土壤侵蝕是一種普遍存在的土地退化形式，對土壤生產力、糧食安全和生態穩定性構成重大威脅（Thaler等人，2021年；Yang等人，2024年；Fang等人，2024年；Hunakunti等人，2025年）。全球范圍內，水蝕和風蝕每年分別導致1.3 Pg C和1.0 Pg C的土壤有機碳（SOC）損失（Lal，2020年）。2023年，中國27.44%的土地發生了土壤侵蝕，相當于263萬平方公里（水利部，2024年）。
中國的黑土（Mollisols）地區主要位于東北部的黑龍江省、吉林省、遼寧省以及內蒙古部分地區，是中國最重要的農業區之一，以其深厚且富含有機質的Mollisols而聞名（Zhang等人，2021年；Zhang等人，2025年）。然而，由于集約化農業活動、森林砍伐和土地利用變化，該地區在過去幾十年里遭受了嚴重的土壤侵蝕（Zhang等人，2021年；Ma等人，2024年）。研究表明，該地區某些區域的年平均土壤流失量可超過每公頃5噸，導致土壤肥力顯著下降，威脅到農業生產的長期可持續性（Zhu等人，2022年）。因此，監測該地區的侵蝕風險至關重要。
土壤侵蝕力因子（K）是侵蝕建模中的一個關鍵參數，反映了土壤對外部力量導致的剝離和運輸的固有敏感性。準確評估K值的空間分布對于理解侵蝕過程、監測侵蝕風險、開發預測性侵蝕模型以及設計有效的土壤和水資源保護策略至關重要。
評估K值有兩種主要方法：實驗測量和經驗模型。實驗測量基于自然條件下的現場標準徑流觀測數據和土壤流失方程計算（Boix-Fayos等人，2006年；Fang等人，2017年）。然而，缺乏劃分徑流區的國際標準以及需要大量的長期侵蝕數據使得這種方法成本高昂且應用受限（Cerdan等人，2010a年；Han等人，2021年；Zhang等人，2007年）。由于數據效率和計算可行性，經驗模型成為主要方法。Nomogram模型（Wischmeier等人，1971年）使用四個關鍵土壤屬性：質地、有機質、結構系數和滲透系數；侵蝕-生產力影響計算器（EPIC）（Williams，1990年）和Torri模型（Torri等人，1997年）僅基于土壤質地和SOC；Shirazi模型（Shirazi和Boersma，1984年）僅需要土壤質地。這些方法提供了評估K值的直接途徑，但由于相關參數和局部特征的差異，經驗模型在特定區域表現出最佳適用性（Corral-Pazos-de-Provens等人，2018年；Zhao等人，2018年）。例如，Lin等人（2017年）認為Torri模型更適合燕河流域。Zhu等人（2021年）發現EPIC模型在中國東南部表現更好。Keller等人（2021年）確定Nomogram模型更適合匈牙利的黃土地區。Yang等人（2024年）報告稱Shirazi模型與全球測量數據之間存在顯著差異。然而，大多數現有研究基于單一模型生成空間預測，而沒有系統地優化模型的適用性（Gu等人，2021年；Yu等人，2023年；Ghavami等人，2025年）。這些局限性凸顯了需要一個新框架，該框架整合多模型優化和空間預測，以提高K值估計的準確性和泛化能力。
K值直接受土壤性質控制，并間接受環境因素調節。傳統的數字土壤映射模型主要使用樣本點屬性（如質地、有機質）與局部環境變量（如坡度、植被）之間的靜態關聯策略（Mohamed等人，2023年；Emami等人，2025年）。因此，當前大多數土壤侵蝕力的空間建模隱含地假設局部環境條件足以代表空間異質性（Yu等人，2023年；Ghavami等人，2025年）。然而，土壤侵蝕本質上是一個多尺度擴散和再分布過程，不僅受特定地點性質的影響，還受跨尺度能量和物質流動的影響，如降雨-徑流相互作用和上坡-下坡沉積物連通性（Borselli等人，2008年；Behrens等人，2014年；Luo等人，2023年；Quinton和Fiener，2024年）。這表明土壤侵蝕力（K）可能不僅反映點條件，還反映每個位置周圍的更廣泛空間背景。一些土壤科學研究探索了尺度感知方法，包括小波變換和經驗模態分解（EMD），以提取多尺度環境信號，從而提高數字土壤制圖（DSM）的性能。基于小波的土壤映射已被證明能有效表征不同分辨率下的地形和土壤性質變化（Neaman等人，2009年；Webster，2000年）。EMD及其變體能夠自適應地將協變量分解為內在尺度成分，從而在異質景觀下改善空間預測（Azizi等人，2020年；Huang等人，1998年）。
與這些方法相比，空間關聯的第二維度（SDA）框架有兩個主要優勢（Song，2022年）：（1）SDA使用地理明確的半徑，使空間尺度與現實世界的地貌或生態過程直接聯系起來；（2）SDA在移動窗口內提取分布屬性（如分位數、方差），提供靈活且可解釋的跨尺度環境異質性描述符。雖然基于小波和EMD的方法也生成數據驅動的、空間明確的成分，并已廣泛應用于研究土壤過程（Biswas等人，2013年；Sun等人，2019年），但SDA明確強調了具有直接地理意義的空間結構化協變量，從而便于在土壤侵蝕研究中基于過程的推理。最新研究結果表明，結合多尺度背景信息顯著提高了DSM的準確性，并改善了土壤-環境關系的物理可解釋性（Padarian等人，2019年；Wang等人，2024年）。因此，評估采樣點之外的環境信息的影響以及理解環境驅動因素在各個尺度上的作用對于改進土壤侵蝕力建模至關重要。
選擇合適的空間預測模型對于高精度的K值預測也非常重要。典型方法包括空間插值（Efthimiou，2020年）、多元線性回歸（Rehman等人，2024年）和機器學習（Parvizi和Fatehi，2025年）。Aqdam等人（2022年）使用隨機森林（RF）和人工神經網絡（ANN）模型在30米分辨率下生成K值的空間預測，并確定了伊朗Nazlou-Chai流域的重要地形因素。Sun等人（2024年）和Tian等人（2025年）使用RF模型在中國分別以90米和250米分辨率下進行K值的空間預測，并量化了環境變量的貢獻。Gupta等人（2024年）使用RF模型在1公里分辨率下進行全球K值的空間預測，并提取了十個最重要的環境協變量。這些研究共同強調了機器學習在土壤侵蝕力空間預測中的有效性，以及探索環境因素的重要性。
鑒于此，本研究旨在為中國黑土（Mollisols）地區的糧食種植區提出一個準確的土壤侵蝕力映射創新框架。該框架整合了經驗模型的優化、空間關聯的第二維度（SDA）——基于多尺度重構環境協變量，以及集成機器學習（圖1）。本研究的具體目標包括：（1）分析不同經驗模型下K值的分布特征；（2）利用重要環境協變量和SDA構建輸入變量，通過機器學習預測和映射K值；（3）通過比較預測模型的準確性、空間穩定性和不確定性，選擇最佳的經驗和空間預測模型組合；（4）確定K值空間變異性的主要環境驅動因素。
