一种基于GeoShapley的区域干旱风险评估新加权框架，以及可地理解释的洞察力

《Journal of Hydrology》：A new weighted framework for regional drought risk assessment and geographic explainable insights based on GeoShapley

基于1990-2022年陕西省干旱风险时空演变，研究构建了整合危害、暴露、脆弱性与适应的加权框架，运用地理可解释机器学习揭示风险驱动机制。结果显示时空动态特征显著，空间异质性明显（榆林市及中部区域风险最高），地理效应贡献率达46.5%。摘要结束分隔符

　　干旱对农业生产、自然生态系统和社会稳定造成了严重的影响。因此，明确干旱风险的时空动态及其成因机制对于灾害的预防和缓解至关重要。然而，当前的干旱风险评估主要集中在风险图谱的绘制，缺乏深入的因果分析，导致风险评估结果与适应性策略制定之间的联系较弱。本研究通过整合灾害、暴露、脆弱性和适应性因素，在一个新的加权框架下，对陕西省1990年至2022年的干旱风险进行了动态评估。接着，我们采用地理可解释的机器学习方法，从全球影响、边际效应和空间模式三个视角全面评估了干旱风险的驱动因素。研究结果表明，陕西省的干旱风险呈现出一个时间模式，即早期风险较低，随后在中期呈现出波动上升的趋势，最后又呈现出振荡下降的趋势。显著的空间异质性被观察到，榆林市和陕北中部地区显示出最高的风险。空间效应成为干旱风险的主要驱动因素，占总相对重要性的46.5%，表明地理背景在很大程度上调节了陕西省的干旱风险。这些发现增强了对干旱成因的理解，并为制定有针对性、地区差异化的缓解策略提供了科学依据。

干旱通常被定义为一种异常的水分不足现象，这种现象是由特定地区长期偏离正常气候条件而触发的（Mishra和Singh，2010；Villani等，2022）。在自然灾难中，干旱是最普遍且破坏性最强的一种，对社会、生态和经济系统产生了深远的影响（Deng等，2021；Lesk等，2016）。例如，2015年亚马逊地区的极端干旱导致了广泛的植被损失和森林火灾增加，威胁了该地区的生命和生计（Arag?o等，2018；Jiménez-Mu?oz等，2016）。2022年中国长江流域的极端干旱影响了442万公顷的农田，并导致499万人面临饮水困难（Duan等，2024；Xu等，2023）。最近的研究表明，加剧的气候变化将使干旱的严重程度和空间范围在大多数全球地区进一步扩大（Singh等，2022；Wu等，2025；Yin等，2023）。因此，准确评估干旱风险对于实际的干旱缓解和风险管理至关重要。

干旱风险由不同风险因素之间的相互作用决定，通常通过整合灾害、暴露和脆弱性因素进行评估（Carr?o等，2016；Carrao等，2016；Pourmahmoud等，2024；Xue等，2024）。例如，Liu和Chen（2021）基于灾害、暴露和脆弱性的估计，系统评估了未来全球社会经济系统对干旱的脆弱性，针对多种情景进行了分析。Meza等（2021）使用相同的评估框架来刻画风险要素，并提出了一种国家级的干旱风险评估方法，考虑了灌溉和雨养农业系统，识别了南非的几个重要干旱年份。除了这三个要素，适应性在风险评估中的重要性也逐渐被强调（Villani等，2022；Wang等，2024a；Xiong等，2024）。干旱是一种存在于自然与社会双重系统中的现象，其影响同样具有双重性。在长期干旱条件下，自然植被可能会发展出抗旱特性，而人类社会则可能通过社会发展和进步提高对干旱的适应能力。许多研究已经展示了干旱与人类活动之间的联系，干旱风险往往表现出相应的人为影响（Aitkenhead等，2021；Naumann等，2021；Zhang等，2021b）。这些发现强调了在干旱风险评估中纳入人类适应性的必要性，以获得更真实、更具政策指导意义的评估结果。

尽管已有大量研究评估了全球范围内的干旱风险，但这些宏观尺度的发现只能提供初步的筛选分析，以确定需要开展本地工作的区域（Carr?o等，2016；Carrao等，2016），对于本地政府的适应性规划仍显不足。相比之下，使用本地数据进行的区域特定干旱风险评估在次国家尺度的灾害管理中具有更大的实用性和必要性（Meza等，2021）。在本研究中，陕西省被选为研究区域。陕西省位于中国西北部，总面积达20.56万平方公里（图1）。地处中国东部湿润区与西部干旱区的过渡地带，陕西省是季风与西风交汇的区域。被北山和秦岭山脉包围，该省可以划分为三个子区域（图1）：北部陕西省（包括两个城市：榆林和延安），中部陕西省（包括五个城市：宝鸡，渭南，咸阳，铜川和西安），以及南部陕西省（包括两个城市：汉中和安康）。由于不稳定的未来气候条件，该地区的干旱风险可能会加剧。因此，迫切需要对陕西省进行综合的干旱风险评估，以减轻干旱的影响，保障农业的可持续发展。

本研究聚焦于构建一个全面且具有地理可解释性的干旱风险评估框架，并将其应用于陕西省，以展示区域干旱风险的动态变化，并分析其背后的驱动因素。本研究的目标是：（1）开发一个科学严谨的干旱风险评估方法，用于陕西省；（2）识别高风险干旱区域背后的因果机制，以支持基于证据的适应性策略，将风险评估与缓解实践结合起来。本文的其余部分组织如下：第2节介绍研究区域和数据来源；第3节详细说明研究方法；第4节和第5节分别呈现研究结果和讨论；最后一节总结全文。

研究区域和数据来源方面，陕西省（31°42′N–39°35′N，105°29′E–111°15′E）位于中国西北部，总面积达20.56万平方公里（图1）。地处中国东部湿润区与西部干旱区的过渡地带，陕西省是季风与西风交汇的区域。被北山和秦岭山脉包围，该省可以划分为三个子区域（图1）：北部陕西省（包括两个城市：榆林和延安），中部陕西省（包括五个城市：宝鸡，渭南，咸阳，铜川和西安），以及南部陕西省（包括两个城市：汉中和安康）。由于不稳定的未来气候条件，该地区的干旱风险可能会加剧。因此，迫切需要对陕西省进行综合的干旱风险评估，以减轻干旱的影响，保障农业的可持续发展。

在研究方法上，我们首先对陕西省1990年至2022年的干旱风险进行了动态评估，整合了灾害、脆弱性、暴露和适应性因素（公式（1））。随后，从加权风险结果中提取了高干旱风险样本，并使用随机森林、XGBoost和CatBoost模型构建了高干旱风险分类器。为了进一步解释高干旱风险的原因，我们采用了GeoShapley模型，从全球、边际和空间三个视角识别了风险驱动因素。此外，为了评估不同风险函数的权重，我们采用了层次分析法（AHP）、熵权法（EWM）和综合权重法（公式（6）），并展示了结果（表1）。AHP的计算结果见表S3，子指标的权重见表S4。灾害、暴露、脆弱性和适应性的综合权重分别为0.441、0.275、0.188和0.096。为了可视化每个风险因素的时空变化和分布模式，我们采用了五分位分类法。

干旱风险的变化在陕西省1990年至2022年间呈现出一个时间模式，即早期风险较低，中期呈现出波动上升的趋势，后期又呈现出下降的波动性（图4），这与Zhu等（2024）的研究结果一致。基于风险因素趋势的分析（图3）和干旱风险归因结果（图8、图9、图10），早期较低的风险主要归因于有利的气候条件。中期，大规模的生态恢复措施可能对干旱风险的变化产生了影响。后期，由于气候变化的影响，干旱风险呈现出下降的趋势。这种变化模式表明，陕西省的干旱风险不仅受到自然因素的影响，还受到人类活动和政策干预的调节。

本研究还分析了干旱风险在不同空间区域的分布情况。研究发现，榆林市和陕北中部地区显示出最高的干旱风险，而南部陕西省的干旱风险相对较低。这种空间异质性表明，不同地区的地理环境和生态系统对干旱风险的影响存在显著差异。此外，通过进一步的分析，我们发现空间效应是干旱风险的主要驱动因素，占总相对重要性的46.5%。这一结果表明，地理背景在很大程度上调节了陕西省的干旱风险，对干旱风险的形成和变化具有重要影响。

在结论部分，我们通过整合多个风险因素，开发了一个具有解释性的干旱风险评估框架，以支持地区特定的政策制定。这种方法对于减少干旱对农业产量和生态系统的损害至关重要。通过引入地理可解释的机器学习方法，我们解决了许多先前区域干旱风险评估中缺乏解释性和缺乏针对性建议的问题。此外，本研究还强调了适应性在风险评估中的重要性，表明在干旱风险评估中考虑适应性因素可以提高评估的准确性和实用性。因此，未来的干旱风险评估应更加注重对适应性因素的分析，以提供更具针对性和政策指导意义的评估结果。

在作者贡献方面，Hanwen Yan负责撰写、审阅和编辑，撰写原始稿件，软件开发，方法设计，数据分析和概念化。Haijiang Wu负责撰写、审阅和编辑，撰写原始稿件，方法设计和调查。Xiaoling Su负责撰写、审阅和编辑，可视化和监督，资金获取。Jiangdong Chu负责撰写、审阅和编辑，方法设计。Komelle Askari负责撰写、审阅和编辑，方法设计。

在竞争利益声明方面，作者声明他们没有已知的可能影响本研究结果的财务利益或个人关系。

在致谢部分，本研究得到了中国水利部关键科技项目（项目编号：SKS-2022018）和中国国家自然科学基金（项目编号：52479027）的资助。这些资助为本研究的顺利开展提供了必要的支持和保障。此外，本研究还得到了相关领域专家和研究团队的指导和帮助，使本研究能够在理论和实践层面取得重要的进展。通过这些努力，我们期望能够为干旱风险评估和缓解策略提供有价值的参考和依据，推动相关领域的研究和发展。