基于可解释机器学习和多模型评估揭示的伊朗干旱强度的气候依赖性控制

《Journal of Hydrology: Regional Studies》：Climate-dependent controls on drought intensity across Iran revealed by explainable machine learning and multi-model assessment

　　

研究区域为伊朗。研究重点为闪旱（flash drought）在气候变率和变暖下正在加剧，但其主导控制机制在伊朗等气候异质性地区仍未被充分理解，这限制了稳健且可解释的干旱监测与早期预警系统的发展。为填补这一空白，研究人员对伊朗110个主要流域进行了气候依赖性的闪旱强度评估，这些流域根据干旱程度分为四个气候区（非常干旱、干旱、半干旱和湿润）。基于五天气候尺度的土壤水分百分位数动态识别闪旱事件，并使用三种互补框架连续建模干旱强度：CatBoost（一种梯度提升算法）结合SHAP（Shapley加法解释）、长短期记忆网络（LSTM）集成DeepSHAP（集成梯度法），以及基于模式挖掘的集成（PME）框架结合随机森林（Random Forest）。分析了1979–2023年期间的综合水文气象变量，包括降水、多层土壤水分、温度极值、相对湿度、风速、太阳辐射和参考蒸散发（reference evapotranspiration, ET_ref）。模型评估主要基于SPEI-3（标准化降水蒸散发指数，3个月尺度）并辅以SPEI-1以检验不同基准时间尺度下的稳健性。该区域的新水文见解：结果表明，伊朗的闪旱强度受土壤水分存储限制与大气蒸发强迫之间系统的、气候依赖性的转变控制。在非常干旱地区（覆盖约70%的研究区域），干旱加剧主要受多层土壤水分的持续耗竭控制，反映了强存储限制的水文机制，对大气胁迫的缓冲能力极低。在干旱地区，干旱动态表现为水分-能量耦合控制，降水亏缺与增强的蒸散发需求共同调节干旱的发展和持续性。半干旱地区对短期大气异常最为敏感，温度和相对湿度的波动会触发快速干旱加剧，表明该区域存在过渡性的陆-气耦合机制，对次季节变率高度响应。相比之下，湿润地区主要受大气驱动过程控制，尽管基线土壤水分可用性相对较高，但升高的温度和蒸散发需求主导了干旱加剧，反映了受偶发性大气强迫控制的事件驱动型干旱机制。所有气候区中，来自SPEI-3和SPEI-1的一致水文气候响应表明，干旱动态从干旱环境中的存储控制（记忆驱动）向湿润气候中的大气控制（强迫驱动）发生了系统性和稳健的转变。这一转变凸显了陆-气相互作用在调节水文气候梯度上干旱强度中的根本作用。这些发现通过明确连接土壤水分记忆效应与大气强迫，为改进次季节干旱可预测性提供了基于过程的依据，从而支持在气候对比强烈的地区发展更有效的早期预警系统和气候适应性水资源与农业管理策略。

**论文解读文章**

**研究背景与问题**
水资源对生态完整性、农业生产力和社会经济稳定性至关重要，但日益受到气候诱导的水文气候极端事件的威胁。干旱因其对植被动态、粮食安全、水文系统和区域经济的多层面影响，成为最复杂且破坏性最大的灾害之一。气候变化通过升高温度和改变大尺度环流模式增强了大气蒸散发需求，导致干旱严重程度加剧，甚至在仅降水亏缺无法完全解释观测影响的地区也是如此。闪旱（flash drought）作为一类快速发生和加剧的干旱事件，其发展时间尺度从数周而非数月，极大地缩短了缓解和适应的窗口期，对雨养农业和水资源管理系统尤为破坏性强。与常规干旱不同，闪旱并非仅由降水异常控制，而是源于前期地表土壤水分状况与大气蒸散发需求急剧增加之间的相互作用。尽管对闪旱影响的认识日益增加，但其准确监测和评估仍具挑战性，因为现有研究多局限于特定区域或单一气候带，缺乏跨气候区的统一评估；不同干旱建模方法的相对性能很少在统一的气候一致框架内评估；模型输出的物理可解释性仍是一大难题。伊朗横跨显著的气候梯度，从非常干旱和干旱地区到半干旱和湿润环境，结合复杂地形和对气候敏感农业系统的强烈依赖，为研究闪旱动态提供了独特但尚未充分探索的自然实验室。然而，伊朗现有闪旱研究多具区域性，缺乏全国范围多气候区的统一评估；不同干旱建模框架在对比水文气候条件下的稳健性和可转移性尚未系统评估；机器学习方法虽日益应用，但缺乏可解释框架来提供干旱发展的主导水文气候驱动因素的物理可解释洞见。为此，本研究提出了一个气候一致的评估框架，整合互补的可解释机器学习方法与多变量水文气象分析，探讨伊朗110个主要流域（分为非常干旱、干旱、半干旱和湿润四个干旱气候区）的闪旱强度动态及其控制机制。论文发表在《Journal of Hydrology: Regional Studies》。

**关键技术与方法**
研究人员采用了以下主要关键技术：（1）闪旱识别：基于五天气候尺度的土壤水分百分位数动态，使用非参数排序方法定义闪旱事件，并构建连续闪旱强度指标（FDI）作为目标变量；（2）CatBoost回归模型结合SHAP框架：CatBoost是一种梯度提升决策树算法，用于建模闪旱强度与水文气象变量之间的非线性关系，SHAP基于合作博弈论量化各预测因子的贡献；（3）LSTM神经网络与DeepSHAP（集成梯度法）框架：LSTM用于捕捉时间序列中的序列模式与长期依赖，DeepSHAP通过沿基线到输入的直线路径累积梯度来归因预测；（4）PME框架结合随机森林：基于模式挖掘的两阶段分析策略，先识别长期水文气候关联模式，再检测短期快速偏差，提取频繁项集并构建干旱严重性指数（DSI），最终用随机森林集成预测。所有模型使用ERA5-Land再分析数据集（1979-2023，0.1°分辨率）的降水、多层土壤水分（0-7cm, 7-28cm, 28-100cm, 100-289cm）、温度极值、相对湿度、风速、太阳辐射和参考蒸散发等变量，按流域尺度聚合至五天气候步长。样本来源为伊朗110个主要流域，基于全球干旱指数（AI）分类为四个气候区。模型评估主要基于SPEI-3并辅以SPEI-1。

**研究结果**

*3.1 干旱强度的时空特征*
通过比较CatBoost-SHAP、LSTM-DeepSHAP和PME-SHAP框架模拟的干旱强度序列与SPEI-3基准，发现不同气候区呈现明显的差异：非常干旱地区干旱强度变异性大，负峰值尖锐且短暂，反映持续干旱背景下快速加剧；干旱地区负异常持续更长间隔，表明有更大的干旱持久性和较慢恢复；半干旱地区表现出更频繁的短期波动和较低长期极端值，反映对短期水文气候异常的敏感性；湿润地区短期变异性最高但持久性较低，尽管偶有严重干旱事件。所有气候区中，模拟序列均再现了SPEI-3的主导时间模式。

*3.2 干旱强度的气候控制：基于相关性的分析*
通过斯皮尔曼（Spearman）相关分析，非常干旱地区干旱强度与各层土壤水分呈强负相关，与温度及风速呈正相关，与相对湿度和水汽压呈负相关，表明蒸发需求主导；干旱地区降水与干旱指数负相关增强，呈现混合控制；半干旱地区显示对短期大气变率敏感，温度极值与相对湿度关联更强；湿润地区干旱强度与深层土壤水分弱相关，更多依赖降水变率和短期大气条件。

*3.3 干旱模型性能评估*
使用R2、RMSE、MBE、NSE、T统计量、U95%和GPI等指标评估模型性能。PME框架在所有气候区表现最一致，训练和测试阶段R2均超过0.93，RMSE和GPI最低；CatBoost在非常干旱和湿润地区表现良好，但在半干旱区测试性能下降；LSTM在干旱和半干旱区相对较好，但在湿润区训练R2仅0.38。基于SPEI-1的补充评估同样确认PME的稳健性。

*3.4 使用SHAP解释主导干旱驱动因素*
基于SHAP的平均值归因显示，土壤水分变量在所有气候区均为干旱强度的最主要贡献者，尤其在非常干旱和干旱地区。非常干旱地区SM1和SM4贡献最大，其次为温度变量和风速；干旱地区降水和ET_ref重要性增加；半干旱地区土壤水分、温度和湿度相关变量贡献平衡；湿润地区温度极值和ET_ref主导，深层土壤水分影响减弱。

*3.5 使用SHAP分布的模型特定归因*
蜂群图（beeswarm plots）显示各变量SHAP值分布：非常干旱地区SM1的SHAP范围最宽，温度变量呈偏态分布；干旱地区降水与ET_ref范围扩大；半干旱地区多个预测因子分布重叠；湿润地区温度变量SHAP上限值接近±0.9。LSTM的SHAP分布最窄，反映时间记忆的平滑效应；PME对土壤水分和ET_ref的分布最广，更能捕捉非线性和复合驱动因素。

**讨论与结论**
讨论部分指出，干旱强度在伊朗表现出气候依赖性的系统性转变：干旱地区以土壤水分存储限制和大气蒸发需求为主导，半干旱地区对短期大气异常高度敏感，湿润地区则由偶发性热力和蒸发胁迫驱动。三种建模框架（CatBoost、LSTM、PME）虽结构不同，但识别出一致的干旱演变模式，增强了结果可信度。相关性分析与SHAP归因互补，确认土壤水分是干旱强度的核心中介，而大气控制随气候变湿而增强。研究结果对干旱监测与早期预警有直接意义：干旱半干旱区应优先关注土壤水分和蒸发需求，湿润区应监测温度和辐射异常。PME框架的稳健性和可解释性表明，模式驱动建模可增强复杂非平稳条件下的干旱评估。结论部分翻译如下：

本研究通过整合多源水文气候数据与互补机器学习框架及可解释人工智能技术，对伊朗的闪旱强度进行了气候一致且物理可解释的评估。结果揭示了干旱行为及控制机制在干旱梯度上呈现系统性、气候依赖性的对比。在非常干旱和干旱地区，干旱加剧主要受快速土壤水分消耗结合强烈大气蒸发需求控制，反映存储限制型机制。半干旱地区表现为过渡性行为，对短期大气变率高度敏感。湿润地区干旱持久性较低但更多为事件驱动，温度极值和蒸发需求为主导控制。CatBoost、LSTM和PME框架的比较评估显示，所有模型均能捕捉干旱强度的一般演变，但性能和敏感性随气候区变化。PME框架表现最一致且可转移，而CatBoost和LSTM在非线性交互和时间依赖方面提供互补优势。可解释机器学习方法的整合使得对干旱动态进行基于过程的解释成为可能，凸显了土壤水分作为所有气候区干旱响应的核心中介，而大气强迫的相对影响在更湿润环境中增强。干旱加剧主要由对气候极值的非线性响应驱动，而非平均条件的渐变。总体而言，研究结果展示了从干旱环境中的存储控制（记忆驱动）干旱动态向湿润气候中的大气控制（强迫驱动）行为的系统性转变。这一转变为通过明确连接土壤水分记忆效应与大气强迫来改进次季节干旱可预测性提供了机理基础，从而支持在强水文气候梯度地区发展更具针对性的早期预警策略和气候适应性水资源管理。