《CATENA》：Decoding channel widening dynamics: Linking hydraulic forcing and soil resistance through time-continuous prediction
编辑推荐：
渠道侧壁扩张受水力作用与土壤抗蚀性协同影响，基于三组典型土壤的27组可控实验，结合改进的Channel-DeepLab模型自动提取宽度数据，揭示了流量、坡度与土壤特性对扩张速率的非线性关系，建立了精度较高的预测方程（R2>0.85，NSE>0.67），为侵蚀监测提供新方法。
作者：秦超、王紫怡、曹立凯、徐希蒙、薛园、刘海飞、郑芬莉
单位：清华大学水利水电工程国家重点实验室，北京 100084，中国
摘要
当线性侵蚀沟渠（LEC）的沟底切入到较难侵蚀的层时，侧壁扩展成为沟渠演变的主要驱动力和土壤流失的主要来源。然而，由于侧壁扩展过程的固有随机性、非线性以及缺乏可靠的方法来捕捉快速形态变化，人们对这一过程的理解仍然有限。本研究设计了实验室实验，以探讨水力作用（上坡来流和坡度的综合效应）以及抗侵蚀能力（土壤性质）对沟渠扩展过程的影响。实验共进行了46次，设置了27种处理组合（三种来流速率、三种坡度和三种土壤类型），并在预压实的土壤床中进行。通过摄影测量技术记录了沟渠宽度的时间序列数据。处理后的图像通过改进的Channel-DeepLab网络模型进行处理，自动提取出高空间分辨率的宽度数据。结果表明，沉积物排放量和扩展速率随来流速率和沟床坡度的增加而增加。Atwood土壤类型的单位宽度沉积物排放量（0.179–1.113 kg s?1 m?1）和扩展速率（0.002–0.058 m min?1）最高，其次是Loring和Forestdale土壤类型。总体而言，扩展速率随单位沟渠长度的流功率增加而增加，但在来流速率或坡度对沟渠扩展的影响更为显著时，这种趋势可能不那么明显。Atwood土壤对坡度增加的敏感性较高，而Loring和Forestdale土壤对来流的敏感性相对较高，但对集中水流的抵抗力较好。基于排放量、坡度和土壤成分，我们开发了三个经验方程，并验证了其预测能力（R2 > 0.85，NSE > 0.67）。本研究提出的自动输出方法和沟渠宽度预测方程具有扩展到自然沟渠侵蚀监测和管理的潜力。
引言
线性侵蚀（LE），包括细沟和沟壑侵蚀，被广泛认为是农业景观的主要威胁（Chaplot等，2005；Dube等，2020）。线性侵蚀沟渠（LECs），包括细沟、临时性沟壑和沟壑侵蚀，会加速土壤退化并降低作物生产力（Hayas等，2017；Xu等，2019，Xu等，2022），并且占小流域沉积物排放量的10%至94%（Poesen等，2003）。LECs的演变主要受三个相互作用过程的控制——头部侵蚀前进、沟底切割和侧壁扩展——这些过程在空间和时间尺度上同时发生（Sidorchuk，1999；Qin等，2019；Luquin等，2021）。虽然头部侵蚀前进和沟底切割因在沟渠早期演变和沉积物脱落中起主导作用而受到广泛研究（Hayas和Gómez，2024），但一旦沟底切入到较难侵蚀的层，侧壁扩展变得日益重要，侧向侵蚀和重力作用导致的破坏逐渐使沟渠变宽（Thorne等，1998）。然而，尽管侧壁扩展占据了LEC生命周期的90%以上，但由于其固有的随机性和非线性，相关研究仍然相对不足（Blong等，1982；Simon等，1996；Xu等，2015）。野外观测受到植被覆盖的限制，这限制了高精度沟渠宽度数据的获取，并给宽度预测模型带来了高不确定性（Hayas和Gómez，2024）。深度学习的最新进展提供了新的机会：基于DeepLabv3+语义分割架构的Channel-DeepLab模型成功地从实验室摄影测量图像中提取了沟渠宽度变化，平均交并比（mIoU）值超过0.90（Wang等，2024）。尽管如此，该模型在不同质地土壤上的表现尚未经过评估，因此本研究对其进行了重新训练和扩展。因此，通过受控实验室实验量化LEC侧壁扩展并改进Channel-DeepLab框架对于提高农业流域的沉积物生成预测至关重要。
为了量化LEC侧壁扩展，已经开发了基于过程和基于数据的模型（Hayas和Gómez，2024）。与基于过程的模型（如Gully Thermo-Erosion和Erosion模型、Sidorchuk和Sidorchuk，1998；Bank Failure模型、Istanbulluoglu等，2005；Bank Stability和Toe Erosion模型、Simon等，2000）相比，基于数据的模型具有简单性、易用性和用户友好性的优势。表1列出了几种广泛用于预测LECs和河流沟渠宽度的基于数据的模型，这些模型在实验室和野外尺度上都适用。这些模型被归为一类，因为LECs和河流沟渠都属于主要由集中水流引发的拓宽过程（Zhao等，2022）。所列模型模拟或预测了沟渠的多个方面，如扩展速率、扩展概率、平衡宽度以及宽度的时间变化（表1）。当这些模型应用于特定区域时，计算结果显示出较高的适用性，但在其原始开发团队之外的应用仍有限。
一些经验模型将沟渠扩展速率描述为水力参数的函数。在没有渗流效应的情况下，通常使用幂函数或指数相关性来量化由集中水流驱动的扩展过程（表1）。Bingner等（2016）在美国Goodwin Creek实验流域评估了几种经验算法，以研究峰值流量对临时性沟壑扩展的影响。其他一些经验模型间接估计了与沟渠扩展相关的指标，如崩塌概率。Martinez-Casasnovas等（2004）开发了一个基于数据的逻辑回归模型来估计沟壑侧壁的崩塌概率（表1），该模型在西班牙东北部进行了测试，其遗漏率和误报率分别为55%和59%。观察到侧壁扩展速率和侧壁崩塌概率受到多种因素的影响，包括降雨特征、峰值流量和年平均流量、集中流速、土壤湿度条件、坡度梯度、沟渠形态、沟渠弯曲曲率以及沟渠发育阶段（Woodward，1999；Martinez-Casasnovas等，2004；Whitford等，2010）。为了便于实验室实验，上述因素可以归纳为三个关键影响因素：集中水流、沟渠地形和土壤性质。降雨特征和贡献面积主要决定了集中水流的排放变化，并在流动能量和剪切应力中起重要作用，从而反映了侵蚀驱动力（Foster，2005；Foster等，1977）。土壤性质，如颗粒大小、湿度和有机质含量，影响土壤的抗剪切应力，描述了土壤对流动水的抵抗力（Boix-Fayos等，2001；Adeli等，2017）。沟渠形态，包括坡度梯度、横截面形状和沟底微地形，影响侵蚀驱动力和抗侵蚀能力。
尽管之前的研究提高了对侧壁扩展的理解，但现有的预测模型在范围上仍然有限。大多数研究主要依赖于水力或地形变量，很少结合明确的土壤性质控制、土壤垂直异质性或沟渠宽度演变的全时间序列。仍缺乏一个能够广泛适用的数据驱动框架，该框架整合了水力作用和土壤抗性。为了提高预测的可靠性，模型应更好地反映土壤力学性质和风暴事件期间的流量变化。本研究旨在使用来自美国密西西比河流域的三种代表性土壤进行受控水槽实验，以解决这些不足。遵循检测侵蚀特征——诊断主要驱动因素——预测扩展动态的框架，我们：（1）扩展Channel-DeepLab模型，以实现不同土壤类型下的稳健、连续的沟渠边缘检测；（2）量化流量、坡度和土壤性质对侧壁扩展的交互作用；（3）开发能够捕捉随机和非线性扩展行为的经验方程。通过结合实验室实验、深度学习图像处理和时间连续建模，这项工作提高了多样坡度条件下沟渠宽度预测算法的预测能力。
实验土壤
本研究使用的实验土壤为Atwood、Forestdale和Loring，这些是经过正式分类和描述的常用基准土壤（USDA-NRCS官方系列描述，USDA NRCS，1999）。如表2所示，Atwood是一种细粉砂质、混合半活性的典型古冲积土，含有19.0%的沙子、45.6%的粉粒和35.4%的粘土。它颜色较深，排水良好，渗透性适中，土壤有机质含量为14.4%（Adeli等，2008）。Forestdale是一种细...
初步结果和沉积物过程
在不同流功率下的沉积物排放模式。实验参数的总结及每种处理的相应初步结果列在表3中。平均沉积物排放量和累积沉积物排放量是根据每种土壤的标准径流量计算的（表3）。如图4所示，单位沟渠长度的流功率范围为0.025至1.165 W m?1，单位宽度的平均沉积物排放量范围为0.003至1.113 kg s?1 m?1
基于深度学习的自动沟渠宽度提取改进
应用摄影测量技术生成实时高分辨率图像（Wells等，2013；H?nsel等，2016；Lannoeye等，2016；Anderson等，2021），随后利用Channel-DeepLab网络进行沟渠边缘检测和提取。Wang等（2024）建立的网络模型适用于指定的土壤和光照条件。在本研究中直接使用了该模型，无需重新训练
结论
一旦沟渠底切入到较难侵蚀的层，侧壁崩塌成为线性侵蚀沟渠（LEC）发展的主要驱动力。基于27个受控实验室处理组合（包括来流速率、坡度和土壤性质），本研究量化了沟渠扩展的时间演变，并确定了水力作用和土壤质地如何共同塑造扩展过程。重新训练的Channel-DeepLab模型实现了沟渠的自动提取
CRediT作者贡献声明
秦超：撰写——审稿与编辑、初稿撰写、可视化、验证、资源准备、方法论、数据管理、概念化。王紫怡：撰写——审稿与编辑、初稿撰写、验证、方法论、数据管理。曹立凯：撰写——审稿与编辑、软件开发、方法论、数据管理。徐希蒙：撰写——审稿与编辑、方法论、数据管理。薛园：撰写——审稿与编辑、方法论。刘海飞：撰写
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了中国国家重点研发计划（2024YFC3213100）、国家自然科学基金（编号42277339、52409095）以及水利水电工程国家重点实验室基金计划（sklhse-KF-2025-E-02）的支持。作者还要特别感谢美国农业部-国家沉积实验室的Well R. Robert博士和Antonia Smith先生的科学指导。
