青藏高原降雨侵蚀力R因子分布特征及驱动因素

苏立彬 王茂林 袁春慧 柯浩成

收稿日期：2023-11-24；接受日期：2024-01-12

基金项目：西藏土木水利电力工程技术研究中心项目（XZA202305CHP2002B）；西藏自治区科技厅重点研发计划项目（XZ202101ZY0016G）

作者简介：苏立彬，男，讲师，博士研究生，研究方向为高原生态修复与可持续发展。E-mail：3249928177@qq.com

通信作者：柯浩成，男，副教授，博士，主要从事生态水文与水资源方面的研究。E-mail：kehc@lut.edu.cn

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章编号：1001-4179（2024） 06-0085-07

引用本文：苏立彬，王茂林，袁春慧，等.

青藏高原降雨侵蚀力R因子分布特征及驱动因素

［J］.人民长江，2024，55（6）：85-91.

摘要：降雨侵蚀力R因子是测算土壤侵蚀的重要因子，该因子的准确计算对水土流失动态监测具有重要意义。以青藏高原为研究对象，利用遥感数据和地理信息系统技术，并采用地理探测器模型分析了1991～2020年青藏高原地区降雨侵蚀力R因子的分布特征以及影响因素。研究结果表明：① 青藏高原地区R值的变化在分布上大致呈现西北高东南低的特点，Cv变差系数在0～0.78之间，年际变化较大的区域分布在青藏高原西北部的和田、阿里地区以及巴音郭楞蒙古自治州的部分地区；而仲巴县、改则县等区县所围成的区域年际变化较小。青藏高原地区降雨侵蚀力R因子的值在0～15 532 MJ·mm/（hm2·h·a）之间，均值为648.84 MJ·mm/（hm2·h·a），R值自东向西递减，呈现明显的条带状分布特征，其中在位于青藏高原的南部地区形成了一个明显的高值中心。② 影响力探测结果表明，最低气温的解释力最高，q值为0.453，主导降雨侵蚀力R因子的时空分布特征。③ 交互探测结果表明，青藏高原各因子间协同效应均表现为双因子增强或非线性增强关系，较单因子作用有明显提升。气候因子间的交互作用对降雨侵蚀力R因子的影响较为突出。

关  键  词：降雨侵蚀力因子； 时空分布； 变差系数； 地理探测器； 青藏高原

中图法分类号： S157

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2024.06.012

0  引 言

在全球气候变化下，青藏高原大多数地区极端天气频发，降雨量、降雨强度增加，侵蚀性降雨增多，加剧了土壤侵蚀。降雨侵蚀力R因子是评价这种潜在能力的一个动力指标［1］。降雨是引起土壤侵蚀的主要动力因素，其数值能表征降雨对土壤侵蚀潜力的大小［2-4］。降雨侵蚀力因子自提出并用于美国通用土壤流失方程（USLE）以来，一直是土壤侵蚀研究的重点和热点之一［5-6］。降雨侵蚀力R因子值的大小与分布受气候条件、地形条件和人类活动的共同影响，因此确定自然因素与人类活动对降雨侵蚀的解释力对制定水土保持措施尤为重要［7-8］。

目前国内外学者对降雨侵蚀力R因子的研究集中在时空变化规律以及计算方法上，例如Johannsen等［9］利用171个气象站的降雨数据，计算了奥地利各地1995～2015年降雨侵蚀力，并根据降雨侵蚀力的时空分布差异反映侵蚀危险性；马道铭等［10］基于日降水数据研究山西省近60 a降雨侵蚀力时空变化，结果表明，该地区大部分降雨侵蚀力呈下降趋势，黄河

沿线呈上升趋势。张悦等［11］基于2种降雨侵蚀力模型分析了近40 a黄河中游降雨和降雨侵蚀力时空演变，结果表明，黄河中游年均降雨侵蚀力受地形和地貌影响，具有显著的垂直空间差异。陈剑南等［12］分析黄土高原降雨侵蚀力时空变化，结果表明，该地区降雨侵蚀力空间存在显著差异，但变化不显著。然而，目前针对降雨侵蚀力R因子驱动因素的相关研究相对较少，因此本文以青藏高原为研究对象，分析降雨侵蚀力R因子的分布特征和影响因素。

青藏高原地处中国西部，是世界上海拔最高的高原，也是全球陆地上平均海拔最高、环境最脆弱的高原。降雨作为青藏高原生态系统中至关重要的气候因素之一，对土壤侵蚀具有重要影响。青藏高原降雨侵蚀力R因子的分布规律受多种因素的共同影响，包括气候变化、地形起伏和人类活动等。这些因素之间存在着复杂的相互作用关系，需要进行深入研究以揭示其内在规律［13］。随着全球气候变化的不断加剧，青藏高原降雨侵蚀力的分布特征及其驱动因素备受关注，故降雨侵蚀力的研究对于深入了解该地区土壤侵蚀过程，保护生态环境，以及合理利用土地资源具有重要意义。

本文基于地理探测器模型，利用遥感数据和地理信息系统技术，系统分析青藏高原地区降雨侵蚀力R因子分布特征及其驱动因素，不仅可以为该地区土壤侵蚀的定量评估提供科学依据，还可以为生态环境保护和可持续发展提供重要决策支持。

1  材料和方法

1.1  研究区概况

青藏高原地处26°00′12″N～39°46′50″N，73°18′52″E～104°46′59″E之间，是全球海拔最高的地区之一，平均海拔超过4 000 m。青藏高原主要包括昆仑山脉、喜马拉雅山脉、唐古拉山脉等。青藏高原位于中国西南部，行政区域包括青海省、甘肃省、四川省、西藏自治区、云南省和新疆维吾尔自治区，如图1所示。青藏高原多年平均降水量为300～500 mm，降水量在不同区域之间存在很大的差异；青藏高原中部和西部地区则相对较干旱，这些地区大多属于内陆沙漠或荒漠地带；青藏高原东南部的云南地区年降水量最多，约为1 200～2 500 mm；而青藏高原北部和西部地区的年降水量相对较少，只有100～300 mm。李文君

等［14］研究表明喜马拉雅山脉北翼年降水量不足600 mm，而喜马拉雅山脉南翼为亚热带及热带北缘山地森林气候，年降水量为1 000～4 000 mm。昆仑山脉南翼属高寒半荒漠和荒漠气候，年降水量为20～100 mm。夏季和秋季是青藏高原上降水最多的季节，而冬季和春季则相对较少。

1.2  数据来源及预处理

1.2.1  数据来源

本研究所需数据包括降雨数据、数字高程数据、人口密度、土地利用和气象数据等，空间分辨率约为1 km。详细见表1。

1.2.2  数据预处理

本研究下载的数据通过R语言将其转化为tif格式，并将其整合为年值数据。运用ArcGIS 10.2对以上数据再次进行按掩膜提取、投影转换和重分类等处理，确保所有影像与青藏高原边界空间参考一致和像元大小相同。坡度和坡向数据运用ArcGIS 10.2由DEM数据计算得来。

1.3  研究方法

1.3.1  地理探测器

地理探测器是一种统计学方法［15］，它基于空间分层异质性，通过比较自变量与因变量的空间分布相似性来揭示驱动这些变量的因素。其核心思想在于假设如果某个自变量对因变量有重要影响，那么它们的空间分布格局会具有相似性，从而用来度量自变量对因变量的贡献率［16］。这种方法已经在环境科学［17］、社会经济［18］和人类健康［19］等多个领域得到广泛应用。本文主要探讨因子探测和交互探测这2个模块，揭示不同探测因子对青藏高原地区降雨侵蚀力R因子的驱动机制。

本文选取坡向（X1）、坡度（X2）、高程（X3）、 最高气温（X4）、 最低气温（X5）、平

均气温（X6）、人口密度（X7）和土地利用类型（X8）共8个因子来分析其对降雨侵蚀力R因子的影响。

（1） 因子探测。

分析因变量Y在空间上的变化特征，并确定各个自变量X在多大程度上解释了Y的空间变化。公式如下：q=1-1Nσ2Lh=1Nhσ2h

（1）

式中：L为因变量Y或探测因子X的分层；Nh和σ2h分别为层h的单元数和Y值方差，N和σ2分别为研究区的总单元数和Y值方差。q为［0，1］，其值越大，表示探测因子X对降雨侵蚀力R因子的解释力越强，反之则越弱。

（2） 交互作用探测。

识别不同影响因子X之间的交互作用，评估对因变量Y的解释力。交互作用可分为表2中的5类。

1.3.2  降雨侵蚀力R因子计算

R因子是衡量降雨侵蚀能力的定量指标，它用于测量降雨造成分离和传输土壤颗粒的能力。本文选用修订的R因子公式［20］计算1991～2020年的逐年降雨侵蚀力，计算公式为

R=0.44488P0.969882

（2）

式中：P为年降雨量，mm。

1.3.3  变差系数

年降雨侵蚀力R因子的变差系数Cv表示为

Cv=R年s/R年=ni=1（R年i-R年）2n-1R年

（3）

式中：Cv为变差系数，反映不同年限长度降雨侵蚀力R因子的稳定性；R年s为某序列年限长度下的降雨侵蚀力R因子的标准差，MJ·mm/（hm2·h·a）；R年i为第i年的降雨侵蚀力R值；R年为相应年限长度下降雨侵蚀力R的平均值，MJ·mm/（hm2·h·a）；n为序列年限长度。Cv值越大，降雨侵蚀力R因子的年际变化越剧烈，对水土流失治理工程不利;Cv值越小，降雨侵蚀力R因子的年际变化越小，越有利于水土流失治理工程规划实施。

2  结果与分析

2.1  青藏高原降雨侵蚀力R因子的时空分布

2.1.1  年际变化

降雨侵蚀力因子的年际变化特征用3种指标表示：变差系数Cv、最大年R值与年平均R值的比值（R年max/R年）、最大年R值与最小年R值的比值（R年max／R年min）。降雨侵蚀力R因子及变差系数Cv空间分布如图2所示。青藏高原年均R值年际变差系数介于0～0.78之间，均值为0.26。最大年R值一般为平均年R值的1.14倍，最大年R值为最小年R值的1.57倍，表明降雨侵蚀力R因子的年际变化较大。其中，年际变化较大的区域分布在青藏高原西北部的和田、阿里地区以及巴音郭楞蒙古自治州的部分地区，这些区域的Cv值都超过了0.5。仲巴县、改则县、双湖等区县所围成的区域内R值的年际变化较小，Cv值平均在0.3左右。

2.1.2  空间分布

青藏高原1991～2020年降雨侵蚀力R因子的空间分布如图3所示。青藏高原地区降雨侵蚀力R值分布区间为0～15 532 MJ·mm/（hm2·h·a），多年平均R值648.84 MJ·mm/（hm2·h·a）。从整体上看，降雨侵蚀力R值自东向西递减，呈现明显的条带状分布特征，其中在位于青藏高原地区南部的林芝、山南地区形成了一个明显的高值中心。四川省西部的阿坝、甘孜等地以及青海省东南部的部分地区降雨侵蚀力R值较大，其变化范围为3 487～15 532 MJ·mm/（hm2·h·a）。青藏高原除南部地区外，降雨侵蚀力R值均较小，其变化范围为0～1 284 MJ·mm/（hm2·h·a），且低值区域自东向西逐渐减小，呈条带状分布，那曲、阿里的西北部区域位于明显的地质抬升区，部分地区处于降雨阴影区，年平均降雨量较少，因此R值也相对较小。

2.2  青藏高原降雨侵蚀力R因子动态变化

为了更加深入地了解青藏高原地区降雨侵蚀力R因子的动态变化，对1991～2020年这一时间段内，每5 a选取一个代表年份，将所选年份的降雨侵蚀力R因子空间分布分别进行对比。如图4所示，1991～

2020年青藏高原地区整体降雨侵蚀力R值变化不是

很明显，整体呈现东南低西北高的空间分布特征。青

藏高原大部分地区R值均较小，而位于青藏高原

南部地区的林芝、山南地区，R值相对较大。其变化区

域主要分布在青藏高原东南部的甘孜、阿坝和昌都地

区，其中1992年降雨侵蚀力R值的分布相较于其他年份变化较大，往后其他年份R值的变化较小。

2.3  青藏高原降雨侵蚀力影响因素地理探测

2.3.1  影响因素影响力探测（因子探测）

因子探测器结果表示各因子对降雨侵蚀力R值的影响，计算结果q值为降雨侵蚀力R因子的解释力。由表3可知，统计结果显示，各个因子对降雨侵蚀力R值的影响不同，各个因子的解释力依次为最低气温（X5）（0.453）>最高气温（X4）（0.398）>平均气温（X6）（0.396）>高程（X3）（0.167）>土地利用（X8）（0.150）>人口密度（X7）（0.082）>坡度（X2）（0.058）>坡向（X1）（0.004），人口密度和坡度、坡向作用微小。最低气温的q值最高，表明气温对降雨侵蚀力R值的贡献最大。气温的解释能力先增强后降低，2005年最低气温对降雨侵蚀力R值的作用程度达到最高，因此，温度是影响降雨侵蚀力R值空间分异的主要驱动因子，而人口密度和坡度、坡向3个影响因子对降雨侵蚀力R值的解释力微小。故降雨侵蚀力R值的大小与分布受气候条件影响最大。

从动态变化来看，各因子对青藏高原地区降雨侵蚀力R因子的解释力呈现不同变化趋势，如图5所示。

在1995～2020年近30 a期间，分别为最高气温、最低气温和年均气温q值增加，而坡度、人口密度和土地利用q值降低。总体来看，30 a间最高气温、最低气温、年均气温和海拔对研究区降雨侵蚀力因子的影响呈增加趋势，其中最高气温q值增加速率最高，为0.002 1 a-1，这可能是由于全球变暖，该区域的气温上升，更容易形成暖湿气流，使降水量增加，从而使降雨侵蚀力增加；而人口密度对研究区降雨侵蚀力的影响趋于减少，这可能是由于该地区近年来受到“集中搬迁”政策或者人口大面积迁移的影响；其余各因子随时间变化不明显（速率＜0.001 a-1）。

2.3.2  影响因素交互作用探测

各个因子交互作用的结果如图6所示，大多数因子交互作用的q值大于单个因素的q值，并且因子相互作用类型为非线性增强和双因子增强，不存在独立关系。具体而言，其他因子与最低温度交互作用q值均大于单因子解释力。此外，X8∩X5（0.529）>X5∩X4（0.500）>X8∩X4（0.497）>X8∩X6（0.485）>X7∩X5（0.485），结果表明，土地利用与最低气温、最低气温与最高气温、土地利用与最高气温、土地利用与气温、人口密度与最低温度的交互作用呈现双变量增强效应；X8∩X5（0.529）是因子交互探测结果中的最大值，这表明土地利用与最高温度两因子交互作用呈现最显著的双变量增强效应，对降雨侵蚀力R因子的作用最大。由表3可知，X2、X3、X4、X5、X6、X8的p值为0（p<0.05），表明以上因子与降雨侵蚀力R显著相关，相反X1、X7的p值大于0.05，故坡向和人口密度对降雨侵蚀力R因子的影响作用不显著。

因此，在土壤侵蚀治理中，应特别关注温度因子，并针对温度与其他因子的交互作用制定合理的治理措施，以达到最佳的治理效果。此外，坡度与坡向两个因子单独作用对土壤侵蚀的解释力比较小，但两个因子与其他因素交互作用时对土壤侵蚀的解释力有所增加，表明自然因素在人类活动的影响下对土壤侵蚀的作用更加剧烈。

3  讨 论

本研究采用地理探测器模型，对青藏高原地区降雨侵蚀力R因子的分布规律与驱动因素进行了深入分析。因子探测分析结果表明气温、高程和对降雨侵蚀力R因子的作用影响最强，在全球气候变暖的大环境下，青藏高原大多数地区强降雨事件增加，侵蚀性降雨增多，导致R值呈上升的趋势［21］，但R值并非只受侵蚀性降雨的影响，同时还受气候条件、人类活动、地形等条件的影响。青藏高原位于喜马拉雅山脉和昆仑山脉之间，其地形复杂多样，包括高山、高原、河谷等地貌类型。这种多样性使得降雨侵蚀力R因子在时空上表现出较大的差异性。青藏高原多年平均R值空间上总体呈东南高西北低分布特点，而高值区集中分布在南部地区，可能是由于林芝市、山南市位于喜马拉雅山南坡一带，夏季气候海洋性特征显著，大量来自海洋的暖湿气流，经地形抬升形成充沛降水，具有暖季降雨频次高、强度大的特点，导致R值分配极度不均。Guo等［22］建立了全国降雨侵蚀力重力模型，也发现国家尺度上降雨侵蚀力呈现东南高西北低的特点。这一趋势可能与夏季风从东南向西北推进的方向有关［23］。而位于西北部的喀什地区位于青藏高原西北部，地处群山之间，远离海洋，属暖温带大陆性干旱气候带，太阳辐射强烈，使得来自大西洋的盛行西风气流以及来自北冰洋的冷湿气流，太平洋和印度洋的季风难以到达，气候干燥，降水稀少，故R值较低。这与邹玉霞等［24］在1960～2017年重庆市不同量级降雨侵蚀力R值的时空变化特征的结果一致。其中1992年降雨侵蚀力R值的分布相较于其他年份变化较大，往后其他年份R值的变化较小，可能是因为提出了关于生态文明建设的决策部署，包括在北方地区实施退牧还草和退耕还林工程，加强林地植被管理和修复，增加植被覆盖度，防治过度放牧和开垦田地而造成草场退化，综合防治农牧交错地带土壤侵蚀［25］。

因此，土壤侵蚀治理不仅要考虑RUSLE模型中的单个影响因子，还要考虑其他因素以及其他影响因子，以制定更全面、科学的土壤侵蚀治理策略，从而最大程度地减少土壤侵蚀对该地区生态环境和可持续发展的不利影响，更好地为认识青藏高原的土壤侵蚀机制、生态环境演变规律及可持续发展战略提供科学依据。

4  结 论

（1） 青藏高原年际变化表现出明显的“由东向西，自南向北”递增的趋势，表明东南向西北方向上降雨侵蚀力的稳定性逐渐减弱。降雨侵蚀力R值年际变差系数介于0～0.78之间，均值为0.26。最大年R值一般为平均年R值的1.14倍，最大年R值为最小年R值的1.57倍，表明降雨侵蚀力R因子年际变化较大。降雨侵蚀力因子R值呈东南高西北低的特点，变化范围在0.325～15 532 MJ·mm/（hm2·h）之间，均值为648.84 MJ·mm/（hm2·h），R值在空间分布上整体自东向西递减，呈现明显的条带状分布特征，其中在位于青藏高原南部的林芝、山南地区形成了一个明显的高值中心，其他大部分地区R值均较小。

（2） 影响力探测结果表明，各个因子的解释力依次为最低气温（0.453）>最高气温（0.398）>平均气温（0.396）>高程（0.167）>土地利用（0.150）>人口密度（0.082）>坡度（0.058）>坡向（0.004），人口密度和坡度、坡向作用微小。最低气温的q值最高，表明其对降雨侵蚀力R值的贡献最大。

（3） 交互探测结果表明，青藏高原地区各因子间协同效应均表现为双因子增强或非线性增强关系，较单因子作用有明显提升。最低气温∩土地利用（0.529）是因子交互探测结果中的最大值，这表明最低温度与土地利用两因子交互作用呈现最显著的双变量增强效应，对降雨侵蚀力R因子的作用最大，且气候因子间及气候因子∩土地利用的交互作用对降雨侵蚀力R因子的影响较为突出。

参考文献：［1］  RAN Q，SU D，LI P，et al.Experimental study of the impact of rainfall characteristics on runoff generation and soil erosion［J］.Journal of Hydrology，2012，424：99-111.

［2］  金建君，谢云，张科利．不同样本序列下侵蚀性雨量标准的研究［J］.水土保持通报，2001，21（2）：31-33．

［3］  谢云，刘宝元，章文波．侵蚀性降雨标准研究［J］.水土保持学报，2000，14（4）：6-11．

［4］  王万忠，焦菊英．中国的土壤侵蚀因子定量评价研究［J］.水土保持通报，1996，16（5）：1-20.

［5］  马良，左长清，孙勐，等．山东省降雨侵蚀力空间分布特征及其简易方程的研究［J］.水土保持研究，2010，17（2）：28-31．

［6］  章文波，付金生．不同类型雨量资料估算降雨侵蚀力［J］.资源科学，2003，25（1）：35-41．

［7］  田培，许盈，杨伟，等.鄂东南水土流失时空变化及其影响因子定量评价［J］.人民长江，2023，54（7）：61-68.

［8］  吴明洋.成都市降雨量及降雨侵蚀力年内分布特征研究［J］.人民长江，2019，50（4）：81-85.

［9］  JOHANNSEN E L，SCHMALTZ E M，MITROVITS O，et al.An update of the spatial and temporal variability of rainfall erosivity （R-factor） for the main agricultural production zohes of Austria［J］.Catena，2022，215：106305.

［10］马道铭，回毅滢，赵炯昌，等.近60年山西省降雨侵蚀力时空变化特征［J］.水土保持研究，2023，30（6）：24-31，48.

［11］张悦，张艳，史飞航，等.基于不同模型的黄河中游降雨侵蚀力时空变化分析［J］.水土保持通报，2023，43（2）：220-229，238.

［12］陈剑南，刘益麟，李朋飞，等 1901～2016年黄土高原降雨侵蚀力时空变化［J］.水土保持研究，2022，29（4）：39-46.

［13］姚昆，张存杰，李玉珍，等.四川省安宁河流域土壤侵蚀时空演变及预测分析［J］.人民长江，2021，52（7）：65-70.

［14］李文君，李鹏，封志明，等.基于人居环境特征的青藏高原“无人区”空间界定［J］.地理学报，2021，76（9）：2118-2129.

［15］王劲峰，徐成东.地理探测器：原理与展望［J］.地理学报，2017，72（1）：116-134.

［16］HUO H，SUN C P.Spatiotemporal variation and influencing factors of vegetation dynamics based on Geodetector：a case study of the northwestern Yunnan Plateau，China［J］.Ecological Indicators，2021，130：108005.

［17］徐勇，黄雯婷，郑志威，等.基于空间尺度效应的西南地区植被NPP影响因子探测［J］.环境科学，2023，44（2）：900-911.

［18］POLYKRETIS C，ALEXAKIS D D.Spatial stratified heterogeneity of fertility and its association with socio-economic determinants using Geographical Detector：the case study of Crete Island，Greece［J］.Applied Geography，2021，127：102384.

［19］ZHANG X X，XU C D，XIAO G X.Spatial heterogeneity of the association between temperature and hand，foot，and mouth disease risk in metropolitan and other areas［J］.Science of the Total Environment，2020，713：136623.

［20］杨子生.云南省金沙江流域土壤流失方程研究［J］.山地学报，2002，20（增1）：1-9.

［21］郑哲，邹进，潘锋，等．1961～2010年怒江流域降雨侵蚀力的时空变化特征［J］.中国水土保持科学，2018，16（5）：16-22.

［22］GUO B，LUO W，HAN B，et al.Multiple spatiak temporal scale change patterns of rainfall erosivity in China over past 58 years based on gravity centre model ［J］.Geomatics，Natural Hazards and Risk，2019，10（1）：2200-2219.

［23］LIU S，HUANG S，XIE Y，et al.Spatial temporal changes of rainfall erosivity in the Toess Plateau，China：changing patterns，causes and implications［J］.Catena，2018，166：279-289.

［24］邹玉霞，樊国中，刘淑婧，等.1960～2017年重庆市不同量级降雨侵蚀力R值的时空变化特征［J］.水土保持学报，2022，36（6）：41-48.

［25］曹前发.“绿水青山就是金山银山”的实践《建设美丽中国：新时代生态文明建设理论与实践》第十章［J］.中国林业产业，2023（7）：82-96.

（编辑：黄文晋）

Spatiotemporal distribution and driving factors of rainfall erosivity R factor of Qinghai-Tibet Plateau

SU Libin1，2，WANG Maolin3，YUAN Chunhui3，KE Haocheng3

（1.Research Center of Civil，Hydraulic and Power Engineering of Tibet，Linzhi 860000，China;

2.College of Water Resources and Civil Engineering，Tibet Agricultural and Animal Husbandry University，Linzhi 860000，China;

3.School of Energy and Power Engineering，Lanzhou University of Technology，Lanzhou 730050，China）

Abstract：

The rainfall erosivity R is an important factor for calculating soil erosion，and its accurate calculation is of great significance for the dynamic monitoring of soil erosion.This paper uses remote sensing data and geographic information system （GIS） technology，along with the geographic detector model，to analyze the distribution characteristics and influencing factors of the rainfall erosivity R in the Qinghai-Tibet Plateau from 1991 to 2020.The research results show that：① The interannual variation of the R value in the Qinghai-Tibet Plateau generally exhibited a high in the northwest and a low in the southeast distribution pattern，with a coefficient of variation ranging from 0 to 0.78.Regions with large interannual variations were mainly distributed in the northwest part of the Qinghai-Tibet Plateau，including Hotan，Ngari，and some areas of Bayingolin Mongol Autonomous Prefecture，while regions such as Zhamba County and Gar County had smaller interannual variations.The values of the rainfall erosivity R in the Qinghai-Tibet Plateau ranged from 0 to 15 532 MJ·mm/（hm2·h·a），with a mean value of 648.84 MJ·mm/（hm2·h·a）.The R value decreased from east to west，showing a distinctly banded distribution pattern.A significant high-value center was found in the southern part of the Qinghai-Tibet Plateau.② The influence detection results indicated that the minimum temperature has the highest explanatory power，with a q value of 0.453，dominating the spatiotemporal distribution characteristics of the rainfall erosivity R.③ The interaction detection results showed that the synergistic effects among various factors on the Qinghai-Tibet Plateau exhibited either a two-factor enhancement or a nonlinear enhancement relationship，significantly surpassing the single-factor effects.The interaction effect among climate factors had a prominent impact on the rainfall erosivity R.

Key words：

rainfall erosivity factor; spatiotemporal distribution; coefficient of variation; geographic detector; Qinghai-Tibet Plateau