厘清气候、流域特征和地形特征对水文干旱传播及恢复过程的影响

《CATENA》：Disentangling the impacts of climate, catchment, and morphological characteristics on hydrological drought propagation and recovery

水文干旱传播与恢复机制研究中，通过集成VIC模型与OPGD-RFE-XGBoost混合机器学习框架，揭示澜沧-湄公河流域气候驱动（贡献率PT 45.5%/RT 51.8%）与下垫面特征的主次关系，发现恢复滞后时间（RT 3.45月）显著长于传播时间（PT 1.12月），并建立可解释的分析框架。

　　

Xuan Luo|Xuan Ji|Yi Zou|Siqi Wang|Xinbei Liu|Xiaodong Wu|Jianxing Li|Yungang Li

云南大学国际河流与生态安全研究所，中国昆明650504

摘要

水文干旱（HD）的传播和恢复动态表现出时空异质性，这种异质性是由气候-流域相互作用驱动的。然而，这些驱动因素的相对贡献和作用仍缺乏量化。本研究开发了一种归因方法，结合基于过程的建模和机器学习，以解析澜沧-湄公河流域水文干旱传播和恢复的多因素控制。通过使用变渗透能力模型重建自然径流，我们通过基于事件的分析量化了气象干旱到水文干旱的传播时间（PT）和恢复滞后时间（RT）。采用多阶段预测因子选择策略，结合最优参数地理检测器（OPGD）、递归特征消除（RFE）和极端梯度提升（XGBoost）算法，解决了驱动因素之间的空间异质性和多重共线性问题，同时保持了预测能力。最后，引入了Shapley加性解释（SHAP）来量化各驱动因素的贡献，并支持非线性驱动-响应关系的解释。结果表明，在所有子流域中，RT（平均：3.45个月）始终超过PT（平均：1.12个月），干旱持续时间和严重程度加剧了PT和RT。与XGBoost模型相比，混合OPGD-RFE-XGBoost模型仅使用原始特征的18%和35%，就实现了更高的R²（PT增加了50%，RT增加了42%）。SHAP分析确定气候是PT（贡献率：45.5%）和RT（贡献率：51.8%）的主要控制因素。流域和地形特征对PT（41.3%）和RT（32.7%）的影响次之。通过整合空间结构化的预测因子和可解释的机器学习，本研究建立了一个分析框架，以分离干旱级联中的气候-流域相互作用，突出了潜在特征在干旱传播和恢复中的作用。

引言

干旱是一种由降水不足引发的高度复杂的自然灾害。它通过水文系统传播，对土壤湿度、径流、水库蓄水和地下水产生连锁影响，最终导致社会经济损失（Van Loon, 2015）。从气象干旱（MD）向其他类型干旱的转变被称为干旱传播（Zhou et al., 2024）。虽然MD与大气起源有关，但其向其他类型干旱的转变涉及由流域能量-水分分配控制的时间滞后过程（Barker et al., 2016; Zhou et al., 2024）。水文干旱（HD）尤其重要，因为它对农业生产力、工业运营和社会福祉有直接且不可逆的影响，因为它会损害供水可靠性（Barker et al., 2016; Van Loon, 2015）。关键的是，MD和HD出现之间的起始和停止滞后时间建立了评估陆地生态系统对长期降水异常适应能力和脆弱性阈值的基本变量（Aryal et al., 2024）。

近期关于干旱传播的研究进展集中在量化从MD到其他类型干旱的传播时间（PT）上（Ding et al., 2021; Liu et al., 2024b; Zhang et al., 2022）。在方法上，通常使用最大相关系数对应的累积期来表征PT或响应时间（Barker et al., 2016; Ding et al., 2021; Xu et al., 2021）。此外，还使用两种干旱在不同阶段（如起始、峰值和终止）的时间差异来表征干旱传播（Bevacqua et al., 2021; Wu et al., 2021; Zhang et al., 2023）。然而，对于MD和HD之间的恢复滞后时间（RT）的理解仍存在关键空白，只有有限的研究系统地探讨了这一特定阶段的滞后行为（Aryal et al., 2024; Yang et al., 2017）。此外，对传播-恢复滞后动态及其潜在的气候驱动和流域特定控制的定量研究仍然不足，特别是在具有不同物理特征和管理实践的流域中（Costa et al., 2021; Pe?a-Gallardo et al., 2019）。

干旱传播动态源于气候-流域控制因素和人为干预之间的协同作用（Zhou et al., 2024）。现有研究（Gomez-Gomez et al., 2022; Li et al., 2023; Wang et al., 2021）观察到在具有有利水热条件和活跃水文循环的流域中干旱传播速度更快，而集中在干旱地区的研究（Nigatu et al., 2024）则显示传播过程较慢。然而，应该强调的是，这些模式可能根据流域特定特征和人类活动而表现出显著变化。降水变化（Zou et al., 2024）、蒸发需求（Otkin et al., 2018）、雪融季节变化（Huang et al., 2017; Wu et al., 2018b）和风（Schumacher et al., 2022）都会影响干旱传播。就潜在的地表因素而言，坡度通过改变水资源分布、地表径流生成和排水对水储存的敏感性来影响干旱传播过程（Chen et al., 2024）。土壤湿度特性（Apurv and Cai, 2020; Warter et al., 2021）、基流（Apurv and Cai, 2020; Van Loon and Laaha, 2015）、含水层特征（Barker et al., 2016）、海拔（Yang et al., 2021）和植被动态（Ma and Yuan, 2024）进一步影响不同地区的干旱传播特征。此外，人类活动，如水文工程（Wu et al., 2018a; Zhao et al., 2024）、城市化（Hao et al., 2023）和生态恢复项目（Gomez-Gomez et al., 2022; Si et al., 2024），显著影响干旱的传播。气候、水文地貌条件、土壤和人类活动在不同地区的不同和相互作用的影响导致了干旱传播的复杂空间异质性。这种多种因素的相互作用需要特定于情境的框架来分离不同水文气候梯度上的多个驱动因素（Zhou et al., 2024）。

当前关于干旱传播驱动因素的研究主要采用统计和机器学习方法，但这些方法受到一些限制。传统的统计方法，如基于Budyko的w指数（Huang et al., 2017）、小波互相关（Wang et al., 2021）和因果推断（Shi et al., 2022），量化了气候-流域变量与MD-HD特征和传播时间之间的线性关联。然而，解决非线性相互作用的挑战仍然存在。最近结合机器学习的方法——包括用于气候-流域归因的随机森林模型（Konapala and Mishra, 2020）、用于形态特征影响的分类和回归树算法（Valiya Veettil and Mishra, 2020），以及用于地下水干旱诊断的LSTM-预期梯度（Cai et al., 2024）——已成为捕捉解释变量与干旱特征之间非线性关系的有效和先进的方法。然而，大多数模型忽略了控制区域传播异质性的空间结构化驱动因素（例如，地形梯度和土壤纹理模式）。

澜沧-湄公河流域（LMRB）是一个跨越高山高原到热带三角洲的跨界河流系统，由于其气候梯度和复杂的地貌，干旱传播表现出明显的时空异质性。之前的LMRB研究提高了我们对干旱传播的理解（Li et al., 2022; Li et al., 2024; Luo et al., 2023; Luo et al., 2024; Yun et al., 2023）。然而，在量化干旱PT和RT以及区分气候和流域控制方面仍存在显著的知识空白，这对于适应性水资源管理至关重要。为了解决这些空白，我们开发了一种创新的归因方法，结合基于过程的建模和可解释的机器学习，以解析水文干旱传播和恢复的多因素控制。该方法包括三个步骤：（1）使用变渗透能力（VIC）模型重建的自然径流来基于事件识别PT和RT，将气候-流域效应与人为干扰分离；（2）采用多阶段预测因子选择，结合最优参数地理检测器（OPGD）、递归特征消除（RFE）和极端梯度提升（XGBoost），以解决驱动因素之间的空间异质性和多重共线性问题，同时保持预测能力；（3）使用Shapley加性解释（SHAP）分析来量化每个驱动因素的贡献。通过整合空间结构化的预测因子和可解释的机器学习，本研究为LMRB的干旱传播-恢复级联提供了系统的归因分析，为流域尺度的干旱韧性规划提供了可转移的工具。

研究区域

澜沧-湄公河发源于青藏高原的唐古拉山脉（图1a），流经六个国家，全长4880公里，最终注入南海。其流域面积为795,000平方公里，年平均径流量约为475立方公里（MRC, 2010）。从气候上看，该流域受印度夏季风和东亚夏季风的共同影响，导致明显的干湿季节性——年降水量超过80%发生在5月至10月之间

方法论

图2展示了一个三阶段分析框架，结合了物理建模和可解释的机器学习，以解析气候和流域对HD传播和恢复的控制。第1阶段使用VIC模型重建了自然化径流，并通过基于干旱事件的分析在子流域尺度上量化了MD到HD的干旱PT和RT。第2阶段采用OPGD、RFE和XGBoost的混合模型来优化PT/RT预测的准确性。第3阶段应用SHAP来量化

子流域的径流模拟

表1和图S1展示了VIC模型在校准期（1982年1月至1992年12月）和验证期（1993年1月至2003年12月）七个水文站的性能。总体而言，VIC模型在径流模拟方面表现良好：在校准和验证期间，所有站的NSE值均超过0.78（范围分别为0.78至0.94和0.88至0.94），PBias值在-10.95%至21.41%之间

PT和RT的空间异质性及其与干旱特征的联系

当代干旱传播识别方法，特别是传统的相关性分析，存在三个关键局限性：（a）无法区分因果关系和虚假相关性（Zhou et al., 2023），（b）对标准化指数中极端值的敏感性（Haslinger et al., 2014; Pe?a-Gallardo et al., 2019），以及（c）使用完整时间序列数据时非干旱期信号的干扰（Aryal et al., 2024）。为了克服这些

结论

本研究开发了一种归因方法，结合基于过程的建模和机器学习，以解析LMRB中水文干旱传播和恢复的多因素控制。主要结论如下：

（1）从空间上看，MD和HD的持续时间和严重程度都显示出显著的正相关。与MD事件相比，HD事件的持续时间和严重程度更高。

（2）在所有子流域中，RT始终超过PT。此外，随着持续时间的

CRediT作者贡献声明

Xuan Luo：撰写——原始草稿、软件、方法论、调查。Xuan Ji：撰写——审稿与编辑、软件。Yi Zou：可视化、验证。Siqi Wang：软件、方法论。Xinbei Liu：可视化、正式分析。Xiaodong Wu：验证、资源。Jianxing Li：调查。Yungang Li：撰写——审稿与编辑、监督、项目管理、数据管理。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家自然科学基金（项目编号：42067033）和云南省教育厅科学研究基金项目（项目编号：2023Y0197）的资助。