中国不同农田生态系统中总初级生产力对突发干旱的响应 赵兴群、 李超、 马思宇、 张世强

《Land》：Response of Gross Primary Productivity to Flash Drought in Different Cropland Ecosystems Across China Xingqun Zhao, Chao Li, Siyu Ma and Shiqiang Zhang

　　摘要 作为一种快速发展的极端干旱现象，突发性干旱对农业生产、生态系统碳封存和区域生态安全构成了日益严峻的威胁。然而，关于不同类型耕地中突发性干旱的发生特征及其影响总初级生产力（GPP）的机制，系统性的理解仍然有限。本研究利用2000至2020年中国根区土壤湿度、气象变量和GPP数据，分析了不同耕地生态系统中的突发性干旱事件，量化了GPP的响应频率和强度，并通过极端梯度提升（eXtreme Gradient Boosting）和Shapley加性解释（Shapley Additive exPlanations）方法进一步探讨了主要驱动因素。研究结果显示，突发性干旱在耕地中的发生频率高于非耕地地区，且雨养耕地的突发性干旱发生得更频繁且发展更快。耕地的平均GPP响应频率为0.43，表明近一半的突发性干旱事件抑制了GPP。高敏感区域主要集中在中国西北部和东北部，其中西北部对突发性干旱的抵抗力最低。气候背景和水文气象异常是控制耕地GPP响应的主要因素，不同类型耕地之间的主导驱动因素存在显著差异，表现出明显的非线性和阈值效应。本研究揭示了中国不同耕地生态系统中突发性干旱影响的时空异质性和驱动机制，为农业干旱风险评估和差异化适应性管理提供了科学依据。

1. 引言
在全球气候变化的背景下，极端事件的频率和强度显著增加[1,2,3]。作为最具破坏性的自然灾害之一，干旱对农业生产及耕地生态系统造成了严重威胁[4,5]。近几十年来，干旱的时空分布和演变表现出明显的非线性变化，表现为频率增加、持续时间延长和影响范围扩大，从而对区域水资源和生态安全构成了严重挑战[6,7]。在多种类型的干旱中，一种迅速出现并加剧的形态——突发性干旱——受到了广泛关注[8,9,10]。突发性干旱被认为是一种新的水文气候极端事件，对自然和管理生态系统具有深远影响[3,11]。与传统干旱相比，突发性干旱通常伴随着异常高的气温（TEM）、辐射（RAD）和降水量（PRE）亏损，导致土壤湿度（SM）在几周内急剧下降[12,13]。其突然发作和难以预测的特点极大地压缩了农业和生态系统的响应时间，导致植被生产力骤降和巨大的农业经济损失[14,15,16,17]。因此，理解突发性干旱的发生机制及其对耕地生态系统的生态影响已成为气候变化和生态系统研究的前沿科学问题。
现有研究揭示了突发性干旱在不同气候带和生态系统类型中的频率、强度和发展趋势，强调了其明显的时空异质性[9,18]。先前的研究表明，在突发性干旱事件期间，植被光合作用、总初级生产力（GPP）和作物产量普遍显著下降[19,20]。最近的研究进一步强调了突发性干旱对农业系统的重要性，表明灌溉和雨养条件下的作物产量损失和生态系统响应存在显著差异，且农田生态系统在响应频率和恢复力方面表现出明显的空间异质性[21]。然而，现有研究主要集中在森林和草地等自然生态系统上[22,23]。不同类型耕地生态系统中突发性干旱的时空特征是否存在显著差异，尚未在系统比较框架下得到充分探讨。特别是由于供水方式的差异，灌溉耕地和雨养耕地在突发性干旱的频率、持续时间和强度演变上可能存在显著差异，但定量分析仍较为有限。与自然生态系统相比，耕地受到灌溉、施肥、耕作和品种选择等人为管理活动的强烈影响，使其水热耦合过程和碳循环响应机制更为复杂[24]。因此，不同类型的耕地可能表现出不同的GPP响应特征和气候驱动机制，但目前对突发性干旱在耕地生态系统中的影响机制理解仍不够充分。
近年来，机器学习方法逐渐被引入突发性干旱研究，主要用于事件识别、预测和早期预警以及驱动机制分析。例如，一些研究使用随机森林（RF）和梯度提升算法构建突发性干旱识别模型，通过多气象变量作为输入来确定突发性干旱的发生概率并实现快速监测。其他研究使用支持向量机（SVM）和神经网络模型预测突发性干旱的发生和发展，从而提高季节内早期预警能力[23,25]。此外，一些研究结合了可解释的机器学习方法（如Shapley加性解释（SHAP）来量化温度异常（TEM）、增强蒸散量（ET）和土壤湿度亏损等因素对突发性干旱快速发展的相对贡献，从而揭示了强化阶段的主要驱动因素[26,27]。尽管如此，这些研究主要集中在自然生态系统上，对耕地生态系统的关注相对较少。
中国拥有世界上最大和最复杂的耕地分布，从湿润的南部平原延伸到干旱和半干旱的北部地区[28,29]。近几十年以来，快速升温、蒸散量增加和人类用水量的增加导致中国南部和东北部突发性干旱的发生频率增加，造成了大幅的作物产量损失和区域碳汇减少[30,31]。然而，关于中国不同耕地生态系统对突发性干旱的光合作用响应特征及其主要气候驱动因素的系统理解仍存在不足。

鉴于上述进展和差距，本研究旨在系统揭示不同类型耕地生态系统对突发性干旱的时空响应特征及其驱动机制。具体目标包括：（1）识别中国不同类型耕地中突发性干旱事件的特征，包括发生频率、持续时间和强度，并比较其分布差异；（2）利用GPP数据评估不同耕地生态系统对突发性干旱的光合作用响应过程和差异特征；（3）利用机器学习和可解释模型确定耕地生态系统对突发性干旱响应的主要气候和环境驱动因素。本研究有助于深入理解中国耕地生态系统在突发性干旱极端条件下的脆弱性和恢复力差异，为农业气候风险评估和适应性管理策略的开发提供科学依据。

2. 材料与方法
2.1. 研究区域
中国位于东亚，拥有广阔的领土、显著的气候差异和复杂的地形，这些因素共同塑造了多样的耕地生态系统[32]。本研究使用的耕地分类数据来自美国地质调查局（USGS）提供的GFSAD1KCM产品（https://doi.org/10.5067/MEASURES/GFSAD/GFSAD1KCM.001，访问日期：2025年4月6日），空间分辨率为1公里。GFSAD1KCM利用基于多源遥感影像（包括中分辨率成像光谱辐射计MODIS和Landsat）以及作物统计数据，通过机器学习分类方法（如RF和决策树）识别全球耕地分布[33]。该数据集是名义上的2010年静态耕地分类。在本研究中，它被用作2000–2020年气候背景下比较不同耕地类别中突发性干旱和GPP响应的固定空间框架，而不是用于重建年度耕地类型动态。该数据集提供了五种全球农业分类的空间分布图，包括灌溉主要（IMA）、灌溉次要（IMI）、雨养（RFD）、雨养-次要片段（RMF）和雨养-非常次要片段（RVM）（图1a）。图1b进一步显示了使用K?ppen–Geiger全球1公里气候分类图[34]的中国不同气候区的空间分布。图1. 中国的耕地分类（a）和气候分类（b）。IMA、IMI、RFD、RMF、RVM和NC分别代表灌溉主要、灌溉次要、雨养、雨养-次要片段和非耕地。

2.2. 数据来源与预处理
2.2.1. 土壤湿度和气象数据
本研究中使用的土壤湿度（SM）、2米高度的空气温度（TEM）、降水量（PRE）、辐射（RAD）、潜在蒸散量（PET）和2米高度的露点温度（TD）数据来自欧洲中期天气预报中心（ECMWF）在Copernicus气候变化服务框架下提供的ERA5-Land再分析数据集（https://cds.climate.copernicus.eu/，访问日期：2025年4月6日）。ERA5-Land是ERA5的高分辨率陆地版本，空间分辨率为0.1°，时间分辨率为每小时，时间覆盖范围从1950年至今。本研究使用了2000至2020年的数据。ERA5-Land提供了四个深度的土壤湿度数据（0–7厘米、7–28厘米、28–100厘米和100–289厘米）。本研究选择了前三层数据来构建根区土壤湿度（RZSM）（见第2.3.1节）。RZSM能更准确地反映与陆地表面过程相关的土壤湿度条件[10,23,36]，对于全面理解突发性干旱期间耕地生态系统中的水分条件和GPP响应至关重要。

2.2.2. GPP数据
本研究使用的是基于Penman–Monteith–Leuning（PML）模型的PML-V2产品（https://data.tpdc.ac.cn，访问日期：2025年4月6日）中的GPP数据[37]。PML-V2模型通过耦合气孔导度理论与植被蒸腾和光合作用过程来模拟生态系统的水分和碳通量。与传统模型相比，这种耦合方法能够更准确地模拟GPP[38]。PML-V2（China）产品提供了2000–2020年的日GPP数据，空间分辨率为500米。

2.2.3. 数据预处理
本研究使用的数据集的详细信息在补充材料的表S1中进行了总结。为了确保不同数据源之间的可比性和一致性，所有数据在空间和时间上进行了统一处理。具体来说，使用0.1°分辨率的ERA5-Land作为共同分析网格以保持空间一致性。在进行叠加分析之前，使用多数法则对耕地分类数据集（1公里）进行了重采样，以保留每个网格单元内的主要耕地类型。同时，使用面积加权平均法对PML-V2 GPP数据集（500米）进行了重采样，以确保碳通量在不同尺度上的一致性。这些数据集在空间上与0.1°网格对齐，确保所有耕地、水文气象和GPP变量都在统一的空间单元上进行比较。耕地分类数据和GPP数据被重采样到0.1°，以便与ERA5-Land匹配。ERA5-Land的小时数据通过日平均（如土壤湿度）或日累积（如降水量、辐射和蒸散量）转换为日尺度，然后裁剪到中国区域。计算了2000–2020年的多年平均降水量、温度和潜在蒸散量，并根据多年平均降水量与潜在蒸散量的比值推导出了干旱指数（AI）[39]。此外，还使用公式（3）计算了蒸气压亏缺（VPD）[40]。

2.3. 方法
2.3.1. 五分位数根区土壤湿度计算
根区土壤湿度（RZSM，单位：m3/m3）是从ERA5-Land的前三层土壤湿度数据计算得出的[4]。
然后，将每日根区土壤湿度转换为五分位数平均值[5]。
其中RZSMy,p表示年份y和五分位数p的平均根区土壤湿度；RZSMy,d表示年份y的第d天的根区土壤湿度；y = {2000, 2001, …, 2020}；d = {1, 2, …, 365}（不包括2月29日）；每个五分位周期包含5天；五分位数d的日期范围为Dp = [5(p ? 1) + 1, 5p]，每年共有73个五分位数。
根据公式（6），计算五分位数根区土壤湿度百分位数[6]。
其中Py,p表示年份y的五分位数p的根区土壤湿度百分位数；rank(RZSMy,p)是指在由所有年份的p ? 1、p和p + 1组成的样本集中RZSMy,p的排名（按升序排列），当p = 1时样本集包括p和p + 1，当p = 73时样本集包括p ? 1和p；N是样本总数。

2.3.2. 突发性干旱识别
本研究采用了Yuan等人的突发性干旱识别方法[9,10]，该方法基于五分位数根区土壤湿度百分位数。具体来说，突发干旱事件被定义为一种迅速加剧的短期土壤水分干旱过程，其发展分为三个关键阶段：起始阶段、恢复阶段和结束阶段。起始阶段对应于RZSM百分位数从40%以上迅速下降到20%以下；当下降率降至每五天5%以下或百分位数开始上升时，进入恢复阶段；当百分位数回升至20%以上时，事件被认为是结束的（图2）。图2. 基于五天RZSM百分位数的突发干旱识别程序示意图。识别标准如下：当五天平均RZSM百分位数从40%以上下降到20%以下，并且平均下降率不低于每五天5%时，认为发生了突发干旱；当RZSM百分位数下降率降至5%以下或开始上升时，起始阶段结束，恢复阶段开始；当RZSM百分位数再次上升并超过20%时，突发干旱事件被认为结束；为了确保突发干旱具有显著的生态影响，事件持续时间必须不少于4个五天且不超过12个五天，以区别于季节性或长期干旱事件。还计算了四个突发干旱特征。频率（事件/21年）定义为2000-2020年期间突发干旱事件的总数。平均持续时间（天）定义为给定网格单元内所有突发干旱事件的平均持续时间。强度（%/五天）定义为单个突发干旱事件期间五天RZSM百分位数与40%阈值的累积偏差；平均强度定义为网格单元内所有事件的平均强度。速度（%/五天）定义为事件期间五天RZSM百分位数从40%下降到20%的平均速率；平均速度定义为网格单元内所有事件的平均速度。

2.3.3. 突发干旱期间的水文气象异常和GPP响应
水文气象变量在突发干旱期间通常表现出异常行为[43,44]。因此，根据方程（7）对VPD、TEM、RAD和ET进行了标准化，以消除尺寸和大小的差异。
(7) 其中Xi,j是第j个五天第i年的气象变量的平均值；μi和σj分别是研究期间第j个五天内该变量的平均值和标准差。
同样，使用方程（7）计算了标准化的GPP异常（GPPSA），以量化突发干旱对GPP的影响。为了评估生态系统对这些事件的敏感性，我们将响应频率定义为每个网格单元中GPPSA为负的突发干旱事件数量与总突发干旱事件数量的比率[45,46]。较高的响应频率表明生态系统受到更严重的威胁，表明光合作用对突发干旱的脆弱性更高。

2.3.4. 极端梯度提升（XGBoost）和SHAP
为了进一步探讨GPP对突发干旱响应的驱动因素，本研究遵循Zhao等人的方法[23]，选择了12个解释变量，并将其分为三类（表1）。表1. 解释变量及其类别。使用XGBoost算法来量化解释变量对GPPSA的贡献。XGBoost是一种基于梯度提升框架的高效集成学习算法[47]。它通过迭代训练一系列决策树并在每轮优化损失函数的梯度来提高模型性能[48]。与传统梯度提升方法相比，XGBoost在目标函数中引入了正则化项，以控制模型复杂性并有效防止过拟合。由于其在建模非线性关系、捕捉特征交互以及实现强预测性能方面的优势，XGBoost已被广泛应用于气象学、水文学和生态学的数据驱动研究中[36,49,50]。然而，仅凭XGBoost的特征重要性分析可能无法充分解释解释变量对模型预测的影响[51]。因此，进一步使用SHAP来研究解释变量与GPPSA之间的关系。SHAP是一种基于博弈论的模型解释方法，用于量化每个输入特征对模型预测的贡献[52]。其核心思想源自Shapley值，该值计算了单个特征在所有可能特征组合中的边际贡献，从而提供公平且一致的预测解释。与传统特征重要性评估方法相比，SHAP可以同时提供局部（单个样本）和全局（整个模型）的可解释性，从而揭示模型的内部决策机制。

对于每种耕地类型，分别开发了单独的XGBoost模型，使用表1中列出的12个解释变量来模拟GPPSA。六组的样本量分别为4118、3106、9503、907、5065和33,058。对于每个模型，数据集被分为训练集（80%）和测试集（20%），使用固定的随机种子。为了提高模型的稳健性并减少随机划分的影响，还在训练集上进行了五折交叉验证。然后使用决定系数（R2）和均方根误差（RMSE）在独立测试集上评估最终模型。随后基于最终训练的模型计算SHAP值，以量化解释变量对GPPSA的相对贡献和非线性效应。

3. 结果
3.1. 突发干旱特征
2000年至2020年间，中国的耕地平均发生了11.70次突发干旱事件，高于非耕地地区的9.92次事件（图3a–d）。在五种耕地类型中，RVM的平均频率最高，为12.37次事件，而IMI最低，为10.53次事件（图3a,(a1)）。中国耕地的平均突发干旱持续时间为28.17天，略低于非耕地地区的28.63天（图3b,(b1)）。耕地的平均强度为24.80%/五天，也略低于非耕地地区的25.17%/五天（图3c,(c1)）。在这两个方面，五种耕地类型之间的异质性很小，平均持续时间和平均强度的最大偏差仅为3.27%。中国耕地的平均突发干旱发展速度为13.78%/五天，低于非耕地地区的14.15%/五天（图3d,(d1)）。在耕地类型中，RVM的平均发展速度最快（14.00%/五天），而IMA最慢（13.50%/五天）。此外，雨养耕地（RFD、RMF和RVM）的发生频率和平均发展速度高于灌溉耕地（IMA和IMI），而平均持续时间和平均强度则呈现相反模式。

3.2. 突发干旱不同阶段的水文气象异常
图4a–f显示了2000年至2020年中国耕地在突发干旱事件发生前、发生期间和发生后的水文气象变量的标准化异常。在突发干旱发生前（?5天），所有气象因素基本接近正常水平，ET、TEM和VPD略低于平均水平，而SM相对充足，表明事件发生前水分条件有利。在起始阶段，PRE显著减少，而RAD和VPD迅速增加，反映了能量输入的增加和大气干燥的加剧，这共同增加了地表蒸发需求。同时，SM开始下降，标志着土壤水分储存的初步耗尽。在恢复阶段，这些异常变得更加明显：RAD、TEM和VPD都表现出显著的正异常，而PRE和SM达到最低值，表明加强的陆地-大气耦合有助于维持干旱。事件结束后（+5天），大多数变量逐渐恢复到正常水平，但TEM和VPD仍略高，SM的恢复滞后，表明土壤水分的补充比大气调整更慢。总之，中国耕地突发干旱的演变反映了从能量限制到水分限制条件的快速转变，在此过程中，RAD、TEM和VPD之间的紧密耦合在突发干旱的起始和维持中起着关键作用。

3.3. GPP对突发干旱的响应频率和响应强度
本研究使用响应频率和响应强度（GPPSA）来研究2000年至2020年中国各地GPP对突发干旱的响应。图5显示了响应频率和GPPSA的空间分布。结果显示，中国耕地的平均响应频率为0.43，表明几乎一半的突发干旱事件抑制了作物光合作用。此外，48.33%的网格单元的响应频率大于0.5，表明这些区域对突发干旱的敏感性较高，主要集中在中国的西北部和东北部。对于不同的耕地类型，灌溉耕地的平均响应频率较高（0.44），而雨养耕地的平均响应频率较低（0.41），表明灌溉耕地对突发干旱的敏感性高于雨养耕地（图5a,b）。图5显示了GPP对突发干旱响应特征的空间分布和统计信息，包括响应频率（a,b）和GPPSA（c,d）（箱形图表示四分位范围，箱形图内的水平线表示中位数，须状线表示1.5倍四分位范围内的数据范围）。

图5c显示了GPPSA的空间分布，反映了GPP对突发干旱的响应强度。GPP响应在不同耕地类型间存在差异，GPPSA的值从正到负变化范围广泛。正的GPPSA主要出现在中国西南部，而负的GPPSA集中在中国西北部。在不同耕地类型中，IMI的GPPSA最低（?0.19），表明其对突发干旱的抵抗力相对较弱，而RVM的GPPSA最高（?0.17），表明其抵抗力相对较强。此外，灌溉耕地的GPPSA高于雨养耕地（图5d）。

3.4. 识别突发干旱期间GPP异常的驱动因素
使用XGBoost模型进一步研究了不同因素对突发干旱期间GPPSA的影响。模型性能使用R2和RMSE进行评估（图6）。结果显示，XGBoost模型在模拟中国突发干旱期间的GPPSA方面表现良好，R2值介于0.72至0.99之间，RMSE值介于0.42至5.41之间。图6显示了XGBoost模型独立测试集的预测GPPSA与观测GPPSA的散点图，红线表示拟合的线性回归线，黑线表示1:1线。面板（a）IMA，（b）IMI，（c）RFD，（d）RMF，（e）RVM，（f）NC。为了探讨不同类别预测因子的相对重要性——即气候背景、水文气象异常和突发干旱特征——本研究分析了变量的平均绝对SHAP值及其各自的比例贡献（图7）。结果表明，气候背景和水文气象异常在所有模型中占主导地位。在IMA、RFD、RMF和RVM中，气候背景的贡献最大；而在IMI和非耕地地区，水文气象异常的贡献最大。相比之下，突发干旱特征因素在所有地区的贡献相对较低。在单个因素层面，MAT、MAP、AI和RADSA在各个地区的贡献都较高。其中，MAT、MAP和RADSA在IMA、IMI和RFD中的贡献最大，而AI在RMF、RVM和非耕地地区中的贡献最大。此外，Duration、ETSA、VPDSA、TEMSA和PRESA也在某些地区位列前五名贡献因素。

图7显示了XGBoost模型的SHAP值。面板（a）IMA，（b）IMI，（c）RFD，（d）RMF，（e）RVM，（f）NC。饼图显示了三类因素的比例：气候背景、水文气象异常和突发干旱特征。为了更清楚地理解影响因素与GPPSA之间的关系，本研究从每个XGBoost模型中选择了五个最重要的变量，并绘制了它们的SHAP依赖图（图8）。这些依赖图展示了SHAP值如何随变量输入的变化而变化，从而清楚地显示了每个因素如何影响模型预测。图8. XGBoost模型中贡献最大的前五个因素的SHAP依赖图。图块（a1–a5）为IMA，（b1–b5）为IMI，（c1–c5）为RFD，（d1–d5）为RMF，（e1–e5）为RVM，（f1–f5）为NC。黑色实线是由loess函数拟合的响应曲线。在IMA中，随着TEM温度升高到15°C，MAT对GPPSA的影响从负值变为正值，然后在该阈值以上再次转为负值（图8(a1)）。在其他四种耕地类型和非耕地上，MAT对GPPSA的影响随着MAT的增加逐渐从正值变为负值（图8(b4,c4,d3,e4,f5)）。与IMA中观察到的波动相比，其余类别中的AI显示出持续增加的趋势，并最终趋于稳定（图8(a2,b3,c3,d1,e1,f1)）。在五种耕地类型中，MAP在降水量小于1000毫米时呈现增长趋势，而在非耕地上则先减少后增加，所有地区在降水量超过2000毫米后趋于稳定（图8(a3,b1,c2,d2,e2,f3)）。RADSA在所有地区都表现出先减少后增加的模式，尽管不同地区的阈值有所不同（图8(a4,b2,c1,e3,f2)）。此外，ETSA和TESA表现出相反的趋势：ETSA随着异常幅度的增加而减少（图8(b5,e5)），而TESA随着异常幅度的增加而增加（图8(d4,f4)）。总体而言，五种耕地类型（图8a–e）和非耕地地区（图8f）都表现出明显的非线性响应特征，但响应方向和敏感范围存在显著差异。

4. 讨论
4.1. 中国耕地暴洪干旱的异质性及其潜在机制
我们的研究结果表明，不同耕地生态系统中的暴洪干旱存在明显的异质性。具体来说，在2000年至2020年间，耕地地区平均遭遇了11.70次暴洪干旱事件，而非耕地地区为9.92次。同时，雨养耕地的发生频率更高，发展速度更快，尽管在持续时间和强度上的差异相对较小。这一模式与以往的研究结果一致，即暴洪干旱在湿润和半湿润地区更常见且发展更快[3,11,53]。关于发生机制，已有研究确定了两种典型路径：一种是PRE（可利用降水量）不足引发的暴洪干旱，这在相对干旱或缺水地区更为常见；另一种是ET（蒸发量）需求驱动的暴洪干旱，在湿润地区中，异常高的RAD（辐射干燥度）和TEM（温度干燥度）也会通过增加蒸发需求和加速土壤水分消耗来引发暴洪干旱[13,54]。在农业系统中，灌溉可以在一定程度上缓解短期PRE不足的影响。然而，如果大气干度（例如高VPD）迅速加剧，并伴随RAD的增加，仍可能导致土壤水分迅速耗尽，从而维持暴洪干旱的发展潜力[11,55]。
暴洪干旱通常伴随着多个气候变量的同步异常[8,13]。我们的结果显示，在事件发生前5天内，气象变量接近正常值，土壤水分相对充足。在事件发生阶段，PRE显著减少，而RAD和VPD迅速增加，表明蒸发需求急剧增加。在恢复阶段，RAD、TEM和VPD的正异常进一步加剧，而PRE和土壤水分降至最低水平，表明陆地-大气耦合加强，有助于维持干旱状态。事件结束后5天内，大气条件逐渐恢复，但土壤水分的恢复滞后。这些结果表明，土壤水分消耗和大气干旱的共存可以通过陆地-大气相互作用加速暴洪干旱的发展，这与以往的研究结果一致[55,56]。此外，恢复阶段观察到的高VPD表明，持续的蒸发需求在控制暴洪干旱的持续性中起着关键作用，这也与现有研究结果一致[11]。

4.2. 中国耕地对暴洪干旱的光合生产力（GPP）响应差异
本研究显示，从2000年到2020年，中国耕地生态系统对暴洪干旱的光合响应既广泛又具有空间异质性。全国农业地区的平均响应频率为0.43，表明近一半的暴洪干旱事件导致GPP显著下降，显示出暴洪干旱对耕地生产力的广泛不利影响。这一模式与全球和地区的证据一致，表明暴洪干旱可以在短时间内迅速削弱生态系统的碳吸收能力[20,57]。从空间上看，约48.33%的耕地网格单元的响应频率超过0.5，高度敏感的区域主要集中在中国的西北部和东北部（图5a）。中国西北部干旱指数较高，水分条件较差，因此即使土壤水分略有波动也容易超过作物的水分胁迫阈值[23]。在中国东北部，春季快速变暖和蒸发量增加导致暴洪干旱事件频繁发生，这些事件往往与作物生长的关键阶段重合[28]，从而导致高响应频率。就耕地类型而言，灌溉耕地的平均响应频率高于雨养耕地（图5b），表明灌溉耕地的GPP对暴洪干旱更为敏感。一方面，暴洪干旱的突然发生极大地压缩了农业管理的响应时间窗口。即使在有灌溉设施的情况下，由于灌溉启动延迟、水分分配不足或事件时间与灌溉周期不一致，作物仍可能经历明显的GPP抑制[58]。另一方面，灌溉耕地通常位于半湿润到半干旱的过渡地带，在这些地区，暴洪干旱常伴随着异常高的TEM和VPD。在这种条件下，即使土壤水分尚未严重耗尽，大气干旱也可能通过引起气孔关闭和增加蒸发需求来直接抑制光合作用[55,56]。
与响应频率相比，响应强度（GPPSA）更清楚地揭示了不同耕地系统对暴洪干旱影响的抵抗力差异。结果显示，正GPPSA值主要分布在中国西南部，而负GPPSA值则集中在中国西北部（图5c）。这一模式表明，暴洪干旱对GPP的影响并不总是单向抑制的，而是受到气候背景、植被类型和事件期间异常水热条件的共同调节[23,59]。中国西北部负GPPSA的集中可能与该地区已经存在的水分限制背景有关。在暴洪干旱期间，PRE不足、土壤水分损失和大气干旱常常相互叠加，使得气孔关闭更容易发生，从而限制光合作用[20,55]。相比之下，中国西南部相对频繁的正GPPSA值可能反映了当地较湿润的条件和能量限制的共同影响；在一些中度事件中，RAD的短期增加和适度的升温可能部分补偿了光合作用，使水分胁迫尚未达到临界阈值[60]。根据我们的结果，IMI的GPPSA最低（-0.19），而RVM的最高（-0.17），表明前者的GPP抑制作用更强，后者的影响相对较轻。不同耕地类型之间的GPPSA差异进一步表明，耕地对暴洪干旱的抵抗力不仅取决于是否存在灌溉，还取决于作物系统的长期用水策略和暴洪干旱期间异常的水热条件。尽管如此，总体上灌溉耕地的GPPSA高于雨养耕地，这意味着灌溉在一定程度上仍然可以减轻暴洪干旱对GPP的影响[20,21]。由于本研究使用的数据集是大陆范围或全国范围内的产品，其空间协调到0.1°网格涉及内在的平均化，因此这里识别的空间模式应主要被视为广泛的区域趋势。空间分布和异常图中的大变异性反映了气候梯度、耕地异质性和中国各地局部水文气象压力的综合影响。因此，这些结果应被视为宏观空间动态，而不是相邻网格单元之间的精确局部对比。

4.3. 中国耕地对暴洪干旱光合生产力（GPP）响应的关键驱动因素
本研究显示，不同耕地生态系统中GPP对暴洪干旱的响应强度不仅取决于作物类型或灌溉方式，还受到气候背景、水文气象异常和暴洪干旱事件特征的共同调节。在这些因素中，气候背景在IMA、RFD、RMF和RVM中贡献最大，而在IMI和非耕地地区则由水文气象异常主导。在IMA中，MAT的贡献最大，可能是因为IMA具有更强的水分供应支持和更稳定的调节能力。灌溉可以在一定程度上缓解土壤水分不足对作物的直接限制，使得TEM背景及其变化成为更重要的控制因素。已有研究表明，在能量受限条件下，适度的升温可以缓解低TEM的限制并促进光合作用，但一旦TEM超过最佳阈值，热胁迫和随之增加的VPD会迅速抑制GPP[60,61]。相比之下，尽管IMI有一些灌溉支持，但其水分供应规模较小且不稳定，仍然更依赖于自然的PRE背景。因此，在这种耕地类型中，MAP成为主导因素。MAP的高贡献反映了IMI的抵抗力仍受PRE背景的限制，灌溉只能作为自然水分不足的有限补偿，而不能完全替代。在PRE较低的年份，这种耕地类型无法通过灌溉完全抵消暴洪干旱造成的累积土壤水分亏损，因此更容易遭受显著的GPP损失[62,63]。在RFD中，RADSA的贡献最大，表明RAD异常更直接地调节GPP的变异性。RAD既是光合作用的直接能量来源，也是在暴洪干旱期间与升温一同增加的蒸发需求因素，从而加速土壤水分消耗；因此其对GPP的影响具有双重性质[64,65]。相比之下，在RMF和RVM中，主导因素是AI，表明雨养耕地对暴洪干旱的抵抗力主要受到长期湿润-干燥背景的限制。在自然PRE主导的环境中长期发展的作物系统通常形成了适应现有水文气候条件的资源分配和用水策略。此外，背景水分条件可以调节GPP的最佳温度响应，从而成为GPP变异性的主要驱动因素[66]。
相比之下，事件特征因素（如暴洪干旱的频率、持续时间和发展速度）对GPPSA差异的解释力较弱。这表明，耕地中GPP的损失程度更多地受到气候背景和同步水文气象异常的控制。这一解释也与最近的研究结果一致，表明当暴洪干旱伴随极端高温时，其对生态系统的影响会被大幅放大，突显了同时发生的大气需求和热应力在塑造生态系统响应中的关键作用[67]。在本研究中，气候背景变量代表了潜在的气候驱动因素，而水文气象异常变量描述了暴洪干旱事件期间的即时大气和地表压力条件。我们的结果表明，GPP响应的异质性主要由这些潜在的气候和水文气象条件驱动，而不仅仅是暴洪干旱特征本身。虽然暴洪干旱特征描述了事件的演变和暴露情况，但最终的生态响应是由气候背景和同步水文气象压力共同调节的。这些发现表明，未来对农业暴洪干旱的风险评估应更多地关注不同耕地类型的气候背景限制和关键气象阈值，而不仅仅是依赖单一指标（如暴洪干旱的频率或持续时间）。

4.4. 局限性与未来展望
尽管本研究系统地揭示了中国不同耕地生态系统对暴洪干旱的响应特征和驱动机制，但仍存在一些局限性。首先，本研究基于多源遥感和再分析数据进行了全国范围内的分析。虽然这为跨地区和耕地类型的比较提供了良好的支持，但数据分辨率和重采样过程可能会减弱局部尺度的一些细粒度异质性。由于所有数据集都协调到了0.1°网格，一些细粒度的局部异质性和相邻区域之间的过渡可能已被平滑。因此，本研究识别的空间模式在区域尺度解释上比在细尺度局部归因上更为稳健，尤其是在破碎的耕地区域。未来的研究可以结合更高分辨率的遥感产品和站点观测数据，在关键区域进行更详细的验证和补充分析。使用更高分辨率的观测数据、站点级测量结果或具有代表性的区域案例研究进行进一步验证，将有助于更好地评估所识别的突发性干旱模式和全球净初级生产力（GPP）响应特征的稳健性，这应被视为未来工作的一个重要方向。其次，本研究使用的GFSAD1KCM耕地分类是基于2010年的静态产品，而水文气候分析的时间跨度为2000年至2020年。由于在此期间耕地范围和管理条件可能发生了变化，因此不可避免地存在一定程度的时间不匹配。因此，这里呈现的耕地类别比较应被视为在长期气候背景下基于类型的空间分析，而不是时间明确的年度土地覆盖变化。在这个框架内，灌溉与非灌溉的存在可能对GPP响应的影响更大，尽管后者无法通过当前的数据集完全解决。第三，本研究主要关注气候背景、水文气象异常以及突发性干旱事件特征对GPP响应的影响。然而，农业生产因素（如作物类型、物候阶段和田间管理措施）也可能在耕地GPP响应中发挥重要的调控作用。未来的研究可以进一步结合作物和管理信息，更全面地揭示不同耕地系统之间突发性干旱响应的差异，并为精准农业干旱风险管理提供更目标明确的科学依据。

5. 结论

本研究调查了中国不同耕地类别中的突发性干旱特征、GPP响应及其驱动机制。突发性干旱在耕地中的发生频率高于非耕地，其中雨养耕地的发生频率通常更高，发展速度也更快，而持续时间和强度的差异相对较小。耕地的平均GPP响应频率为0.43，表明近一半的突发性干旱事件抑制了作物的光合作用，高敏感区域主要位于中国西北部和东北部。虽然灌溉耕地的响应频率略高，但其整体GPP下降幅度（GPPSA）较低，这表明灌溉可以在一定程度上减轻突发性干旱的影响。气候背景和水文气象异常对GPP下降幅度的贡献大于事件特征本身。具体来说，在灌溉耕地（IMA）中主导因素是平均温度（MAT），在灌溉不足耕地（IMI）中是平均降水（MAP），在干旱耕地（RFD）中是相对湿度（RADSA），在极干旱耕地（RMF）和非耕地区域中是干旱指数（AI）和植物水分利用效率（RVM）。总体而言，这些结果表明，突发性干旱对耕地GPP的影响主要受气候背景和同时发生的水文气象压力的控制，而突发性干旱的特征主要影响其发生过程。研究结果突出了不同耕地类别在敏感性和响应机制上的明显差异，可能为区域尺度的突发性干旱风险评估和适应性管理提供依据。

补充材料

以下支持信息可在以下链接下载：https://www.mdpi.com/article/10.3390/land15050799/s1，表S1：研究中使用的数据的基本信息。