复合干旱在时空上的变化趋势及其对中国农业重心的影响：基于融合地下水和生态压力因素的多维度指数分析

《Journal of Hydrology: Regional Studies》：Spatiotemporal shift of compound droughts toward China’s agricultural hubs: Insights from a multi?dimensional index integrating groundwater and ecological stress

　　韩小宇|卢翔|边宗珍|王红瑞|门宝慧
华北电力大学水资源与水电工程学院，北京102206，中国

摘要
研究区域：中国
研究重点：传统干旱指数往往忽略了地下储层与生态压力之间的耦合关系，导致风险评估不完整。本研究通过开发复合极端干旱指数（CEDI）来填补这一空白，该指数是一个多维框架，整合了标准化干湿交替指数（SDWAI）、地下水干旱指数（GDI）和生态干旱指数（EDI）。利用2005年至2024年的高分辨率水文气候数据，我们应用CEDI来诊断复合干旱的非线性时空演变，旨在识别模式转变、迁移路径以及不同气候带干旱传播的驱动机制。

该地区的新的水文见解：分析揭示了中国干旱风险格局的转变：(a) 自2015年后，由于结构性的制度转变，复合干旱在全国范围内显著加剧。(b) 识别出一个关键的空间迁移现象，即干旱热点从传统的干旱西北部向人口密集的半湿润农业区（中国东部）转移。(c) 这种转移受到新的大气-生态系统旁路机制的支配，在新热点区域，不断加剧的大气需求引发了快速的生态压力，超过了地下水较慢的缓冲能力。这些发现突显了从不规律的自然变异向空间聚集的高强度干旱风险的转变，威胁到区域粮食安全。

1. 引言
全球环境变化已成为人类面临的最紧迫挑战之一。人类活动既是气候变化的主要驱动因素，也是其后果的主要承受者（Zheng等人，2023）。在这种变化的环境形势下，全球水循环经历了深刻的变化，极端水文气象事件的频率和强度不断增加，包括洪水、干旱、热浪等气候极端事件，对农业生产、生态安全和社会经济系统的可持续发展构成了严重威胁（He等人，2024；Nhamo等人，2025；Yan等人，2025）。在这些灾害中，干旱是最普遍和反复出现的现象之一，对自然生态系统和人类社会产生了持久而广泛的影响。最近使用CMIP6预测的研究表明，在不同的气候情景下，干旱风险预计会显著加剧，因此需要更强大的诊断工具来保障长期可持续性（Senapati等人，2025）。
干旱通常被分为几种相互关联的类型，包括气象干旱、水文干旱、生态干旱和农业干旱。从气象不足到地下水资源和植被压力的传播仍然是当代研究的关键焦点。例如，Senapati和Das（2025）提出了综合农业干旱指数（IADI），表明结合多源遥感指标可以比单一指数方法提供更全面的评估。此外，将地理空间数据与机器学习（如随机森林和ANN模型）相结合，已成为半干旱流域高分辨率灾害制图的强大工具，克服了传统静态多标准框架的局限性（Senapati等人，2025）。理解这些时空情景对于区域适应至关重要，因为农民对干旱的认知往往与先进指标检测到的显著趋势一致（Senapati等人，2025）。
随着气候变化的加剧，不同类型的干旱越来越多地以耦合形式出现。这种复合干旱可能是通过气象、水文和生态压力的时间连续性或空间同时性而产生的（Nguyen等人，2023）。虽然已经使用了多种指数，如标准化降水指数（SPI）或植被状况指数（VCI），但它们大多是单向的。复合干旱指数（CDI）已被提出以捕捉这种多尺度特性（Ren等人，2024），但大多数现有的CDI主要关注气象与地表水文的联系，未能明确整合地下水和生态维度。值得注意的是，评估地下水干旱风险需要综合基于GIS的加权叠加方法，以考虑从气象异常到地下水平的传播（Senapati等人，2023）。忽略这些组成部分会导致干旱评估的严重局限性。忽视地下水储存贡献的水文指数从根本上误表示了干旱的严重程度。在地下储存对维持基流和缓冲地表水资源不足至关重要的地区，仅依赖径流可能导致误判，因为它掩盖了地下系统中延迟的长期水资源枯竭（Sprenger等人，2024）。因此，系统性地低估了水文干旱的持续时间和慢性性质（Abhishek和Kinouchi，2022）。因此，忽视生态干旱忽视了植被和整个生态系统对水分压力的直接反应（Jiang等人，2024）。由于植被压力反应通常是生态系统退化的早期预警信号，缺乏生态维度会阻止关键生态临界点的检测（Vulova等人，2025）。这种遗漏延迟了对严重影响的认识，特别是那些由增强的大气蒸发需求引起的影响（Guo等人，2025）。通过忽略地下水和生态限制，当前的复合框架无法捕捉到从大气到深层地下和生物圈的完整干旱级联。此外，对于干旱通过气象、水文和生态子系统传播的动态途径关注不足。此外，在极端情景下构建耦合干旱指数的工作仍不充分，导致对地球系统的理解存在重大知识空白（Yan等人，2022）。这些缺陷凸显了开发一个更全面的框架的必要性，该框架能够整合多样化的干旱维度，考虑动态阈值，并追踪干旱的时空传播。
为了解决这些关键限制，本研究提出了一种新的复合极端干旱指数（CEDI），将气象、地下水和生态干旱维度明确整合到一个统一的评估框架中。与现有指数不同，CEDI强调了耦合干旱相互作用，并纳入了动态阈值，以更准确地检测非静态水文气候条件下的干旱开始、持续和结束。具体而言，本研究旨在：(a) 通过整合SDWAI、GDI和EDI的指标来构建多维CEDI；(b) 应用动态监测框架来评估2005-2024年间中国复合干旱的时空演变；(c) 识别和可视化复合干旱事件的关键传播路径和迁移轨迹。通过实现这些目标，本研究为极端干旱事件的监测和预警提供了一种强大的综合诊断工具。至关重要的是，它为了解最近加剧的地下水和生态压力脱钩提供了深刻的理论见解，从而为在全球环境变化加速威胁下制定适应性水资源管理策略提供了实用价值。

2. 材料
2.1. 研究区域
中国总面积约为9.63×10^6平方公里，气候、地形和生态系统分布具有明显的空间异质性。该国从湿润的季风主导的东南部延伸到干旱和半干旱的西北部。网格产品绘制在WGS1984坐标系上，分辨率为0.1°，并严格限定在国家边界内。中国拥有复杂的地貌和9.63×10^6平方公里的庞大土地面积。在本研究中，干旱指数（AI）是通过Hargreaves方法计算1982年至2017年的年均降水量与年均潜在蒸散量的比率定义的（Hargreaves和George，1994；Yuan等人，2025）。如图1所示，根据四个AI分类，中国被划分为干旱（AI ≤ 0.2）、半干旱（0.2 < AI ≤ 0.5）、半湿润（0.5 < AI ≤ 0.65）和湿润（AI > 0.65）区域（Xu等人，2021）。

2.2. 数据
本研究使用了2005-2024年期间的多个卫星和基于模型的数据集来推导干旱指数。降水数据来自ECMWF再分析v5（ERA5）-Land数据集，该数据集可以识别降水分布和降水中心（Jiang等人，2021）。地下水储存异常数据来自NASA和德国地球科学研究中心共同开发的重力恢复与气候实验（GRACE）及其后续任务（GRACE-FO），这些数据提供了月度尺度的可靠陆地水储存变化估计。此外，还使用了NASA戈达德太空飞行中心和国家环境预测中心开发的全球陆地数据同化系统（GLDAS）来获取分辨率为0.25°的土壤湿度和地下水变量。蒸散量（ET）和潜在蒸散量（PET）数据来自MOD16A2数据集，提供了分辨率为1公里的土地表面蒸散量和潜在蒸散量的月度估计。植被系数（K）数据是根据土地利用/土地覆盖（LULC）产品计算的，用于表示不同生态系统中的特定植被水需求调整。植被状况使用MOD13A3产品的归一化差异植被指数（NDVI）进行表征，该指数提供了分辨率为1公里的全球月度植被指数数据。
所有数据都被重新处理为0.1°的一致空间分辨率，并严格限定在中国边界内，以确保变量之间的可比性和后续分析中的空间一致性。地下水储存异常数据来自GRACE和GRACE-FO任务。虽然原始的GRACE陆地水储存（TWS）产品具有相对粗糙的空间分辨率，但本研究中使用的降尺度方法与该地区的既定统计方案一致（Zhang等人，2023），这些方案已经证明，整合GLDAS辅助数据可以有效地将空间分辨率提高到0.1°，同时保持储存信号的完整性。

3. 方法
3.1. 复合极端干旱指数
干旱是一种复杂的多维现象，其特征是水分不足通过大气-土壤-地下水连续体级联传播。传统的单变量指数或线性组合往往无法捕捉非线性依赖结构和复合极端事件的并发概率。为了弥补这一差距，我们开发了复合极端干旱指数（CEDI），这是一个整合了气象异常、地下水储存动态和生态水压力的统一多变量框架。
CEDI是基于多变量经验联合概率理论构建的。与需要严格分布假设的参数化方法不同，我们采用了Gringorten绘图位置公式来构建非参数联合分布。这种方法客观地量化了复合干旱条件的联合复发概率，而无需假设子系统之间的线性关系。

3.1.1. 标准化和边际分布估计
在本研究中，X、Y和Z分别代表气象干旱指数、地下水干旱指数和生态干旱指数的随机变量。为了确保维度一致性，每个变量都进行了标准化。考虑到在变化环境下水文气候变量的非静态性质，我们采用了时变边际分布估计方法。
对于时间步长t的给定变量V∈{X,Y,Z}，使用长度为L的时间滑动窗口估计局部经验累积分布函数（CDF），F?t(vt)：(1) F?t(vt) = P(Vt ≤ vt | Ωt)，其中Ωt表示局部时间窗口[t - L/2, t + L/2]内的样本集。

3.1.2. 多变量联合概率构建
CEDI的核心在于评估多个干旱驱动因素同时呈现不足条件的可能性。我们使用Gringorten绘图位置公式定义系统(X,Y,Z)的联合概率，该公式已被证明适用于多变量干旱监测。经验联合超越概率计算如下：(2) P(X ≤ xi, Y ≤ yi, Z ≤ zi) = mi ? 0.44N + 0.12，其中N是观测序列的总长度（月）；mi是联合序列中观测值(xi,yi,zi)的排名，定义为xj ≤ xi, yj ≤ yi, zj ≤ zi同时发生的次数，j = 1,... = N；xi,yi,zi是时间i处的SDWAI、GDI和EDI的观测值。
这种公式本质上考虑了气象、水文和生态缺陷的相关结构和累积同时性。

3.1.3. CEDI推导和分类
最后，通过使用逆标准正态分布函数Φ?1将经验联合概率P转换为标准化正态变量来推导CEDI：(3) CEDIi = Φ?1(P(X ≤ xi, Y ≤ yi, Z ≤ zi)，其中Φ?1是标准正态分布的分位数函数。CEDI值为0对应于中位数联合概率，而负值表示由降水、地下水和生态水状态的同时抑制驱动的复合干旱条件。
为了表征非静态条件下的干旱演变阶段，我们实施了一个动态阈值方案。干旱开始（Tonset）和结束（Tterm）阈值不是静态截止值，而是基于CEDI序列的演变百分位的时变函数：(4) Statet = {Onset/Persistence, CEDIit ≤ Φ?1(p20t), Termination, CEDIit > Φ?1(p40t)，其中ptk表示以t为中心的动态移动窗口内CEDI分布的k-th百分位数。这种方法确保了对气候系统变化平均状态的敏感识别。

3.1.4. 分类
为了确保与组成指数的一致性和可比性，使用对称标准化阈值将CEDI值分类为离散的干旱严重程度类别。这种分类方法能够客观地划分不同空间和时间的干旱强度等级，为区域间比较提供了一个统一的框架。根据标准化干旱指数的惯例，CEDI的设计遵循一个近似正态分布，其平均值接近于零。因此，干旱强度等级是根据标准差来确定的，CEDI值最终使用与各指数相似的对称阈值被划分为不同的干旱严重程度等级：轻度（-1.0 图S1）。这些对称阈值在正态分布假设下分别对应大约31.7%、15.9%、6.7%和2.3%的百分位数区间。这样的设定确保了与各个干旱指数在统计上的一致性，使得复合指数能够直接与其组成部分相对应进行解释。对称结构还允许CEDI平衡地反映亏缺和过剩条件，尽管在干旱严重程度评估中仅使用亏缺一侧的数据。在那些偏离正态分布显著的区域或季节，会使用经验分位数进行局部重新校准，以保持不同气候条件下分类结果的可比性。为了保持空间和时间的一致性，在分类之前所有CEDI网格都经过了基线期的归一化处理。这确保了干旱类别反映了相对于当地水文气候标准的相对偏离程度，而不是固定的绝对阈值，这与本研究中采用的非平稳框架是一致的。为了确保基于动态百分位数的事件检测与静态严重程度分类之间的概念一致性，进行了经验累积分布函数（ECDF）分析。这种方法验证了静态阈值在CEDI的经验分布中的代表性，特别是关注它们与干旱敏感范围内的累积概率的对齐情况。

3.2. 气象干旱指数
为了考虑气象干旱的极端性，本研究采用了标准化干旱-湿润突变指数（Standardized Drought-Wetness Abrupt Alternation Index）作为主要指标。干旱-湿润突变事件被定义为相邻月份间干旱和湿润状态的突然转换。标准化降水量指数（Standardized Precipitation Index，SPI）用于事件识别：当SPI ≤ -0.5时，该月份被归类为干燥状态；当SPI ≥ 0.5时，被归类为湿润状态。SPI的详细计算方法可以在相关文献中找到（Hayes等人，1999年）。根据干旱-湿润突变事件的时间序列，这些事件可以进一步分类为干旱到湿润或湿润到干旱的转变。在本研究中，采用了Tu等人提出的改进版SDWAI，与传统识别方法相比，SDWAI通过降低遗漏率、考虑干旱与湿润之间转换的不对称性，并提供了更全面的事件强度描述，从而提高了突变检测的准确性（Qian等人，2023年）。SDWAI更好地捕捉了在气候变化下日益常见的快速转换事件，比传统的SPI提供了更动态的气象异常表示。SDWAI的定义如下：
(5) SDWAI = (SPIi+1 - SPIi-1) / (1 + |SPIi+1| + |SPIi|)
其中SDWAI表示干旱-湿润突变事件的强度指数，SPIi和SPIi+1分别代表第i个月和第i+1个月的SPI值。该指数在SPIi+1×SPIi+1 < 0且|SPIi| > |SPIi+1| > 0.5时有效。S表示SPI序列的绝对范围，计算公式为：
(6) Sa = max(SPIi) - min(SPIi)，i=1,…,n
根据公式(5)，当SDWAI < 0时，事件被识别为干旱到湿润的转变；当SDWAI > 0时，事件被识别为湿润到干旱的转变。SDWAI的绝对值越大，突变事件的强度越强。干旱-湿润突变强度的分类标准见表1。
表1. 突发事件的干旱和湿润强度分类。
等级 干旱状态 湿润状态
轻度 (-1.0, -0.5) [0.5, 1.0]
中度 (-1.5, -1.0) [1.0, 1.5]
严重 (-2.0, -1.5) [1.5, 2.0]
极端 (-∞, -2.0) [2.0, +∞]

为了避免低估持续的亏缺情况，CEDI结合了GDI和EDI的长期记忆功能来补充SDWAI的过渡敏感性。这种整合确保了CEDI能够同时捕捉到即时的大气触发因素和对地下及生物系统的长期影响，从而提供更全面的复合干旱评估。

3.3. 水文干旱指数
在本研究中，特别强调了地下水作为水文循环中一个关键但常被忽视的组成部分。传统的水文干旱指数主要依赖于径流或地表水的可用性，虽然这些指标提供了有用信息，但未能捕捉到在长期干旱期间维持河川基流、缓冲地表水亏缺和保持生态系统稳定性方面起决定性作用的地下存储动态。为了解决地下存储动态的不足，我们构建了一个非参数的地下水干旱指数（Groundwater Drought Index，GDI）。GDI基于GRACE数据的GWSA数据，并采用了Gringorten绘图位置公式，以在非平稳背景下更稳健地表示地下水亏缺情况。GDI是通过将每月的地下水存储异常值转换为标准化指数来计算的，从而实现空间和时间上的跨比较。具体来说，对于每个月t，GDI的计算公式为：
(7) GDIt = GWSt - μm(t)σm(t)
其中GWSt表示第t个月的地下水存储量，μm(t)和σm(t)分别代表研究周期内相应日历月的长期平均值和标准差。为了进一步考虑地下水存储分布的非正态性，还采用了非参数形式：
(8) GDIt* = φ?1(Fm(t)(GWSt)
其中Fm(t)()是第m个月的地下水存储的经验累积分布函数，Φ?1()是标准正态累积分布函数的逆函数。

3.4. 生态干旱指数
除了气象干旱和水文干旱外，本研究还明确考虑了生态干旱，以捕捉植被的水分压力和生态系统的脆弱性。与传统仅依赖降水量或土壤湿度的干旱指数不同，生态干旱指数旨在整合生态用水需求的概念，该指数将大气需求、植被特征和生态供水联系起来，从而能够量化干旱对陆地生态系统的影响。
3.4.1. 生态用水需求
EWR表示陆地生态系统的潜在用水需求，通过使用特定于植被的生理特性和实时冠层状态来调节大气蒸散需求来估算。每个网格单元和月份的EWR计算公式为：
(9) EWRt = PETt × K × NDVIt
其中PETt是潜在蒸散量，K是从土地利用/土地覆盖（LULC）数据中得出的植被系数，NDVIt是表示植被绿度和覆盖率的归一化差异植被指数。这一公式根据植被类型和健康状况调整后的大气蒸散需求来捕捉潜在的生态用水需求。
3.4.2. 生态干旱指数
然后通过将实际蒸散量与估算的EWR进行比较来量化生态干旱状况。EDI定义为：
(10) EDIt = ETt - EWRt
其中ETt是第t个月的实际蒸散量。当EDIt < 0时，表明植被经历生态水分亏缺，即干旱胁迫；当EDIt ≥ 0时，表明生态用水需求得到满足或超过。
3.4.3. 标准化和分类
为了实现时空比较，EDI序列按照z分数方法进行了标准化处理：
(11) EDIt* = (EDIt - μm(t)) / σm(t)
其中μm(t)和σm(t)分别是日历月t的EDI平均值和标准差。

3.5. 干旱迁移路径
为了研究复合干旱的空间-时间传播，进一步应用了复合极端干旱指数（Compound Extreme Drought Index）来识别干旱迁移路径。与关注单个网格单元内强度或频率的静态干旱特征不同，这项分析强调了干旱条件的时间延续性和空间关联性，旨在追踪干旱如何在变化的水文气候条件下演变、加剧和迁移到不同区域。干旱迁移路径被定义为一系列在时间上持续且在空间上相邻的干旱发生事件。对于每个时间步t，首先根据3.1.3中定义的动态阈值识别受干旱影响的网格。如果连续干旱事件在相邻空间单元和时间步之间的重叠比率超过最小连续性阈值，则将这些干旱影响的网格连接起来。每个连接的干旱影响网格簇被视为一个单一的迁移单元，并计算每个时间步的干旱范围中心点，以表示事件的核心位置。每个事件的迁移轨迹计算公式为：
(12) Lt = (xt+1 - xt)2 + (yt+1 - yt)2
其中 XT, yt 和 XT+1, yt+1 分别是连续时间步的干旱范围中心点坐标，Lt表示位移距离。路径方向进一步由中心点的位移方位角确定。

3.6. Mann-Kendall趋势分析、Sen斜率和Pettitt检验
Mann-Kendall趋势检验是一种常用于气象和水文领域的非参数统计方法，用于检测时间序列数据中的单调趋势（Kendall, 1990; Liu等人, 2020; Mann, 1945）。其基本原理是通过比较数据中每对数值的大小来确定趋势的方向。这种方法在相关研究中得到了广泛应用，这里不再赘述其基本原理。为了量化干旱趋势随时间的变化幅度，本研究使用了Sen斜率方法（Sen, 1968）。为了严格识别潜在的格局转变时机，本研究采用了非参数的Pettitt检验来检测不同干旱时间序列中的结构转折点（Pettitt, 1979）。随后应用分段线性回归来量化识别出的时期内的趋势变化。在本研究中，趋势的统计显著性在95%的置信水平上进行了评估。

3.7. 量化耦合强度和结构解耦
为了定量评估地下水和生态压力因素之间的耦合强度，在全球和网格尺度上进行了皮尔逊相关性分析（Pearson, 1896）。此外，还计算了GDI和EDI的空间平均时间序列的相关性，以识别国家尺度上的潜在结构解耦。

3.8. Morlet小波分析
本研究采用了连续小波变换（Continuous Wavelet Transform，CWT）来分析时间序列数据xn（n=1, 2, …, N）的多尺度特征和瞬时周期性。CWT通过将时间序列与缩放和平移后的母小波φ0(t)卷积，将信号分解到时频域。详细的计算步骤遵循Torrence和Compo（1998）的方法。为了评估识别出的周期性的统计显著性，将小波功率谱与红色噪声背景模型进行了比较。显著性在95%的置信水平上进行了确定。此外，定义了影响锥（Cone of Influence，COI）来划定边缘效应显著的区域，只有在COI内的周期性信号才被考虑用于物理解释。

4. 结果
4.1. 气象干旱特征
图2显示了SDWAI的10年变化趋势。在全国范围内，如SDWAI所示，气象干旱在2005-2024年研究期间呈现出轻微的干燥趋势；然而，这一趋势在统计上并不显著。十年尺度分析显示2005-2014年的平均变化率为每十年+0.0188，而在2015-2024年期间进一步减弱至每十年+0.0171。这些时期之间的差异可以忽略不计，这表明尽管存在小幅度的十年间波动，但中国的整体气象干旱状况没有系统性加剧或明显的十年级变化。尽管在国家级层面上保持稳定，SDWAI的空间模式显示出了显著的十年级重组。在第一个时期，干燥趋势明显集中在中国的干旱和半干旱地区，尤其是西北部地区，记录了最强的干燥信号。相比之下，第二个时期这种空间格局发生了根本性的变化。之前在西北部观察到的强烈干燥趋势显著减弱，在某些地区甚至转变为轻微的湿润趋势。同时，东部和南部地区开始出现新的、尽管较为温和的干燥信号。例如，半湿润区从湿润倾向转变为轻微的干燥趋势，而湿润区的干燥信号也有所加剧。SDWAI分析表明，在过去二十年里，中国的气象干旱模式经历了从西部到东部的空间重组。第一个十年的特点是西北部的明显干燥，而在第二个十年转变为更加空间多变且全国范围内稳定的模式。总体而言，仅凭SDWAI指标并不足以表明气象干旱的系统性恶化，而是其空间分布发生了显著变化。

4.2. 水文干旱特征
GDI在中国2005-2024年间呈现出整体下降趋势，表明水文干旱总体上有所减弱，而最近十年的下降速度有所放缓。从2005-2014年，全国平均GDI下降了大约0.49 z/十年，而在2015-2024年下降速度减缓至约0.45 z/十年。显示负趋势的像素比例从0.68下降到0.55。这种模式表明，地下水存储在缓解地表水短缺方面发挥了关键作用，有效地缓冲了全国范围的干旱严重程度。然而，在最近十年中，地下水的补偿效应略有减弱，同时出现了更多局部干旱热点。从空间上看，GDI显示出显著的区域差异（图3）。2005-2014年间，干旱和半干旱地区出现了明显的下降趋势，尤其是在中国西北部和北部，那里的地下水补给有效地减轻了由径流引起的干旱影响。在湿润和半湿润地区，变化幅度相对较小。2015年至2024年间，干旱和半干旱地区的整体下降趋势变得较弱，某些子区域甚至出现了适度增长，这表明持续的地下水补给继续支持着从水文干旱中恢复。相反，半湿润和湿润地区经历了较小的下降，并出现了新的局部干旱迹象，尤其是在长江中下游和南部沿海地区。这些变化可能是由于地表径流和地下水存储之间的延迟响应造成的，导致干旱影响的空间分布更加多样化。

下载：下载高分辨率图像（355KB）
下载：下载全尺寸图像
图3. 2005-2014年和2015-2024年的GDI十年趋势。（阴影区域表示趋势在p<0.05的水平上具有统计学意义。）

十年间的比较突显了地下水作用的一个明显转变。2005-2014年间，地下水补偿在全国范围内主导了干旱缓解的模式，尤其是在干旱和半干旱地带，形成了明显的西东梯度。相比之下，2015-2024年期间，干旱和半干旱地区的下降趋势放缓，湿润和半湿润气候之间的过渡带出现了湿润和干旱信号的共存现象。整体空间模式从统一的下降转变为更加复杂的趋势格局（图3）。这一变化表明，在持续变暖和蒸发量增加的情况下，地下水补给已不足以完全抵消由于降水量减少或热驱动蒸发造成的加剧的水资源短缺，导致中国的水文干旱结构在空间上变得更加多样化。

总体而言，结合GRACE数据得出的地下水存储异常情况显著提高了水文系统中延迟存储响应的表示能力。与传统指数相比，GDI更好地捕捉了干旱在干旱和半干旱地区的缓冲效应，这些地区的干旱通常是持续性的。全国范围内的模式显示，尽管地下水在大多数地区继续缓解干旱，但在湿润和半湿润地区的补偿不足导致了新的局部干旱热点。

总之，2005-2024年间，中国的GDI呈整体下降趋势，表明地下水调节对干旱缓解有所贡献。然而，水文干旱的空间模式已经从均匀缓解转变为区域差异化。地下水补偿效应在干旱和半干旱地区仍然最强，而半湿润地区对气候波动最为敏感。在湿润地区，近十年出现了局部干旱趋势。这些发现强调了将地下水存储动态纳入未来水文干旱评估的必要性，并展示了在干旱监测框架中纳入基于GWSA的补偿方法所带来的科学和方法论创新。

4.3. 生态干旱特征
在全国范围内，EDI显示出以干燥为主导的模式，并且空间差异性逐渐增加。2011年通过Pettitt检验发现了一个统计上显著的结构转折点。分段回归显示，2005-2010年间，全国EDI呈现-0.148 z/十年的下降趋势，随后在2011-2024年间转变为+0.101 z/十年的上升趋势。这证实了图S2中观察到的长期湿润趋势是2011年后恢复期的结果。因此，平均条件略微变干，但更多地区显示出湿润迹象，表明平均状况更干燥，但结构在空间上更加多样化。2005-2024年间，中国各地的EDI呈现明显的十年间变化。总体而言，2005-2014年期间湿润趋势占主导，而2015-2024年期间广泛出现了干燥趋势，反映了生态系统对气候和水文变化的非线性响应（图4）。2005-2014年间，大多数地区经历了正向EDI趋势，表明生态系统的水分条件有所改善。由于降水稳定和大规模植被恢复计划，中国西南山区、长江流域和东北部森林地区显示出最强的湿润信号。相比之下，中国北部和干旱的西北盆地部分地区出现了轻微的干燥趋势，可能是由于蒸发量增加和人类水消耗所致。整体空间格局可以总结为南部和东部湿润，北部和西部干燥，这反映了区域降水梯度和生态系统水分调节能力的综合影响。

下载：下载高分辨率图像（369KB）
下载：下载全尺寸图像
图4. 2005-2014年和2015-2024年的EDI十年趋势。（阴影区域表示趋势在p<0.05的水平上具有统计学意义。）

从2015-2024年，生态干旱模式发生了显著变化。负面趋势在中国西北部和北部进一步扩大，特别是在黄土高原、河西走廊和内蒙古中部，表明在增强的大气蒸发需求下植被水分压力加剧。与此同时，之前湿润的地区如长江下游流域和南部沿海地区开始向轻度干燥转变，表明长期高温和季节性干旱事件越来越限制了生态系统的水分平衡。相比之下，青藏高原和西南高地的部分地区继续显示出湿润迹象，这得益于冰川融化和降水量增加的支持。在两个十年中，干旱和半干旱地区的EDI变化幅度最大。第一个十年以植被恢复和地下水支持为特征，表现为生态改善；而第二个十年则因生态系统水需求超过供应而转变为干燥。半湿润地区相对稳定，作为气候过渡的缓冲区；尽管保持高水分可用性，湿润地区仍显示出干旱频率的轻微增加。

总体而言，EDI揭示了生态干旱的双相演变：最初是广泛的生态恢复阶段，随后是由于蒸发量增加而导致的水分压力加剧阶段。观察到的模式反映了干燥信号从西向东的传播以及湿润效应从北向南的减弱。通过结合EWR概念，将大气需求、植被特性和水源过程结合起来，提出的EDI提供了一个新的、具有生态意义的干旱评估指标，克服了传统气象和水文指数在捕捉植被脆弱性方面的局限性。

4.4. 解析气象、水文和生态干旱的多维响应
图5中的热图矩阵直观地显示了2005年至2024年间三个干旱指数在月度分辨率下的截然不同的数据特征和响应时间尺度。SDWAI的分布具有相对较低的方差。如图5(a)所示，热图显示出高度碎片化和短暂的模式。干湿单元在每月基础上快速交替，未能形成任何持续的事件。这表明气象干旱主要表现为高频、短期的扰动，作为快速发生的触发因素。GDI具有相反的特征，表现为中等的变异性和准周期性波动模式。图5(b)明显以大而连续的多年颜色块为主。随着系统从第一个十年的持续亏损状态转变为第二个十年的持续恢复状态，可见明显的十年间变化。这种低频、高持续性的模式直接反映了地下水的缓慢补给-消耗动态，使其成为系统的长期记忆和缓慢响应的缓冲器。EDI在其数据结构中显示出最高的幅度和季节性规律性。如图5(c)所示，颜色块最为强烈，并在年度周期内显示出强烈的季节性峰值。这证明生态系统对水分平衡高度敏感，既响应短期气候异常，也结合了先前水分条件的累积效应。

图6通过季节分布和趋势分析揭示了三个干旱指数的动态特征。分布图显示了每个指数的显著不同的季节基线：SDWAI在所有季节中围绕零点短暂波动；GDI表现出夏季补给和冬季亏缺的强烈物理周期；而EDI则呈现夏季由于高蒸发量导致的压力和冬季由于休眠导致的压力相反的模式。

趋势分析揭示了一个核心统计悖论：尽管论文的总体结论认为2015年后生态干旱加剧，但EDI在整个2005-2024年间夏季、秋季和冬季显示出显著的湿润趋势。相反，SDWAI在冬季显示出显著的干燥趋势。这种明显的矛盾实际上表明，使用单一线性模型来拟合整个时期掩盖了2015年左右发生的临界转变。此外，SDWAI和EDI在冬季的相反趋势有力地说明了解耦现象，即生态系统在非生长季节对气象干旱不敏感。因此，图6的结果突显了单一指数分析的局限性，并强调了采用CEDI和非平稳的十年尺度来全面理解干旱风险的必要性。

统计分析显示GDI和EDI之间存在明显的结构性解耦（图S3）。全球皮尔逊相关系数为0.1101，它们的空间均值相关性显示出负相关。这种弱负相关量化表明了地下存储和生态响应之间的非线性耦合，表明自2015年以来的地下水缓解并未同步转化为生态缓解。

4.5. 复合极端干旱特征
4.5.1. CEDI严重程度的统计一致性
使用ECDF评估了CEDI的经验分布，以确保静态严重程度阈值在统计上与动态检测标准保持一致。尽管全球CEDI分布表现出非正态性，但结果在与标准正态分布的关键干旱敏感范围内高度一致（图7）。定量分析显示，静态阈值-1、-1.5和-2分别对应于经验百分位数p14.55、p9.41和p6.04。这些经验值与理论正态概率之间的偏差很小，对于中度干旱水平约为1.3%。此外，动态事件检测阈值p20在逻辑上先于-1阈值出现。这种层次关系证实了干旱事件首先通过基于频率的检测被识别，随后根据稳定的标准化概率空间进行严重程度分类。

4.5.2. 空间时间变化
2005年至2024年的年度平均CEDI的空间分布（图8）显示了复合干旱的复杂、事件驱动的模式，挑战了简单线性迁移或加剧的假设。全国干旱足迹表现出高度的空间变异，主要由特定年份的重大干旱事件的发生、强度和空间范围决定。CEDI框架在捕捉已知的高影响历史干旱方面表现出强大的定量能力。20年记录中最显著的事件无疑是2022年的长江流域历史性干旱。这一事件的特征不在于其峰值强度，而在于其持续多年的时间跨度。干旱信号从2009年开始显现，在2010年达到顶峰，并持续到2011年。从定量上看，其强度主要处于温和到中等范围内，主要集中在云南-贵州高原地区。其他反复出现的热点区域也有所体现。华北和内蒙古地区也出现了多次干旱信号，其中CEDI值在2009年、2016年、2018年和2023年达到了中度到重度的干旱强度。记录的最后一年，即2024年，西南地区和华北地区的严重干旱再次出现。相反，2012年至2014年期间全国范围内的干旱情况处于最低水平。在这三年中，中国大部分地区的CEDI值都高于-0.5的阈值，因此被归类为无干旱状态。分析表明，复合干旱风险并非均匀增加，而是在地理上脆弱的地区表现为高影响的离散事件，这些事件是由特定的气候异常引起的。

图9. 2022年不同气候区的干旱面积比例。

4.5.3 对历史干旱事件的验证
CEDI量化了2022年湿润地区的干旱影响面积的历史峰值，这与2022年中国洪涝和干旱灾害公报的报道一致，该公报指出长江流域的降水量减少了40%-80%。CEDI值达到了-2.2的z分数单位的历史最低值。在半湿润地区，CEDI显示干旱影响面积在夏末迅速扩大，与8月中旬报告的4211万亩的全国峰值同步。对于干旱和半干旱地区来说，尽管2022年不是绝对的历史最高值，但受干旱影响的面积仍保持在一个较高的基线上，符合2011年后观察到的-0.11 z/十年的下降趋势。

为了实证验证CEDI框架的有效性，我们对2022年长江流域的干旱情况进行了成分分析（图S4）。受破纪录的热浪影响，SDWAI指数下降最快，从7月的-1.35骤降至8月的年度最低值-1.87，表明进入了极端干旱状态。在干旱最严重的时期，EDI指数持续下降至约-0.25，反映了植被水分压力的加剧。值得注意的是，尽管SDWAI指数有所缓和，CEDI指数仍达到了-0.96的峰值。这表明CEDI能够捕捉到单一指数评估可能忽略的复合风险的非线性累积。相比之下，GDI指数在7月保持了1.32的盈余，为干旱初期提供了关键的水文缓冲。然而，随着干旱程度的加深，GDI指数显著滞后，到了12月才降至年度最低值-0.06。

图10. 2022年CEDI与SDWAI、GDI和EDI之间的空间相关性演变，提供了CEDI多维综合能力的有力实证证据。CEDI与SDWAI之间的持续高相关性确保了对快速大气变化的敏感性。在干旱高峰期间，CEDI与EDI和GDI之间的相关性同步达到峰值，证实了CEDI能够有效填补大气-生态系统之间的信息缺口，提供了比孤立气象指数更符合物理规律的复合风险描述。

4.5.4 迁移路径分析
结果在图11中可见，两个十年间干旱趋势发生了深刻的空间重组和逆转。在第一个十年中，中国大部分地区呈现出明显的湿润趋势。而在第二个十年中，这种湿润趋势基本消失或变得不显著，取而代之的是西北中国、四川盆地和长江上游两个新的、统计上显著的干旱热点区域的形成。与此同时，东北中国出现了新的湿润趋势。总体而言，中国的复合干旱模式在2014年后发生了显著的空间重组，从广泛的干旱缓解转变为明显的区域两极分化，表现为西南和西北地区的严重干旱。

4.5.5 四个气候区的差异
为了剖析全国CEDI趋势的空间异质性，本研究进一步分析了四个主要干旱区的复合干旱频率。图13清楚地显示出了明显的两极分化或分歧模式，证明全国趋势并不是均匀的，而是受到强烈区域不对称性的驱动。湿润和半湿润地区的干旱频率显著减少，下降幅度为-0.011 z/年。相比之下，传统的干旱中心——干旱和半干旱地区在过去二十年里表现稳定，其趋势斜率为-0.015 z/年，表明干旱频率几乎没有长期系统性变化。这种区域分解提供了有力证据，表明全国复合干旱强度的普遍趋势是一种统计上的伪象，实际上半湿润地区的干旱风险急剧恶化掩盖了湿润地区的干旱缓解趋势。

图S5揭示了干旱季节性的根本差异，这直接影响了干旱的发生和持续时间。湿润和半湿润地区表现出夏季末至秋季为主的模式，这些地区的春季和初夏基本没有干旱现象，干旱事件的峰值发生和强度集中在8月至10月之间。这表明干旱压力是由高蒸发蒸腾需求和季风后的水分不足驱动的脉冲式季节性变化。相比之下，干旱和半干旱地区则表现为春季-夏季主导或双峰模式，干旱事件早在春季就开始大规模出现，表明长期或早期发生的干旱压力机制是由生长季节初期降水不足和高蒸发蒸腾共同作用的结果。干旱的强度结构和严重程度在各区域差异显著。在湿润地区，虽然某些年份干旱范围会扩大，但其组成主要由温和到中等强度主导，极端干旱较为罕见。而在干旱和半干旱地区，干旱范围和强度高度耦合；一旦干旱事件发生，严重和极端强度占据了主导地位。这从定量上证明了干旱在较干燥地区的生态水文破坏潜力更大。

图S5还证实了CEDI捕捉高影响历史事件的卓越能力，证实了中国干旱模式的东-西分化。2022年长江流域的干旱事件是一个典型例子，在湿润和半湿润地区，干旱事件的空间范围和极端强度从7月开始增加，并在8月至10月达到最大值，这是2005-2024年研究期间这些地区的最高记录。这为半湿润地区长期增加的趋势提供了关键的事件级证据。同时，干旱地区的极端事件发生在不同的年份，显示出时间上的滞后，证实中国的干旱风险不是单一的，而是由不同的区域机制驱动的东-西分化模式。

图14的Morlet小波功率谱分析显示，四个干旱区的CEDI时间序列在周期特性上存在显著的东-西差异。湿润和半湿润地区的复合干旱特征是低功率和弱周期性的，功率谱主要为蓝色，表明干旱的周期性信号较弱。半干旱和干旱地区的复合干旱则表现出高功率和多周期特性，功率谱以红色为主，表明干旱信号具有极强的能量和显著的周期性。干旱区在整个研究期间（2005-2024年）都显示出极强的特征，包括2-4年的年际信号和<1年频段的持续高频信号。半干旱区在2015年后经历了干旱频率和强度的显著十年级变化。

5. 讨论
5.1 CEDI框架的优势和机制创新
CEDI框架在概念和方法上超越了传统的单变量干旱指数，通过将气象异常、地下水存储动态和生态水分压力整合到一个统一的多变量框架中，有效捕捉了复合极端事件的非线性依赖结构和同时发生的概率。CEDI的一个主要优势在于它能够诊断出传统评估中经常被掩盖的跨组分传播和反馈机制。例如，尽管气象指数可能表明干旱正在迅速恢复，但GDI（绿水 Norris指数）和EDI（生态干旱指数）的异常状况可能会持续存在。2017-2019年中国北方的干旱就是一个例证，在降水恢复正常后，地下水和生态系统的压力仍然持续了一年以上。这突显了CEDI（综合干旱指数）在捕捉由地下水提供的水文系统长期记忆方面的有效性。此外，CEDI还发现了一个在2015年后出现的关键的大气-生态系统机制。半干旱地区显示出显著的十年变化趋势。传统理论认为，大气中的变化会直接传递到地下水中，然后再影响植被。然而，我们的研究结果表明，持续的高温和强烈的蒸发需求可以直接越过缓慢移动的地下水缓冲层，引发即时的高强度生态压力。该框架还揭示了地下储存与生态响应之间的明显脱节。在全国范围内，CEDI的趋势越来越受到EDI组分恶化的主导，其恶化速度超过了地下水储存方面的改善。通过考虑这些不同的趋势，CEDI提供了一个更强大的综合工具，用于监测干旱风险的时空重组，特别是在热点区域向中国人口密集的农业中心迁移的情况下。

5.2. 不确定性、局限性和未来展望
虽然CEDI提供了干旱传播的全面表征，但本研究也发现了以下局限性：其对遥感和再分析数据的依赖引入了恢复和插值误差，这些误差在青藏高原等地形复杂的地区尤为明显。这些地区由于农业用水密集和地下水过度开采，已经具有很高的脆弱性。这种人为压力可能削弱了当地的生态水文韧性。因此，CEDI热点地区的迁移是气候波动性与高人为脆弱性区域空间耦合的结果。具体来说，农业中心的这种加剧与地下资源枯竭密切相关。在我们的框架中，GWS（ Groundwater Storage，地下水储存）是通过从GRACE观测的总储存量中减去GLDAS模拟的自然储存量得到的残差不的值。根据经典的质量平衡方法，由于GLDAS模型没有明确模拟人为取水，因此得到的GWS异常值有效地捕捉了自然变化和灌溉引起的枯竭的综合信号（Rodell等人，2009年）。地理空间技术的应用对于评估这类复杂的环境风险和确保长期的资源可持续性至关重要（Senapati等人，2024年）。基于GIS的评估有助于识别这些新脆弱地区适合种植替代农业作物和耐旱作物的地点（Senapati等人，2023年）。这确保了CEDI能够准确诊断在人类用水需求耗尽地下水缓冲能力地区的生态压力。

未来，CEDI的发展应着重于构建一个动态加权的架构，根据干旱的发展阶段自适应地调整各个组分的贡献。将CEDI的物理信号与社会经济脆弱性指标相结合，对于识别社会生态系统中的关键临界点并提供基于韧性的决策支持至关重要。这样的扩展将有助于形成一个全面的复合干旱风险评估框架，能够识别社会生态系统中的临界点。在多样化的水文气候梯度上进行的比较应用将进一步完善我们对极端事件级联的理解，最终将CEDI的用途从回顾性诊断转变为基于预测和韧性的决策支持。

5.3. 高分辨率时间尺度的可行性和必要性
本研究的一个重要发现是大气-生态系统绕行机制的出现，即不断上升的大气需求会引发快速的生态压力。虽然目前的CEDI是以月度尺度构建的，用于捕捉稳健的时空变化，但研究结果表明，干旱模式正在向更具爆炸性、更高频率的波动性转变。这一演变凸显了探索更精细时间尺度（如每天）下的CEDI构建的必要性，以便更早地检测到突发性干旱。从数据驱动的角度来看，由于高分辨率水文气候数据的可用性，构建每日CEDI变得越来越可行。例如ERA5-Land再分析产品提供了每日降水和蒸散数据，而MODIS等卫星任务则提供了高频植被指数和PET（潜在蒸发量）估算。尽管GRACE/GRACE-FO提供的GWSA数据通常为月度分辨率，但最近的统计降尺度和数据同化技术已经显示出重建每日地下水储存信号的潜力。转向每日CEDI将为农业中心的保护提供重要的实际价值。在黄淮海平原等地，关键作物生长阶段（如发芽和授粉）发生在狭窄的时间窗口内。每日指数将能够识别出绕过缓慢移动的地下水缓冲层的突发性热驱动的水资源短缺，从而提前1-2周发出预警，为适应性灌溉提供必要的时间。未来的研究应致力于开发动态加权的每日CEDI架构，以考虑大气、地下和生物圈组分在次月级别上的不同响应时间尺度。

6. 结论
本研究确立了CEDI作为一个多维度诊断框架，揭示了中国范围内复合干旱风险的根本重组。分析显示，全国范围内复合干旱的加剧主要是由2011年后的关键物理脱节驱动的，其特征是从高波动性、低强度事件转变为空间固定的高强度干旱模式。EDI的严重恶化成为主要驱动因素，掩盖了GDI（绿水 Norris指数）和SDWAI（土壤干旱指数）的大规模缓解。这种转变突显了一个新的大气-生态系统绕行机制，即不断上升的大气需求会引发快速的生态压力，绕过缓慢的地下水缓冲能力，导致干旱热点向黄淮海平原和长江中下游人口密集的农业中心显著迁移。因此，这些发现表明，区域适应策略必须转向管理生态系统水需求的非线性升级，以确保国家粮食安全。大气-生态系统绕行机制的发现为半湿润地区的干旱缓解提供了新的理论基础。未来的研究应致力于开发更高时间分辨率的动态加权CEDI架构，以便更精确地提前预警突发性干旱。此外，将CEDI信号与社会经济指标相结合，对于识别社会生态系统中的临界点和在加速的全球环境变化下提供基于韧性的决策支持至关重要。

CRediT作者贡献声明：
王宏伟：撰写、审稿与编辑、筹集资金。
门宝辉：撰写、审稿与编辑。
向璐：撰写、审稿与编辑、概念构思。
边宗珍：撰写、审稿与编辑。
韩晓宇：撰写、审稿与编辑、初稿撰写、可视化、方法论设计、概念构思。

资金支持：
本工作得到了中国国家重点研发计划（2023YFC3205600）和中国国家自然科学基金（项目编号52279005）的支持。