一种综合生态干旱指数，将多源水分和热应力及其时间滞后效应结合起来：以黄河流域为例的启示

《Journal of Environmental Management》：A composite ecological drought index integrating multi-source water and heat stress with time-lag effects: Insights from the Yellow River Basin

CEDI综合降水、土壤湿度和蒸散不足，考虑时间滞后效应，揭示黄河流域生态干旱时空演变规律及植被抗性异质性，为生态干旱评估提供物理基础与统计严谨框架。

　　

Jingtian Ma|Lianqing Xue|Yuanhong Liu|Saihua Liu|Ruoshi Xu

河海大学水资源与水文学学院，中国南京210098

摘要

在气候变暖和人类活动的影响下，生态系统面临的干旱压力日益加剧，然而现有的生态干旱指数很少能够捕捉到水分和热量压力的综合效应或其延迟传播。为了解决这一局限性，我们提出了一种基于三元copula框架的复合生态干旱指数（CEDI），该指数整合了降水量、土壤湿度和蒸散量亏缺，并明确考虑了干旱传播过程中的时间滞后效应。我们将CEDI应用于黄河流域（YRB），以研究不同气候区域和土地利用类型下的生态干旱和植被抗性的时空演变。结果表明，与传统指数相比，CEDI通过捕捉多源压力源和滞后效应，能够更好地表征生态系统的干旱响应。在过去二十年里，YRB的生态干旱总体上有所缓解，同时植被覆盖率有所增加，尽管I气候区仍然是干旱最严重的区域。植被抗性表现出强烈的空间和季节性异质性，II气候区的抗性较高，而I气候区的抗性较低，不同土地利用类型之间的抗性也存在明显的季节性差异，这受到灌溉和管理方式的影响。总体而言，CEDI提供了一个基于物理原理且统计上稳健的框架，用于综合评估生态干旱，有助于我们更好地理解干旱在异质景观中的传播机制和生态系统的抗性。

引言

干旱是最复杂且最具破坏性的自然灾害之一，对土壤系统、植被动态和人类生计产生深远而连锁的影响（Slette等人，2019；Van Loon等人，2016）。由于气候变化和人口增长的双重压力，干旱的频率和强度都在不断增加（Hao和Singh，2015；Xu等人，2015）。水分胁迫通过限制蒸腾作用和根系吸水能力，破坏土壤结构并加剧土地退化过程。因此，可靠的干旱监测和评估对于支持可持续的土地和水资源管理至关重要（Mueller和Bahn，2022）。然而，干旱的固有复杂性和潜在的起始阶段往往使得其严重程度、持续时间和空间模式难以直接观察和量化（Hao和AghaKouchak，2014）。这就凸显了开发针对不同类型干旱的专门干旱指数的必要性，以便更准确地监测和管理干旱（Pedro-Monzonis等人，2015）。这类指数应将生态水文过程与可操作的景观管理措施联系起来，为侵蚀控制、植被恢复和水资源分配决策提供依据。

干旱通常被分为气象干旱、水文干旱、农业干旱、社会经济干旱以及最近的生态干旱（Zhou等人，2024）。生态干旱之所以受到重视，是因为它能够反映在气候和人为压力下土壤-植被水分平衡及生态系统功能的紊乱（Crausbay等人，2017）。大自然保护协会的生态干旱工作组（2016）将其定义为生长季节期间周期性出现的水分亏缺，这种亏缺干扰了植被正常生长所需的水文气象条件（Jiang等人，2021）。根据这一概念，我们将生态干旱定义为由于外部强迫的水文气候和土壤湿度变化导致植被水分供应不足，进而影响植物的生产力、韧性和土地稳定性。与通常通过降水量异常来表征的气象干旱不同，生态干旱在异质景观和土地利用类型中更难以直接观测和量化。因此，生态干旱反映了水分限制及其在土壤-植被系统内相关压力传播的联合影响，而不仅仅是单一来源的水分亏缺。实际上，它通常反映了气象干旱和土壤干旱的联合作用：减少的水分输入和增加的蒸散需求会导致根区水分亏缺，限制蒸腾作用并降低蒸散量（ET）；蒸散量的下降会改变地表能量的分配，使近地表空气变暖和干燥，从而加剧大气对水分的需求，进一步加速根区水分流失——形成一个“更干燥-更热-更干燥”的正反馈循环。大多数现有指数侧重于单一来源的水分胁迫，但忽略了由蒸散量亏缺和能量重新分配引起的热量胁迫的综合作用，而这对于生态系统的干旱响应至关重要。因此，仅考虑水分限制不足以表征生态干旱，需要开发能够明确纳入多种水分和热量胁迫因素的指数。

近年来，已经开发出多种指数来表征植被对干旱胁迫的响应，包括NDVI（Zhao等人，2024）、KNDVI（Zhang等人，2024a）、VCI（Cao等人，2022）、TVDI（Ding等人，2024）和VHI（Zeng等人，2022）。尽管这些指数在检测植被状况方面有效，但在强烈的物候或温度控制下，它们可能会与实际植物水分状态脱节。基于植被的指数也对季节性变化非常敏感，导致在非生长季节和不同水文气候条件下评估结果出现偏差（Won和Kim，2023）。

更重要的是，由于生态系统的缓冲作用和记忆效应，植被对干旱的响应通常滞后于气象和土壤湿度异常。因此，不明确的干旱信号传播时间可能导致低估干旱的开始、持续时间和累积生态影响。这突显了需要开发能够纳入多源变量并明确考虑干旱传播延迟的综合性生态干旱指数。

已经提出了多种构建复合干旱指数的方法。最初提出的方法是线性组合方法，即为不同变量分配经验权重或数据驱动的权重（Xia等人，2014）。主成分分析和熵加权也依赖于线性假设（Hao和Singh，2015），这限制了它们捕捉干旱过程固有非线性特征的能力。近年来，机器学习技术在水利研究中得到了广泛应用，因为它们能够整合多源数据并捕捉复杂的非线性关系（Zounemat-Kermani等人，2021）。然而，机器学习也面临挑战，包括数据整合和参数优化的不确定性（Materia等人，2024），以及缺乏物理可解释性（Zhou等人，2024）。考虑到干旱的概率本质及其多变量依赖结构，基于copula的方法为构建多变量分布提供了一个稳健的框架。与传统的线性方法不同，copula能够灵活捕捉变量之间的非线性和尾部依赖关系，非常适合表示生态干旱过程中涉及的多源水分和能量胁迫的联合行为。因此，它们为综合生态干旱评估提供了统计上严谨且灵活的工具（Mishra和Singh，2011）。尽管如此，大多数现有的基于copula的干旱指数主要关注统计依赖性建模，往往缺乏对干旱传播过程物理意义的明确考虑。

综合上述考虑和研究空白，我们开发了一种复合生态干旱指数（CEDI），它在三元copula框架内整合了多尺度的水分胁迫——包括大气输入、土壤储存和陆地-植被交换——并引入了基于过程的滞后效应，以表示干旱从大气到土壤和植被的传播。此外，通过纳入蒸散量亏缺项，CEDI还可以作为水分胁迫下地表能量分配变化的代理指标，即潜热减少并补偿性地向显热转移，从而将指数与对管理有意义的热量-水分耦合联系起来。我们将CEDI应用于黄河流域（YRB），该地区气候变暖和人类活动的加剧导致水资源短缺和生态系统敏感性提高；近几十年来，干旱的强度和频率都有所上升（Liu等人，2024）。尽管YRB对国家的水资源、粮食和生态安全至关重要，但关于生态干旱的研究仍相对较少。鉴于该流域明显的气候和土地利用梯度以及水库和灌溉的强烈调控，这一差距尤为明显。在这种情况下，植被的水分胁迫不仅取决于降水量异常，还取决于土壤水分储存和陆地-植被交换，这对黄土高原的植被恢复、土壤侵蚀控制和农业供水安全具有直接影响。

因此，本研究旨在：（1）开发并规范一个能够明确考虑多种水分和热量胁迫以及干旱传播过程中的时间滞后效应的CEDI；（2）评估CEDI在YRB的适用性和有效性；（3）识别YRB不同气候区域的生态干旱事件，并量化2001-2020年期间的季节性趋势、频率、持续时间和严重程度；（4）量化不同气候区域和土地利用类型下的植被抗旱能力。总体而言，这项工作提供了一个在大尺度流域层面进行生态干旱评估和管理的统计上连贯且物理上可解释的工具，并为制定增强生态系统抗旱能力的政策提供了证据基础。

研究区域

研究区域

黄河流域是中国第二大河流流域，东经96°至119°，北纬32°至42°之间。河流全长约5464公里，流域面积接近795,000平方公里。流域内的地形变化显著，从西到东依次包括青藏高原、内蒙古高原、黄土高原和淮海平原四个主要地貌区。黄河流经九个省份，包括青海、四川、甘肃等。

滞后时间的确定

图2a和（b）分别展示了气象干旱（SPI）和土壤湿度干旱（SSMI）之间的峰值相关性及其相关滞后时间的空间模式。图（c）和（d）展示了土壤湿度干旱（SSMI）和生态干旱（SEDI）之间的最大相关性和滞后时间。SPI和SSMI之间的峰值相关性高于0.3（p < 0.05）的像素占99.45%，而SSMI和SEDI之间的这一比例为44.75%。值得注意的是，

CEDI的验证和优势

为了评估所提出的CEDI的性能和稳健性，我们首先计算了CEDI与已建立的生态干旱指数SPEI和SSMI之间的相关系数。SPEI是文献中常用的干旱指数，在干旱研究中得到了广泛应用；通常认为气象干旱是其他干旱类型的主要驱动因素。SSMI反映了土壤湿度的变化，被认为是影响生态干旱动态的关键变量

结论

本研究开发了一种复合生态干旱指数（CEDI），它同时考虑了干旱在大气-土壤-植被连续体中的传播滞后效应以及多种水热胁迫对植被的影响。选择了SPI、SSMI和SEDI作为三个代表性的干旱变量，并应用三元copula框架构建了CEDI。然后使用该指数分析了黄河流域生态干旱的时空演变

CRediT作者贡献声明

Jingtian Ma：撰写 – 审稿与编辑，撰写 – 初稿，方法论，数据管理。Lianqing Xue：撰写 – 审稿与编辑，监督。Yuanhong Liu：软件，项目管理，方法论。Saihua Liu：软件，数据管理。Ruoshi Xu：验证，数据管理。

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

本研究得到了中央高校基本科研业务费（B250201179）和中国国家重点研发计划（2023YFC3206804）的支持。