多变量敏感性分析以及尘埃对干旱指数及其潜在变量的响应阈值

《Journal of Environmental Management》：Multivariate sensitivity analysis and threshold response of dust to drought indices and their underlying variables

　　

穆罕默德·卡泽米|纳尔吉斯·卡里米内贾德

霍尔莫兹研究与研究中心，霍尔莫兹甘大学，班达尔-阿巴斯，霍尔莫兹甘，伊朗

摘要

沙尘暴在干旱和半干旱地区构成了严重的环境和公共卫生挑战，尤其是在伊朗的霍尔莫兹甘省。本研究旨在评估干旱指数及其潜在变量在解释气溶胶光学厚度（AOD）变化中的作用。分析了2001年至2023年的月度时间序列数据（每个像素264次观测），包括13个环境变量：降水量（Pr）、土壤水分指数（SPI）、蒸发量（ET）、温度（T）、植被指数（NDVI、EVI、VCI、VHI）和AOD。采用的方法包括影响阈值分析、空间相关性分析（皮尔逊相关系数）、全局敏感性分析（PAWN、Sobol、FAST）、基于梯度和扰动的敏感性分析以及随机森林（RF）建模，以评估各变量的相对重要性并进行部分依赖性分析。主要发现表明，降水量（Pr）和蒸发量（ET）对沙尘活动的影响最大，其综合敏感性得分分别为100%和74.8%。最大AOD值出现在降水量极低（约4.66毫米）和蒸发量极高（>0.96毫米）的情况下。蒸发量（7.70单位）和土壤水分（5.55单位）对AOD的影响范围明显大于其他变量，表明沙尘对干旱和强烈蒸发的长期敏感性。相比之下，植被指数（如NDVI、EVI、VCI）的影响范围非常狭窄（<0.42单位），仅在植被覆盖极弱或土壤裸露的临界条件下才对沙尘产生显著影响。空间相关性分析显示，SPI和Pr与AOD的正相关性最高（分别为0.418和0.404），但这种关系主要是非线性的（没有强相关性超过0.5）。随机森林模型进一步证实了ET和Pr在预测AOD方面的主导作用（特征重要性分别为约0.23和约0.22）。多方法敏感性分析综合结果表明，降水量（Pr）是最具一致性的重要变量。在基于导数的模型中，蒸发量表现出较强的敏感性，而在全局敏感性分析中，温度（T）较为突出。在干旱指数中，SPI/PDSI的敏感性高于其他指数。因此，干旱指数的潜在变量（特别是低降水量和高蒸发量）在区域沙尘发生中起决定性作用，而植被参数的影响较小。这些发现强调，沙尘管理策略应侧重于通过同时监测蒸发量和土壤水分来减少生态系统的脆弱性，而不仅仅是增加植被覆盖。此外，使用多种敏感性分析方法对于结果验证至关重要，因为每种方法都能揭示变量与AOD之间非线性关系的不同方面。

引言

人为气候变化和持续的土地退化正在全球范围内加剧沙尘暴的频率和强度，对公共卫生、生态系统和社会经济稳定构成严重威胁，尤其是在干旱和半干旱地区（Middleton, 2017; Goudie, 2014）。中东地区，包括伊朗，是全球主要的沙尘来源地，其排放物对区域及下风地区的环境产生深远影响（Boloorani et al., 2021）。虽然干旱、地表条件和沙尘排放之间的物理联系已经得到充分证实（Shao, 2008; Knippertz and Stuut, 2014），但仍存在一个关键的知识空白：即对特定干旱指数及其潜在的气候和生物物理驱动因素对沙尘变化相对重要性和交互效应的全面、定量理解。

这一空白对科学和政策都具有重要意义。干旱是一个多变量现象，通常通过SPI或帕尔默干旱严重度指数（PDSI）等指数来表征，这些指数整合了降水量、温度和蒸散量等因素（Vicente-Serrano et al., 2010）。然而，沙尘排放对这些综合指数与其组成变量（例如降水量不足与温度驱动的蒸散量）的敏感性尚未得到充分量化。以往的研究往往依赖于单一方法，如线性相关性或孤立的机器学习特征重要性分析，这在复杂的非线性地理系统中可能会产生误导（Saltelli et al., 2008）。最近，Hosseinipoor和Danesh-Yazdi（2025）采用了一种结合机器学习和敏感性分析的框架，将底格里斯-幼发拉底河流域的沙尘活动与气候驱动因素联系起来，确定土壤表面温度和降水量是伊朗西部沙尘事件的主要因素。此外，尽管基于方差的方法（如Sobol）被广泛用于全局敏感性分析，但它们假设输入数据是独立的。为了解决这一限制，Pianosi和Wagener（2015）开发了PAWN方法，该方法基于累积分布函数，不需要独立输入，特别适用于相关环境数据。例如，植被覆盖（通常用NDVI表示）通常被认为是主要的稳定因素，但其有效性取决于土壤水分的可用性，而土壤水分又受降水量（Pr）和蒸发量（ET）的影响（Ravi et al., 2011）。因此，进行稳健的多方法敏感性分析对于理清这些复杂因素并确定控制沙尘活动的最直接和最有力的因素至关重要。

为了解决这一问题，我们的研究聚焦于伊朗南部的霍尔莫兹甘省，该地区极易受到沙尘暴和长期气象干旱的影响。我们采用了一种新颖的多方面分析框架，将随机森林（RF）与一系列先进的敏感性分析技术相结合。这些技术包括全局方法（Sobol、FAST）来评估整个输入空间中的变量重要性，局部方法（基于梯度的）来理解瞬时敏感性，线性相关性用于基线比较，以及影响阈值分析来识别沙尘排放的关键环境临界点。这种综合方法使我们能够超越简单的相关性分析，回答一个核心问题：干旱指数（SPI、PDSI）与其潜在的水文和热学变量（降水量、蒸发量、温度、土壤水分）在驱动干旱环境中AOD时空变化中的相对和层次化作用是什么？

通过解决这一层次结构，我们的工作不仅提供了对沙尘-干旱动态的更精细科学理解，还为政策制定者提供了可操作的智慧。它将重点从基于症状的应对措施（如大规模植被恢复）转向针对根本的水文驱动因素，从而为霍尔莫兹甘省及全球类似易受沙尘影响的地区提供更有效和可持续的沙尘缓解和早期预警系统。

章节摘录

研究区域

本研究聚焦于伊朗南部的霍尔莫兹甘省（大约北纬25°24′至28°57′，东经53°41′至59°15′），这是一个受到本地来源和区域传输的沙尘暴严重影响的高度干旱至干旱地区（Boloorani et al., 2021; Karami et al., 2021）。该地区年降水量低（<200毫米），温度高，植被稀疏，是研究沙尘-干旱相互作用的关键和脆弱环境。

影响阈值分析

影响阈值分析（表3）确定了每个环境变量在沙尘浓度（AOD）达到峰值时的值以及维持这一最大效应80%的范围。结果显示，水文变量，特别是蒸发量（ET）和土壤水分（分别为7.70单位和5.55单位），具有最宽的有效影响范围，表明它们对沙尘活动具有长期和主导的控制作用。相比之下，植被指数（如EVI、VHI、NDVI）的影响范围非常狭窄。

讨论

本研究对伊朗霍尔莫兹甘省干旱环境中的沙尘驱动因素进行了全面的多变量敏感性分析。主要发现表明，基本的水分平衡变量，特别是降水量（Pr）和蒸发量（ET），是AOD的主要决定因素，这与已建立的物理理解一致，即沙尘排放最终受地表水分不足和侵蚀能量的控制（Shao, 2008; Knippertz and Stuut, 2014）。我们稳健的多方法共识进一步证实了这一发现。

结论

本研究对伊朗霍尔莫兹甘省干旱环境中的沙尘活动驱动因素进行了全面的多方面分析，采用了随机森林建模和先进的敏感性分析框架。关键发现强调了基本水文过程（特别是降水量和蒸发量）作为AOD的主要控制因素。综合敏感性排名明确指出，降水量（标准化得分：100%）和蒸发量（74.8%）是最关键的。

伦理批准

不适用。

数据和材料的可用性

数据将根据请求提供。

资金

未收到任何资金。

CRediT作者贡献声明

穆罕默德·卡泽米：数据整理、正式分析、方法论、软件。纳尔吉斯·卡里米内贾德：概念构思、项目管理、资源协调、监督、初稿撰写。

利益冲突声明

作者之间不存在利益冲突。

致谢

我们感谢DeepSeek对手稿的语法和编辑进行校对。