蘇立彬 王茂林 袁春慧 柯浩成

收稿日期：2023-11-24；接受日期：2024-01-12

基金項(xiàng)目：西藏土木水利電力工程技術(shù)研究中心項(xiàng)目（XZA202305CHP2002B）；西藏自治區(qū)科技廳重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（XZ202101ZY0016G）

作者簡介：蘇立彬，男，講師，博士研究生，研究方向?yàn)楦咴鷳B(tài)修復(fù)與可持續(xù)發(fā)展。E-mail：3249928177@qq.com

通信作者：柯浩成，男，副教授，博士，主要從事生態(tài)水文與水資源方面的研究。E-mail：kehc@lut.edu.cn

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章編號：1001-4179（2024） 06-0085-07

引用本文：蘇立彬，王茂林，袁春慧，等.

青藏高原降雨侵蝕力R因子分布特征及驅(qū)動因素

［J］.人民長江，2024，55（6）：85-91.

摘要：降雨侵蝕力R因子是測算土壤侵蝕的重要因子，該因子的準(zhǔn)確計(jì)算對水土流失動態(tài)監(jiān)測具有重要意義。以青藏高原為研究對象，利用遙感數(shù)據(jù)和地理信息系統(tǒng)技術(shù)，并采用地理探測器模型分析了1991～2020年青藏高原地區(qū)降雨侵蝕力R因子的分布特征以及影響因素。研究結(jié)果表明：① 青藏高原地區(qū)R值的變化在分布上大致呈現(xiàn)西北高東南低的特點(diǎn)，Cv變差系數(shù)在0～0.78之間，年際變化較大的區(qū)域分布在青藏高原西北部的和田、阿里地區(qū)以及巴音郭楞蒙古自治州的部分地區(qū)；而仲巴縣、改則縣等區(qū)縣所圍成的區(qū)域年際變化較小。青藏高原地區(qū)降雨侵蝕力R因子的值在0～15 532 MJ·mm/（hm2·h·a）之間，均值為648.84 MJ·mm/（hm2·h·a），R值自東向西遞減，呈現(xiàn)明顯的條帶狀分布特征，其中在位于青藏高原的南部地區(qū)形成了一個明顯的高值中心。② 影響力探測結(jié)果表明，最低氣溫的解釋力最高，q值為0.453，主導(dǎo)降雨侵蝕力R因子的時空分布特征。③ 交互探測結(jié)果表明，青藏高原各因子間協(xié)同效應(yīng)均表現(xiàn)為雙因子增強(qiáng)或非線性增強(qiáng)關(guān)系，較單因子作用有明顯提升。氣候因子間的交互作用對降雨侵蝕力R因子的影響較為突出。

關(guān)? 鍵? 詞：降雨侵蝕力因子； 時空分布； 變差系數(shù)； 地理探測器； 青藏高原

中圖法分類號： S157

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.06.012

0? 引 言

在全球氣候變化下，青藏高原大多數(shù)地區(qū)極端天氣頻發(fā)，降雨量、降雨強(qiáng)度增加，侵蝕性降雨增多，加劇了土壤侵蝕。降雨侵蝕力R因子是評價這種潛在能力的一個動力指標(biāo)［1］。降雨是引起土壤侵蝕的主要動力因素，其數(shù)值能表征降雨對土壤侵蝕潛力的大?。?-4］。降雨侵蝕力因子自提出并用于美國通用土壤流失方程（USLE）以來，一直是土壤侵蝕研究的重點(diǎn)和熱點(diǎn)之一［5-6］。降雨侵蝕力R因子值的大小與分布受氣候條件、地形條件和人類活動的共同影響，因此確定自然因素與人類活動對降雨侵蝕的解釋力對制定水土保持措施尤為重要［7-8］。

目前國內(nèi)外學(xué)者對降雨侵蝕力R因子的研究集中在時空變化規(guī)律以及計(jì)算方法上，例如Johannsen等［9］利用171個氣象站的降雨數(shù)據(jù)，計(jì)算了奧地利各地1995～2015年降雨侵蝕力，并根據(jù)降雨侵蝕力的時空分布差異反映侵蝕危險性；馬道銘等［10］基于日降水?dāng)?shù)據(jù)研究山西省近60 a降雨侵蝕力時空變化，結(jié)果表明，該地區(qū)大部分降雨侵蝕力呈下降趨勢，黃河

沿線呈上升趨勢。張悅等［11］基于2種降雨侵蝕力模型分析了近40 a黃河中游降雨和降雨侵蝕力時空演變，結(jié)果表明，黃河中游年均降雨侵蝕力受地形和地貌影響，具有顯著的垂直空間差異。陳劍南等［12］分析黃土高原降雨侵蝕力時空變化，結(jié)果表明，該地區(qū)降雨侵蝕力空間存在顯著差異，但變化不顯著。然而，目前針對降雨侵蝕力R因子驅(qū)動因素的相關(guān)研究相對較少，因此本文以青藏高原為研究對象，分析降雨侵蝕力R因子的分布特征和影響因素。

青藏高原地處中國西部，是世界上海拔最高的高原，也是全球陸地上平均海拔最高、環(huán)境最脆弱的高原。降雨作為青藏高原生態(tài)系統(tǒng)中至關(guān)重要的氣候因素之一，對土壤侵蝕具有重要影響。青藏高原降雨侵蝕力R因子的分布規(guī)律受多種因素的共同影響，包括氣候變化、地形起伏和人類活動等。這些因素之間存在著復(fù)雜的相互作用關(guān)系，需要進(jìn)行深入研究以揭示其內(nèi)在規(guī)律［13］。隨著全球氣候變化的不斷加劇，青藏高原降雨侵蝕力的分布特征及其驅(qū)動因素備受關(guān)注，故降雨侵蝕力的研究對于深入了解該地區(qū)土壤侵蝕過程，保護(hù)生態(tài)環(huán)境，以及合理利用土地資源具有重要意義。

本文基于地理探測器模型，利用遙感數(shù)據(jù)和地理信息系統(tǒng)技術(shù)，系統(tǒng)分析青藏高原地區(qū)降雨侵蝕力R因子分布特征及其驅(qū)動因素，不僅可以為該地區(qū)土壤侵蝕的定量評估提供科學(xué)依據(jù)，還可以為生態(tài)環(huán)境保護(hù)和可持續(xù)發(fā)展提供重要決策支持。

1? 材料和方法

1.1? 研究區(qū)概況

青藏高原地處26°00′12″N～39°46′50″N，73°18′52″E～104°46′59″E之間，是全球海拔最高的地區(qū)之一，平均海拔超過4 000 m。青藏高原主要包括昆侖山脈、喜馬拉雅山脈、唐古拉山脈等。青藏高原位于中國西南部，行政區(qū)域包括青海省、甘肅省、四川省、西藏自治區(qū)、云南省和新疆維吾爾自治區(qū)，如圖1所示。青藏高原多年平均降水量為300～500 mm，降水量在不同區(qū)域之間存在很大的差異；青藏高原中部和西部地區(qū)則相對較干旱，這些地區(qū)大多屬于內(nèi)陸沙漠或荒漠地帶；青藏高原東南部的云南地區(qū)年降水量最多，約為1 200～2 500 mm；而青藏高原北部和西部地區(qū)的年降水量相對較少，只有100～300 mm。李文君

等［14］研究表明喜馬拉雅山脈北翼年降水量不足600 mm，而喜馬拉雅山脈南翼為亞熱帶及熱帶北緣山地森林氣候，年降水量為1 000～4 000 mm。昆侖山脈南翼屬高寒半荒漠和荒漠氣候，年降水量為20～100 mm。夏季和秋季是青藏高原上降水最多的季節(jié)，而冬季和春季則相對較少。

1.2? 數(shù)據(jù)來源及預(yù)處理

1.2.1? 數(shù)據(jù)來源

本研究所需數(shù)據(jù)包括降雨數(shù)據(jù)、數(shù)字高程數(shù)據(jù)、人口密度、土地利用和氣象數(shù)據(jù)等，空間分辨率約為1 km。詳細(xì)見表1。

1.2.2? 數(shù)據(jù)預(yù)處理

本研究下載的數(shù)據(jù)通過R語言將其轉(zhuǎn)化為tif格式，并將其整合為年值數(shù)據(jù)。運(yùn)用ArcGIS 10.2對以上數(shù)據(jù)再次進(jìn)行按掩膜提取、投影轉(zhuǎn)換和重分類等處理，確保所有影像與青藏高原邊界空間參考一致和像元大小相同。坡度和坡向數(shù)據(jù)運(yùn)用ArcGIS 10.2由DEM數(shù)據(jù)計(jì)算得來。

1.3? 研究方法

1.3.1? 地理探測器

地理探測器是一種統(tǒng)計(jì)學(xué)方法［15］，它基于空間分層異質(zhì)性，通過比較自變量與因變量的空間分布相似性來揭示驅(qū)動這些變量的因素。其核心思想在于假設(shè)如果某個自變量對因變量有重要影響，那么它們的空間分布格局會具有相似性，從而用來度量自變量對因變量的貢獻(xiàn)率［16］。這種方法已經(jīng)在環(huán)境科學(xué)［17］、社會經(jīng)濟(jì)［18］和人類健康［19］等多個領(lǐng)域得到廣泛應(yīng)用。本文主要探討因子探測和交互探測這2個模塊，揭示不同探測因子對青藏高原地區(qū)降雨侵蝕力R因子的驅(qū)動機(jī)制。

本文選取坡向（X1）、坡度（X2）、高程（X3）、 最高氣溫（X4）、 最低氣溫（X5）、平

均氣溫（X6）、人口密度（X7）和土地利用類型（X8）共8個因子來分析其對降雨侵蝕力R因子的影響。

（1） 因子探測。

分析因變量Y在空間上的變化特征，并確定各個自變量X在多大程度上解釋了Y的空間變化。公式如下：q=1-1Nσ2Lh=1Nhσ2h

（1）

式中：L為因變量Y或探測因子X的分層；Nh和σ2h分別為層h的單元數(shù)和Y值方差，N和σ2分別為研究區(qū)的總單元數(shù)和Y值方差。q為［0，1］，其值越大，表示探測因子X對降雨侵蝕力R因子的解釋力越強(qiáng)，反之則越弱。

（2） 交互作用探測。

識別不同影響因子X之間的交互作用，評估對因變量Y的解釋力。交互作用可分為表2中的5類。

1.3.2? 降雨侵蝕力R因子計(jì)算

R因子是衡量降雨侵蝕能力的定量指標(biāo)，它用于測量降雨造成分離和傳輸土壤顆粒的能力。本文選用修訂的R因子公式［20］計(jì)算1991～2020年的逐年降雨侵蝕力，計(jì)算公式為

R=0.44488P0.969882

（2）

式中：P為年降雨量，mm。

1.3.3? 變差系數(shù)

年降雨侵蝕力R因子的變差系數(shù)Cv表示為

Cv=R年s/R年=ni=1（R年i-R年）2n-1R年

（3）

式中：Cv為變差系數(shù)，反映不同年限長度降雨侵蝕力R因子的穩(wěn)定性；R年s為某序列年限長度下的降雨侵蝕力R因子的標(biāo)準(zhǔn)差，MJ·mm/（hm2·h·a）；R年i為第i年的降雨侵蝕力R值；R年為相應(yīng)年限長度下降雨侵蝕力R的平均值，MJ·mm/（hm2·h·a）；n為序列年限長度。Cv值越大，降雨侵蝕力R因子的年際變化越劇烈，對水土流失治理工程不利;Cv值越小，降雨侵蝕力R因子的年際變化越小，越有利于水土流失治理工程規(guī)劃實(shí)施。

2? 結(jié)果與分析

2.1? 青藏高原降雨侵蝕力R因子的時空分布

2.1.1? 年際變化

降雨侵蝕力因子的年際變化特征用3種指標(biāo)表示：變差系數(shù)Cv、最大年R值與年平均R值的比值（R年max/R年）、最大年R值與最小年R值的比值（R年max／R年min）。降雨侵蝕力R因子及變差系數(shù)Cv空間分布如圖2所示。青藏高原年均R值年際變差系數(shù)介于0～0.78之間，均值為0.26。最大年R值一般為平均年R值的1.14倍，最大年R值為最小年R值的1.57倍，表明降雨侵蝕力R因子的年際變化較大。其中，年際變化較大的區(qū)域分布在青藏高原西北部的和田、阿里地區(qū)以及巴音郭楞蒙古自治州的部分地區(qū)，這些區(qū)域的Cv值都超過了0.5。仲巴縣、改則縣、雙湖等區(qū)縣所圍成的區(qū)域內(nèi)R值的年際變化較小，Cv值平均在0.3左右。

2.1.2? 空間分布

青藏高原1991～2020年降雨侵蝕力R因子的空間分布如圖3所示。青藏高原地區(qū)降雨侵蝕力R值分布區(qū)間為0～15 532 MJ·mm/（hm2·h·a），多年平均R值648.84 MJ·mm/（hm2·h·a）。從整體上看，降雨侵蝕力R值自東向西遞減，呈現(xiàn)明顯的條帶狀分布特征，其中在位于青藏高原地區(qū)南部的林芝、山南地區(qū)形成了一個明顯的高值中心。四川省西部的阿壩、甘孜等地以及青海省東南部的部分地區(qū)降雨侵蝕力R值較大，其變化范圍為3 487～15 532 MJ·mm/（hm2·h·a）。青藏高原除南部地區(qū)外，降雨侵蝕力R值均較小，其變化范圍為0～1 284 MJ·mm/（hm2·h·a），且低值區(qū)域自東向西逐漸減小，呈條帶狀分布，那曲、阿里的西北部區(qū)域位于明顯的地質(zhì)抬升區(qū)，部分地區(qū)處于降雨陰影區(qū)，年平均降雨量較少，因此R值也相對較小。

2.2? 青藏高原降雨侵蝕力R因子動態(tài)變化

為了更加深入地了解青藏高原地區(qū)降雨侵蝕力R因子的動態(tài)變化，對1991～2020年這一時間段內(nèi)，每5 a選取一個代表年份，將所選年份的降雨侵蝕力R因子空間分布分別進(jìn)行對比。如圖4所示，1991～

2020年青藏高原地區(qū)整體降雨侵蝕力R值變化不是

很明顯，整體呈現(xiàn)東南低西北高的空間分布特征。青

藏高原大部分地區(qū)R值均較小，而位于青藏高原

南部地區(qū)的林芝、山南地區(qū)，R值相對較大。其變化區(qū)

域主要分布在青藏高原東南部的甘孜、阿壩和昌都地

區(qū)，其中1992年降雨侵蝕力R值的分布相較于其他年份變化較大，往后其他年份R值的變化較小。

2.3? 青藏高原降雨侵蝕力影響因素地理探測

2.3.1? 影響因素影響力探測（因子探測）

因子探測器結(jié)果表示各因子對降雨侵蝕力R值的影響，計(jì)算結(jié)果q值為降雨侵蝕力R因子的解釋力。由表3可知，統(tǒng)計(jì)結(jié)果顯示，各個因子對降雨侵蝕力R值的影響不同，各個因子的解釋力依次為最低氣溫（X5）（0.453）>最高氣溫（X4）（0.398）>平均氣溫（X6）（0.396）>高程（X3）（0.167）>土地利用（X8）（0.150）>人口密度（X7）（0.082）>坡度（X2）（0.058）>坡向（X1）（0.004），人口密度和坡度、坡向作用微小。最低氣溫的q值最高，表明氣溫對降雨侵蝕力R值的貢獻(xiàn)最大。氣溫的解釋能力先增強(qiáng)后降低，2005年最低氣溫對降雨侵蝕力R值的作用程度達(dá)到最高，因此，溫度是影響降雨侵蝕力R值空間分異的主要驅(qū)動因子，而人口密度和坡度、坡向3個影響因子對降雨侵蝕力R值的解釋力微小。故降雨侵蝕力R值的大小與分布受氣候條件影響最大。

從動態(tài)變化來看，各因子對青藏高原地區(qū)降雨侵蝕力R因子的解釋力呈現(xiàn)不同變化趨勢，如圖5所示。

在1995～2020年近30 a期間，分別為最高氣溫、最低氣溫和年均氣溫q值增加，而坡度、人口密度和土地利用q值降低。總體來看，30 a間最高氣溫、最低氣溫、年均氣溫和海拔對研究區(qū)降雨侵蝕力因子的影響呈增加趨勢，其中最高氣溫q值增加速率最高，為0.002 1 a-1，這可能是由于全球變暖，該區(qū)域的氣溫上升，更容易形成暖濕氣流，使降水量增加，從而使降雨侵蝕力增加；而人口密度對研究區(qū)降雨侵蝕力的影響趨于減少，這可能是由于該地區(qū)近年來受到“集中搬遷”政策或者人口大面積遷移的影響；其余各因子隨時間變化不明顯（速率＜0.001 a-1）。

2.3.2? 影響因素交互作用探測

各個因子交互作用的結(jié)果如圖6所示，大多數(shù)因子交互作用的q值大于單個因素的q值，并且因子相互作用類型為非線性增強(qiáng)和雙因子增強(qiáng)，不存在獨(dú)立關(guān)系。具體而言，其他因子與最低溫度交互作用q值均大于單因子解釋力。此外，X8∩X5（0.529）>X5∩X4（0.500）>X8∩X4（0.497）>X8∩X6（0.485）>X7∩X5（0.485），結(jié)果表明，土地利用與最低氣溫、最低氣溫與最高氣溫、土地利用與最高氣溫、土地利用與氣溫、人口密度與最低溫度的交互作用呈現(xiàn)雙變量增強(qiáng)效應(yīng)；X8∩X5（0.529）是因子交互探測結(jié)果中的最大值，這表明土地利用與最高溫度兩因子交互作用呈現(xiàn)最顯著的雙變量增強(qiáng)效應(yīng)，對降雨侵蝕力R因子的作用最大。由表3可知，X2、X3、X4、X5、X6、X8的p值為0（p<0.05），表明以上因子與降雨侵蝕力R顯著相關(guān)，相反X1、X7的p值大于0.05，故坡向和人口密度對降雨侵蝕力R因子的影響作用不顯著。

因此，在土壤侵蝕治理中，應(yīng)特別關(guān)注溫度因子，并針對溫度與其他因子的交互作用制定合理的治理措施，以達(dá)到最佳的治理效果。此外，坡度與坡向兩個因子單獨(dú)作用對土壤侵蝕的解釋力比較小，但兩個因子與其他因素交互作用時對土壤侵蝕的解釋力有所增加，表明自然因素在人類活動的影響下對土壤侵蝕的作用更加劇烈。

3? 討 論

本研究采用地理探測器模型，對青藏高原地區(qū)降雨侵蝕力R因子的分布規(guī)律與驅(qū)動因素進(jìn)行了深入分析。因子探測分析結(jié)果表明氣溫、高程和對降雨侵蝕力R因子的作用影響最強(qiáng)，在全球氣候變暖的大環(huán)境下，青藏高原大多數(shù)地區(qū)強(qiáng)降雨事件增加，侵蝕性降雨增多，導(dǎo)致R值呈上升的趨勢［21］，但R值并非只受侵蝕性降雨的影響，同時還受氣候條件、人類活動、地形等條件的影響。青藏高原位于喜馬拉雅山脈和昆侖山脈之間，其地形復(fù)雜多樣，包括高山、高原、河谷等地貌類型。這種多樣性使得降雨侵蝕力R因子在時空上表現(xiàn)出較大的差異性。青藏高原多年平均R值空間上總體呈東南高西北低分布特點(diǎn)，而高值區(qū)集中分布在南部地區(qū)，可能是由于林芝市、山南市位于喜馬拉雅山南坡一帶，夏季氣候海洋性特征顯著，大量來自海洋的暖濕氣流，經(jīng)地形抬升形成充沛降水，具有暖季降雨頻次高、強(qiáng)度大的特點(diǎn)，導(dǎo)致R值分配極度不均。Guo等［22］建立了全國降雨侵蝕力重力模型，也發(fā)現(xiàn)國家尺度上降雨侵蝕力呈現(xiàn)東南高西北低的特點(diǎn)。這一趨勢可能與夏季風(fēng)從東南向西北推進(jìn)的方向有關(guān)［23］。而位于西北部的喀什地區(qū)位于青藏高原西北部，地處群山之間，遠(yuǎn)離海洋，屬暖溫帶大陸性干旱氣候帶，太陽輻射強(qiáng)烈，使得來自大西洋的盛行西風(fēng)氣流以及來自北冰洋的冷濕氣流，太平洋和印度洋的季風(fēng)難以到達(dá)，氣候干燥，降水稀少，故R值較低。這與鄒玉霞等［24］在1960～2017年重慶市不同量級降雨侵蝕力R值的時空變化特征的結(jié)果一致。其中1992年降雨侵蝕力R值的分布相較于其他年份變化較大，往后其他年份R值的變化較小，可能是因?yàn)樘岢隽岁P(guān)于生態(tài)文明建設(shè)的決策部署，包括在北方地區(qū)實(shí)施退牧還草和退耕還林工程，加強(qiáng)林地植被管理和修復(fù)，增加植被覆蓋度，防治過度放牧和開墾田地而造成草場退化，綜合防治農(nóng)牧交錯地帶土壤侵蝕［25］。

因此，土壤侵蝕治理不僅要考慮RUSLE模型中的單個影響因子，還要考慮其他因素以及其他影響因子，以制定更全面、科學(xué)的土壤侵蝕治理策略，從而最大程度地減少土壤侵蝕對該地區(qū)生態(tài)環(huán)境和可持續(xù)發(fā)展的不利影響，更好地為認(rèn)識青藏高原的土壤侵蝕機(jī)制、生態(tài)環(huán)境演變規(guī)律及可持續(xù)發(fā)展戰(zhàn)略提供科學(xué)依據(jù)。

4? 結(jié) 論

（1） 青藏高原年際變化表現(xiàn)出明顯的“由東向西，自南向北”遞增的趨勢，表明東南向西北方向上降雨侵蝕力的穩(wěn)定性逐漸減弱。降雨侵蝕力R值年際變差系數(shù)介于0～0.78之間，均值為0.26。最大年R值一般為平均年R值的1.14倍，最大年R值為最小年R值的1.57倍，表明降雨侵蝕力R因子年際變化較大。降雨侵蝕力因子R值呈東南高西北低的特點(diǎn)，變化范圍在0.325～15 532 MJ·mm/（hm2·h）之間，均值為648.84 MJ·mm/（hm2·h），R值在空間分布上整體自東向西遞減，呈現(xiàn)明顯的條帶狀分布特征，其中在位于青藏高原南部的林芝、山南地區(qū)形成了一個明顯的高值中心，其他大部分地區(qū)R值均較小。

（2） 影響力探測結(jié)果表明，各個因子的解釋力依次為最低氣溫（0.453）>最高氣溫（0.398）>平均氣溫（0.396）>高程（0.167）>土地利用（0.150）>人口密度（0.082）>坡度（0.058）>坡向（0.004），人口密度和坡度、坡向作用微小。最低氣溫的q值最高，表明其對降雨侵蝕力R值的貢獻(xiàn)最大。

（3） 交互探測結(jié)果表明，青藏高原地區(qū)各因子間協(xié)同效應(yīng)均表現(xiàn)為雙因子增強(qiáng)或非線性增強(qiáng)關(guān)系，較單因子作用有明顯提升。最低氣溫∩土地利用（0.529）是因子交互探測結(jié)果中的最大值，這表明最低溫度與土地利用兩因子交互作用呈現(xiàn)最顯著的雙變量增強(qiáng)效應(yīng)，對降雨侵蝕力R因子的作用最大，且氣候因子間及氣候因子∩土地利用的交互作用對降雨侵蝕力R因子的影響較為突出。

參考文獻(xiàn)：［1］? RAN Q，SU D，LI P，et al.Experimental study of the impact of rainfall characteristics on runoff generation and soil erosion［J］.Journal of Hydrology，2012，424：99-111.

［2］? 金建君，謝云，張科利．不同樣本序列下侵蝕性雨量標(biāo)準(zhǔn)的研究［J］.水土保持通報(bào)，2001，21（2）：31-33．

［3］? 謝云，劉寶元，章文波．侵蝕性降雨標(biāo)準(zhǔn)研究［J］.水土保持學(xué)報(bào)，2000，14（4）：6-11．

［4］? 王萬忠，焦菊英．中國的土壤侵蝕因子定量評價研究［J］.水土保持通報(bào)，1996，16（5）：1-20.

［5］? 馬良，左長清，孫勐，等．山東省降雨侵蝕力空間分布特征及其簡易方程的研究［J］.水土保持研究，2010，17（2）：28-31．

［6］? 章文波，付金生．不同類型雨量資料估算降雨侵蝕力［J］.資源科學(xué)，2003，25（1）：35-41．

［7］? 田培，許盈，楊偉，等.鄂東南水土流失時空變化及其影響因子定量評價［J］.人民長江，2023，54（7）：61-68.

［8］? 吳明洋.成都市降雨量及降雨侵蝕力年內(nèi)分布特征研究［J］.人民長江，2019，50（4）：81-85.

［9］? JOHANNSEN E L，SCHMALTZ E M，MITROVITS O，et al.An update of the spatial and temporal variability of rainfall erosivity （R-factor） for the main agricultural production zohes of Austria［J］.Catena，2022，215：106305.

［10］馬道銘，回毅瀅，趙炯昌，等.近60年山西省降雨侵蝕力時空變化特征［J］.水土保持研究，2023，30（6）：24-31，48.

［11］張悅，張艷，史飛航，等.基于不同模型的黃河中游降雨侵蝕力時空變化分析［J］.水土保持通報(bào)，2023，43（2）：220-229，238.

［12］陳劍南，劉益麟，李朋飛，等 1901～2016年黃土高原降雨侵蝕力時空變化［J］.水土保持研究，2022，29（4）：39-46.

［13］姚昆，張存杰，李玉珍，等.四川省安寧河流域土壤侵蝕時空演變及預(yù)測分析［J］.人民長江，2021，52（7）：65-70.

［14］李文君，李鵬，封志明，等.基于人居環(huán)境特征的青藏高原“無人區(qū)”空間界定［J］.地理學(xué)報(bào)，2021，76（9）：2118-2129.

［15］王勁峰，徐成東.地理探測器：原理與展望［J］.地理學(xué)報(bào)，2017，72（1）：116-134.

［16］HUO H，SUN C P.Spatiotemporal variation and influencing factors of vegetation dynamics based on Geodetector：a case study of the northwestern Yunnan Plateau，China［J］.Ecological Indicators，2021，130：108005.

［17］徐勇，黃雯婷，鄭志威，等.基于空間尺度效應(yīng)的西南地區(qū)植被NPP影響因子探測［J］.環(huán)境科學(xué)，2023，44（2）：900-911.

［18］POLYKRETIS C，ALEXAKIS D D.Spatial stratified heterogeneity of fertility and its association with socio-economic determinants using Geographical Detector：the case study of Crete Island，Greece［J］.Applied Geography，2021，127：102384.

［19］ZHANG X X，XU C D，XIAO G X.Spatial heterogeneity of the association between temperature and hand，foot，and mouth disease risk in metropolitan and other areas［J］.Science of the Total Environment，2020，713：136623.

［20］楊子生.云南省金沙江流域土壤流失方程研究［J］.山地學(xué)報(bào)，2002，20（增1）：1-9.

［21］鄭哲，鄒進(jìn)，潘鋒，等．1961～2010年怒江流域降雨侵蝕力的時空變化特征［J］.中國水土保持科學(xué)，2018，16（5）：16-22.

［22］GUO B，LUO W，HAN B，et al.Multiple spatiak temporal scale change patterns of rainfall erosivity in China over past 58 years based on gravity centre model ［J］.Geomatics，Natural Hazards and Risk，2019，10（1）：2200-2219.

［23］LIU S，HUANG S，XIE Y，et al.Spatial temporal changes of rainfall erosivity in the Toess Plateau，China：changing patterns，causes and implications［J］.Catena，2018，166：279-289.

［24］鄒玉霞，樊國中，劉淑婧，等.1960～2017年重慶市不同量級降雨侵蝕力R值的時空變化特征［J］.水土保持學(xué)報(bào)，2022，36（6）：41-48.

［25］曹前發(fā).“綠水青山就是金山銀山”的實(shí)踐《建設(shè)美麗中國：新時代生態(tài)文明建設(shè)理論與實(shí)踐》第十章［J］.中國林業(yè)產(chǎn)業(yè)，2023（7）：82-96.

（編輯：黃文晉）

Spatiotemporal distribution and driving factors of rainfall erosivity R factor of Qinghai-Tibet Plateau

SU Libin1，2，WANG Maolin3，YUAN Chunhui3，KE Haocheng3

（1.Research Center of Civil，Hydraulic and Power Engineering of Tibet，Linzhi 860000，China;

2.College of Water Resources and Civil Engineering，Tibet Agricultural and Animal Husbandry University，Linzhi 860000，China;

3.School of Energy and Power Engineering，Lanzhou University of Technology，Lanzhou 730050，China）

Abstract：

The rainfall erosivity R is an important factor for calculating soil erosion，and its accurate calculation is of great significance for the dynamic monitoring of soil erosion.This paper uses remote sensing data and geographic information system （GIS） technology，along with the geographic detector model，to analyze the distribution characteristics and influencing factors of the rainfall erosivity R in the Qinghai-Tibet Plateau from 1991 to 2020.The research results show that：① The interannual variation of the R value in the Qinghai-Tibet Plateau generally exhibited a high in the northwest and a low in the southeast distribution pattern，with a coefficient of variation ranging from 0 to 0.78.Regions with large interannual variations were mainly distributed in the northwest part of the Qinghai-Tibet Plateau，including Hotan，Ngari，and some areas of Bayingolin Mongol Autonomous Prefecture，while regions such as Zhamba County and Gar County had smaller interannual variations.The values of the rainfall erosivity R in the Qinghai-Tibet Plateau ranged from 0 to 15 532 MJ·mm/（hm2·h·a），with a mean value of 648.84 MJ·mm/（hm2·h·a）.The R value decreased from east to west，showing a distinctly banded distribution pattern.A significant high-value center was found in the southern part of the Qinghai-Tibet Plateau.② The influence detection results indicated that the minimum temperature has the highest explanatory power，with a q value of 0.453，dominating the spatiotemporal distribution characteristics of the rainfall erosivity R.③ The interaction detection results showed that the synergistic effects among various factors on the Qinghai-Tibet Plateau exhibited either a two-factor enhancement or a nonlinear enhancement relationship，significantly surpassing the single-factor effects.The interaction effect among climate factors had a prominent impact on the rainfall erosivity R.

Key words：

rainfall erosivity factor; spatiotemporal distribution; coefficient of variation; geographic detector; Qinghai-Tibet Plateau