报，1999，19（5）：607-613.

[7] Ouyang Z Y， Wang X K， Miao H. A primary study on Chinese terrestrial ecosystem services and their ecological-economic values［J］. Acta Ecologica Sinica， 1999，19（5）：607-613.

[8] Borrelli P， Robinson D A， Fleischer L R， et al. An assessment of the global impact of 21st century land use change on soil erosion［J］. Nature Communications， 2017，8：2013.

[9] 程陆陆，兰梦瑶，关颖慧，等.西南高山峡谷区景观格局变化及其对土壤侵蚀的影响［J］.生态学报，2025，45（24）：12416-12432.

[10] Cheng L L， Lan M Y， Guan Y H， et al. Landscape pattern changes and their impacts on soil erosion in the Southwest Alpine Canyon Area of China［J］. Acta Ecologica Sinica， 2025，45（24）：12416-12432.

[11] 许长安，王乃举.基于RUSLE和地理探测器的皖南地区土壤侵蚀时空分异及定量归因［J］.水土保持研究，2025，32（1）：21-29.

[12] Xu C A， Wang N J. Spatiotemporal differentiation and quantitative attribution of soil erosion in southern Anhui based on RUSLE and GeoDetector［J］. Research of Soil and Water Conservation， 2025，32（1）：21-29.

[13] 马小晴，郑明国.基于统计检验的降雨侵蚀力简易计算模型比较［J］.资源科学，2018，40（8）：1622-1633.

[14] Ma X Q， Zheng M G. Statistical evaluation of proxies for the R factor of the Universal Soil Loss Equation［J］. Resources Science， 2018，40（8）：1622-1633.

[15] 冯笛珂，符素华，丁建新，等.北京市近40年来降雨侵蚀力时空变异特征［J］.水土保持学报，2024，38（4）：132-142.

[16] Feng D K， Fu S H， Ding J X， et al. Temporal and spatial variations of rainfall erosivity in Beijing in recent 40 years［J］. Journal of Soil and Water Conservation， 2024，38（4）：132-142.

[17] Xie Y， Yin S Q， Liu B Y， et al. Models for estimating daily rainfall erosivity in China［J］. Journal of Hydrology， 2016，535：547-558.

[18] 李建明，丁文峰，冉文建，等.自然降雨特征和作物覆盖对三峡库区紫色土坡耕地产流产沙影响［J］.农业工程学报，2025，41（8）：137-146.

[19] Li J M， Ding W F， Ran W J， et al. Effects of natural rainfall characteristics and crop coverage on runoff and sediment yield in purple soil slope cultivated land in the Three Gorges Reservoir areas［J］. Transactions of the Chinese Society of Agricultural Engineering， 2025，41（8）：137-146.

[20] 史丽娟，吕海涛，张树梓，等.白洋淀上游典型林分类型土壤理化性质及其化学计量特征［J］.土壤通报，2024，55（4）：960-967.

[21] Shi L J， Lü H T， Zhang S Z， et al. Soil physicochemical properties and stoichiometric characteristics of typical stand types in the upstream of Baiyangdian Lake［J］. Chinese Journal of Soil Science， 2024，55（4）：960-967.

[22] 任胤铭，刘小平，许晓聪，等.基于FLUS-InVEST模型的京津冀多情景土地利用变化模拟及其对生态系统服务功能的影响［J］.生态学报，2023，43（11）：4473-4487.

[23] Ren Y M， Liu X P， Xu X C， et al. Multi-scenario simulation of land use change and its impact on ecosystem services in Beijing-Tianjin-Hebei region based on the FLUS-InVEST Model［J］. Acta Ecologica Sinica， 2023，43（11）：4473-4487.

[24] Wu L， Liu X， Ma X Y. Spatiotemporal distribution of rainfall erosivity in the Yanhe River watershed of hilly and Gully Region， Chinese Loess Plateau［J］. Environmental Earth Sciences， 2016，75（4）：315.

[25] Wischmeier W H， Smith D D. Rainfall energy and its relationship to soil loss［J］. Eos， Transactions American Geophysical Union， 1958，39（2）：285-291.

[26] 殷水清，谢云，王春刚.用小时降雨资料估算降雨侵蚀力的方法［J］.地理研究，2007，26（3）：541-547.

[27] Yin S Q， Xie Y， Wang C G. Calculation of rainfall erosivity by using hourly rainfall data［J］. Geographical Research， 2007，26（3）：541-547.

[28] 张科利，彭文英，杨红丽.中国土壤可蚀性值及其估算［J］.土壤学报，2007，44（1）：7-13.

[29] Zhang K L， Peng W Y， Yang H L. Soil erodibility and its estimation for agricultural soil in China［J］. Acta Pedologica Sinica， 2007，44（1）：7-13.

[30] 符素华，刘宝元，周贵云，等.坡长坡度因子计算工具［J］.中国水土保持科学，2015，13（5）：105-110.

[31] Fu S H， Liu B Y， Zhou G Y， et al. Calculation tool of topographic factors［J］. Science of Soil and Water Conservation， 2015，13（5）：105-110.

[32] 余倩，姚冲，付世琳，等.黄土高原玉米坡耕地C因子的估算研究［J］.水土保持学报，2022，36（6）：49-54.

[33] Yu Q， Yao C， Fu S L， et al. Study on the estimation of the C-factor in maize sloping cultivated land on the Loess Plateau［J］. Journal of Soil and Water Conservation， 2022，36（6）：49-54.

[34] 海洋，龙爱华，王浩，等.基于生态重要性和生态脆弱性的干旱区生态保护范围分级管理研究［J］.中国水利水电科学研究院学报（中英文），2025，23（2）：131-145.

[35] Hai Y， Long A H， Wang H， et al. Dynamic management of ecological conservation scope in arid regions based on ecological importance and vulnerability［J］. Journal of China Institute of Water Resources and Hydropower Research， 2025，23（2）：131-145.

[36] Xiong M Q， Sun R H， Chen L D. Global analysis of support practices in USLE-based soil erosion modeling［J］. Progress in Physical Geography： Earth and Environment， 2019，43（3）：391-409.

[37] 董林篧，郑艳霞，程冬兵，等.气候变化对降雨侵蚀力的影响研究综述［J］.长江科学院院报，2015，32（3）：59-63.

[38] Dong L Z， Zheng Y X， Cheng D B， et al. Review on the impact of climate change on rainfall erosivity［J］. Journal of Yangtze River Scientific Research Institute， 2015，32（3）：59-63.

[39] 李超，骆师堂，喻雅雯，等.1961—2020年藏东南地区降雨侵蚀力时空分布特征［J］.中国水土保持科学（中英文），2025，23（2）：103-115.

[40] Li C， Luo S T， Yu Y W， et al. Spatiotemporal distribution characteristics of rainfall erosivity in southeastern Tibet from 1961 to 2020［J］. Science of Soil and Water Conservation， 2025，23（2）：103-115.

[41] 刘见波，高光耀，傅伯杰.黄土区草地不同组分与土壤侵蚀关系及其对降雨情景的响应［J］.生态学报，2023，43（4）：1496-1505.

[42] Liu J B， Gao G Y， Fu B J. Study on the relationship between grassland components and soil erosion and its responses to rainfall scenarios in the loess region［J］. Acta Ecologica Sinica， 2023，43（4）：1496-1505.

[43] 杨萌，宋晓鹏，张岩，等.黄土高原丘一区典型流域坡耕地分布及其侵蚀地形特征［J］.中国水土保持科学（中英文），2020，18（6）：1-8.

[44] Yang M， Song X P， Zhang Y， et al. Distribution of sloping cropland and correlative erosional landform in typical watersheds on the hilly Loess Plateau［J］. Science of Soil and Water Conservation， 2020，18（6）：1-8.

[45] 高星，杨刘婉青，李晨曦，等.模拟多情景下白洋淀流域土地利用变化及生态系统服务价值的空间响应［J］.生态学报，2021，41（20）：7974-7988.

[46] Gao X， Yang L， Li C X， et al. Land use change and ecosystem service value measurement in Baiyangdian Basin under the simulated multiple scenarios［J］. Acta Ecologica Sinica， 2021，41（20）：7974-7988.

[47] 刘振坤，刘峰，郑光辉，等.基于RUSLE模型的青藏高原土壤保持功能定量评价［J］.土壤，2024，56（1）：173-181.

[48] Liu Z K， Liu F， Zheng G H， et al. Quantitative evaluation of soil conservation function in the Qinghai-Tibet Plateau based on RUSLE model［J］. Soils， 2024，56（1）：173-181.

[49] 白晓，黄千翔，田丹，等.黄土高原草原区草地退化时空演变及其驱动因素分析［J］.环境科学，2025，46（4）：2363-2372.

[50] Bai X， Huang Q X， Tian D， et al. Spatiotemporal evolution patterns of grassland degradation and its driving factors on the Loess Plateau［J］. Environmental Science， 2025，46（4）：2363-2372.

[51] 涂姝羽，黄玥.湖泊流域土壤侵蚀研究方法进展［J］.环境科学导刊，2025，44（S1）：59-63.

[52] Tu S Y， Huang Y. Advances in soil erosion research methods［J］. Environmental Science Survey， 2025，44（S1）：59-63.

[53] 李嘉宁，张红丽，田昌园，等.长冲河小流域土壤侵蚀与水文泥沙连通性分布特征及耦合关系分析［J］.水土保持学报，2024，38（6）：79-88.

[54] Li J N， Zhang H L， Tian C Y， et al. Distribution characteristics and coupling relationship between soil erosion and hydrologic and sediment connectivity in Changchong River Basin［J］. Journal of Soil and Water Conservation， 2024，38（6）：79-88.

基金资助

国家重点研发计划项目课题“汛期农业面源污染物迁移转化规律”(2024YFD1700801)