联合国政府间气候变化专门委员会第六次评估报告（IPCC AR6）指出，在全球变暖背景下，许多地区的极端气候事件的频率、强度和持续时间均呈显著上升趋势（Zhou and Qian, 2021; Harris et al., 2018）。气候变暖加速了全球水、能量和碳循环，从而促进了热浪、干旱和极端降水等极端事件的频繁发生（Dodd et al., 2021）。这些极端气候事件不仅改变了区域水分和热量条件，还对自然生态系统的结构和功能产生了深远影响（Horton et al., 2016）。与长期平均气候条件相比，极端事件往往更加剧烈和具有破坏性，能在短时间内对生态系统造成显著干扰，从而改变生态系统过程及其稳定性（Bevacqua et al., 2022; Vogel et al., 2020）。此外，极端气候事件加剧了人员伤亡和社会经济损失，深刻影响人类生产与日常生活（Newman and Noy, 2023）。因此，研究极端气候事件对生态系统的影响至关重要。
植被是陆地生态系统的基本组成部分，在维持生态系统结构和功能以及调节地表能量和水循环方面发挥着关键作用。温度和降水是影响植被生长和分布的主要气候因子，而极端气候事件通过改变水分和热量条件，显著影响植被的生理过程和生产力（Reyer et al., 2013）。此外，已有研究表明植被对极端气候的响应表现出明显的非线性和空间异质性，气候背景、地形条件和植被类型共同决定了其敏感性差异。在干旱和半干旱地区，复合高温干旱事件往往是植被退化的主要驱动因素，而在高纬度或湿润地区，低温和渍涝事件的影响更为显著。在中国区域尺度上，这种差异也很明显；例如，黄河流域植被对极端气候的响应方向沿干湿梯度发生转变，而青藏高原在气候和植被类型方面表现出显著分化（Liu et al., 2023; Zhang et al., 2023）。此外，植被对极端气候的响应表现出强烈的时间尺度依赖性。年际尺度捕捉气候极端事件的长期累积效应；季节尺度揭示植被在不同生长阶段的敏感性；月度尺度识别对短期气候波动的即时响应；滞后响应分析可揭示土壤水分储存、植物生理调节和生态系统记忆效应导致的延迟响应（Chen et al., 2021; Qiu et al., 2026）。因此，多时间尺度的系统比较对于更全面地理解极端气候影响植被动态的生态机制至关重要。然而，现有研究大多集中于单一极端气候因子，对多时间响应特征、滞后响应和非线性关联的整合研究较为有限，特别是针对不同地貌子区域的对比研究。
相关性分析、回归分析和趋势分析等传统方法已广泛应用于植被-气候关系研究。然而，这些方法主要关注变量之间的线性关系，因此不足以捕捉极端气候事件与植被动态之间复杂的非线性响应和相互作用。近年来，机器学习因其在处理非线性复杂性和实现高预测精度方面的优势，在生态和环境研究中得到了广泛应用（Zhang et al., 2024; Dorosan et al., 2024）。在众多算法中，XGBoost因其优越的预测性能和泛化能力，被广泛用于生态系统预测和驱动因子分析（Chen et al., 2024; Jia et al., 2024）。同时，SHAP方法能够实现每个变量对模型预测贡献的定量化解释及其非线性效应，从而显著增强模型的可解释性（Lundberg et al., 2020）。近期，XGBoost-SHAP框架已成功应用于植被生产力预测（Zhang et al., 2025）、城市碳汇评估（Yuan et al., 2024）、生态系统健康评价（Yu et al., 2025）和生态系统韧性分析（Wu et al., 2026）等生态研究。尽管该框架在植被生态学中应用广泛，但现有研究大多集中于植被生产力、生态系统健康和碳循环，对极端气候条件下植被响应的关注有限。特别是在中国北方干旱半干旱生态过渡带，大多数研究侧重于平均气候因子或单一时间尺度分析，对多时间尺度下极端气候指数驱动植被响应的非线性特征和空间异质性缺乏系统认识。
总体而言，黄河"几字弯"位于中国北方干旱半干旱过渡带，是一个典型的生态脆弱区域，植被对极端气候变化的敏感性极高。然而，关于植被多时间响应、滞后响应以及植被与各极端气候指数之间非线性关系的系统认识仍然缺乏。为弥补这些不足，本研究构建了一个整合多时间尺度、地貌分区和滞后响应分析的框架，并结合可解释机器学习方法，全面考察植被与极端气候的关联。除该区域案例外，该框架还为其他干旱半干旱生态脆弱区多尺度植被对气候极端事件响应的研究提供了可迁移的方法。因此，本研究旨在：（1）刻画不同时间尺度上植被对极端气候指数的响应模式及滞后特征；（2）识别不同地貌区极端气候指数相对贡献的空间变异；（3）量化植被与极端气候指数之间的非线性关系以及模型推导的与响应方向变化相关的响应转折点。
