通过整合时空立方体和可解释的机器学习方法来探究水文干旱的气象成因：以长江流域为例

《Journal of Hydro-environment Research》：Investigating the meteorological causes of hydrological drought through the integration of spatiotemporal cubes and interpretable machine learning: A case study of the Yangtze River Basin

本研究基于时空立方模型和SHAP解释模型，分析了1980-2019年长江流域气象因素对水文干旱的影响。结果表明，上游区域气候变化贡献率达85%，主要受相对湿度和降水影响；下游区域人类活动贡献率更高，平均温度和相对湿度作用显著。研究为流域水资源管理和抗旱策略提供了科学依据。

　　在过去的几十年里，气候变化和极端天气事件对全球多个地区的水文干旱造成了显著影响，尤其是像长江流域这样的大型流域。长江是中国最长的河流，流经多个地理区域，其流域内的气候和地理特征具有显著的区域差异，这种差异对水文干旱的形成和发展产生了深远的影响。本文旨在探讨长江流域水文干旱的形成机制，分析气象因素对水文干旱的影响，并通过空间时间立方体和SHAP模型，对气象因素与水文干旱之间的关系进行系统研究。研究时间范围覆盖了1980年至2019年，期间中国经历了多个干旱事件，对水资源供应、农业生产、生态系统和经济活动产生了广泛影响。

### 1. 研究区域与数据

长江流域位于中国东部，其源头位于青藏高原的唐古拉山脉，流经中国中部和东部地区，最终注入东海。该流域总面积约为18,000平方公里，占中国国土面积的18%。流域内的气候条件和地理特征具有显著的多样性，上游地区主要受冷湿亚热带气候影响，而中下游地区则呈现出明显的湿热亚热带气候特征，具有夏季高温多雨和冬季温和的季节性变化。尽管长江流域水资源丰富，但上游地区如四川盆地和青藏高原仍然面临干旱挑战，这主要归因于气候变化、上游水资源开发以及季节性降水不足。

本研究使用了102个气象站的日尺度数据，包括温度、降水、相对湿度、气压、日照时数和风速，以及11个水文站的流量数据。这些数据通过线性插值填补缺失值，并通过箱线图分析去除异常值。所有数据在标准化处理后，用于构建空间时间立方体和机器学习模型。此外，研究还利用了来自HydroSHEDS的数字高程模型（DEM）数据，以更全面地反映流域内的地形特征。

### 2. 方法论

#### 2.1 空间时间立方体

空间时间立方体是一种将数据在空间和时间两个维度上整合的三维分析模型。它能够揭示数据的时空分布模式和演化趋势，广泛应用于气候研究领域。本研究利用空间时间立方体对长江流域的气象数据进行分析，构建了基于月度尺度的立方体结构，其中X轴和Y轴代表空间位置，Z轴代表时间。立方体的每个单元对应一个月的气象数据，包括温度、降水和潜在蒸散发的月平均值。通过空间时间聚类和热点分析，研究识别了不同气象要素的时空演变模式，并进一步探讨了其对水文干旱的影响。

#### 2.2 时空聚类

时空聚类是一种分析数据中时空模式的统计方法，能够识别出具有相似变化趋势的区域。本研究使用Voronoi多边形对长江流域的102个气象站进行空间划分，定义每个站点的影响范围。随后，这些多边形被用于构建空间时间立方体，并结合K-近邻算法和K均值聚类算法对数据进行分类。聚类结果通过空间和时间可视化技术进行评估，揭示了气象要素的时空变化趋势及其对水文干旱的潜在影响。

#### 2.3 时空热点分析

时空热点分析用于识别数据中显著的区域变化趋势。本研究通过计算每个立方体的Getis-Ord Gi统计量，结合定义的邻域距离和时间步长参数，分析了温度、降水和潜在蒸散发的热点和冷点分布。研究发现，上游地区温度呈现持续上升趋势，而降水和潜在蒸散发则表现出复杂的时空变化。例如，温度的热点区域主要集中在西北部，其变化趋势稳定且显著；而降水的热点区域分布则与温度不同，表现出一定的分散性。

#### 2.4 机器学习模型

为了更准确地模拟自然径流，本研究使用了五种主流的机器学习模型：支持向量机（SVM）、随机森林（RF）、长短期记忆网络（LSTM）、XGBoost和卷积神经网络（CNN）。其中，XGBoost在上游地区表现最佳，具有最小的均方根误差（RMSE）和平均绝对误差（MAE），同时具有最高的决定系数（R2）。而在下游地区，CNN模型表现更为优越，能够有效捕捉流域内的复杂水文变化。这些模型的优化和选择有助于更准确地模拟自然径流，并进一步分析其对水文干旱的影响。

#### 2.5 可解释模型SHAP

SHAP（Shapley Additive Explanations）是一种基于博弈论的特征解释方法，能够量化不同因素对模型预测结果的贡献。通过SHAP值，研究可以揭示温度、降水、相对湿度等气象因素对水文干旱的具体影响。研究构建了SHAP-XGBoost模型（上游）和SHAP-CNN模型（下游），分别用于分析不同区域的气象因素对水文干旱的作用。SHAP模型不仅提供了全局和局部特征重要性解释，还确保了特征贡献的公平性和一致性，有助于理解气候和人类活动对水文干旱的综合影响。

#### 2.6 水文干旱指数SRI

标准径流指数（SRI）是一种用于衡量径流变化的标准化指标，其计算基于伽马分布的概率密度函数。通过将径流数据进行归一化处理，SRI能够更直观地反映水文干旱的变化趋势。研究通过观察和模拟的流量数据计算了不同时间尺度下的SRI值，并分析了其与气候变化和人类活动之间的关系。SRI的计算不仅考虑了径流的波动性，还反映了干旱的严重程度。

### 3. 研究结果

#### 3.1 气象因素的时空特征

研究发现，长江流域的气象因素在空间和时间上表现出显著的差异。上游地区的月平均温度范围为-23.9°C至-1.8°C，而中下游地区的温度范围则从-1.8°C至37.1°C。降水方面，上游地区年均降水量低于300毫米，而中下游地区则超过1300毫米，显示出明显的空间梯度。潜在蒸散发在上游地区为5.2毫米至31.2毫米，中下游地区则达到31.2毫米至301.2毫米，表明潜在蒸散发在不同区域的变化趋势存在差异。

#### 3.2 水文干旱驱动因素的分析

研究通过模型优化和SHAP分析，揭示了气候变化和人类活动对水文干旱的综合影响。在上游地区，气候变化的贡献率达到85%，而人类活动的贡献率相对较低。在下游地区，气候变化的贡献率为55%，而人类活动的贡献率则有所上升。这表明，随着流域下游的开发和利用程度增加，人类活动对水文干旱的影响逐渐增强。同时，研究发现，气象因素对水文干旱的影响存在显著的区域差异，例如，上游地区主要受相对湿度的影响，而下游地区则主要受平均温度的影响。

#### 3.3 SHAP模型对水文干旱成因的解释

SHAP模型的应用使得研究能够更深入地解释气象因素对水文干旱的具体作用。研究发现，上游地区的观测径流、相对湿度和降水对水文干旱的贡献显著，其SHAP值分别为0.38、0.27和0.22。而在下游地区，观测径流、平均温度和相对湿度的贡献更为突出，其SHAP值分别为0.59、0.25和0.03。这些结果表明，上游和下游地区在水文干旱的驱动因素上存在显著差异，气候变化在上游地区起主导作用，而人类活动在下游地区的影响逐渐增强。

此外，研究还分析了气象因素之间的相互作用。例如，在上游地区，降水和潜在蒸散发之间存在显著的正相关，而降水和日照时数之间则存在一定的负相关。这表明，降水在一定程度上能够缓解干旱，但在高温和高潜在蒸散发的条件下，其作用可能被削弱。而在下游地区，降水和潜在蒸散发的非线性相互作用更为复杂，表明在高降水条件下，潜在蒸散发的增加可能对干旱产生更显著的影响。

### 4. 讨论

#### 4.1 气象因素的时空分布对水文干旱形成的影响

研究指出，长江流域水文干旱的形成与气象因素的时空分布密切相关。上游地区由于降水减少和气温上升，导致土壤水分供应不足，进而加剧了干旱风险。中下游地区则由于降水充足但气温升高，使得潜在蒸散发增强，加剧了水分的蒸发和流失。这种区域差异表明，水文干旱的形成机制具有明显的空间异质性，需要根据不同区域的特点制定相应的管理策略。

#### 4.2 气候变化与人类活动对水文干旱的驱动作用

研究进一步分析了气候变化和人类活动对水文干旱的驱动作用。在上游地区，气候变化是水文干旱的主要驱动因素，尤其在夏季，其贡献率达到93%。而在下游地区，虽然气候变化的影响仍然存在，但人类活动的贡献率更高，特别是在春季，人类活动对水文干旱的贡献率达到69%。这表明，随着流域下游的开发和利用，人类活动对水文干旱的影响逐渐增强，需要在水资源管理中更加重视人类活动的调控作用。

#### 4.3 SHAP模型在水文干旱分析中的应用

SHAP模型的应用为水文干旱的成因分析提供了重要的解释工具。通过SHAP值的计算，研究能够量化不同气象因素对水文干旱的具体贡献，并揭示其相互作用机制。例如，在上游地区，降水和潜在蒸散发的增加可能会加剧干旱，而在下游地区，降水和温度的非线性相互作用则对干旱产生更为复杂的影响。这些结果不仅有助于理解水文干旱的形成机制，还为干旱预警和管理提供了科学依据。

#### 4.4 研究的不确定性与局限性

尽管本研究采用了多种先进的分析方法，但仍存在一定的不确定性。例如，气象数据主要来自地面气象站，其分布不均可能影响结果的准确性，尤其是在地形复杂或数据稀疏的区域。此外，观测径流数据的时效性和准确性，以及训练数据的质量和多样性，也会影响XGBoost和CNN模型的稳定性与泛化能力。未来的研究可以考虑引入更高时空分辨率的气象数据和更全面的社会经济变量，以更准确地评估气候变化和人类活动对水文干旱的综合影响。

### 5. 结论

本研究系统分析了长江流域气象因素对水文干旱的影响，揭示了其在不同区域的显著差异。上游地区主要受气候变化驱动，其贡献率高达85%，而下游地区则表现出人类活动的更大影响。研究结果为流域水资源管理和干旱防控提供了科学依据，有助于制定更有效的应对策略。同时，SHAP模型的应用增强了研究的可解释性，为理解气象因素与水文干旱之间的复杂关系提供了新的视角。未来的研究应进一步探索不同气候情景下的水文干旱趋势，特别是在极端气候情景和更复杂的气候模型背景下，以更全面地评估气候变化的长期影响，并结合更先进的建模方法，提高干旱预测的准确性和可解释性。