《Agricultural Water Management》：Lower agricultural drought predictability in canal-irrigated districts of Pakistan
编辑推荐：
区级尺度农业干旱可预报性在巴基斯坦限于一个月。运河灌溉与约20%较低的一个月预报技能相关。在多数区，植被在当月对SPEI-3（三个月标准化降水蒸散指数，Standardized Precipitation Evapotranspiration Index at
区级尺度农业干旱可预报性在巴基斯坦限于一个月。运河灌溉与约20%较低的一个月预报技能相关。在多数区，植被在当月对SPEI-3（三个月标准化降水蒸散指数，Standardized Precipitation Evapotranspiration Index at three-month accumulation）产生响应。自适应共形区间（adaptive conformal intervals）在2022年极端年份保持91%覆盖率。运河供水数据是延长干旱预警提前期的优先信息。
全球农业干旱是破坏性强的自然灾害，近五十年来在中低收入国家造成超过7200亿美元损失；IPCC第六次评估报告预计变暖将加剧热带和亚热带农业区干旱的频率、持续时间和范围，且动态预测技能预计在超过70%的全球农业用地上下降。农业干旱由大气水分亏缺经土壤柱向根区和冠层传播，传播时间通常被视为可达预警提前期的上限；卫星研究显示灌溉会削弱植被对气象干旱的响应。巴基斯坦农业约占国内生产总值22%，支撑超过2.4亿人口粮食安全，兼具印度河灌区运河灌溉与KP雨养/融雪补给系统，且2022年复合干旱—洪水事件位于评估期内。既有研究尚未直接检验：灌溉是否独立于传播时间和农业气候背景而降低气候—植被耦合与可预报性。为此，研究人员在Sindh、Punjab和KP的94个区构建区级机器学习框架，预测VHI（植被健康指数，Vegetation Health Index）异常，并评估1、3、6个月提前期，以气候态和持续性为基准，结合预测因子消融、全堆叠集合归因和共形区间，回答可达提前期、技能来源及灌溉影响三个问题。研究结论是区级农业干旱可预报性主要限于一个月，运河灌溉与约20%较低的一个月技能相关，延长预警需引入运河供水信息。
关键技术方法如下：研究按UNEP干旱指数将94个区划分为4个农业气候带；VHI由MODIS的NDVI和LST计算，SPEI-3由CHIRPS降水与ERA5-Land的ET
0（参考蒸散，reference evapotranspiration）计算，土壤湿度取自ERA5-Land，并采用ONI、DMI；灌溉比例取自LGRIP30，灌溉水源比例取自FAO AQUASTAT，产量资料来自Pakistan Bureau of Statistics；采用64个月尾随窗口的因果小波特征、两级堆叠集合（Random Forest、XGBoost、LightGBM、CatBoost与Ridge元学习器）、2016—2022年滚动起点扩展窗口评估，以及KGE（Kling-Gupta效率，Kling-Gupta Efficiency）、ACC（异常相关系数，anomaly correlation coefficient）、MSESS（均方误差技能评分，mean squared error skill score）、RMSE、TreeSHAP、split conformal和灌溉回归分析。
3.1 预报技能随提前期与农业气候带变化：滚动起点评估显示，校准后KGE在Lead-1为0.481、Lead-3为0.197、Lead-6为0.096，ACC分别为0.484、0.160、0.080；方差校准提高Lead-1 KGE，但在长提前期放大噪声。Lead-1各带技能显著，Arid带最佳；Lead-3无带显著优于气候态；Lead-6仅Arid带MSESS为正，Humid带显著低于气候态。
3.2 相对基准的技能及其稳定性：对气候态的MSESS仅在Lead-1显著，合并值为0.234（95% CI 0.151—0.302），Lead-3和Lead-6区间含零；对持续性虽在各提前期为正，但持续性本身迅速衰减。Lead-1技能在7个测试年均正，2022年为0.321，且所有区Lead-1均为正，表明有用可预报性限于一个月。
3.3 分区与全国合并架构比较：固定测试期显示，分区模型在12个带—提前期组合中的11个优于全国合并模型，平均校准KGE提高0.114；Lead-1时Humid带合并模型更优，Lead-3和Lead-6分区模型均占优，主要体现为避免负技能。
3.4 植被持续性与气候强迫的贡献：移除全部VHI衍生预测因子后，Lead-1 MSESS由0.267降至0.132，校准KGE由0.479降至0.341，RMSE由13.04升至14.18，但仍显著优于气候态；Lead-3两种配置无差别，Lead-6缩减模型低于气候态；加入高程影响可忽略。
3.5 预测因子归因：全集合SHAP显示，Lead-1植被预测因子贡献31.4%，土壤湿度21.1%，大气预测因子39%—41%；至Lead-3和Lead-6，植被份额降至15.3%和15.9%，土壤湿度升至26.9%和31.2%，遥相关指数分别为8.3%、18.8%、12.3%。Random Forest单模型归因与全集合平均Spearman秩相关为0.741，前十特征平均重叠7.1个，说明单基学习器不能完全代表集合。
3.6 干旱传播时间尺度：纳入滞后0后，84个区显著传播，其中80个为同月响应；仅搜索1—12个月时，68个区显著、54个恰为一个月，说明“一个月”是搜索下界造成的伪影。同月耦合在Humid和Dry Sub-humid带最强，Arid带最弱；4个延迟响应区均位于Arid带；传播时间未约束Lead-1可预报性。
3.7 灌溉、耦合与预报技能：灌溉与较弱气候—植被耦合的关联仅在印度河灌区稳健；在Punjab和Sindh，灌溉比例每增加1个标准差，耦合减弱0.040。灌溉比例每增加1个标准差，区级Lead-1 MSESS降低0.046（约合并技能的20%），该关联经省略各省、置换检验和空间稳健标准误检验仍成立；运河灌溉比例为?0.046，井灌比例为?0.022且不显著；等灌溉量下运河份额更高亦与更低技能相关。VHI分解显示，运河灌溉主要与较低TCI（温度条件指数，Temperature Condition Index）技能相关，VCI（植被条件指数，Vegetation Condition Index）预报技能较高；耦合强度并未解释技能损失。
3.8 预测区间与预警等级：共形区间在Lead-1和Lead-3覆盖率分别为91.3%和91.4%，Lead-6为88.0%；Lead-1各年覆盖率89.7%—94.9%，2022年为89.7%；平均区间宽度分别为47.0、59.0、59.3个VHI单位。Lead-1的POINT等级在检测与误报间最平衡，干旱基率16%时检出率43.5%、误报率0.631、频率偏差1.18、PSS为0.293、HSS为0.273；WATCH检出率96.1%但频率偏差4.84；ALERT触发很少。Lead-3和Lead-6的POINT技能下降。
3.9 与作物产量的吻合：7个季节中，Lead-1预测VHI与去趋势水稻产量异常正相关（Spearman ρ=0.135，p=0.004，n=448），与观测VHI的关联（ρ=0.119，p=0.011）相近；去除季节共同信号后ρ=0.243。预测与观测VHI均与小麦产量无关；VHI阈值40不能识别两种作物的产量损失季；21条不合理产量记录被剔除。
讨论部分认为，一个月提前期在包括2022年复合事件在内的不同年份均成立，与土壤湿度记忆短和陆—气耦合弱时动态可预报性受限的观点一致；单期或随机划分及未按预报起点掩蔽遥相关会造成技能高估，滚动起点多年评估更可信。一个月技能同时来自植被持续性和气候信息，移除VHI预测因子后技能减半但未消失；方差校准仅在存在相位信息时有益。分区优于全国合并，因为合并模型未获得灌溉描述符。多数区对SPEI-3为同月响应，排除滞后0会将同月响应误判为一个月滞后；传播时间不限制一个月技能。核心结果是运河灌溉与较低一个月可预报性稳健相关，且主要体现在冠层温度分量；运河供水受水库放水、融雪和轮灌调度控制，而这些未进入预测因子，井灌则随局地干旱按需抽取。产量结果与之一致：灌溉小麦冠层在降水亏缺下仍保持绿色，产量更多由灌浆期高温决定。局限性包括FAO水源份额早于研究期且跨省基准年混合、LGRIP30描述2015年灌溉范围而非实际供水、灌溉分析为94区横断面关联、Dry Sub-humid带仅6个区、VCI/TCI按全记录极值缩放、因果小波去除前63个月、Humid KP的VHI云污染。管理含义是：运河主导区预警最弱，延长提前期应优先加入渠道放水或灌区尺度卫星实际蒸散等供水信息，而非仅改进算法。
研究结论翻译：1. 可信的提前期声明需要多年评估并与简单基准比较；一个月技能在各测试年（包括极端复合干旱—洪水年）保持，而表观更长提前期技能在去除泄漏并延长评估后消失，基于单一评估窗口或无气候态和持续性基准的多月技能应谨慎解读。2. 短期植被干旱预报同时利用冠层记忆和气候信息；植被持续性提供大部分一个月信号，但气候和土壤湿度预测因子仍具独立信息，深层土壤湿度记忆不足以延长技能；异质区域模型受益于分层或明确的水管理描述符。3. 在管理景观中，水管理比干旱传播更限制可预报性；巴基斯坦多数区植被在同月响应气候水量平衡，传播时间不构成有意义约束；运河灌溉将冠层状况与上游供水联系，主要通过冠层温度与较低技能相关，而响应局地条件的井灌影响较弱，因此干旱指数间滞后相关不能很好指导灌溉流域可达提前期。4. 若持续更新不确定性，一个月业务预警可行；随新观测重校准预测区间在极端条件下仍可靠，确定性预警在检测和误报间最有用；植被预报对雨养和稻作系统仍有信息，但对灌溉小麦信息有限，后者产量由灌浆期高温决定。因此，预警在生产巴基斯坦大部分粮食的灌溉区表现最差，延长提前期依赖观测供水而非仅精炼气候模型；灌区尺度卫星实际蒸散是推进该整合的可及途径。
