基于卫星降水产品的时滞感知综合农业干旱指数

《Agricultural Water Management》：Lag-aware integrated agricultural drought index using satellite precipitation products

　　

农业干旱对粮食安全和水资源管理构成日益严重的威胁；然而，传统干旱指数往往无法捕捉干旱传播的时间动态以及指数信号与农业影响之间的时滞。本研究提出了综合农业干旱指数（IADI），这是一种利用韩国卫星降水数据进行空间连续农业干旱评估的时滞感知框架。首先，研究人员利用2010–2023年期间56个地面站点的观测数据对五种卫星降水产品进行了评估。随后，基于运行理论，在1996–2024年期间对4012个网格单元计算了SPEI-3、SPEI-6、SPEI-12和SMI的干旱频率、持续时间和严重程度，并将其整合为各指数对应的干旱严重程度指数。利用受试者工作特征曲线下面积（ROC–AUC）分析，在60个行政区划中量化了各指数与观测农业干旱之间的时间对齐程度。所得时滞信息随后通过一个响应调整系数纳入三种客观权重方案中，该系数对较大的时间偏移进行惩罚。结果表明，CHIRPS v3.0取得了最佳总体性能，并被选为降水输入数据。所有指数的AUC值均高于0.7。SMI和SPEI-12的平均超前时滞分别为?1.00和?2.97个月，而SPEI-3和SPEI-6表现为同步至略微滞后的响应。所得IADI分类在三种权重方案间高度一致，90.65%的网格单元被划分为相同的干旱等级。IADI值的空间分布也与历史农业干旱记录大体吻合。该框架可为农业干旱监测提供一种时滞信息方法，并可能适用于其他可获得卫星降水数据和农业干旱参考记录的地区。

**论文解读：基于卫星降水产品的时滞感知综合农业干旱指数研究**

**一、研究背景与问题**

干旱是一种复杂的自然灾害，起源于降水亏缺，并通过水文和农业系统传播，造成显著的社会经济影响。近年来，气候变率和全球变暖加剧了干旱事件的频率和严重程度，对农业生产力和水资源管理构成日益严重的威胁。在各类干旱中，农业干旱尤为关键，因为它反映了由降水、蒸散发和土壤水分条件相互作用所驱动的陆面水平衡失衡。与气象干旱不同，农业干旱直接影响作物水分可用性，可导致重大经济损失和粮食不安全。因此，准确监测和评估农业干旱对于制定有效的缓解和适应战略至关重要。

然而，传统的干旱监测方法存在若干关键局限。首先，地面雨量计观测虽然精度高，但空间分布往往稀疏且不均匀，尤其在地形复杂和气候条件异质的地区，难以支持空间连续和基于网格的干旱分析。卫星降水产品（如CHIRPS、PERSIANN、CMORPH等）提供了空间连续且全球一致的降水估算，但其性能随气候条件、地形和季节性降雨特征而变化，需要在使用前进行系统评估。其次，传统干旱指数（如SPI、SPEI、PDSI等）主要代表特定时间的干旱状态，未能充分捕捉干旱事件的动态演变过程，如频率、持续时间和严重程度等关键事件特征往往表征不足。第三，干旱指数信号与观测到的农业干旱发生之间常存在时间错位。由于土壤-水分系统的缓冲过程、水库调度和灌溉管理等，即使降水亏缺出现，农业干旱响应也可能延迟出现；反之，较长累积期的指数可能提前捕捉到前期水分亏缺。以往研究多采用相关性分析量化这种关系，但未将时滞效应纳入干旱指数的结构构建中。第四，在整合多个干旱特征为单一指数时，传统方法常采用等权重或主观判断，未能充分反映各变量的相对重要性。虽然已有熵权法、CRITIC和PCA等客观赋权方法，但这些方法未明确考虑干旱过程之间的时间滞后关系。

因此，迫切需要一种能够明确纳入干旱传播动态、时滞效应和客观赋权方案的综合干旱评估框架。本研究利用韩国卫星降水数据，提出了时滞感知的综合农业干旱指数（IADI）框架，通过将运行理论导出的干旱事件特征、客观赋权方法以及干旱指数与观测农业干旱发生之间的量化时滞关系相结合，显式地将时滞嵌入权重结构中，以提高农业干旱评估的可靠性。该论文发表在《Agricultural Water Management》。

**二、主要技术方法**

研究人员采用了以下关键技术方法：1）卫星降水产品评估：使用相关系数（R）、均方根误差（RMSE）、平均绝对误差（MAE）、平均偏差误差（MBE）和Kling–Gupta效率（KGE）对五种卫星降水产品（CHIRPS v2.0、v3.0、PERSIANN-CDR、PERSIANN-CCS和CMORPH）进行定性和定量评估，参考数据为韩国气象厅56个自动天气观测系统（ASOS）站点的地面观测数据（2010–2023年）；2）干旱指数计算：基于选定的降水数据计算标准化降水蒸散发指数（SPEI）在3、6、12个月尺度的值，以及基于TerraClimate根区土壤水分数据计算土壤湿度指数（SMI），覆盖1996–2024年间的4012个网格单元；3）干旱事件特征化：采用运行理论（run theory）以?1.5为阈值识别干旱事件，并量化干旱频率（DF）、持续时间（DD）和严重程度（DS）；4）时滞分析：采用受试者工作特征曲线下面积（ROC–AUC）分析，将各指数时间序列相对于官方农业干旱发生记录（2018–2023年韩国农业食品农村事务部运营的预警系统）从?6到+6个月进行平移，确定每个网格单元的最优滞后；5）权重确定与滞后调整：采用熵权法（EWM）、CRITIC和主成分分析（PCA）计算客观权重，并通过响应调整系数（αj）结合平均AUC和平均绝对滞后进行滞后修正，最终构建IADI。

**三、研究结果**

**3.1 卫星降水产品评估结果**
通过散点图和统计指标评估，CHIRPS v3.0表现最佳，其平均R（0.97）和KGE（0.92）最高，RMSE（29.95 mm）和MAE（20.15 mm）最低。CHIRPS v2.0的绝对MBE最小（3.83 mm），但其他指标略逊于v3.0。PERSIANN-CDR和CMORPH性能中等，PERSIANN-CCS性能最差（平均R=0.66，多数站点RMSE超过80 mm）。基于KGE优先的分层决策规则，CHIRPS v3.0被选为后续分析的降水输入。

**3.2 干旱事件特征分析结果**
基于运行理论，在4012个网格单元上计算了1996–2024年的干旱事件特征。干旱频率随累积期增加而增加，SPEI-3为7.19%，SPEI-12为7.72%，SMI最低（5.86%）。平均干旱持续时间从SPEI-3的1.42个月增加到SPEI-12的3.29个月，SMI为1.70个月。干旱严重程度同样随累积期增加，SPEI-3为0.83，SPEI-12为1.32，SMI最低（0.63）。干旱严重程度指数（DSI）的空间分布显示，SPEI-3高值集中在南部（庆尚、全罗道），SPEI-6分布较分散，SPEI-12在中北部呈连续高值区，SMI则集中在南部和沿海部分地区。

**3.3 时滞分析结果**
针对2018年8月和2022年6月两次代表性旱灾事件的事件研究表明，SPEI-3和SMI在事件前约两个月开始下降，表现为领先响应；SPEI-6在事件后负值持续更久；SPEI-12在整个±6个月窗口内变化缓慢且空间异质性大。ROC–AUC分析显示，所有指数的AUC值均高于0.7，具有足够的区分能力。最优滞后分布显示：SMI在73.7%的网格单元表现为领先（平均滞后?1.00个月），SPEI-12在66.5%的网格单元领先（平均滞后?2.97个月），SPEI-3平均滞后+0.95个月（混合分布），SPEI-6平均滞后+0.08个月（领先和滞后比例相近）。平均绝对滞后方面，SMI为2.81个月，SPEI-3为1.98个月，SPEI-6为2.04个月，SPEI-12为3.97个月。

**3.4 权重与滞后调整结果**
三种赋权方法在滞后调整前给出的权重分布相似，SPEI-3、SPEI-6、SPEI-12和SMI的权重范围分别为0.250–0.291、0.235–0.281、0.200–0.232和0.228–0.248。滞后调整后，SPEI-3和SPEI-6的权重在所有方法中均增加（EWM下分别升至0.305和0.332，CRITIC下为0.344和0.283，PCA下为0.346和0.330），而SPEI-12的权重显著下降（降至0.144、0.145和0.121），SMI保持中等水平（0.220、0.228和0.204）。响应调整系数（αj）分别为SPEI-3：0.432、SPEI-6：0.426、SPEI-12：0.219、SMI：0.325。

**3.5 IADI空间分布与一致性**
基于三种权重方法计算的IADI空间分布高度一致。高值区集中在韩国南部和东南部，以及北部部分地区济州岛。网格单元分级一致性分析表明，90.65%的网格单元在三种方法下获得完全相同的干旱等级，仅9.35%存在部分分歧。网格级范围（最大值减最小值）平均为0.67（0–100尺度），约占观测范围（42.8）的1.6%，表明权重方法对绝对IADI值影响很小。不一致网格平均距分类边界0.20，而一致网格距边界2.31，说明分歧主要发生在百分位阈值附近。南部地区（<36.0°N）不一致率略高（11.3%），中部（36.0–37.5°N）为8.3%，北部（≥37.5°N）为7.6%。

**四、讨论与结论**

讨论部分指出，CHIRPS v3.0在韩国表现最佳，但卫星降水产品的选择应基于多指标综合评估，且需进行区域验证。干旱持续时间和严重程度随累积期增加而增加，反映了干旱传播的尺度依赖性。SMI的领先响应可能与前兆土壤水分耗竭有关，但报告延迟和行政聚合也可能有贡献。SPEI基于P?PET公式，并不完全代表灌溉稻田的田间水量平衡，但区域气候水分亏缺影响灌溉需求和水库/河流供水，因此IADI应作为区域农业干旱指标而非田间水稻水分胁迫的度量。滞后调整增加了短期和中期指数的权重，降低了SPEI-12的权重，但研究未独立证明滞后调整能提高预测精度，因此该方法应视为一种替代性整合策略而非更优方法。研究局限性包括：CHIRPS v3.0仅直接评估了2010–2023年，官方干旱记录并非无误的实地观测，未考虑作物类型、生长阶段、稻田/旱地水文、灌溉供水和水库调度等因素。

结论部分总结了主要发现：1）CHIRPS v3.0在五种产品中性能最佳，被选为降水输入；2）运行理论导出的干旱事件特征显示，SPEI的累积期越长，频率、持续时间和严重程度越高，SMI则频率和严重程度较低；3）ROC–AUC时滞分析证实所有指数均具有足够的区分能力，SMI和SPEI-12表现为领先响应，SPEI-3和SPEI-6为同步或混合响应；4）IADI空间分布在三种权重方法下高度一致，超过90%的网格单元分类相同，南部和北部地区高值区与历史旱灾记录吻合。该框架超越了静态单一指数方法，将干旱事件结构和时滞动态统一纳入指数，具有在其他具备卫星降水数据和官方干旱记录地区的应用潜力。未来研究应扩展CHIRPS v3.0的时间验证，利用独立数据（如田间土壤水分、作物损失、灌溉缺水数据）验证时滞关系，并集成机器学习预测模型以支持主动干旱响应。