东非农田脆弱性多因子评估新突破：综合干旱指数(IDI)揭示作物响应机制与气候韧性策略

本综述创新性地构建了综合干旱指数(IDI)，通过熵权法整合气象(SPEI/PDSI)、农业(VCI/TCI/SMCI)和水文(SRI/WBDI)多维度指标，系统评估2001-2020年东非干旱动态。研究揭示2005年极端干旱影响87.3%区域，玉米产量对水分胁迫最敏感(SYRS≤-1.5)。IDI与标准化指数显著相关(r=0.6-1)，为区域干旱早期预警和农业韧性策略提供科学依据。

　　

2 Materials and methods

2.1 Description of the study area

研究区域涵盖东非14国，地理范围介于10°N-20°S和20°E-50°E之间，总面积达7,374,936 km²。该地区地形复杂，最高点为坦桑尼亚乞力马扎罗山(5,885 m)，最低处为埃塞俄比亚达纳基尔洼地(-125 m)。气候呈现显著纬度分异，年均温约15°C，高海拔地区可低于冰点，低地则常超30°C。降水分布不均，维多利亚湖流域和山区年雨量超1,498.6 mm，其他地区平均762 mm。存在双雨季模式：10-12月(OND)和3-5月(MAM)，其中MAM季节对农业生产至关重要。

2.2 Datasets

研究采用2001-2020年多源遥感与气候数据，包括MODIS植被指数(MOD13A3)、蒸散发(MOD16A2)和地表温度(MOD11A2)产品，CHIRPS降水数据(0.05°)，SPEI干旱数据库(0.5°)，TerraClimate提供的PDSI和径流数据(0.04°)，ESA CCI土壤湿度数据(0.25°)，以及FAOSTAT作物产量统计。所有数据统一重采样至1 km空间分辨率。

2.3 Methods

2.3.1 Outline of the steps of the research

研究通过四个关键阶段构建IDI：首先整合五类干旱指数(气象/农业/水文)，采用熵权法加权并借助ArcGIS Pro进行空间处理；其次通过线性回归斜率分析评估20年IDI动态；第三将作物产量标准化为SYRS以分离气候驱动变异；最后通过Pearson相关分析量化干旱与产量异常的关系。

2.3.2 Meteorological drought

气象干旱评估采用三个核心指标：PCI(降水条件指数)通过CHIRPS数据计算降水亏缺；SPEI(标准化降水蒸散指数)综合温度、潜在蒸散和降水；PDSI(帕尔默干旱指数)基于TerraClimate数据反映水分供需平衡。研究采用12个月和3个月尺度的SPEI进行多时间维度分析。

2.3.3 Agricultural drought

农业干旱通过三大指数表征：VCI(植被条件指数)基于NDVI量化植被水分胁迫，TCI(温度条件指数)通过地表温度异常监测热应力，SMCI(土壤湿度条件指数)利用ESA CCI数据评估土壤水分亏缺。所有指数均标准化为0-1范围以确保可比性。

2.3.4 Hydrological drought

水文干旱评估包含SRI(标准化径流指数)采用伽马分布函数处理径流数据，WBDI(水分收支干旱指数)通过水平衡方程(PR-AE=dS+R)计算，NDWI(归一化水体指数)用于验证地表水分状况。WBDI特别关注蒸发与降水的平衡关系。

2.3.5 SYRS—Standardized yield residual series

为解决农业技术改进对产量的干扰，研究采用线性回归去趋势法处理作物产量数据，生成标准化产量残差序列(SYRS)。SYRS>0.5表示增产，<-0.5表示减产，有效隔离了气候因子的纯影响。

2.3.6 Developing the integrated drought index (IDI)

IDI通过熵权法整合五类指数：PCI、SMCI、TCI、VCI和SRI。熵权值计算基于信息离散度，变异越大的指数权重越高。最终IDI=W_PCIPCI + W_SMCISMCI + W_TCITCI + W_VCIVCI + W_SRI*SRI。干旱等级划分为：极端干旱(0-0.2)、严重干旱(0.2-0.3)、中度干旱(0.3-0.4)、轻度干旱(0.4-0.5)和无干旱(>0.5)。

2.3.7 Linear regression analysis

采用线性回归斜率分析IDI动态变化，斜率>0表示干旱加剧，<0表示缓解，=0表示无趋势。该方法有效捕捉空间异质性变化模式。

2.3.8 Evaluate the impact of drought on crop yield

通过Pearson相关系数分析IDI与SYRS的关系，公式中r_xy值越接近±1表明相关性越强，正相关表示干旱导致减产，负相关则相反。

2.3.9 Validation of the integrated drought index (IDI)

使用SPEI、PDSI、WBDI等标准化指数和EM-DAT干旱记录验证IDI性能。EM-DAT数据库整合多源灾害数据，为验证提供可靠基准。

3 Results

3.1 Spatial patterns of drought severity across East Africa (2001–2020)

IDI分析显示2005年最为严重，87.3%区域遭受干旱，其中16.8%为极端干旱，29.2%为严重干旱。2009、2016和2017年同样呈现大范围干旱。2020年整体较轻，但莫桑比克南部出现极端干旱。2014年肯尼亚遭遇极端干旱，而2007年66.6%区域无干旱，呈现明显年际波动。

3.2 Evaluating IDI performance

IDI与各标准化指数相关性显著：与NDWI和PDSI相关性最高(r=0.6-1)，与SPEI-3相关性优于SPEI-12。与WBDI在北部地区呈现强正相关。EM-DAT记录证实2005年14国中10国遭受干旱，验证了IDI准确性。

3.3 The variability of SYRS

SYRS分析显示菜豆和小麦有7个减产年，玉米有5个。2005年和2019年菜豆减产最严重(SYRS≤-1.5)，玉米在2005和2008年减产显著，对应87%和60%区域干旱。2001年玉米增产最显著(SYRS≥1.5)。各国表现各异：布隆迪小麦2018年SYRS达3.46，吉布提菜豆2011年达3.28，埃塞俄比亚玉米2018-2019年持续增产。

3.4 Drought dynamics from 2001 to 2020

线性回归显示56.4%区域干旱加剧，主要在南苏丹、埃塞俄比亚、索马里、肯尼亚和坦桑尼亚。43.6%区域干旱缓解，包括索马里南部、乌干达中部、马拉维和莫桑比克。南苏丹和坦桑尼亚恶化最显著。

3.5 Drought impact on crop production

IDI与玉米产量相关性最强，54.6%区域小麦呈负相关。肯尼亚、赞比亚、马拉维、莫桑比克南部和坦桑尼亚小麦受干旱影响显著。玉米和菜豆在厄立特里亚、埃塞俄比亚、肯尼亚、坦桑尼亚、卢旺达、马拉维、赞比亚和津巴布韦受影响严重。

4 Discussion

IDI成功整合多维度干旱指标，熵权法客观反映各指标贡献度。2005年干旱与历史研究一致，证实方法可靠性。与SPEI/PDSI/WBDI的高相关性验证了IDI的多维度捕捉能力。玉米对干旱敏感性与Lobell等(2011)研究吻合。区域异质性变化与Funk等(2008)提出的印度洋海温变暖影响机制一致。

5 Conclusion

IDI有效整合气象-农业-水文多维指标，精准捕捉东非干旱时空动态。2005年极端干旱影响87.3%区域，玉米产量最易受水分胁迫(SYRS≤-1.5)。南苏丹和坦桑尼亚干旱显著加剧，需优先采取适应性措施。研究为区域干旱早期预警、作物布局优化和气候韧性农业提供了科学基础。未来应结合降尺度气候模型和社会经济因素，发展气候智能型农业策略。