📄 earth_science

Sub-Watershed Prioritization for Soil Erosion Risk Assessment in the Wadi Ouahrane Basin (Algeria) Using an Integrated Morphometric Analysis and Entropy-WASPAS Model

本研究通过将形态特征分析与熵-WASPAS多准则决策框架相结合，优先确定了阿尔及利亚瓦迪·乌阿兰（Wadi Ouhrane）流域内受土壤侵蚀风险影响的子流域，从而识别出六个高风险区域，以指导可持续保护规划。

原作者： Mohammed Achite, İbrahim Dursun, Nikola M. Milentijević, Mehmet Ali Çelik

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Mohammed Achite, İbrahim Dursun, Nikola M. Milentijević, Mehmet Ali Çelik

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：河流谷地的“健康检查”

想象一下阿尔及利亚的 Wadi Ouahrane 就像一个巨大的天然大碗，收集着雨水。这个大碗由 14 个较小的“小碗”（子流域）组成。研究人员想要回答一个简单的问题：这些小碗中，哪一个最容易因为土壤侵蚀而“生病”？

土壤侵蚀就像是一场慢动作的泥石流，表层的泥土被冲走，带走了肥沃的土地，并用泥浆堵塞水坝。为了解决这个问题，你需要准确知道应该先在哪里贴上“创可贴”（保护措施）。

侦探工作：测量土地的形状

团队不仅仅是在靠猜；他们扮演着地貌学侦探的角色。他们利用数字地图（就像是用于山脉的高科技 GPS）来测量每个 1,4 个子流域的物理形状。他们主要观察了三件事：

碗的形状（面积特征）： 这个盆地是像披萨一样圆，还是像热狗一样又长又瘦？
- 发现： 这些盆地大多是又长又瘦的。
- 类比： 想想圆披萨和长热狗的区别。如果你把水倒在一个圆披萨上，水会同时涌向中心（就像闪洪）。如果你把水倒在一个长热狗上，水必须走很长的距离才能到达末端。这意味着这里的“热狗型”盆地排水速度其实稍慢，这对于防止突然、剧烈的洪水通常是有利的。
路网（线性特征）： 有多少条细小的溪流？它们是如何连接的？
- 发现： 该地区充满了微小的“一级河流”（树木上的最小小枝），占了所有水流通道的近一半。
- 类比： 想象一棵树。树干是主河道，而细小的叶片和树枝就是一级河流。研究人员发现，“树枝”非常密集。这告诉他们，地面具有一定的吸水能力，但网络结构非常复杂。
陡峭程度（高程特征）： 山脉的高度与山谷的高度相比如何？
- 发现： 有些区域非常陡峭崎岖，而有些地方则比较平坦。
- 类比： 想象游乐场里的滑梯。一个陡峭的滑梯（高高程）会让你飞速滑下（侵蚀）。一个平缓的坡度（低高程）则让你慢慢滑下（土壤稳定）。

脑力激荡：让数据做决定（熵）

在收集了所有这些测量数据后，他们需要决定：哪个测量指标最重要？

通常，专家可能会猜测：“噢，陡峭程度可能最重要！”但研究人员想要做到 100% 公平且客观。他们使用了一个叫做**熵（Entropy）**的数学工具。

类比： 想象你正在评判一场才艺表演。与其让评委（专家）根据个人喜好投票，不如让观众的反应来决定分数。如果观众对某个节目反应热烈，而对另一个节目反应冷淡，那么数据就会“投票”说明那个令人兴奋的节目才是最重要的。
结果： 数学证明，分叉比（Bifurcation Ratio）（溪流如何分裂）和河流长度比（Stream Length Ratio）（溪流向下游延伸时的长度变化）才是“全场明星”。这两个因素是导致侵蚀风险的最大驱动力，而不是整个盆地的整体形状。

最终排名：谁陷入了困境？（WASPAS）

在数学确定了哪些因素最重要之后，他们使用了第二个工具——WASPAS，将 14 个子流域从“最安全”到“最危险”进行了排名。

这可以看作是土地的**“学校成绩单”**。

优等生（最安全）： 子流域 SW-2 和 SW-14 拿到了最好的成绩。它们属于“极低风险”，非常稳定，土壤很可能停留在原地。
落后者（最危险）： 子流域 SW-3, SW-4, SW-5, SW-7, SW-12, 和 SW-13 处于“极高风险”区。
明星学生（最紧急案例）： SW-4 获得了最高的“危险得分”（0.857）。它是最关键的区域。如果你只有足够的资金或时间去修复一个地方，那就是这里。

结论：保护土壤的智能地图

论文得出结论，这种结合了测量土地形状与使用智能数学进行风险排名的组合非常有效。

他们的发现： 整个区域的形状普遍呈“长热狗”状（这很好），但特定的地点拥有陡峭的滑梯和复杂的溪流网络，使得它们容易流失土壤。
核心要点： 你不能用同样的方式对待整个山谷。你需要把精力集中在那些“落后者”（如 SW-4）身上，以防止土壤被冲走。

这项研究为政府或土地管理者提供了一份清晰的科学“地图”，让他们知道确切在哪里建造挡墙、种植树木或管理水源以保护土地。这是一种在说：“不要靠猜；让数字告诉你哪里出了问题。”

技术摘要：瓦迪·乌赫拉内盆地（Wadi Ouhrane Basin）土壤侵蚀风险评估中的子流域优先级划分

问题陈述
土壤侵蚀是地中海盆地面临的关键环境挑战，特别是在阿尔及利亚等干旱和半干旱地区，地形陡峭、植被稀疏以及人为压力加剧了土地退化。在阿尔及利亚，超过 5000 万公顷的土地面临风险，导致水坝淤积严重并造成库容损失。有效的流域管理需要确定保护优先区域；然而，传统的规划往往缺乏一个综合、客观的框架来根据侵蚀敏感性对子流域进行排序。本研究旨在解决建立一个稳健的决策支持机制的需求，以客观地划分瓦迪·乌赫拉内盆地内用于土壤保护和可持续管理的子流域优先级。

研究方法
本研究采用了一个整合地理信息系统（GIS）、形态特征分析和多准则决策（MCDM）技术的综合框架。研究区域——瓦迪·乌赫拉内盆地（270 km²）——利用 ArcGIS 10.2 和 ArcHydro 扩展工具被划分为 14 个子流域。

形态特征分析： 根据数字高程模型（DEM）和水系数据计算了三类形态参数：
- 线性参数： 河流级数、分叉比 ( $R_b$ )、河段长比 ( $R_l$ ) 和地表径流长度 ( $L_o$ )。
- 面积参数： 形态因子 ( $F_f$ )、伸长率 ( $R_e$ )、圆度比 ( $R_c$ )、水系密度 ( $D_d$ )、水系纹理 ( $D_t$ ) 和紧凑系数 ( $C_c$ )。
- 高程参数： 流域高差 ( $R$ )、高差比 ( $R_r$ )、相对高差 ( $R_{hp}$ )、崎岖度 ( $R_n$ ) 和高程积分 ( $H_i$ )。
熵权法： 为了消除在分配这些参数重要性时的主观偏差，采用了熵权法。这种基于数据的方法根据数据集内的方差计算客观权重，从而确定哪些形态准则对侵蚀敏感性影响最为显著。
WASPAS 排序： 利用加权聚合和乘积评估法（WASPAS）模型对 14 个子流域进行排序。这种混合 MCDM 方法通过使用联合广义准则参数（ $\lambda = 0.5$ ）综合了加权求和模型（WSM）和加权乘积模型（WPM），以确保对侵蚀风险进行平衡且稳定的评估。

主要结果

形态特征： 瓦迪·乌赫拉内盆地的特征表现为长条形几何形状，这由较低的形态因子（ $0.36–0.42$ ）、伸长率（ $0.38–0.41$ ）和圆度比（ $0.23–0.50$ ）所证实。其水系是一个包含 428 个河段的五级水系，其中一级河流占总数的 45.56%。水系密度在 $1.60 $至$ 1.95$ km/km² 之间波动，且所有子流域均属于“极粗”水系纹理类（ $D_t < 2$ ），这表明总体上具有良好的入渗条件，尽管存在局部差异。
熵权分析： 分析显示，分叉比 ( $R_b$ ) 和 河段长比 ( $R_l$ ) 是控制侵蚀敏感性最显著的因素，其权重分别为 $0.283 $和$ 0.252 $。相反，与形状相关的参数（如伸长率和形态因子）权重极低（$ <0.002$）。
优先级划分与风险等级： WASPAS 模型识别出侵蚀风险存在显著的空间异质性。
- 极高风险： 子流域 SW-3、SW-4、SW-5、SW-7、SW-12 和 SW-13 被归类为关键区域。其中，SW-4 的敏感性最高，最终得分 ( $V_{SPM}$ ) 为 0.857，使其成为首要干预对象。
- 极低风险： 子流域 SW-2 和 SW-14 被确定为风险最低的区域，得分分别为 $0.541 $和$ 0.505$。
- 整个盆地的风险得分在 $0.505 $至$ 0.857$ 之间，从而实现了清晰的五个风险等级划分。

意义与主张
本文认为，将熵权法、WASPAS 与基于 GIS 的形态特征分析相结合，提供了一个科学、透明且可重复的流域管理决策支持工具。研究声称，这种混合方法通过依赖数据方差进行加权，有效地减少了主观性，从而为优先开展土壤保护措施提供了稳健的基础。

作者断言，该方法成功识别了需要紧急修复的具体子流域，实现了从一般性的流域级评估向针对性的子流域干预的转变。通过强调 SW-4 为最关键区域，本研究为制定可持续土地和水资源管理政策提供了具体的数据支持。文章结论指出，虽然目前的评估是静态的且主要依赖于形态参数，但该框架具有可扩展性，可以作为未来研究的基础模型，未来研究可引入社会经济变量、土地利用变化和气候情景，以增强预测能力。