水电站开发背景下, 干热河谷地区的土壤养分流失日益严峻^[1—2]。梯级水电站库区上下游库区间的补偿和累积效应^[3], 进一步增加了土壤养分时空分布的复杂性^[4—5]。掌握梯级水电站库区不同分区的土壤养分空间分布特征, 识别影响土壤养分的主要环境变量, 对于实现干热河谷地区梯级水电站的生态开发具有重要意义。以往关于库区土壤养分空间分布特征及其影响因素的研究, 主要选取土壤有机质、氮、磷等指标^[6—7], 探讨采样点与水电站距离对单一指标的影响^[8], 这会导致在土壤养分管理时顾此失彼, 缺乏系统性认识。近年来考虑多重因素(如梯级水电站上下游库区之间的相互作用^[9], 水流速度、泥沙沉积和坡度等^[10—11])影响下, 土壤养分的综合变化特征^[12]研究得到越来越多关注。

在已有土壤综合指数的研究中, 目前通常考虑土壤有机质、氮、磷等指标, 并采用隶属函数和主成分分析(PCA)等方法对土壤养分进行综合评价^[13—14], 然而, 这些研究采用的衡量指标并未统一, 缺乏可比性, 且少有学者将微量元素纳入土壤养分的综合评价当中。微量元素的有效量可被植物直接吸收, 能够反映植物营养元素的供给能力, 是土壤养分评价的重要指标, 且Cu和Zn既是养分元素, 又是重金属元素, 将微量元素其纳入考虑, 能更直接地指导生态环境管理^[15]。因此, 综合考虑有机质、氮、磷和微量元素等指标的土壤养分指数, 能有效识别土壤养分流失的重点区域, 在梯级水电开发过程中实现土壤养分的分区管理。

金沙江下游干热河谷地处横断山区, 蕴含丰富的水能资源和独特的生态区位特点, 是全国水电能源基地和重要的生态宝库^[16], 已经建成了大型梯级水电站。受特殊自然环境的影响, 流域土壤养分与水土流失关系复杂, 区域环境呈现出显著时空异质性特征, 对土壤养分的分区管理和生态修复的思路尚不明确^[17]。Sun等以金沙江干热河谷为研究对象, 识别出速效氮、速效磷、土壤有机质和pH值等指标对水库蓄水具有敏感性^[18], 为研究干热河谷库区土壤养分筛选出合适指标, 但并未讨论流域内不同区段的分区管理策略。

本研究以乌东德和白鹤滩水电站库首、库中、库尾区域的表层土壤为对象, 创新性地引入了涵盖物理性质(如含水率、容重)、基本化学性质(如pH值、阳离子交换量)、土壤有机质、常量元素养分(如全氮、全磷、全钾)和微量元素养分(如有效铁、有效锰、有效铜、有效锌)等19项指标, 系统构建了土壤养分指数, 填补了现有研究在微量元素和土壤养分综合评估方法方面的空白, 为库区土壤养分的分区管理提供参考。

1 材料与方法 1.1 研究区概况

研究区位于金沙江下游乌东德-白鹤滩梯级水电站所在流域(以下简称“WDD-BHT流域”), 位于云南和四川两省交界处。区域内涵盖中国第一级阶梯与第二级阶梯, 具有较大的地势起伏^[19], 为水电能源开发奠定了坚实基础。两个水电站均为世界级巨型水电站, 所在区域属于亚热带季风性气候。其年平均气温为18—23 ℃, 年平均降水量约为732—1028 mm^[20], 年蒸发量2500—4000 mm, 雨季通常从5月持续到11月, 不同海拔下的水热条件具有显著差异, 垂直地带性明显^[21]。干热河谷受西南季风和河谷地形引起的焚风影响, 气候干热, 植被以稀疏草原状植被为主, 包括林地和干刺灌木。基岩又主要为灰岩、大理岩、砂页岩、泥灰岩、板岩、石英岩等^[22]。气候和地质等因素使得该区域植被恢复困难, 水土流失严重, 是典型的生态脆弱区^[4]。研究区主要土壤类型为燥红土、红壤、棕壤、紫色土和亚高山草甸土, 受干热河谷气候影响, 土壤具有明显的垂直地带分布规律^[23]。该区域主要植被为外来物种新银合欢树(Leucaena leucocephala), 其广泛分布于干热河谷大部分区域, 常用于退化土地的植被恢复和重建, 所有新银合欢树群落具有相似的林分条件, 类型均为灌丛。

1.2 实验方法

本研究以干热特征明显^[5]的乌东德(WDD), 白鹤滩(BHT)库区(库首、库中、库尾)表层土壤为研究对象, 探讨梯级水电库区土壤养分的分区管理, 所以采用控制变量法, 保证所有采样点的土地利用类型相同, 都种植新银合欢树群。2023年4月, 在乌东德水电站的库首设置了4条样带(11个点), 库中设置1条样带(2个点), 库尾设置2条样带(7个点), 白鹤滩水电站库首1条样带(3个点), 库中1条样带(3个点), 库尾1条样带(2个点)(图 1, 表 1)。其中, WDD-1, WDD-3和BHT-4样带, 由于涉及高速公路修建等实际情况限制, 仅采集2个样点的土壤样本。样地调协基于区域内的环境梯度, 以全面反映库区不同位置的土壤养分特征。在每个样点设置10 m×10 m的样方, 考虑植物对土壤养分的主要作用层为0—20 cm^[24], 在样方内按“S”形五点采样法采集(0—10 cm和10—20 cm)土壤样品56件, 比较不同深度土层土壤养分的差异, 反映表层土壤垂向的空间分异特征。

本研究在测定土壤理化性质的基础上, 进一步分析养分特性。物理测试指标2项, 土壤容重(Bulk density, BD)参考土壤检测第4部分：土壤容重的测定, 利用100 cm³环刀采集土样, 并通过重量法进行测定, 含水率(Soil Moisture Content, K)利用铝盒烘干方法进行测定。养分相关指标17项, pH值测定参考区域地球化学样品分析方法(DZ/T 0279.27—2016)采用离子选择电极法, 阳离子交换量(Cationic exchange capacity, CEC)参考森林土壤阳离子交换量的测定(LY/T 1243—1999)。重铬酸钾容量法、凯氏蒸馏-容量法、X射线荧光光谱法和电感耦合等离子体原子发射光谱法测定土壤有机质(Soil organic matter, SOM)、全氮(Total Nitrogen, TN)、全磷(Total Phosphorus, TP)、全钾(Total Potassium, TK)。测定碱解氮(Hydrolyzable Nitrogen, HN)、速效磷(Available Phosphorus, AP)、速效钾(Available Potassium, AK)时, 参考森林土壤氮的测定(LY/T 1228—2015)、森林土壤磷的测定(LY/T 1232—2015)和森林土壤钾的测定(LY/T 1234—2015)。测定交换性镁(Exchange magnesium, Mg)、交换性钙(Exchangeable calcium, Ca)时, 参考地球化学调查样品分析方法：阳离子交换量和交换性钾钠钙镁的测定(GKMNL-FB09-01.4—2023)。参考土壤检测(NY/T 1121.9—2012)测定有效钼(Available Mo, Mo)。参考有效硼的测定-电感耦合等离子体发射光谱法(GKMNL-FB09-01.3—2023)测定有效硼(Available B, B)。参考土壤8种有效态元素的测定方法, 二乙烯三胺五乙酸浸提-电感耦合等离子体发射光谱法(HJ 804—2016), 测定有效铁(Available Fe, Fe)、有效铜(Available Cu, Cu)、有效锌(Available Zn, Zn)、有效猛(Available Mn, Mn)。

1.3 数据分析 1.3.1 土壤养分评价方法

单指标评价基于第二次全国土壤普查的分级评价标准^[25]进行评估(表 2, 表 3)。

采用模糊综合评价法构建土壤养分综合指标, 总结现有土壤养分综合评价指标^{[11, 21, 26]}, 首次将17项养分相关指标转化为1项范围处在0.10—1.00之间的综合指标。除了pH值外, 其他16项指标与土壤养分质量都呈现正相关, 即指标值越大, 越能满足土壤养分需求, 反之养分越缺乏, 所以在评价时采用S型隶属度函数曲线来判断各样本值所属不同养分质量区间的概率, 公式如下：

$ f\left(x_{i, j}\right)=\left\{\begin{array}{cc} 1.0 & x_{i, j} \geqslant a_{2, j} \\ \frac{0.9\left(x_{i, j}-a_{1, j}\right)}{a_{2, j}-a_{1, j}} & a_{1, j}<x_{i, j}<a_{2, j} \\ 0.1 & x_{i, j} \leqslant a_{1, j} \end{array}\right. $

(1)

式中, x_{i, j}为样本i的第j项指标；a_{2, j}为第j项指标的上限转折点, 即超过该值则认为养分充足；a_{1, j}为第j项指标的下限转折点, 即低于该值则认为养分缺乏。依据分级标准, 将各指标2级区间上限值设置为上限转折点, 将4级区间下限值设置为下限转折点^[27]。

就pH值而言, 过酸性或过碱性的土壤都将不利于土壤营养素地固定, 所以采用抛物线型隶属度函数, 计算公式如下：

$ f\left(y_i\right)=\left\{\begin{array}{cc} \frac{0.9\left(y_i-n_1\right)}{m_1-n_1}+0.1 & n_1<y_i \leqslant m_1 \\ 1.0 & m_1<y_i \leqslant m_2 \\ \frac{0.9\left(n_2-y_i\right)}{n_2-m_2}+0.1 & m_2<y_i \leqslant n_2 \\ 0.1 & y_i \leqslant n_1 \text { 或 } y>n_2 \end{array}\right. $

(2)

式中：y_i为样本i的pH值, 依据分级标准、背景值和新银合欢生长的土壤环境, n₁、m₁、m₂、n₂分别设定为4.50、5.56、8.01和8.50。

土壤养分指数(Soil nutrient index, SNI)计算公式如下：

$ \mathrm{SNI}_i=\sum\limits_{k=1}^{16} W_k \times F_k+W_{\mathrm{pH}} \times F_{\mathrm{pH}} $

(3)

式中：W_k和F_k分别代表第k个指标的权重和隶属度。通过SPSS因子分析, 取得17项指标的公因子方差, 并用各项指标公因子方差除以全部指标公因子方差之和计算得到权重。SNI的取值范围为0.10—1.00, 值越接近1, 表示土壤肥力值越高。计算0—10 cm土层与10—20 cm土层土壤养分指数的均值, 并采用Jenks自然断点分类方法, 将土壤养分指数分为Ⅰ—Ⅴ级, 当SNI小于0.52时，分级为Ⅴ级；当SNI处于0.52—0.54间时，分级为Ⅳ级；处于0.54—0.55间时，分级为Ⅲ级；处于0.55—0.57间时，分级为Ⅱ级；处于0.57—0.61间时，分级为Ⅰ级。Ⅰ—Ⅱ级为养分保持区, Ⅲ级为养分恢复区, Ⅳ—Ⅴ级为风险防控区^[28]。

1.3.2 基于随机森林的土壤养分空间分布预测和影响因素识别

采用ArcGIS pro软件中基于森林的分类和回归工具对土壤养分进行空间预测, 通过现有数据的训练构造可能的预测模型用于水电站库区土壤养分的空间预测^[29]。该模型属于有监督的机器学习算法, 通过创建决策树进行预测, 每棵树生成自己的弱预测, 并作为最终投票方案的一部分来组合成森林, 实现强预测。本研究中, 第一步创建预测模型, 将各采样点0—10 cm和10—20 cm土层的SNI分别设定为预测变量, 将6个方面的21项环境影响因子作为解释变量, 在气象方面选取年均气温(X1)、年均降水(X2)、年均湿度(X3)3个变量, 在土壤性质方面, 选取土壤质地, 即土壤中粉砂(X4)、砂土(X5)、黏土百分含量(X6)、容重(X7)、含水率(X8)、水蚀系数(X9)等6个变量, 在植被方面选取净初级生产力(X10)、归一化植被指数(X11)和植被类型(X12)3个变量, 在地形地貌方面选取高程(X13)、坡度(X14)、坡向(X15)、地貌类型(X16)4个变量, 在水文条件方面选取地形湿度指数(X17)、采样点与河流距离(X18)2个变量, 在人类活动影响方面选取采样点与电站距离(X19)、单位面积人口数量(X20)和单位面积生产总值(X21)3个变量。人口栅格数据来源为worldpop 2020年的中国1 km分辨率人口密度数据集(https://hub.worldpop.org/project/categories?id=18), 土壤水分和容重数据来源于国家青藏高原数据中心(https://data.tpdc.ac.cn/home), 与水库和与河流距离, 通过在研究区内创建1km格网, 并计算格网中点到最近水库或最近支流的距离计算获得, 其他栅格数据来源为资源环境科学数据平台(https://www.resdc.cn/Default.aspx)。其中, 75%的样本数据(21组)用于模型预测, 25%的数据(7组)用于模型检验, 初始决策树的数量设置为500。第二步, 检验模型稳健型, 计算不确定性以及各变量重要性。第三步, 优化模型筛除重要性较低, 增加决策树的数量到1000和2000, 进行回归诊断, 确定决策树数量为1000, 并计算得到库区土壤养分的空间分布栅格数据。

2 结果与分析 2.1 库区表层土壤理化性质

表 4展示了研究区表层土壤各项理化指标的描述性统计结果。就物理性质而言, 土壤K值范围处于0.98%—4.09%之间, 平均值为2.07%。土壤BD范围处在0.93—1.74 g/cm³之间, 平均值为1.48 g/cm³, 土壤处于紧实状态。就养分指标来看, pH范围为5.18—8.29之间, 平均值为7.62, 土壤整体呈现为弱碱性的状态。CEC介于4.20—41.70 c mol/kg之间, 平均值为9.23, 处于4级, 土壤保水保肥能力偏弱。SOM、TK处于1级, TN处于2级。此外, AK处于1级, 养分含量极高, HN处于4级, 养分含量中等, AP处于5级, 养分含量低。通过变异系数反映样本观测值的变异程度, 来分析各指标的离散程度。pH值的变异系数小于10%, 表现为弱变异, 空间差异较小。K、CEC、BD、SOM、TK、AK、TP、AP、TN、HN、Mg和Mn的变异系数处于10—100%, 属于中等强度变异。Ca、Fe、Cu、Zn、B和Mo的变异系数都大于100%, 属于强变异。

2.2 不同库区表层土壤养分分层差异

图 2展示了乌东德和白鹤滩库区0—10 cm和10—20 cm表层土壤养分的差异特征。在乌东德库区, 从不同区段看, 库首区土壤的TN、B、BD显著高于库中区, TP和Mg显著高于库尾区, 而库首区的SOM、HN、Mg和Mn显著低于库中地区, K、SOM、Ca显著低于库尾区, 库中区土壤的Mg显著高于库尾区, 而Ca显著低于库尾区。从不同分层看, 在库尾区0—10 cm土层的TN、HN、AP和Cu显著高于10—20 cm土层。

在白鹤滩库区, 从不同区段看, 库首区的土壤HN显著高于库中区和库尾区, 而库首区的K、pH、TN和TP显著低于库中地区。从不同分层看, 在库首区0—10 cm土层的SOM、TN和HN显著高于10—20 cm土层, 库中区0—10 cm土层的Mo显著高于10—20 cm土层。

对比两个水电站库区发现, 乌东德与白鹤滩库区土壤的Mg、Ca、BD、TN、TP和HN存在显著差异。

2.3 库区土壤养分综合评价 2.3.1 土壤养分指数(SNI)空间分布与分区

土壤养分指数空间分布结果如图 3, 0—10 cm土层土壤养分整体较高, 处在0.53—0.66范围内, 高值出现在乌东德和白鹤滩的库尾区, 10—20 cm土层土壤养分整体处于0.43—0.58之间, 其中SNI高值则出现在水电站的库中区。对比两个水电站库区发现, 乌东德库尾区域0—10 cm土层的土壤养分, 整体高于其库首区域和白鹤滩库区；而在10—20 cm土层土壤养分则表现出相反特征, 在乌东德库尾区域的土壤养分整体低于其库中、库首和白鹤滩库区。

2.3.2 土壤养分指数(SNI)空间分级与分区

通过自然断点法, 将表层和次表层土壤SNI的均值分为5级, SNI的空间分级和分区结果如图 4所示。乌东德水电站的库中区、白鹤滩水电站的库首和库中区总体为土壤养分保持区, 乌东德水电站的库首区域总体为养分恢复区, 乌东德和白鹤滩水电站的库尾区域总体为土壤养分风险防控区。由此可见, 应该加强库尾区域, 即两个水电站上游流域的养分保持, 避免造成水土流失, 影响下游的水电站运行和发展。

2.3.3 土壤养分解释变量重要性

为进一步厘清影响土壤养分的因素, 采用随机森林方法, 识别21个解释变量对土壤养分的重要性大小。其中, 在拟合0—10 cm土层土壤养分指数时, 若将21个解释变量都纳入考虑, 训练集(21组数据)的R²为0.773, 但验证集(7组数据)的R²仅为0.507。为提高预测的可行性, 考虑删除重要性排名较低的变量, 再进行预测, 最终剩余16个变量(图 5), 训练集的R²提升为0.779, 而验证集的R²提升到0.829。GDP的重要性占比最高, 为14%, 其次是归一化植被指数、地貌、高程和地形湿度指数, 其重要性占比分别为9%、9%、8%和7%。此外, 土壤属性因素也对土壤养分存在重要影响。

而在拟合10—20 cm土壤养分指数时, 考虑21个解释变量时, 训练集的R²为0.830, 验证集的R²为0.608。筛除3个变量后的训练集R²提升为0.833, 验证集R²提升为0.782。其中, 人为活动因素的重要性比重最高, 达26%, 其次是土壤属性和地形地貌因素, 而植被的重要性相对较小。

3 讨论 3.1 库区土壤养分空间分异特征

本研究系统地评估了干热河谷库区的土壤养分特征。研究结果显示, 库区土壤pH值普遍呈现弱碱性, 且为弱变异。一方面可能是因为在水淹干扰增强的情况下, 土壤厌氧还原反应加剧, 土壤pH值升高^[30], 另一方面新银合欢群落仍处在演替进程中, 随时间推移, 未来土壤可能有进一步碱化的趋势^[31]。交换性钙(Ca)、有效铁(Fe)、有效铜(Cu)、有效锌(Zn)、有效硼(B)和有效钼(Mo)等微量元素的变异系数较大, 这可能是因为研究区矿产资源丰富^[23], 局部地区受采矿业影响, 微量元素的值相对偏高。K、CEC、BD、SOM、TK、AK、TP、AP、TN、HN、交换性镁(Mg)和有效猛(Mn)呈现出中等强度变异, 表明不同程度上受到人为干扰。

本研究发现梯级水电库区土壤养分表现出明显的空间分异特征, 10—20 cm土层的含水率、容重和可交换性镁含量通常高于0—10 cm土层, 而其他养分指标, 如有机质、全氮和速效磷则在上层土壤中更为丰富, 这可能与上层土壤更容易受到根系分泌物影响, 以及表层土壤根际微生物对养分的快速吸收和转化有关^[32]。在横向上, 土壤pH值、有机质和全氮在乌东德(WDD)和白鹤滩(BHT)两个水电站库区的变化趋势存在显著差异。WDD库区的土壤pH值和全氮含量在库中最高, 而BHT库区则在库首最高, 这种差异可能与水电站影响有关。

3.2 库区土壤养分空间分异原因

本研究发现, 0—10 cm土层的土壤养分指数(SNI)在乌东德和白鹤滩的库首和库中区SNI值较高, 而在库尾区域较低, 在众多影响因素中, 国民经济发展、水电站建设、人口密度和植被在其中起到重要作用。根据栅格发现, 研究区库首和库中区的NDVI值相较于库尾较高, 说明植被的种植有利于土壤养分恢复。相关研究表明, 植被通过提供有机物输入和减少土壤侵蚀, 有助于提高表层土壤养分水平^[33]。栅格中库尾区的社会经济发展水平和人口密度相对较高, 说明随着人类社会经济活动可能会使得土壤养分下降^[34]。此外, 气温、降水和地表径流, 通过影响土壤有机质矿化和养分沉积, 进而影响表层土壤养分分布^[35]。

与表层相比, 10—20 cm土层的SNI高值主要集中在库尾区, 随机森林模型的验证表明, 次表层土壤养分分布主要受人为活动、土壤属性及地形地貌因素影响, 如坡度较大的区域养分易流失, 而平缓区域更有利于养分积累^[36]。而气象和植被因子作用较小。这可能是因为次表层土壤对短期环境变化响应较慢, 受表层土壤的间接作用影响更大^[37]。

3.3 库区土壤养分分层与分区管理

本研究发现乌东德水电站库中与白鹤滩水电站库首、库中区段土壤养分指数值(SNI)介于0.55—0.61之间，处于Ⅰ—Ⅱ级，属于养分保持区。对于乌东德水电站库中区段需要注意全钾和交换性钙的保持。白鹤滩水电站库首区段需特别关注全氮、全磷、交换性钙、有效铜和有效钼的保持，库中区段则需关注有效锰的保持。乌东德水电站库首与白鹤滩水电站库尾区段，SNI主要介于0.54—0.55之间，处于Ⅲ级，属于养分恢复区。水库建设后这些区域土壤中的关键养分经历流失或重新分配，目前正处于需要恢复的阶段，尤其是有机质、碱解氮和微量元素的恢复，缺乏这些关键养分会直接影响植物的生长^[38—39]。具体而言，土壤中的有机质直接影响植物的根系发育^[40]，而微量元素如铁、锌等对植物的生理功能至关重要^[41]。如果这些养分得不到有效恢复，将对研究区内的新银合欢等物种产生负面影响。而植被生长是边坡修复的关键^[42]，养分不足会影响植物生长和整个生态系统的养分循环，进一步加剧水土流失^[43]。乌东德水电站库尾区段SNI介于0.43—0.54之间，处于Ⅳ—Ⅴ级，属于养分风险防控区。该区域土壤的全氮、全磷、全钾、速效钾、交换性镁、有效锌和有效硼含量，与整个研究区相比较小。这些养分的缺乏，不仅限制了植被的自然恢复，还可能通过土壤-植物-微生物的相互作用，加剧土壤健康的恶化^[44]。

此外，值得注意的是，空间预测的结果显示，从河谷到坡地，随着海拔的升高，土壤养分指数下降，这表明坡度大小也会影响土壤养分含量。研究表明，在水电站扰动区，沿坡体从上至下，土壤养分依次增加，坡度和坡向会影响土壤内环境变化。可见，对于不同地形地貌特征和坡度的区域，应选择合适的植被和适宜的土壤养分恢复方式进行生态修复。金沙江干热河谷植被稀疏，滑坡和泥石流频发，在坡度较大的耕地，实施退耕还林，开展乔灌草恢复性修复，在坡度较缓的耕地，采取果农、果蔬和果牧模式建设，能够增加生物多样性，有效控制水土流失^[45]。

3.4 模型不确定性与优化

在模型训练时, 通过调整解释变量组成和树数实现模型优化。在验证数据占比25%的情况下, 设置树数为500、1000、2000进行比较, 发现1000树数时, 验证数据R²为0.779, 相较于500树数时的0.776, R²有提高0.39%, 2000树数时R²为0.780, 相较于1000树数时没有明显变化, 所以在本研究模型运算时, 均采用1000树数。

本研究系统地对比了上下游水电站及同一库区内不同位置(库首、库中、库尾)的土壤养分状况, 揭示了梯级水电库区土壤养分空间分异特征。然而, 研究存在样本数量和水电站范围有限的问题, 这可能影响结果的普适性。此外, 由于缺乏长期时间序列的数据, 无法对水电的影响进行全面评估。未来研究将进一步扩大样本量, 结合遥感监测和模型模拟等方法, 深入探讨水电开发的长期影响, 为制定有效的土壤管理措施和生态修复提供科学依据。

4 结论

本研究通过分析金沙江下游乌东德和白鹤滩水电库区的土壤养分特征, 揭示了库区土壤养分的空间分异规律及其影响因素的重要性, 并提出了相应的分区管理策略。研究结果显示, 库区土壤普遍呈弱碱性, 且受到水淹干扰和矿产资源开发的影响, 土壤pH值和微量元素的变异性较大。土壤养分在空间上表现出明显的分异特征, 库区表层(0—10 cm)土壤的有机质和全氮等养分较为丰富, 在库首和库中的表层土壤养分指数较高, 植被因素发挥着重要作用, 需继续保持植被覆盖, 在库尾应控制社会经济发展对土壤养分的影响。次表层土壤则主要受土壤属性及地形因素的影响, 对于坡度较大的区域应采取相应的生态修复措施, 有效控制水土流失。此外, 本研究还指出, 模型的优化和验证过程存在一定的不确定性, 未来应结合遥感监测和更多样本数据, 进一步评估水电开发的长期影响, 为制定更为精准的土壤管理和生态修复策略提供科学依据。

致谢: 感谢中国科学院水利部成都山地灾害与环境研究所张信宝研究员、中国地质科学院岩溶地质研究所于奭研究员、国家自然科学基金委员会地球科学部高阳副研究员、云南大学生态与环境学院陈哲副研究员对研究给予的帮助。