利用动态加权集成模型分析降雨侵蚀力对典型气候指数的滞后响应

《Journal of Hydrology: Regional Studies》：Analysis of the lag response of rainfall erosivity to typical climate indices using a dynamically weighted ensemble model

　　

本研究采用分布滞后非线性模型（Distributed Lag Non-linear Model, DLNM）与动态加权集成模型，探究中国南部地区降雨侵蚀力对典型气候指数的滞后响应机制。研究结果表明：（1）中国南部地区降雨侵蚀力对不同气候指数的滞后响应存在显著差异。降雨侵蚀力对厄尔尼诺-南方涛动（El Ni?o-Southern Oscillation, ENSO）和北极振荡（Arctic Oscillation, AO）的响应相对迅速，滞后时间集中于1–4个月；而印度洋偶极子（Indian Ocean Dipole, IOD）、西半球暖池（Western Hemisphere Warm Pool, WHWP）和太平洋年代际振荡（Pacific Decadal Oscillation, PDO）的滞后时间普遍较长，在多数区域超过4个月。（2）气压（PRES）、向下长波辐射（LRAD）、向下短波辐射（SRAD）、温度（TMP）和侵蚀性降雨（ER）被识别为影响降雨侵蚀力滞后效应的核心因素，其阈值特征因气候背景而异；具体而言，当PRES超过915 hPa时，降雨侵蚀力对ENSO的滞后时间缩短，而对AO的滞后时间延长。（3）数字高程模型（Digital Elevation Model, DEM）、相对湿度（RHU）和归一化植被指数（Normalized Difference Vegetation Index, NDVI）等因素的独立贡献相对较弱，这些因素主要通过与气象因子的相互作用对滞后响应产生局部调节效应。

土壤侵蚀是全球最严峻的生态环境问题之一，直接威胁粮食安全、水资源安全与生态系统稳定性。降雨侵蚀力作为评估土壤水蚀风险的关键指标，其时空变化与区域水土流失密切相关。在全球气候变化背景下，极端降水事件频发及大气环流异常加剧，对降雨侵蚀力的时空格局产生了显著影响，因此阐明降雨侵蚀力对大规模气候振荡的动态响应机制，对于提升通用土壤侵蚀预测模型精度、控制土壤流失及保障生态安全具有重要意义。

现有研究已证实，ENSO、PDO等大规模海气耦合现象可通过遥相关过程影响季风环流与水汽输送，进而改变区域降水格局并对降雨侵蚀力产生深刻影响。这些影响通常具有一定滞后性，但不同区域和气候指数对应的滞后时间差异显著。此外，降雨侵蚀力对气候指数的响应具有突出的非线性特征，滞后时间与响应方向随月份变化。然而，现有研究在解释复杂非线性预测和多因子驱动机制方面存在局限：多数研究依赖滑动相关、小波分析等传统统计模型，难以充分捕捉降雨侵蚀力对气候指数的复杂非线性滞后响应特征；且当前研究主要聚焦于揭示变量间的"统计关联"，其背后的多因子驱动机制尚需深入探究。同时，机器学习（Machine Learning, ML）方法虽为识别复杂环境系统中的非线性关联机制提供了新途径，但单一ML模型的稳健性和泛化能力对训练样本分布、特征工程和超参数设置高度敏感，难以在多样化复杂场景中保持持续高精度的预测表现。

基于此，研究人员以一天到晚国南部地区（97°E–125°E, 20°N–32°N）为研究区，开展降雨侵蚀力对典型气候指数滞后响应的多因子驱动机制研究。该研究发表于《Journal of Hydrology: Regional Studies》。研究人员采用DLNM的交叉基函数同时拟合非线性暴露-响应关系，定量提取气候指数影响下降雨侵蚀力的相对变化幅度与滞后时间；继而采用动态加权平均集成模型实现基模型权重的实时调整，增强模型对动态数据变化的适应性，并结合SHAP（SHapley Additive exPlanations）可解释性分析定量解析降雨侵蚀力滞后效应的关键驱动因素与协同交互作用。研究旨在分析降雨侵蚀力滞后响应的空间分异特征、探索多因子驱动机制，并为复杂地理环境系统多因子协同机制的定量解析提供新的方法论框架。

研究用到的主要关键技术方法包括：第一，DLNM方法，通过张量积构建交叉基矩阵，设定最大滞后12个月，基于赤池信息准则（Akaike Information Criterion, AIC）选取自由度，采用Gamma分布的广义线性模型拟合降雨侵蚀力对气候指数的非线性滞后效应；第二，空间插值与数据采样技术，采用普通克里金法（Ordinary Kriging）将站点尺度的滞后时间和 testimonial 响应特征插值为0.01°分辨率的连续空间面，并生成均匀分布的随机采样点以匹配机器学习模型的样本量需求；第三，动态加权平均集成模型，选取轻量梯度提升机（LightGBM）、极端梯度提升（XGBoost）、类别提升（CatBoost）、支持向量回归（Support Vector Regression, SVR）、随机森林（Random Forest, RF）和多层感知机（Multilayer Perceptron, MLP）六种算法作为基学习器，经网格搜索结合五折交叉验证进行超参数优化，依据验证集上的平均绝对误差（Mean Absolute Error, MAE）动态分配权重，实现"性能优先"的自适应模型融合；第四，SHAP可解释性分析方法，基于合作博弈论的Shapley值计算各特征的边际贡献值，解析滞后效应的驱动机制。

研究结果部分涵盖以下内容：

空间异质性分析——滞后时间空间分布。降雨侵蚀力对大气环流指数的滞后时间在中国南部呈现显著空间异质性。AO和ENSO作为相对高频信号，在多数区域触发快速响应，但持续性和空间格局存在差异：AO滞后时间主要集中于1–6个月，2–4个月滞后期的空间影响最为广泛；ENSO响应持续时间更长，为1–10个月，快速响应区（1–2个月）主要分布在东部和东南沿海地区，表明ENSO事件能迅速驱动热带海洋水汽输送至中国东南沿海。IOD和WHWP表现出更强的区域一致性和更长的滞后时间，显著滞后时间一般集中于4–12个月；IOD滞后在西部和中部尤为突出，超过40%的区域滞后超过6个月；WHWP最高比例区域显示4–6个月滞后。PDO作为典型年代际尺度低频振荡信号，滞后时间集中于4–10个月，反映其对区域降雨年际变率的持续调控作用。总体而言，IOD和PDO等中低频信号主导降雨侵蚀力的中长期变化，而AO和ENSO等高频信号主要触发短期快速响应。

空间异质性分析——响应幅度空间分布。气候指数对降雨侵蚀力的影响呈现空间非均匀性，总体以正向增强为主，但不同指数的影响强度存在显著梯度差异，影响强度排序为：ENSO > IOD > AO > WHWP > PDO。高频信号ENSO和IOD不仅形成局部极端区域，还在更广阔空间范围内保持稳定的正向增强效应；低频信号PDO影响相对较弱。具体而言，ENSO的响应主要表现为空间上强化的正向趋势，东部和东南区域尤为突出，形成中-高值甚至极值聚集区；WHWP呈现明显的正-负过渡特征，东部和东南形成连续正高值带，向内陆过渡时响应减弱并逐渐转负；AO和IOD虽以正向增强为主，但夹杂若干负值区域，空间分布格局更为复杂；PDO响应最弱，多数区域值集中于低强度区间。

单因子驱动机制分析——模型适用性比较。动态加权集成模型在滞后时间和响应幅度预测任务中均表现出最优整体性能，MAE、均方根误差（Root Mean Square Error, RMSE）和决定系数（R²）均优于所有单一模型，验证集动态权重分配有效整合了各算法优势。三种梯度提升树模型表现突出且稳定，SVR和MLP模型误差相对较大。

单因子驱动机制分析——滞后效应驱动因素重要性。PRES、LRAD、SRAD、ER和TMP是驱动降雨侵蚀力对各气候指数滞后时间的关键因子。PRES相对贡献最为突出，在AO、ENSO、IOD和WHWP的滞后时间驱动机制中占主导地位，相对贡献率均超30%，SHAP值大于0.4（WHWP除外）。LRAD在AO、IOD、PDO和WHWP情境下贡献 consistently 排名第二，相对贡献比例14.2%–22.2%。DEM在WHWP情境下相对贡献达9%，为局部环境因子中最高。WIND和NDVI的SHAP值普遍低于0.1，整体影响有限。响应幅度的驱动机制类似，PRES、TMP、LRAD、SRAD和ER为主要驱动变量；PRES在ENSO、IOD和WHWP情境下相对贡献最高，WHWP情境下达34.8%；LRAD在AO和PDO情境下影响突出；SRAD在AO响应中重要性显著；ER主要影响IOD和PDO的响应幅度；TMP在ENSO、IOD、PDO和WHWP情境下贡献位列前二。NDVI、WIND和DEM的SHAP值多低于10%，驱动作用相对有限。

单因子驱动机制分析——单因子对滞后效应的非线性影响。PRES是关键阈值约束因子：当PRES超过915.79 hPa、907.55 hPa和915.42 hPa时，ENSO、IOD和WHWP的滞后时间显著缩短；而PRES超过925.55 hPa时，AO的滞后时间延长。LRAD值在261.7–352.97 W/m²和超过356.18 W/m²时可分别缩短IOD和AO的滞后时间；但超过346.25 W/m²和356.5 W/m²时则延长PDO和WHWP的滞后响应。SRAD对滞后时间的影响呈强非线性特征：ENSO滞后时间在0–175.11 W/m²或227.61–240.40 W/m²范围内缩短；PDO滞后时间在138.06–171.14 W/m²或超过228.05 W/m²时延长。TMP主要影响ENSO、IOD和WHWP的滞后响应，具有高非线性复杂性和多阈值特征。ER主要影响AO和PDO的滞后时间，当ER超过1370.06 mm和1393.92 mm时显著增加这两个指数的滞后时间。

响应幅度方面，RHU、SRAD、LRAD、PRES、TMP、ER和DEM对响应幅度具有显著非线性调控效应，但阈值位置和响应方向因气候指数而异。RHU低于76.16%时SHAP值一般为负，超过该阈值后由负转正并快速上升，表明高湿条件下AO的响应幅度显著增强。SRAD在150.96 W/m²附近呈现单阈值拐点，由正转负，之上SHAP值随SRAD增加持续下降，导致响应幅度明显减弱（主要在AO情境下）。PRES超过896.66 hPa、935.30 hPa和921.52 hPa时，SHAP值由负转正并随气压升高而持续增加，分别对应ENSO、IOD和WHWP情境下响应幅度的显著增强。ER的调控主要集中于1242.83 mm、1336.03 mm和1633.47 mm附近：中等降水区间（1242.83–1632.47 mm）SHAP值较低，低或高降水条件下转为正值，增强了IOD和PDO的响应幅度。DEM约769.86 m以上呈现单阈值衰减特征，SHAP值由正转负，表明随海拔升高ENSO的响应减弱。TMP影响更为复杂，16.10℃、17.74℃和22.42℃等关键节点附近出现阶段性变化：中等温度范围内SHAP值较高，增强ENSO和IOD的响应幅度；但PDO情境下温度超过16.75℃时响应趋于减弱，WHWP情境下超过16.10℃时响应增强。

交互因子对滞后效应的影响。PRES与LRAD的交互在AO、ENSO、IOD、PDO和WHWP情境下均产生强影响：高气压（PRES>900 hPa）与高辐射（LRAD>320 W/m²）组合对ENSO、WHWP和IOD产生负SHAP值，显著缩短滞后时间；而在AO和PDO情境下该组合呈正SHAP值，表明延迟响应。SRAD与LRAD的交互主要反映短波与长波辐射对能量分布的协同调控效应，ENSO情境下尤为敏感：两者均 moderate 时交互趋于正向影响而延长响应时间；高SRAD配低LRAD或高LRAD配低SRAD则主要产生负SHAP值，加速ENSO响应。IOD情境下低SRAD与高LRAD组合有助于加快响应过程。空间因子交互方面，DEM与ER在IOD和PDO情境下效应显著：低海拔且降水充沛时交互SHAP值为负，促进快速响应；高海拔地区转为正值，反映地形对水汽扰动的缓冲效应延迟了响应。DEM与WIND的交互主要在ENSO情境下显现：高海拔伴随低风速时交互项SHAP值为正，延长响应时间。

交互因子对响应幅度的影响。PRES与LRAD交互在ENSO、IOD、PDO和WHWP情境下影响显著：高气压（PRES>850 hPa）与高辐射（LRAD>340 W/m²）组合使交互项SHAP值为正，显著增强ENSO和WHWP的响应；低气压高辐射条件下IOD响应幅度显著减弱。DEM与ER交互在ENSO情境下反映明显空间调制效应：低海拔多雨地区交互SHAP值为正，地形与水文条件协同增强响应；高海拔干旱地区该值趋于负，导致响应减弱。SRAD与LRAD交互呈现复杂"双峰"特征：SRAD极低且LRAD相对较高时交互SHAP值转为正值，PDO和WHWP响应明显增强。PRES与SRAD交互在IOD和WHWP情境下突出：较高辐射配较低气压趋于减弱响应幅度，而过高气压与低辐射组合则增强响应。

讨论部分，研究人员首先阐述了动态加权集成模型与SHAP可解释性分析融合框架的优势。传统单一机器学习模型因结构单一在拟合复杂多因子关系时泛化能力有限，而该研究集成的异质基学习器利用其误差互补性和结构差异提升 Model 稳健性与预测精度；动态权重分配基于验证集表现实现性能导向的自适应融合，滞后时间和响应幅度预测的误差较单一模型平均值降低超2.0%。SHAP方法基于合作博弈论将模型输出全局分解为各特征的边际贡献，相比基于基尼指数或排列重要性的传统分析，不仅量化全局贡献，还揭示影响的方向性、非线性阈值及交互效应，在提升模型性能的同时增强可解释性。

多因子协同驱动机制方面，滞后响应的驱动以气象因子为主导，PRES为最核心控制因子，SHAP重要性在多情境下超30%。气压场的演变反映并调控西太平洋副热带高压等大规模环流系统的强度和位置，进而决定水汽输送路径和降水系统演变。LRAD和SRAD通过影响地表加热和蒸发过程、调制对流层稳定性并参与控制降水强度和时空格局，间接影响降雨侵蚀力对大气环流指数的响应。不同气候情境下驱动机制存在差异：ENSO通过异常海温触发大气遥相关波列，影响副高强度和位置，进而改变局地天气尺度PRES和TMP，调节水汽输送，导致滞后时间较短；PDO和IOD等低频信号更受LRAD、SRAD和ER影响，产生的降雨侵蚀力响应更强更持久，主要由这些气候信号的年代际变率特征决定。SHAP交互分析揭示因子间的非独立、非线性耦合机制：PRES与LRAD显著正交互，高压条件下强长波辐射促进下沉增温与地表加热的共振，加速ENSO和WHWP的响应过程；DEM与ER在复杂地形区的交互表明下垫面通过调控水文路径对气候指数影响的"二次调制"效应。这些结果表明滞后响应的本质并非由单一变量决定，而是多因子非线性互作的结果。

研究局限性方面，尽管日降水数据经过质量控制，但站点分布不均区域可能存在空间代表性不足问题，未来可通过数据融合卫星遥感降水产品提升空间覆盖度和分辨率；且研究区限于中国南部，结论是否适用于其他气候带尚需进一步验证，未来可开展跨区域比较研究。

最终研究结论总结为以下四点：第一，中国南部降雨侵蚀力对气候指数的响应呈显著空间异质性，ENSO和AO等高频气候信号主要触发1–6个月内的快速响应，而IOD、PDO和WHWP等中低频信号主导4–12个月的中长期滞后效应；第二，相较于单一机器学习模型，基于验证集性能自适应权重分配的动态加权集成模型实现了更低的MAE和RMSE，有效整合不同模型互补优势，在复杂非线性关系建模中具有更优的稳健性和泛化能力；第三，PERS是控制降雨侵蚀力滞后效应的最关键因素，在多数气候情境下相对贡献率超30%，LRAD、SRAD、TMP和ER在不同气候背景下协同决定滞后响应的强度和持续性，而DEM、NDVI和WIND等局部因子总体贡献较弱但在特定气候条件下发挥调节作用；第四，SHAP分析揭示主导因子普遍具有关键阈值区间，影响方向在此发生显著变化，PRES超过915.79 hPa时ENSO滞后时间缩短而超过925.55 hPa时AO滞后时间延长，同时PRES-LRAD、LRAD-ER和DEM-ER等因子交互在不同气候情境下呈现显著非线性协同效应，是滞后效应空间差异的重要机制。