土壤侵蚀是我国主要的环境问题之一。其危害不仅导致土壤退化和土地生产力下降，而且侵蚀泥沙进入水体还将影响水环境质量，引起河流水库淤塞、降低河道行洪能力和水库库容，从而加剧洪灾风险^[1]。随着我国基础设施建设的迅猛发展，以交通建设为代表的工程扰动土壤侵蚀问题逐渐成为学者们的研究热点^[2]。工程建设一方面通过挖填扰动直接破坏地表土壤和植被，强烈加剧坡面土壤侵蚀风险^[3]，另一方面施工产生大量疏松弃土弃渣形成新的泥沙策源地，导致严重的新增水土流失问题^[4]。明确工程扰动中土壤侵蚀对流域水环境的影响范围和程度，对制定合理的工程规划和环境保护方案具有重要意义。

准确估算工程扰动对流域侵蚀产沙的贡献比例是评价其环境影响的重要途径，而复合指纹识别技术是流域泥沙溯源研究中广泛使用的方法^[5-9]。该方法的基本原理是：通过对比分析沉积物和潜在物源的地球化学、物理、生物或磁学等属性值，可以实现对侵蚀源地泥沙相对贡献度的定量评估^[10]。应用单因子指纹定量识别沉积泥沙来源开始于20世纪70年代^[11]。针对单因子指纹法判别率低的缺陷^[12]，Collins等^[13-14]提出使用多个指纹因子，组成“最佳指纹因子”的组合来提升泥沙源地的正确判别率，进一步改进复合指纹识别程序实现对泥沙来源的定量分析。国内外学者应用指纹识别技术开展了工程扰动小流域泥沙来源研究。Nosrati等^[15]使用放射性核素¹³⁷Cs和12种地球化学因子识别伊朗北部山区中道路建设森林流域沉积物来源，发现道路边坡对于河床沉积泥沙的平均泥沙贡献度为83.1%。周曼等^[16]利用41种地球化学指标定量分析福建红壤区小流域沙源，发现人为扰动下的矿区单位面积泥沙贡献百分比是林地的10倍。Motha等^[17]利用10种地球化学指标，通过对澳大利亚墨尔本东部集水区泥沙贡献度的定量分析得出，未铺设的道路泥沙贡献率比未受扰动的森林高出20~60倍。由以上研究可以看出，学者们普遍认可工程扰动在小流域侵蚀产沙中占有不可忽视的比例，而具体的泥沙贡献计算结果则存在较大差异。

中国西藏东南部雅鲁藏布江中下游流域气候温和、降雨充沛、地形垂直落差大，是著名的风景名胜区和重要的区域生态屏障，同时也是水能资源丰富的潜在水电开发区。近年来为了满足当地社会发展需要，各类工程建设活动频繁，深刻影响当地脆弱的生态环境，其中工程扰动导致的水土流失问题给流域水环境造成极大威胁^[18]。在工程规划和流域环境保护的实践应用中，迫切需要针对工程扰动侵蚀泥沙的定量分析和理论支撑，而目前针对藏东南地区工程扰动泥沙溯源的研究较少，尤其是小流域尺度上工程侵蚀泥沙贡献空间异质性的研究尚未见报道，因而难以判断工程扰动对流域水环境的影响范围和影响程度。

针对以上问题，笔者以雅鲁藏布江下游典型工程扰动小流域为研究对象，采用复合指纹法定量分析流域内不同土地类型对沟道沉积泥沙的泥沙贡献率，识别不同工程扰动类型的泥沙贡献差异，并在空间尺度上揭示工程扰动泥沙贡献率的分异特征，阐明工程扰动对研究区小流域侵蚀产沙的影响方式，有望扩展复合指纹法的应用范围，同时也可以辅助开展工程规划和流域水土保持措施优化布设。

研究区位于西藏林芝市米林县派镇东南部，为雅鲁藏布江中下游分界点处的支流小流域(E 94°53′~94°55′, N 29°28′~29°30′)，流域呈东西向狭长分布，长约6.88 km，面积为12.45 km²。流域海拔3 047~5 123 m，地形落差较大。研究区属高原温带半湿润气候带，年平均气温6~8 ℃，年降水量400~650 mm，其中85%以上的降水集中于5—9月，无霜期为170 d。研究区的土壤类型主要为暗棕壤，植被类型为暖温带针阔混交林，自然土地利用类型以林地和灌草地为主，代表性植物种类有林芝云杉(Picea likiangensis)、长苞冷杉(Abies georgei)、杜鹃(Rhododendron simsii)、蒿草(Artemisia integrifolia)等。研究区流域内主要的建设扰动为219国道派镇—墨脱段工程，该路段自2014年8月开工建设，于2018年底完工，道路分布在研究区流域内的总长度为7.99 km，其中以挖填方形式建设的路基长度2.76 km，穿越多雄拉山的公路隧道长度2.78 km。道路建设工程形成的侵蚀泥沙策源地主要有挖填边坡和工程弃渣2种类型，前者整体上沿主沟道呈线状分布，后者堆积于隧道入口下方的主沟道北侧。除此之外，流域内分布的少量土质道路也是不可忽视的水土流失源地。流域内林地面积8.46 km²，灌木林地面积0.32 km²，草地面积1.12 km²，土质道路长2.45 km，工程弃渣场面积0.089 km²。

本研究于2021年4月下旬进行样品采集，采样内容包括不同土地类型的土壤采样和河流沉积泥沙采样2部分；前者主要考虑不同土地类型的分布面积和道路可达性进行均匀布点，后者则沿主沟道根据汇水条件和泥沙策源地分布进行分段布点(图 1)。对研究区的实地调查发现，道路施工建设产生的道路挖方坡、土石渣场等极易发生水土流失，流域内分布的土质道路上存在明显的细沟侵蚀特征，林地和灌草地等自然用地受牲畜啃食和踩踏影响，局部地块也具有潜在的水土流失风险。在上述典型地块中采集0~20 cm的表土样品，将采集的表土用四分法混合取样，去除明显的土块和枯落物杂质后装入样品袋中，每个样品约1 kg，共采集57个样品。其中林地17个、草地9个、乔灌林9个、道路挖方坡6个、渣场4个和土质道路5个。由于研究区流域内为输沙量不稳定的季节性河流，连续收集悬浮泥沙的难度较大，因而本研究采集枯水季节的沟道沉积泥沙并据此探讨流域泥沙来源状况；沿主沟道在支沟汇入点、强烈侵蚀源地分布、流域出口附近等部位设置7处沉积泥沙采样点，使用采样铲实施多点混合取样，浸出样品水分后放入样品袋中保存。

图 1(Fig. 1)

图 1 研究区与采样点 Fig. 1 Study area and sampling points

将土壤样品自然风干后转入冷冻干燥器处理，所有样品研磨过2 mm筛，再进一步处理至＜63 μm用于指标测试。根据研究区的地球化学背景条件，同时参考以往复合指纹法识别泥沙的指标体系，本研究共选择18个土壤理化指标送往四川省冶金地质分析测试中心进行测定，其中Na₂O、MgO、Al₂O₃、SiO₂、K₂O和CaO采用等离子体发射光谱仪测定；Mn、Zn、Cu、Cr、Co、Sn、Sr、Ni和TFe₂O₃用X射线荧光光谱仪测定；全磷(total phosphorus，TP)采用钼蓝提取紫外分光光度法测定；总氮(total nitrogen，TN)则采用高温分解法和自动测定仪进行测定；样品中土壤有机质(soil organic carbon，SOC)的测定采用重铬酸钾氧化法。

源地样品的合理分类对复合指纹法的分析过程和识别精度产生直接影响。流域区内土质道路和公路边坡的挖方深度及土质结构较为接近。本研究将其视为同一泥沙源地，命名为道路及边坡。林地、灌木林地和草地3种自然土地类型，导致其表土破坏的主要因素均为放牧活动。因此将这3种土地类型视为同一种潜在泥沙源地，命名为自然林草地。流域内集中分布的土石弃渣的主要来源于隧道开挖后的深层基岩碎屑，其物源属性较为独特，因此将弃渣场单独视为一种潜在泥沙来源地。

1) 保守性检验：对比沉积区样品元素浓度是否大于物源区样品元素的最大值或小于其最小值，将超出范围的示踪因子剔除，剩下的即为保守性指纹因子^[19]。2)非参数Kruskal-Wallis H检验：将通过守恒检验的指纹因子进行非参数Kruskal-Wallis H检验的计算，筛选具有沙源识别能力的示踪因子^[20]。Kruskal-Wallis H检验零假设所有样品来自同一物源，当P＜0.05时表明该指纹因子在组间差异性显著，对于泥沙来源具有潜在判别能力。

多元逐步判别分析：使用多元逐步判别分析确定组内具有显著差异性的判别因子，构建最佳指纹因子组合。将上一步骤中筛选出的指纹因子继续进行多元逐步判别分析(discriminant function analysis，DFA)，基于Wilk's Lambda分布的判别函数，筛选出一组统计意义上具有最佳判别能力的复合指纹因子组合^[21]。

采用Collins等提出的多元线性混合模型，使用MATLAB软件进行编程计算，基于蒙特卡洛模拟法进行3 000次的抽样模拟，计算最小化混合模型函数值，对目标样本的物源相对贡献率进行求解。Walling-Collins多元线性混合模型公式^[13]为：

式中：R_es为残差平方和；C_ssi为研究区流域沉积泥沙中各指纹因子i的浓度，其中Na₂O、MgO、Al₂O₃、SiO₂、K₂O、CaO和TFe₂O₃氧化物的量纲为质量分数，%；Mn、Zn、Cu、Cr、Co、Sn、Sr和Ni地球化学元素的量纲为mg/kg；有机养分SOC、TN和TP的量纲为g/kg；P_s为泥沙源地s的泥沙贡献比例，%；C_si为泥沙源地s中指纹因子i的平均浓度，量纲同C_ssi；m为泥沙源地数量，1, 2, 3…, m；n为指纹识别因子的数量, 1, 2, 3, …, n。在该混合模型中，有以下2个隐藏条件：1)各源地贡献度的和为1；2)各源地贡献度为非负值，即式(2)：

在满足以上2个条件时函数R_es值最小，此时所得到的P_s就是各源地对流域河道泥沙的贡献度。

为了使混合模型求解误差最小，得到最优泥沙贡献度情况，采用拟合优度(goodness of fit, GOF) G_OF检验的方法，计算混合模型的误差值。拟合优度公式为

一般当G_OF＞0.8时，最优化混合模型计算结果才可以接受^[22]。

本研究中流域水文信息提取、土地利用斑块勾绘、空间距离计算等主要在ArcGIS 10.8环境中实现，非参数检验、多元逐步判别分析、回归分析等统计分析使用SPSS 26完成，使用MATLAB 2020b软件编程计算多元混合模型贡献度结果，利用Origin 2021实现数据可视化作图。

基于指标测定结果对18个指纹因子进行统计分析。如图 2所示的箱型图可知，指纹因子在不同地类浓度变化呈现不同的分布规律，地球化学常量以及微量元素在渣场和道路及边坡的含量明显高于自然林草地，而表征土壤养分的SOC、TN和TP指标在自然林草地中含量明显高于其他地类，这反映出工程挖方等扰动方式对表土的破坏作用。同时，对指纹因子进行保守性检验可以看出，沉积泥沙中的SiO₂和Sr最大值均高于来源地，因此不具备“保守性”特征，故将其剔除。

图 2(Fig. 2)

LCD：自然林草地；ZC：渣场；DB：道路及边坡；CG：沉积泥沙。下同。 LCD: Natural woodland and grassland.ZC: Slag site. DB: Road and side slope. CG: Sediment. The same below. 图 2 潜在指纹因子箱型图 Fig. 2 Boxplot of potential fingerprint factors

余下的16种元素进行非参数Kruskal-Wallis H检验，筛选出在泥沙源地间表现出显著性差异的因子，初筛因子的结果如表 1所示。

表 1(Tab. 1)

表 1 潜在指纹识别因子非参数Kruskal-Wallis H检验 Tab. 1 Nonparametric Kruskal-Wallis H test of potential fingerprint factors 潜在指纹识别因子 Potential fingerprint factor Kruskal-Wallis H检验 Kruskal-Wallis H test 潜在指纹识别因子 Potential fingerprint factor Kruskal-Wallis H检验 Kruskal-Wallis H test H 自由度 df 显著性P值 Sig. H 自由度 df 显著性P值 Sig. K2O 24.592 2 0 Ni 10.955 2 0.004 Na2O 23.164 2 0 Cu 2.532 2 0.282* CaO 23.634 2 0 W 6.947 2 0.031 MgO 13.424 2 0.001 Mn 3.790 2 0.150* TFe2O3 6.231 2 0.044 Sn 6.159 2 0.046 AlO3 25.635 2 0 TN 27.822 2 0 Cr 20.662 2 0.002 TP 4.641 2 0.098* Co 10.232 2 0.006 SOC 31.113 2 0 注：P＜0.05时表示显著性；P＜0.01时表示极显著性；*代表不显著的示踪因子。Notes: P＜0.05 indicates the significance, P＜0.01 indicates the extremely significance, and *represents the insignificant tracer factor. TN: Total nitrogen. TP: Total phosphorus. SOC: soiloraganic carbon.

表 1 潜在指纹识别因子非参数Kruskal-Wallis H检验 Tab. 1 Nonparametric Kruskal-Wallis H test of potential fingerprint factors

剩余16种潜在指纹识别因子除Cu、Mn和TP外均通过Kruskal-Wallis H检验(P＜0.05)，显著性统计检验服从自由度为2的卡方分布, 并且有大于60%的因子呈现极显著性，说明参与检验的理化指标对研究区泥沙来源有很好的诊断特性。最后将通过检验的因子进入多元逐步判别的步骤进行下一步分析。

指纹因子的筛选组合如表 2所示，多元逐步判别的最大判别步骤为28，最终以K₂O、Na₂O、CaO、Cr 4个变量指标组成最佳复合指纹因子组合，在指纹因子组合中前3个因子均为金属氧化物，微量元素Cr最后进入判别，分析标准化典型判别函数的特征，2个判别函数的累计方差解释率达100%。

表 2(Tab. 2)

表 2 流域最佳复合指纹因子组合筛选结果 Tab. 2 Identification results of the optimal composite fingerprinting factors in the catchment 步骤 Step 输入因子 Input factor Wilk's Lambda 统计 Statistics 自由度1 df1 自由度2 df2 自由度3 df3 F 统计 Statistics 自由度1 df1 自由度2 df2 显著性 Sig. 1 K2O 0.473 1 2 47.000 26.215 2 47.000 0 2 Na2O 0.282 2 2 47.000 20.323 4 92.000 0 3 CaO 0.205 3 2 47.000 18.135 6 90.000 0 4 Cr 0.168 4 2 47.000 15.817 8 88.000 0

表 2 流域最佳复合指纹因子组合筛选结果 Tab. 2 Identification results of the optimal composite fingerprinting factors in the catchment

基于所筛选的最佳指纹因子组合对不同物源区进行分组判别，由表 3可以看出渣场和道路及边坡的物源区正确判别率为100%，所有样品均被正确识别；自然用地的样品正确分类率达91.4%，这可能是由于流域内人为工程扰动的结果，整体的正确判别率达到94%，在本研究样本量条件下，这一判别率符合复合指纹技术应用要求^[19]。综上可知，多元判别分析筛选的指纹因子组合对不同的物源区具有较高的正确分类率，能够作为最佳指纹识别因子组合并用于识别研究区沟道沉积泥沙的物源贡献率。

表 3(Tab. 3)

表 3 不同土地利用类型正确分类结果 Tab. 3 Correctly classified percentage for different land uses 项目 Item 源地类型 Source type 预测组成员信息Predicted group membership 自然林草地 Natural woodland and grassland 渣场 Slag site 道路及边坡 Road and side slope 总计 Total 计数 Count 自然林草地 Natural woodland and grassland 32 1 2 35 渣场Slag site 0 4 0 4 道路及边坡Road and side slope 0 0 11.0 11 正确分类比例 Correctly classified percentage/% 自然林草地 Natural woodland and grassland 91.4 2.9 5.7 100.00 渣场Slag site 0 100.0 0 100.0 道路及边坡Road and side slope 0 0 100.0 100.0

表 3 不同土地利用类型正确分类结果 Tab. 3 Correctly classified percentage for different land uses

根据多元逐步判别所得到的最佳指纹因子组合，使用Walling-Collins多元线性混合模型计算各侵蚀源区对于不同沟道点位沉积泥沙相对贡献度，同时对计算结果进行拟合优度检验，将G_OF＜0.8的泥沙贡献度计算结果剔除(S5)计算结果如表 4所示。

表 4(Tab. 4)

表 4 不同点位沉积泥沙的来源构成和贡献度 Tab. 4 Sediment contributions and source composition of different sediment point 沉积泥沙采样点 Sediment sampling point 相对贡献Relative contribution rates/% Res GOF 自然林草地 Natural woodland and grassland 渣场 Slag site 道路及边坡 Road and side slope S1 73.92 1.65 24.42 0.211 0.805 S2 12.42 3.22 84.37 0.033 0.928 S3 2.34 64.01 33.65 0.004 0.970 S4 1.24 45.04 53.72 0.105 0.848 S6 11.65 9.28 79.07 0.278 0.810 S7 1.86 3.69 94.45 0.166 0.849 均值Average 17.24 21.15 61.61 0.133 0.867

表 4 不同点位沉积泥沙的来源构成和贡献度 Tab. 4 Sediment contributions and source composition of different sediment point

由表 4可以看出，本研究区中重新分类的3种泥沙来源区泥沙平均贡献率由高到低依次为：道路及边坡(61.61%)＞渣场(21.15%)＞自然林草地(17.24%)。最终保留的6个相对贡献度计算结果中，拟合优度G_OF变化范围为0.805~0.970，其平均值为0.867，结果显示所有拟合优度检验值均大于0.8，表明贡献度的计算结果可以接受。从不同源区泥沙贡献度来看，受工程建设扰动较小的自然林草地在整个流域中泥沙相对贡献度最低(17.24%)。这主要是因为自然用地植被覆盖相对较高，其表土不易被侵蚀流失的缘故。道路及边坡的泥沙相对贡献度最高(61.61%)，按道路占地面积换算的单位面积泥沙贡献比高达72.52%。这体现了工程建设对沿线地表的破坏。土质道路路面和边坡植被裸露且表土抗侵蚀能力较弱，从而加剧了土壤侵蚀和泥沙入河风险。本研究流域内渣场的泥沙相对贡献度为21.15%，换算为单位面积的泥沙贡献比为25.00%，远高于自然林草地0.24%的单位面积贡献比，这体现了渣场缺少植被覆盖、地表径流很容易诱发土壤侵蚀并汇入河道的特征。

如图 3所示，不同沟道点位的泥沙来源构成存在明显的空间分异特征。在受道路建设影响较小的初始沟道点位(S1)，自然林草地是沟道沉积泥沙的主要来源。而在流域中下游的工程建设影响区，自然林草地对于沉积泥沙贡献度偏低；进一步分析自然林草地泥沙贡献度沿沟道的变化趋势可知，当河流流经2处灌草地时，自然林草地泥沙贡献度相对较高。这可能是由于灌草地植被低矮，再加上放牧扰动诱发土壤侵蚀所致。相比于自然林草地，工程扰动范围内的渣场和道路边坡对沟道沉积泥沙的贡献度占绝对主导。但2种不同源地类型的泥沙贡献分布趋势存在差异，在流域内集中分布的渣场对其附近及下游一定范围内的沉积泥沙贡献比例较高(S3、S4)，而随着河流点位远离渣场其泥沙贡献比例逐渐减弱；线状的道路及边坡贯穿整个流域且整体上与河流平行分布。这种源地类型对沟道全程不同点位的沉积泥沙均有明显贡献，而具体的贡献度则呈现出空间差异性，整体上随路河距离的增加而减小。

图 3(Fig. 3)

图 3 不同点位沉积泥沙的来源构成和空间分布 Fig. 3 Spatial distribution and source composition of sediment at different sediment point

泥沙贡献比空间分异趋势模拟由以上分析可以看出，在本研究流域内呈线状分布的道路边坡和面状弃渣土体产生的侵蚀泥沙贡献率存在明显空间分异特征。为了进一步揭示其变异趋势，计算沟道泥沙采样点和侵蚀源地的距离，建立泥沙迁移距离和贡献率之间的量化关系。

由图 4a可知，渣场对沟道点位沉积泥沙的贡献度与到该点距离之间呈显著负相关关系，在紧邻渣场的S3位置，渣场侵蚀泥沙直接汇入河流产生的泥沙贡献比高达64.01%，而沿沟道向下约880 m位置的泥沙贡献度降为45.04%，至流域出口附近的S7位置则仅有3.69%，这一下降过程整体上呈线性趋势。图 4a所示的拟合方程确定性系数R²为0.99，说明结果较为可靠。该方程可用来预测研究区渣场的泥沙贡献大小和影响范围，由拟合曲线在x轴上的截距可知，在本研究流域水文地貌和弃渣土体条件下，渣场土壤侵蚀对沟道沉积泥沙的影响范围约为其下游2 800 m以内。

图 4(Fig. 4)

图 4 工程建设侵蚀源地泥沙贡献度空间变异趋势 Fig. 4 Spatial variation trend of contributions to sediment at the erosion source points of engineering construction

为了深入分析道路边坡泥沙贡献度的空间变异特征，计算得到去除渣场影响之后的道路边坡泥沙相对贡献度，建立泥沙相对贡献率与路河距离之间的关系。由图 4b可知，道路及边坡对沟道沉积泥沙的贡献率随路河距离增大呈指数函数下降趋势，计算得到函数拐点位于221.9 m处，当路河距离小于221.9 m时，道路及边坡的泥沙相对贡献度普遍大于80%且随下降趋势较缓，而当路河距离大于221.9 m时泥沙相对贡献度呈快速下降趋势。这一趋势可能的原因是，当路河距离较短时来自道路边坡的泥沙可经排水通道直接汇入下方河道；当路河距离较大时，受地表径流能量散失和植被拦截等作用影响泥沙在沿途沉积，从而使到达河道的泥沙贡献比显著下降。由拟合方程在x轴上的截距可知，在本研究流域内道路及边坡侵蚀泥沙对河流的影响范围约为400 m。

1) 在18个土壤地球化学指标的基础上，通过保守性检验、非参数检验和多元逐步判别筛选出K₂O、Na₂O、CaO、Cr共4种元素构成最佳指纹因子组合。该因子组合对沟道沉积泥沙样本的拟合优度值均大于0.8，说明复合指纹技术可用于研究区小流域沟道沉积泥沙来源解析。

2) 利用多元混合模型估算了流域内不同侵蚀源地对沟道沉积泥沙的相对贡献率，3类侵蚀源地的平均贡献率排序为：道路及边坡(61.61%)＞渣场(21.15%)＞自然林草地(17.24%)，说明工程建设形成的道路边坡和渣场是本研究流域沉积泥沙的主要来源。

3) 对工程扰动侵蚀源地泥沙贡献的空间分异研究结果表明，面状集中分布的渣场对沟道沉积泥沙的贡献率在3.69%~64.01%之间，且沿沟道向下游呈线性衰减趋势，在本研究条件下渣场的有效影响距离约为2 800 m；沿河平行分布的线状道路边坡全程均对沟道沉积泥沙产生显著贡献，但贡献率随路河距离的增大呈指数函数衰减趋势。据此估算出道路对河流沉积泥沙的有效影响距离约为400 m，其中在约220 m范围内的影响最为显著。

以上研究结果证实工程扰动对藏东南小流域侵蚀产沙的深刻影响，揭示道路边坡和渣场2种侵蚀策源地对沟道泥沙贡献的差异机制，初步构建了可用于预测工程扰动泥沙影响范围的经验方程。考虑到研究区未来可能实施大规模水利开发等工程建设，在工程建设和规划阶段应充分考虑高风险侵蚀源地对下游河道和水源的影响，一方面需要加强工程扰动区水土保持和泥沙阻控措施的布设，另一方面在设计阶段也要考虑避让敏感水体。而本研究针对道路边坡和渣场2种侵蚀策源地泥沙贡献差异机制的研究结果，以及在此基础上提出的有效影响范围和贡献率预测方程，可以为工程规划和修复措施布设等实践应用工作提供参考。

受季节性河流输沙量不稳定和地形条件等因素限制，本研究采集沟道沉积泥沙进行来源解析。尽管可以在一定程度上揭示工程扰动侵蚀源地对流域产沙的贡献及其差异机制，但由于缺少连续的河流悬浮泥沙信息，部分研究结果可能无法完全代表全年河流输沙特征。本研究提出的工程扰动源地泥沙贡献率空间变异趋势符合客观实际。在未来的研究工作中，将以此为主线进一步扩大研究范围，在更大流域尺度和更长时间尺度上解析不同工程扰动类型对流域泥沙的贡献大小和影响方式，优化侵蚀源地泥沙贡献与影响因素之间的量化关系，形成更加完善的工程扰动侵蚀泥沙贡献预测模型，为研究区相关工程建设规划和修复措施布设提供更加有力的理论支撑。