灌溉区内农业干旱驱动因素的空间异质性：一种结合协变量分析和结构方程建模的因果推断框架

《Agricultural Water Management》：Spatial heterogeneity of agricultural drought drivers in irrigation district: A causal inference framework bridging covariation and structural equation modeling

本研究通过因果共变分析与结构方程模型（SEM）结合，揭示中国河套灌区农业干旱的驱动机制与空间异质性。基于2001-2020年多源数据，构建TVDI指数量化干旱模式，发现47.8%区域干旱稳定，17.4%加剧，34.8%缓解，且干旱强度与海拔呈显著正相关（r=0.904），排水密度负相关（r=-0.76）。通过23个子区域分析，温度相关因子（LST、TEMP）为一致主导驱动，而PET、SM、径流等因子作用呈现显著空间异质性。ESI验证显示，TVDI与ESI核心驱动因子（LST、TEMP）一致，但NDVI和PET的影响存在机制差异。研究证实时空非平稳性下温度的主导作用，并揭示人类灌溉干预对SM、径流等因子时空影响的动态调整机制。分隔符：

　　农业干旱是农业生产过程中面临的重要挑战之一，特别是在干旱和半干旱地区，土壤水分不足会对作物生长和生态系统健康造成显著影响。为了更好地理解和管理农业干旱，需要深入分析其驱动因素及其作用机制。本文以中国黄河灌区的贺兰灌区为例，建立了一个融合因果协变分析与结构方程模型（SEM）的新因果框架，用于揭示农业干旱的形成机制。通过使用多源数据（2001–2020年），我们利用温度植被干旱指数（TVDI）量化了干旱模式，并通过因果协变分析识别了23个子区域中的驱动因素。

研究结果表明，过去二十年中，贺兰灌区47.8%的区域保持了稳定的干旱状况，17.4%的区域干旱加剧，而34.8%的区域干旱有所缓解。研究区的干旱强度表现出显著的空间异质性：海拔是解释空间变异的主要因素，解释了81%的干旱强度变化（r=0.904），高海拔区域（>1035米）面临更严重的干旱。排水密度显著降低了干旱压力（r=?0.76）。此外，温度因素（LST和TEMP）在所有子区域中始终对干旱的严重性产生影响，而PET、SM和径流在不同子区域中对农业干旱的驱动作用表现出显著的空间异质性。

结构方程模型在因果协变分析的约束下表现出良好的模型拟合度（p>0.05，CFI>0.95，GFI>0.95，RMSEA<0.05），这验证了因果协变分析结果的可靠性。此外，通过ESI（蒸发胁迫指数）验证了研究结论，非平稳性分析显示，一些驱动因素（如SM和径流）由于人类干预（如节水技术）发生了变化，但仍然确认了温度在干旱形成中的主导作用和空间模式。本研究为分析灌区干旱机制提供了一个可复制的模型，有助于提升干旱预测的精准度和水资源管理的可持续性。

农业干旱监测在实际生产中具有重要意义，但其预测同样不可或缺。近年来，研究人员通过人工智能框架（如长短期记忆网络LSTM和卷积神经网络CNN）处理多源遥感数据，从而实现了干旱预测。这些模型在干旱预测方面表现良好，但它们在大规模农业管理中仍存在三大局限性：跨区域模型的泛化能力不足、在田级分辨率模型训练时计算成本过高、以及在复杂农业水文系统中解释性较差。此外，通过干旱驱动因素的因果分析进行特征选择，可以减少数据维度并识别特定区域的控制因素，从而提供可行的解决方案。

传统的干旱驱动因素识别方法面临显著的方法论局限。常见的统计方法，如相关分析和多元回归，无法区分因果关系和偶然相关，特别是在复杂的环境系统中。变量可能在没有相关的情况下具有因果关系，而两个非因果关系相连的变量之间的相关性可能由于各自自相关效应、间接连接或共同驱动因素引起。近年来，各种因果推断理论和算法已被开发出来，弥补了仅依赖相关性推断因果关系的不足。这些方法主要包括格兰杰因果（GC）、贝叶斯网络（BN）、收敛交叉映射（CCM）和结构方程模型（SEM）。贺兰灌区这种人类与水耦合的灌溉区域具有非线性和非平稳性的环境变量。工程管理措施如渠道调度带来了突然的干预，以及温度、潜在蒸散发和土壤水分等变量之间的瞬时协变和双向耦合。这些方法难以同时满足，例如，GC单独难以识别温度和蒸发对土壤水分损失的同步效应；BN难以分析复杂农业干旱系统中多维数据的复杂相互作用；CCM对时间序列长度和连续性要求较高，而人工灌溉行为可能破坏降雨和土壤水分的自然连续性；SEM可以提供路径解释，但需要外部证据来约束模型结构。

因果协变方法通过分析环境组分之间的相依关系，克服了上述问题。通过将时间序列分解为固有模态函数（IMF），该方法基于EEMD（集合经验模态分解）和希尔伯特相位一致性分析。通过“去除—再分解—比较”的因果剥离框架，它不依赖于严格的时间顺序，而是量化每个IMF的瞬时相依性，从而准确识别同步驱动因素，避免误判其无因果性。因此，该方法更适合分析具有显著同步一致性的耦合人类-环境系统中的干旱机制，如灌溉区域。

在黄河流域，农业干旱的驱动因素在不同地理区域中表现出不同的空间模式。研究表明，上游地区的降水变化和冰川融化是主要控制因素，特别是在温暖季节。黄土高原的中下游地区则表现出独特的特征，其中温度是主要的直接驱动因素，而潜在蒸散发通过水-能耦合机制调节干旱的加剧。水文模型进一步揭示了人类活动在这一地区对农业干旱的显著加剧，特别是通过地下水开采和土地覆盖变化。然而，目前的研究在灌溉系统中更详细的管理单位（尤其是城镇或更小区域）的系统分析仍存在明显不足。

基于识别出的研究空白和区域差异，我们提出了以下假设。贺兰灌区，其中人类管理措施占主导地位，表现出农业干旱主导驱动因素及其机制的空间异质性。这种异质性主要由自然地理因素和排水基础设施的综合作用引起。本研究采用因果协变方法来研究贺兰灌区的农业干旱主要驱动因素和机制。研究目标包括：1）开发一个因果分解框架，以识别子区域尺度上的主要干旱驱动因素及其相互关系，解决灌溉区整体研究中忽略的空间异质性问题。2）量化TVDI的动态变化，同时揭示海拔和排水基础设施对TVDI的影响，从而展示系统内部的异质性是农业干旱模式的潜在原因。3）使用SEM验证识别出的因果关系，系统整合这些连接与已建立的生态过程，构建因果路径。

本研究的数据来源包括2001年至2020年期间的各种数据，这些数据来自不同的源，并经过统一处理。数据预处理是确保研究目标达成的关键步骤，包括地理标准化、统一空间分辨率以及进行作物掩膜处理，以聚焦于农业区域。时间序列预处理包括去偏、标准化和缺失值插值，以提高可比性和支持可靠的因果推断。

TVDI是结合地表温度和植被指数数据，用于量化不同水分条件下地表温度与植被健康关系的指标。TVDI利用LST和NDVI的空间分布，并呈现出三角形或梯形的形状。在水分充足条件下，健康的植被通过高效的蒸腾作用维持较低的地表温度。在干旱条件下，土壤水分减少限制了蒸腾作用，导致地表温度升高。这些特征使得TVDI成为评估农业干旱强度和土壤水分短缺的可靠指标。TVDI的计算方法基于植被-温度特征空间，而ESI则基于蒸发-耗散平衡原理。这两个指标从完全不同的物理视角描述农业干旱，使得ESI成为验证TVDI结果的合适独立指标。

在贺兰灌区，由于人类灌溉活动频繁，ESI可以有效捕捉灌溉带来的水信号，避免仅依赖降水或地表温度指标可能带来的偏差。此外，TVDI和ESI在不同时间尺度上展示了不同的响应机制，但都确认了核心驱动因素如温度和LST，以及空间异质性模式。这表明，使用不同的指标进行验证能够增强研究结论的可靠性。

本研究还对干旱驱动机制的非平稳性进行了分析，以评估其在时间尺度上的稳定性。通过将整个研究期（2001–2020）划分为三个重叠的十年期（2001–2010、2006–2015、2011–2020），并进行SEM分析，我们揭示了每个驱动因素在不同时间段内对TVDI的影响。在所有四个区域和四个时间段中，LST和TEMP是最重要的驱动因素，它们对干旱的控制作用在时间上保持稳定。虽然核心机制稳定，但关键驱动因素如土壤水分（SM）显示出显著的时间演变趋势，表明其在缓解干旱压力中的作用逐渐增强。其他因素则表现出更大的不稳定性和异质性，特别是在时间和空间维度上。例如，径流的影响在不同时间段和区域中变化最大，这可能与人类干预密切相关。

在研究方法的创新方面，本研究采用了因果协变方法，这是分析农业干旱驱动因素的方法论创新。此外，结合SEM和因果协变方法，为验证因果路径提供了更全面的框架，增强了研究结果的可靠性和可解释性。然而，研究也面临一些挑战，如对IMF的物理意义解释需要领域专业知识，分解过程中可能出现的信号混叠可能进一步导致因果推断的偏差。此外，虽然研究提到了灌溉方式、地下水开采和土地利用变化等因素，但这些因素并未直接量化，这可能夸大了气候驱动因素在高度管理区域中的作用。

本研究的结论表明，温度因素在所有子区域中持续影响干旱的严重性，而其他因素如PET、SM和径流则表现出局部差异。这些发现强调了在制定干旱管理策略时考虑区域环境条件的重要性。此外，通过比较因果协变和SEM的结果，揭示了单一方法在人类管理系统中的局限性。例如，因果协变方法捕捉了PET的短期调控效应，而SEM则揭示了其长期效应的减弱。这表明，为了区分短期干预措施和累积气候影响，需要结合多种方法。ESI的验证进一步确认了研究框架（因果协变+SEM）和TVDI衍生驱动因素的可靠性，同时揭示了灌溉驱动PET效应的异常现象，强调了联合监测以捕捉完整干旱信号的必要性。

通过非平稳性分析，我们发现由于节水灌溉和水资源改革的持续变化，SM和径流的影响表现出时间上的不稳定性，但同时也确认了温度驱动干旱的持久核心结构和空间模式，这强调了在动态系统中进行适应性管理的重要性。然而，一个关键的局限性在于未能直接量化人类活动如灌溉和土地利用变化，这可能夸大了气候因素的作用。为了将这些研究结果应用于实际，可以尝试以下措施：1）结合因果协变方法（捕捉瞬时相位关系）与深度学习的预测能力，开发更精确的干旱预测模型。2）利用TVDI在子区域监测中的热点，优先改善低密度区域的排水设施，以提高土壤水分保持能力，防止情况恶化。3）根据海拔制定分区供水计划，在干旱期间向依赖径流的低海拔子区域分配更多水资源。