揭示东亚沙尘源从过去到未来的变化：一种可解释的深度学习方法

《Land Degradation & Development》：Revealing Dust Source Changes in East Asia From Past to Future: An Interpretable Deep Learning Approach

　　

风成沙尘源区域受气候和人类活动控制，且与土地退化密切相关，然而其在全球变暖下的长期演变仍未被充分量化。研究人员构建了一个集成U-Net分割模型与Shapley加法解释（SHAP）的框架，用于绘制并归因东亚干旱和半干旱地区的沙尘源区域。利用该框架，研究人员逐年量化了2000–2024年春季沙尘源面积变化，并基于IPCC的三个共享社会经济路径（SSP）情景预估了2100年的变化。同时量化了关键气象控制因子的相对影响。从2000年到2024年，春季沙尘源面积从3.7×10⁶ km²缩减至2.8×10⁶ km²，净减少25.5%，主要归因于生态边缘地带的快速收缩以及超干旱核心区域的持续存在。从沙尘源向草地的转化面积高达1.3×10⁶ km²，这得益于生态恢复和区域水文气候的改善。SHAP分析显示，主导气候约束因子从降水转变为蒸发。到2100年，沙尘源面积相对于历史时期将扩大。最大扩张发生在蒙古中东部和新疆北部，而青藏高原则显著减少。2100年沙尘源总面积随增温加剧而下降，从SSP1-2.6到SSP5-8.5未来气候情景减少9.1%。在全球变暖背景下，降水供应成为干旱和半干旱地区水分可用性的主要控制因子，从而制约沙尘源扩张。

**论文解读：基于可解释深度学习的东亚沙尘源从过去到未来的变化**

**研究背景、问题与意义**

东亚是全球主要沙尘排放区之一，沙尘源的时空演变直接控制沙尘事件强度、传输路径和区域气候效应。过去几十年，气候变暖、干旱化加剧和土地利用变化导致东亚下垫面格局发生显著变化。气候变化、土地退化、植被覆盖变化和人为扰动是影响沙尘源的关键因素，它们共同决定潜在可蚀性表面的空间范围并改变其排放潜力，而沙尘通量进一步受风、土壤湿度等气象条件调控。然而，现有研究在可解释性、与气候模型耦合进行未来情景评估方面存在不足，缺乏像元尺度的归因和阈值识别。因此，精确识别和定量评估地表类型演变及其驱动机制对理解沙尘源动态及环境影响至关重要。本研究旨在构建一个集成U-Net卷积神经网络与Shapley加法解释（SHAP）的统一框架，实现历史映射、机制归因和未来情景的一体化分析。

**研究工作与结论**

研究人员利用多源遥感数据（Landsat、MODIS）和气象再分析数据（ERA5），训练U-Net模型识别2000–2024年春季东亚沙尘源分布，并通过SHAP量化气象驱动因子贡献。随后，使用CMIP6全球气候情景驱动天气研究与预报模型（WRF）进行动力降尺度，获取2100年三个共享社会经济路径（SSP）情景下的高分辨率气象场，输入训练好的U-Net模型预测未来沙尘源分布。研究得出以下结论：历史时期东亚沙尘源面积显著减少25.5%，边缘地带收缩而核心区稳定；沙尘源向草地转化面积达1.3×10⁶ km²；主导气象驱动因子从降水转变为蒸发；未来2100年沙尘源面积将扩大，但随辐射强迫增强而减小（从SSP1-2.6的4.4×10⁶ km²降至SSP5-8.5的4.0×10⁶ km²），扩张中心在蒙古中东部和新疆北部，青藏高原减少。该研究将历史诊断与世纪尺度预测统一，为理解沙尘源活动提供了连贯认知，论文发表在《Land Degradation》。

**主要关键技术方法**

本研究主要采用以下关键技术方法：1）基于U-Net卷积神经网络（U-Net）的语义分割模型，用于像元级沙尘源分类；2）SHAP（Shapley加法解释）模型可解释性方法，量化气象因子贡献；3）多源遥感数据融合，包括Landsat系列（TM、ETM+、OLI）光谱波段和MODIS MCD12Q1全球土地覆盖产品（标签源），以及ERA5气象再分析变量（2m气温、露点温度、总降水、地表气压、第一层土壤温度、地表净辐射、蒸发）；4）CMIP6（第六次耦合模式比较计划）全球气候情景数据集，经WRF（天气研究与预报模型）动力降尺度至15km分辨率，驱动未来预测。研究区域覆盖东亚69°–156°E、14°–55°N。

**研究结果**

**4.1 东亚沙尘源的长期演变及驱动因素**

通过分析2000、2010、2020年春季沙尘源空间分布（图2），发现沙尘源主要集中于中国西北干旱半干旱区和蒙古高原戈壁带，典型区域包括塔克拉玛干沙漠、巴丹吉林沙漠、腾格里沙漠、柴达木盆地、河西走廊和蒙古西南部戈壁。2000–2024年，沙尘源总面积从3.7×10⁶ km²持续下降至2.8×10⁶ km²，净减少25.5%。减少主要发生在南部边缘（河西走廊东部、青海湖周边、柴达木盆地东南部）、北部边缘（蒙古草原带北部）和东部边缘（毛乌素沙地、科尔沁沙地），而核心沙漠内部（塔克拉玛干中部、巴丹吉林内部）保持稳定。地表转换分析（图3）显示，2000–2024年约1.3×10⁶ km²沙尘源转化为草地（占2000年沙尘源的34.5%），而约3.5×10⁵ km²草地退化为沙尘源，表明生态恢复和自然植被恢复显著。SHAP分析（图4）揭示了气象驱动因子的时空异质性：2000年分类主要受降水控制，到2010年后蒸发成为主导因子，表明从水分限制向能量限制的转变。SHAP依赖图（图5）显示各变量存在非线性阈值：降水阈值为0.017m，蒸发阈值为0.020mm，露点温度阈值约264.66K，土壤温度阈值约283.82K。年度平均SHAP值（图6）表明蒸发的重要性最高（均值0.060），且2014年后持续上升，反映增温下蒸发需求增强。

**4.2 东亚沙尘源的未来动态及驱动因素**

基于历史SHAP识别的6个主导气象变量（蒸发、总降水、露点温度、第一层土壤温度、地表气压、2m气温），利用WRF降尺度结果驱动U-Net模型预测2100年春季沙尘源分布。与历史时期（2000–2024）相比，未来沙尘源面积显著扩大，SSP1-2.6、SSP2-4.5、SSP5-8.5情景下分别为4.4×10⁶、4.1×10⁶和4.0×10⁶ km²，均超过2000年春季的3.7×10⁶ km²。扩张最显著的区域为蒙古中东部和新疆北部，而青藏高原沙尘源减少。从SSP1-2.6到SSP5-8.5，沙尘源面积随辐射强迫增加而减少9.1%。地表转换（图3）显示，SSP2-4.5情景下2000–2100年主要转换方向为草地→沙尘源（1.5×10⁶ km²）、沙尘源→草地（1.1×10⁶ km²）和耕地→草地（1.0×10⁶ km²）。SHAP分析（图4）表明，未来气象因子重要性排序随情景变化：低辐射强迫情景（SSP1-2.6、SSP2-4.5）下蒸发仍是主导因子，而高辐射强迫情景（SSP5-8.5）下降水成为最强解释因子，反映降水供应对水分可用性的控制增强。SHAP依赖图（图7）显示，蒸发阈值约为0.028–0.029mm，但正贡献从SSP1-2.6到SSP5-8.5减弱；降水阈值升至0.029–0.031m，抑制效应在SSP5-8.5最强；露点温度阈值范围随情景扩展，负贡献增强。这表明未来沙尘源面积取决于大气干燥与水分可用性之间的平衡，而非单一线性驱动。

**讨论与结论**

讨论部分指出，历史沙尘源减少趋势（25.5%）与多个独立数据集一致，包括土地覆盖产品、Landsat反演和沙尘气溶胶光学厚度观测。不确定性来源包括Landsat、MODIS和气象数据空间分辨率不匹配导致的边缘效应；未来预测变量集基于SHAP排序和物理考虑，但风相关变量和土壤湿度可进一步探索；CMIP6偏差校正后仍存在暖干偏差；框架未显式纳入直接人类活动（如地下水开采、采矿、城市扩张），未来需引入夜间灯光、牲畜密度等代理指标。结论部分翻译：本研究集成U-Net深度学习架构与SHAP可解释性框架，建立识别和预测东亚沙尘源区域的建模系统，系统刻画了沙尘源时空演变，定量评估了关键气象因子的控制作用；利用多情景CMIP6预估，进一步评估和归因了2100年沙尘源区域变化。东亚沙尘源总面积从2000年的3.7×10⁶ km²降至2024年的2.8×10⁶ km²，净损失9.5×10⁵ km²，边缘显著退缩而超干旱核心相对稳定；土地覆盖转换显示1.3×10⁶ km²沙尘源转化为草地，3.5×10⁵ km²草地退化为沙尘源，反映实质性净恢复趋势。SHAP分析识别蒸发、降水和露点温度为主要预测因子，从2000年降水主导转为2010年蒸发主导，2024年蒸发平均绝对SHAP值达0.076，降水阈值约0.017m，蒸发阈值约0.020mm。到2100年春季，沙尘源面积将超过历史基线，SSP1-2.6下为4.4×10⁶ km²，SSP2-4.5下为4.1×10⁶ km²，SSP5-8.5下为4.0×10⁶ km²，扩张集中于蒙古中东部和新疆北部，青藏高原减少。总体而言，降水、蒸发和露点温度构成沙尘源动态的主要气候驱动因子。主导气候控制随SSP情景变化，低辐射强迫下蒸发影响更强，高辐射强迫下降水与近地表湿度影响更强，这反映全球变暖加剧下降水在调节干旱半干旱地区水分可用性中的主导地位。未来沙尘源面积取决于大气干燥与水分可用性之间的演变平衡，而非单一线性驱动。