土壤侵蚀是土壤和粮食安全的主要威胁之一。土壤侵蚀影响因素的定量研究对土壤侵蚀的防治具有重要意义。土壤可蚀性（soil erodibility）可以反映土壤对外力侵蚀和清除的敏感性。它是构成土壤侵蚀模型的重要因素之一。通常用指数K来表示。但由于野外测得的K值样本密度稀疏，急需开发K值空间尺度扩展方法。如何利用有限的样本数据提高K值空间分布图的精度，是当前区域尺度K值研究的瓶颈。

中国科学院南京土壤研究所的研究人员对土壤可蚀性进行了长期的研究。此前，全国水蚀区土壤可蚀性K值的计算和宏观分布基于第二个通用数据和研究人员完成的1：50万土壤类型图，还有进一步优化和精度提高的空间。

本研究基于成土因子空间分布与土壤类型一致的思想，采用随机森林回归模型和63个成土因子指数拟合K值。研究发现，坡度、海拔、最大降雨量、温度季节性、夏冬季地表温度、NDVI指标是预测K值的重要环境变量。通过 5 折交叉验证方法进行随机森林调整的结果表明，冗余变量对模型的准确性影响不大。同时对决策树的数量（n_tree）和模型的属性特征数量进行了优化。数字 (m_try)。最后，利用优化后的随机森林模型，以250米空间分辨率预测太湖流域土壤可蚀性K值空间分布（图c），得到K值上下限90% 的置信区间。该方法显着提高了K值图的空间分辨率，比目前公认的全国土壤可蚀性因子图的平均斑块面积精细100倍。该工作通过模型学习方法有效提高了我国土壤可蚀性因子的空间尺度扩展精度，为利用成土因子预测K值形成了理论基础。测绘结果可为水土保持相关部门的管理和决策工作服务。

相关研究成果发表于International Soil and Water Conservation Research。研究工作得到了水利部水土保持监测中心、江苏省博士后基金和太湖流域管理局的资助。

太湖流域土壤可蚀性K值分布（a）采样点, (B) 克里金插值, (c) 随机森林模型预测图