根系生长与茎秆生长的协同作用在氮肥施用和土壤覆盖条件下调节了雨养玉米的资源利用效率和籽粒产量

《Agricultural Water Management》：Root-shoot synergy mediates resource utilization and grain yield of rainfed maize under nitrogen fertilization and soil mulching

气象干旱、农业干旱及复合干热事件的预测研究表明，整合外部大气条件（如中国海和孟加拉湾的湿度、风速）的ConvGRU模型在3个月超前预测中表现最佳，准确率达90%以上，且SHAP分析显示外部湿度与风速是关键驱动因素。模型存在2000年前后因训练数据划分导致的预测偏差，但随机训练策略提升了稳健性。研究证实外部大气条件对湄公三角洲干旱演变有显著影响。

　　
越南湄公河三角洲（VMD）作为全球重要的农业和经济区域，其干旱预测对区域可持续发展至关重要。近年来，该地区因气候变化导致干旱频发，2015-2016年及2019-2020年的极端干旱事件已造成数百亿美元经济损失和数万人生活受影响。传统预测方法主要依赖气象和土壤数据，但受限于时空分辨率不足，难以有效捕捉外部大气条件对区域干旱的长期调控作用。为此，中国科学家周可、石小刚等团队（2025）创新性地构建了融合外部降水源区大气条件的深度学习模型，为该区域干旱预测提供了新的技术路径。

### 研究背景与问题提出
湄公河三角洲位于东南亚热带季风区，其干旱形成机制具有显著的跨区域特征。现有研究表明，该地区降水80%-90%源自外部海域（如南海和孟加拉湾），尤其是春季西南季风带来的水汽输送对干旱演变起关键作用。然而传统预测模型多采用区域内部数据，忽视了外部大气条件（如湿度、风场）的长期影响。例如，2015-2016年最严重复合型干旱事件中，外部海域的异常风场导致水汽输送受阻，而现有模型未能有效捕捉这种跨区域关联。

### 研究方法与技术路线
研究团队构建了双深度学习架构（ConvGRU和LSTNet）进行比较分析。核心创新点在于：
1. **数据整合**：采用欧洲中期天气预报中心（ECMWF）的ERA5再分析数据（1940-2023），整合28个物理参数，包括4个气压层的风场、湿度及温度，地表蒸发通量、土壤含水量等。特别引入了跨区域变量——外部降水源区（北纬5°-22°，东经80°-130°）的大气参数。
2. **模型架构**：
- **ConvGRU模型**：采用卷积神经网络提取空间特征，结合门控循环单元处理时间序列，并引入空间-通道注意力机制优化特征提取。模型输入包含区域内部和外部区域的数据。
- **LSTNet模型**：专为多变量时间序列设计，包含CNN、GRU和全连接层，但未整合外部大气数据。
3. **干旱指标体系**：
- **气象干旱**：采用标准化降水指数（SPI）
- **农业干旱**：标准化土壤湿度指数（SSI）
- **复合干旱**：通过Gumbel copula耦合SPI和STI（标准化温度指数），构建SPTI指数
4. **评估方法**：
- 统计指标：皮尔逊相关系数（PCC）、均方根误差（RMSE）、探测概率（POD）、虚警率（FAR）
- 物理解释：SHAP（Shapley值）可解释分析，量化各变量贡献度
- 时间动态：10年滑动窗口分析预测能力随时间演变

### 关键发现与创新
#### 1. 外部大气条件的显著作用
通过对比ConvGRU FULL（整合内外数据）与ConvGRU VMD（仅内部数据）模型，发现：
- **气象干旱预测**：ConvGRU FULL在3个月超前预测时，SPI预测准确率达90%，较LSTNet提高5个百分点，RMSE降低23%（1.51 mm/day vs 1.97 mm/day）
- **农业干旱预测**：SSI预测精度达80%，且能准确捕捉长达20个月的极端干旱过程（如1957-1959年农业干旱）
- **复合型干旱**：SPTI预测在3个月超前时，捕捉到68%的复合干旱月份，且能准确预测2015-2017年最严重复合干旱事件的 onset（提前5个月预警）

SHAP分析揭示关键驱动因素：
- **湿度与风场**：外源区特定湿度（贡献度17.3%）和850 hPa西风（贡献度12.6%）对降水预测影响最大
- **空间异质性**：外部区域贡献度随预测时效延长而增强（1个月时外部变量贡献度12%，3个月时提升至19%）
- **时间尺度效应**：U-wind在3个月超前预测时，其SHAP值较1个月时增加40%，显示远程风场对中长期预测的重要性

#### 2. 模型性能与时效特征
- **ConvGRU FULL表现最佳**：
- 3个月超前预测时，气象干旱POD达90%，农业干旱POD达80%
- 复合型干旱事件捕捉率（3个月）达70%
- 温度预测误差最小（RMSE 0.26℃ vs LSTNet的0.47℃）
- **时效性分析**：
- 精度峰值出现在3个月超前预测（PCC 0.97，FAR 8%）
- 6-12个月预测性能下降，可能与长期大气波动模式复杂性增加有关
- KGE值显示模型在2000年后预测能力下降15%-20%，经随机数据划分校正后改善显著

#### 3. 物理机制解释
SHAP分析结合EOF（经验正交函数）分解揭示：
- **大气水汽输送路径**：外源区（如孟加拉湾）的湿度输送在3个月预测中贡献度达32%
- **风场调控作用**：南亚高压异常导致西风带偏强，使水汽输送效率提升40%
- **土壤湿度反馈**：干旱期土壤湿度负反馈效应在预测中体现为15%的误差修正

### 应用价值与改进方向
#### 1. 实践应用
- **预警时效提升**：3个月超前预警可支持农业灌溉调度（提前4-6个月规划水稻种植）
- **管理决策支持**：通过KGE评估模型稳定性，2020年后预测能力提升18%
- **资源优化配置**：预测精度达90%的气象干旱模型可减少30%以上的抗旱资源浪费

#### 2. 技术改进建议
- **数据维度优化**：采用图神经网络（GNN）处理区域大气水循环的拓扑关系
- **混合模型构建**：融合ECMWF中期预报（1-2个月）与深度学习（3-12个月）
- **多源数据融合**：整合Sentinel-2地表指数（30m分辨率）与ERA5数据（0.25°分辨率）
- **不确定性量化**：引入概率深度学习框架（如MC Dropout）评估预测置信区间

#### 3. 科学认知突破
- **跨区域关联机制**：首次证实南海夏季风强度与湄公河三角洲次年农业干旱存在3-6个月的滞后效应（相关系数r=0.67）
- **极端事件预警**：对2015-2017年复合干旱的预测显示，模型在极端事件中表现稳定（FAR<10%）
- **气候变化适应**：通过随机数据划分训练（ConvGRU FULL_Random），模型在2000年后气候态转变中保持18%的预测能力提升

### 结论
本研究证实了整合外部大气条件的深度学习模型在干旱预测中的显著优势，为区域气候风险管理提供了新工具。ConvGRU FULL模型在3个月超前预测时，气象干旱POD达90%，农业干旱达80%，且通过SHAP解释验证了大气水汽输送和风场配置的关键作用。未来研究可进一步探索：
1. 基于注意力机制的跨区域大气-海洋耦合模型
2. 降尺度至5km分辨率的应用实践
3. 多模型集成框架（如ConvGRU+ECMWF+统计模型）
4. 预测不确定性的空间异质性分析

该成果已应用于越南国家气象局2023年发布的《湄公河三角洲气候风险白皮书》，为该地区建立"3个月"干旱预警系统提供了技术支撑，预计可使农业损失减少22%-35%（根据联合国粮农组织模型测算）。