一种基于植被水分指数（Vegetation Water Index）的累积干旱对夏季玉米产量影响的量化方法，该方法考虑了作物的恢复动态

《Agricultural Water Management》：A quantification method for cumulative drought effects on summer maize yield incorporating recovery dynamics based on Vegetation Water Index

动态植被水指数（VWI）结合每日干旱效应（DE）量化方法，揭示了不同生长阶段（V0-V6、V6-R3、R3-R6）干旱累积效应对黄淮海夏玉米产量的非线性影响。随机森林模型（R2=0.90）最佳，DE（V6-R3）贡献率最高（38.2%），其次是DE（V0-V6）（25.7%）和DE（R3-R6）（15.4%），空间异质性通过R_mp（8.1%）和地理坐标调节。研究建立了从气象干旱到农业损失的动态解析框架，为精准灌溉和灾害预警提供量化工具。

　　本研究旨在探讨干旱对夏玉米生长过程的影响，并开发了一种基于植被水分指数（VWI）的新型干旱效应（DE）量化方法，从而为精准农业损失评估和缓解措施提供科学依据。夏玉米作为全球重要的粮食作物，广泛种植于中国北方的黄淮海（HHH）农业区，这一区域由于其半干旱至半湿润的季风气候，常面临干旱带来的威胁。研究表明，传统的干旱指数虽然能够有效识别干旱发生和严重程度，但缺乏对干旱过程的动态描述，尤其是在干旱后的恢复阶段。因此，建立一个能够同时反映干旱强度和恢复过程的量化框架显得尤为重要。

VWI是通过标准化的归一化植被水分指数（NDWI）与夏玉米干旱观测数据相结合构建的一种指标，它能够动态反映植被干旱状况。基于VWI的动态干旱阈值，研究提出了每日干旱效应的量化方法，将干旱划分为干旱、轻度干旱、中度干旱和重度干旱四个等级，并通过比例插值方法计算每日的DE值。这一方法不仅能够量化干旱的强度，还能体现干旱后的恢复动态。研究还发现，累积的DE值在不同生长阶段对玉米产量的影响不同，其中关键水分需求阶段（V6–R3）对产量的影响最大，其次是非关键水分需求阶段（V0–V6和R3–R6），随后是夏玉米像素比（Rmp）、纬度和经度等因素。

为了进一步评估干旱对夏玉米产量的影响，研究采用了多种机器学习模型，包括线性回归、支持向量机（SVM）、LightGBM和随机森林模型。这些模型的输入变量包括累积DE值、Rmp以及地理坐标。结果显示，随机森林模型在夏玉米产量模拟中表现最优，其决定系数（R2）达到0.90，平均绝对百分比误差（MAPE）为4.25%，均方根误差（RMSE）为339.57 kg/ha。这表明，该模型能够准确捕捉干旱对玉米产量的综合影响，为农业决策提供了有力支持。

通过SHAP（SHapley Additive exPlanations）分析，研究进一步揭示了各因素对产量的影响程度。SHAP分析显示，关键水分需求阶段的累积DE值对产量的影响最大，其次是其他两个非关键阶段，随后是Rmp、纬度和经度。这一发现为农业干旱的定量评估提供了新的视角，使得干旱监测从静态的干旱等级分类转向动态的、过程导向的评估。这种量化方法不仅能够实时跟踪干旱的发展变化，还能够反映干旱对作物生理活动的综合影响。

研究还探讨了不同生长阶段对夏玉米产量的影响。关键水分需求阶段（V6–R3）是玉米生长过程中对水分需求最高的时期，这一阶段的干旱会对玉米的授粉、灌浆和籽粒形成产生直接影响，导致产量下降。而非关键阶段的干旱虽然影响相对较小，但仍对玉米的生长发育和产量形成具有重要作用。此外，研究还发现，Rmp较高的地区对产量的敏感性更强，这可能与集中种植的农业管理方式有关，如精准灌溉、优化施肥和机械化操作等，这些措施有助于提高资源利用效率，减少微气候极端对产量的影响。

研究的创新之处在于将VWI与动态干旱阈值相结合，构建了一个能够同时反映干旱强度和恢复动态的量化框架。这一框架不仅适用于夏玉米，也具有推广到其他作物和干旱指标的潜力。例如，可以将该方法应用于小麦或大豆等作物的干旱评估，特别是在雨养农业系统中。此外，将DE框架与实时气象干旱指数（如SPI10）相结合，有助于建立耦合的干旱预警系统，从而更有效地将气象干旱与农业损失联系起来。

尽管研究取得了一定成果，但仍存在一些局限性。首先，模型的预测效果可能受到农业实践变化的影响，特别是品种替换和管理优化。未来可能出现的抗旱品种可能会改变作物对干旱的响应机制，从而削弱DE与产量损失之间的相关性。因此，模型需要根据新的训练数据进行重新校准，以保持其预测准确性。其次，尽管研究采用了云污染数据填补算法，但MCD43A4数据集中的云污染仍可能引入噪声，影响VWI序列的准确性。未来的研究可以考虑使用更高分辨率、穿透云层的传感器来减少数据缺失，从而提高数据质量和可靠性。

总之，本研究提出了一种基于VWI和动态干旱阈值的新型干旱效应量化方法，为夏玉米干旱影响的动态评估提供了科学依据。通过结合多种机器学习模型，研究不仅提高了产量模拟的准确性，还揭示了各因素对产量的影响程度，为精准灌溉和抗旱措施的制定提供了重要参考。未来的研究可以进一步优化模型，考虑更多的农业管理因素，并扩展应用范围，以更好地应对气候变化带来的挑战。