From soil loss to sediment delivery: GeoAI-enhanced RUSLE modeling of erosion and sediment dynamics in a hyper-arid watershed

在沙特阿拉伯祖尔菲附近萨姆南干谷所在的划定流域内，土壤侵蚀是当地管理关注的问题，因为稀疏植被、易侵蚀的砂质表层物质、受崖坡影响的地形以及偶发性降雨事件会将径流和泥沙运动集中沿干谷河道和排水廊道输送。这些条件使得仅凭野外观测难以识别侵蚀易发区，尤其是在数据稀缺的极端干旱环境中。本研究提出了一种GeoAI增强的RUSLE框架，用于模拟研究流域内水力驱动的土壤流失和泥沙输移动态。修正通用土壤流失方程（RUSLE）与地理空间数据集、遥感产品、数字高程模型衍生的地形属性以及基于机器学习的空间分析相结合，以估算水力侵蚀风险的空间分布。降雨侵蚀力、土壤可蚀性、地形影响、土地覆盖条件和保护措施因子在GIS环境中被导出并制图。此外，引入泥沙输移比（SDR）以评估相对泥沙输移潜力，并改进对坡面土壤流失估算值如何转化为排水系统内产沙量的解释。结果表明，RUSLE衍生的潜在土壤流失估算值范围为0至319.5 t ha⁻¹ yr⁻¹，其中轻度侵蚀等级覆盖流域面积的43.2%，模拟的严重侵蚀热点区域覆盖10.9%。高风险区主要集中在陡坡、排水廊道、植被稀疏地表和易侵蚀砂质土壤沿线。SDR结果表明整体泥沙连通性较低，约85%–99%的侵蚀物质可能就地滞留于流域内，具体取决于空间变化的SDR值。随机森林内部一致性分析解释了RUSLE衍生土壤流失估算值中81.73%的方差，表明输入因子捕捉了大部分模拟的空间变异性；然而，该结果不应被解释为独立的野外验证。总体而言，RUSLE、SDR、遥感、GIS和GeoAI的整合为识别侵蚀易发区、区分土壤流失潜力与泥沙输移潜力、优先安排保护干预措施以及支持极端干旱环境中的可持续流域管理提供了一个有用的框架。