利用遥感技术与可解释机器学习对印度东部红土拉尔高原的块状干旱脆弱性进行分区分析

《Remote Sensing Applications: Society and Environment》：Block-level drought vulnerability zonation using remote sensing and explainable machine learning in lateritic Rarh plateau, eastern India

　　摘要：在异质性红土景观中，进行干旱评估需要结合专家判断与数据驱动方法的综合框架，以实现可靠的生态分区。本研究提出了一种新的模糊AHP–XGBoost–SHAP方法，用于对印度西孟加拉邦帕什希姆梅迪尼普尔县和贾尔格拉姆县的拉尔赫红土高原29个社区发展区的用水压力进行分区分析。多尺度SPEI分析（1980-2025年）显示，该地区存在十年周期的波动，其中1996-2010年出现了明显的干旱期，这与厄尔尼诺现象导致的季风减弱有关。本研究的创新之处不仅在于方法本身，更在于将专家判断与数据驱动的证据作为相互印证的层面，并量化二者的一致性，同时确定了可操作的非线性压力阈值。通过三角模糊数加权AHP综合九种卫星光谱-热指数与SPEI异常值，最终得到了用水压力分区指数（WSZI），该指数显示出从西北到东南的脆弱性梯度，约73.5%的区域处于中高压力状态。XGBoost–SHAP分析并非用于独立验证，而是用来分解WSZI，识别主要驱动因素（TVDI、LST、SPEI）及非线性压力阈值，且在四年评估期间，该分析与基于块级产量异常指数的独立验证结果呈现出强烈的负相关关系（ρ = ?0.76至?0.90，p < 0.001）。通过复合因子优先级排序，昌德拉科纳II、加尔贝塔III和萨尔博尼被确定为最脆弱的区域，这一结果可为红土生态系统中的干旱缓解工作提供空间上的优先处理依据。

引言：与大多数突发性灾害相比，干旱是一种缓慢发生的水文气象灾害，但它会带来累积性的经济和生态损失（Wilhite, 2000; Mishra and Singh, 2010）。干旱发展有多个阶段：首先是降水量不足，接着是土壤水分减少，进而发展为水资源短缺，最终导致社会经济问题（Heim, 2002; Van Loon, 2015; Martins et al., 2018）。印度每年75-80%的降雨量集中在6月至9月的西南季风期间。约68%的农作物依赖雨养农业，这些作物在这些时期容易因水分不足而受影响，2002年、2009年、2015年和2018年的厄尔尼诺现象就是例证（Pai et al., 2014; Ghosh, 2019; IPCC, 2023）。世界上仅有18%的人口使用了全球4%的淡水资源，而到2050年，淡水需求预计还将增长32%，因此对干旱进行精细程度的表征显得极为重要（Amarasinghe et al., 2007）。如今，干旱监测已不再仅依赖单一的气象指标，而是转向基于遥感、气候水量平衡模型和机器学习的多准则干旱监测方法。标准化降水-蒸散指数（Vicente-Serrano et al., 2009）的出现旨在弥补现有早期仅基于降水量 的干旱指数，如帕尔默干旱严重度指数（Palmer, 1965）和标准化降水指数（McKee et al., 1993）的不足，因为这些指数无法体现与温度相关的蒸发需求。遥感技术则提供了多种光谱干旱指数，如植被状况指数和温度状况指数（Kogan, 1995）、综合植被健康指数（Kogan, 1997）、温度-植被干燥指数（Sandholt et al., 2002）、修正归一化差异水分指数（Xu, 2006）、土壤调整植被指数（Huete, 1988）以及归一化差异裸土指数（Zhao and Chen, 2005）。由于没有单一指标能够完整反映干旱的复杂性（AghaKouchak et al., 2015），研究人员采用了多准则决策分析方法，即层次分析法（Saaty and Vargas, 2012）及其基于三角模糊数的模糊扩展形式（Buckley, 1985; Chang, 1996），通过对不同指标赋权来构建综合脆弱性指数（Ekrami et al., 2016; Arabameri et al., 2019）。不过，近年来科学家们还利用极端梯度提升算法（XGB）（Chen and Guestrin, 2016）结合沙普利加性解释方法（SHAP）（Lundberg and Lee, 2017; Li, 2022; Kan et al., 2023; Brill et al., 2024），在不同气候区开发出了透明且可解释的干旱建模方法。通过机器学习特征选择技术，人们已能很好地确定合适的农业干旱指数，并将其与农业产量联系起来；尤其是随机森林和梯度提升技术被广泛应用于筛选最具信息量的农业干旱指数（Zarei et al., 2023a）。同时，遥感领域的最新研究强调了高时空分辨率的NDVI融合以及可解释模型在理解植被在环境和气候压力下的变化动态方面的作用（Hu et al., 2026; Hu and Zheng, 2025; 2026）。方法论与数据驱动的要素也逐渐被纳入综合框架中，这些框架结合了气象与遥感指标，不断优化以实现对用水压力的更精准全面评估（Zarei et al., 2023b）。在印度，干旱研究采用了多种方法，从基于SPI的气象分析到运用地理空间技术的多准则分析都有涉及（Kumar and Chu, 2023）。Bhunia等人（2019）使用SPI分析了西孟加拉邦红色土壤区和红土区的干旱频率，而Palchaudhuri和Biswas（2016）则运用AHP和GIS叠加技术对西孟加拉邦普鲁利亚县的红土区进行了干旱风险制图。Ghosh（2019）将所有干旱指数与基于AHP的权重相结合，用于分析恒河下游的西孟加拉邦情况，而Halder等人（2022）则建议采用模糊DEMATEL方法对红土高原的干旱脆弱性进行因果排序。印度东部的拉尔赫高原，包括本研究涉及的帕什希姆梅迪尼普尔县和贾尔格拉姆县，具有诸多独特性：该地区的土壤为红土，风化程度高、孔隙度大，但毛细持水能力低，这意味着在降雨稍有不足时，土壤水分就会迅速流失（Nag and Ghosh, 2012）。在该地区西部，近60%的劳动力从事雨养农业，而这些社区发展区中还有相当一部分人口属于表列部落和表列种姓群体，他们更容易受到气候变化的影响，在干旱年份往往面临更为严峻的处境（印度人口普查，2011；Bhunia et al., 2017）。鉴于这种脆弱性，以往的区域研究中多采用单一方法，既缺乏数据驱动的独立性，也未对专家判断的不确定性进行模糊处理。本研究填补了三个重要空白：首先，此前尚无研究在红土高原景观中，将模糊AHP加权多准则干旱分区方法与可解释的机器学习方法（XGBoost–SHAP）整合在同一框架下，用于开展块级干旱评估。早期的研究要么采用多准则决策分析方法（Palchaudhuri and Biswas, 2016; Ghosh, 2019），要么使用独立的模型，缺乏将专家判断与数据驱动结果相互关联的架构。其次，本研究采用三角模糊模型而非萨蒂量表进行比较，这能够直观体现专家判断的模糊性，并给出权重分布而非点估计值，这一点不同于后续的干旱研究（van Laarhoven and Pedrycz, 1983; Buckley, 1985）。第三，通过模糊AHP综合指数与基于SHAP的特征重要性分析，可以实现两种方法的互补对比，从而增强分区结果的可靠性。此外，SPEI得出的气候水量平衡值也与九种卫星衍生光谱指数结合使用，最后还通过基于农业普查数据的块级产量异常指数对分区结果进行独立验证，而此前的拉尔赫地区研究并未采用这种方法。本研究的贡献不在于评估各个单独方法（模糊AHP、XGBoost和SHAP）的创新性，而在于将这些单一模型整合在一起，使其能够相互校验，并应用于此前尚未开展此类研究的景观中。其特点可归纳为四点：首先，专家驱动的（模糊AHP）与数据驱动的（XGBoost–SHAP）两种判断类型并非相互竞争的预测因子，而是相互补充的层面，二者的预测结果一致，这一一致性可通过斯皮尔曼等级相关系数（ρ = 0.783）进行量化，从而增强分区的可靠性，而预测结果的差异则可提示那些预测行为与专家判断不符的指标。其次，与过去针对红土干旱研究所采用的AHP叠加方法（Palchaudhuri& Biswas, 2016; Ghosh, 2019）以及Halder等人（2022）基于模糊AHP排序的模糊DEMATEL方法不同，本研究通过三角模糊数明确建模专家判断的不确定性，再通过正式的敏感性分析将其转化为最终的分区结果。第三，SHAP方法可用于识别线性加权叠加指数无法表达的阈值和非线性特征，例如由TVDI（约0.5）和LST（约32–33°C）得出的非线性生态阈值，这些阈值可直接转化为实用的早期预警触发条件。第四，分区结果与实际的农业影响密切相关（即2000-2025年的块级产量异常指数），实现了从专家权重到数据驱动解释的端到端验证，而此前的拉尔赫地区研究并未做到这一点。所有这些要素共同构成了一个可应用的“混合知识-数据”分区方案，而不仅仅是一系列现有工具的简单组合。在此框架下，通过多尺度SPEI分析时空气候水量压力，利用九种遥感指数量化地表生态退化程度，基于模糊AHP加权多准则叠加方法在块级构建用水压力分区指数，再通过XGBoost与SHAP进行结果解读、干旱脆弱性驱动因素分析及非线性阈值识别，最后利用多年作物生产统计数据得到的块级产量异常指数对分区结果进行验证，同时通过复合因子评分确定各社区发展区的优先级，并为最脆弱的区域提出有针对性的干预措施。

研究区域：本研究在印度东部西孟加拉邦的帕什希姆梅迪尼普尔县和贾尔格拉姆县的红土拉尔赫高原开展，该区域的地理位置为北纬21°47′至23°00′，东经86°40′至87°52′。在贾尔格拉姆县成立之前，这两个区域属于未划分的帕什希姆梅迪尼普尔县，面积约为9,345平方公里，包含29个社区发展区（印度人口普查，2011年）（图1）。从地貌上看，该区域位于西部的乔塔纳格普尔高原与东部其他地形之间的过渡地带。

数据收集：整个分析过程是在集成型GeoAI环境中完成的（Li and Hsu, 2022; Mai et al., 2025），该环境旨在实现最高水平的计算可重复性和方法透明度（表1）。ArcGIS Pro的地理处理工具被用于29个社区发展区的空间叠加操作及多时相地图制作，同时也为地图设计提供了支持。其余所有计算均在该平台上完成。

方法论：本研究的方法论框架整合了基于卫星的遥感技术、基于标准化降水指数的气候水量平衡模型、模糊多准则决策分析方法以及可解释的机器学习技术，形成了一个地理空间人工智能分析流程（Li & Hsu, 2022; Mai et al., 2025）（图2）。研究首先下载了LANDSAT 5 TM卫星在1995年和2010年的干季影像，对其进行了大气校正处理。

时空SPEI趋势分析（1980-2025年）：为了解析气候水量压力的时间演变规律，本研究利用SPEI指数分析了1980年至2025年间的两个互补时间尺度——SPEI-3（季节性气象干旱）和SPEI-12（累积性水文干旱）。相应的时间序列数据及块级曼恩-肯德尔趋势图分别见图4和图5。SPEI-3时间序列（图4上图）呈现明显的波动特征，随着季风的周期性变化，该序列会出现湿期与干期的交替。极端情况……

结论：本研究的目标是针对印度西孟加拉邦拉尔赫红土高原1995年至2025年期间的用水压力状况，开发并验证一种整合了模糊AHP、XGBoost和SHAP方法的块级分区方案。通过46年的SPEI数据分析（1980-2025年），可以识别出三个水文气候阶段：湿润期（1981-1995年）、与厄尔尼诺现象导致的季风减弱相关的强烈干旱期（1996-2010年），以及随后再次出现的湿润期（2011-2025年）。

建议：应在五个优先级最高的社区发展区（昌德拉科纳II、加尔贝塔III、萨尔博尼、宾普尔II、宾普尔I）立即投资建设分散式的雨水收集设施，如拦水坝、农用池塘、渗透池和等高耕作带，以此利用地表径流，增加红土地区的土壤水分补给。在中等排名区间（CF 0.37 - 0.50）内，人工补给含水层技术可被视为补充地下水供应的优先选择。CRediT作者贡献说明：Arnab Ghosh负责写作——审阅与编辑、写作——初稿撰写、可视化处理、验证工作、软件应用、调查研究以及概念设计；Moumita Kundu负责监督工作、方法设计以及正式分析。参考文献包括Gogus和Boucher在1998年的研究、Gumus在2008年的研究、Hu和Zeng在2025年及2026年的研究，还有Van Laarhoven和Pedrycz在1983年的研究。投稿声明：本手稿此前未曾以预印本、摘要、已发表的演讲内容、学术论文或注册报告等形式发表过，也未被其他期刊考虑录用。所有作者均同意发表本手稿。若被接受，未经版权所有者书面许可，不得以相同形式、英文或其他语言，包括电子形式，在其他任何地方发表本手稿。作者责任：所有作者都对工作的各个方面负责，需确保对工作中任何部分的准确性或完整性相关问题进行妥善调查并予以解决。利益冲突声明：我们没有需要声明的利益冲突。关于手稿准备过程中生成式人工智能及人工智能辅助技术的声明：在准备本作品时，作者们使用Python编程语言以及GeoAI环境中的相关工具来制作地图并进行各项统计分析。作者们对输出结果进行了必要的审阅和编辑，并对最终发表文章的内容承担全部责任。资金来源：本研究未获得公共部门、商业机构或非营利组织提供的任何特定资助。利益冲突声明：? 作者声明不存在可能影响本文所述工作的已知财务利益或个人关系。Moumita Kundu | Arnab Ghosh印度西孟加拉邦米德纳普尔维迪亚萨加尔大学地理系