近日，范昊明教授团队在中科院国际知名土壤学期刊《International Soil and Water Conservation Research》（中科院一区TOP期刊，影响因子：7.3）发表了题为“Predictive performance and uncertainty analysis of ensemble models in gully erosion susceptibility assessment”（DOI: 10.1016/j.iswcr.2025.01.004）的研究论文。水利学院刘从坦博士为论文第一作者，范昊明教授为通讯作者。研究以东北黑土区突泉小流域为例，确定了该流域沟蚀敏感性预测的最优特征数据集并量化了集成学习模型的预测性能和不确定性，为管理和决策部门提供更重要的参考价值，促进更合理的规划，以预防和控制沟蚀的发生。
东北黑土区作为我国重要的商品粮生产基地，正在面临严重的沟蚀所带来的环境挑战。沟蚀敏感性图（GESMs）被认为是一项缓解沟蚀的有效途径。该图的生成依赖大量的影响因素，有效的特征选择有助于减少数据维度、降低计算需求并减轻模型过拟合风险，但目前相关研究仍然有限。机器学习模型作为沟蚀敏感性图（GESMs）构建常用的一类模型，通常具有较优的预测性能，随着对模型预测性能更高要求，结合多种基模型的集成模型逐渐成为研究的热点，虽然取得了一些成果但仍有发展的空间，毕竟不同的集成方法会带来不一样的预测效果。在以往的研究中，尽管开发了大量用于沟蚀防治的沟蚀敏感性图（GESMs），但模型之间存在不确定性，这将会产生负面影响。迫切需要开发一种方法来量化模型之间的不确定性，为决策者提供更可靠的信息。围绕上述问题，本研究以东北黑土区突泉小流域为例，系统开展沟蚀敏感性评估研究。研究确定了S7为最优特征数据集，由影响侵蚀沟发生的10个重要因素组成，分别为收敛指数（CI）、地形湿度指数（TWI）、地形崎岖指数（TRI）、距离河流距离、降水、距离道路距离、排水密度、高程、植被归一化指数（NDVI）以及坡度。基于经验的概率加权平均法（PEWM）构建的集成模型Transformer-RF-CNN提高了基模型的预测性能，相比与其他两种方式构建的集成模型具有较好的预测性能。利用变异系数（CV）量化了不同集成方法下沟蚀敏感性图（GESMs）的不确定性，与沟蚀敏感性图（GESM）结合生成置信度图，产生20个区间分类，用矩阵值表示沟蚀发生的敏感性和不确定性，其中侵蚀沟主要分布在高敏感性和低不确定性区域，占比75.976%。本研究有效解决了沟蚀敏感性预测过程中模型间不确定性带来的挑战。通过置信度图，显著提升了沟蚀敏感性图（GESM）精度，从而增强了沟蚀敏感性预测的可靠性。这些进展有助于监管机构和决策者在沟蚀防治过程中做出更科学合理的规划决策。
Fig. 1. Confidence map generated through combining classified gully erosion susceptibility map (GESM) and classification coefficient of variation (CV) map
Fig. 2. Distribution of gully erosion in the confidence map
DOI: 10.1016/j.iswcr.2025.01.004
