复合干旱信号与农田背景条件下湿润亚热带干旱走廊格网相对粮食供给缺口的诊断

《Agricultural Water Management》：Diagnosing gridded relative food-provision shortfall under compound drought signals and cropland-background conditions in a humid-subtropical drought corridor

　　

相对粮食供给缺口在空间上呈局地化分布，并表现出强烈右偏特征。在背景预测因子基础上，联合水气候信号使样本外R²提高了0.166。水汽压亏缺（VPD，表征大气干燥程度）、土壤水分和气候水分亏缺（CWD，潜在蒸散与降水之差）呈现出显著不同的非线性响应。农田景观组与水气候组分别占模型归因的34.67%和33.72%。

在气候变化与极端事件频发背景下，稳定粮食供给是农业韧性与粮食安全的核心。现有研究常用县级统计或遥感植被指数，但二者存在尺度失配：县级产量无法揭示县内空间差异，增强型植被指数（EVI，反映作物绿度与生长活动）虽能刻画空间异质性却不直接代表行政统计约束的粮食产量。农业干旱往往由复合水气候条件共同驱动，仅用降水距平难以表征。为此，研究人员在湖南省衡邵干旱走廊（典型湿润亚热带农业区）开展研究，构建质量守恒的格网化分配框架，以诊断受县级统计约束的相对粮食供给缺口（FPL）在1-km格网尺度的空间特征，及其与复合干旱信号和农田背景条件的关系。

研究人员基于2013–2024年1-km格网-年面板，整合县级粮食统计、CLCD土地覆盖、Landsat 8 EVI、TerraClimate水气候数据、地形、土壤、地表水、道路可达性及农田景观等数据。采用质量守恒分配方式，以目标年农田面积和目标年排除的多年农田条件EVI参考将县级粮食总产分配到格网；以目标年排除的Theil–Sen统计趋势构建期望参考，定义相对缺口FPL=(参考?实际)/参考。使用水汽压亏缺距平（Dvpd）、土壤水分距平（Dsoil，符号反转表示干燥程度）和气候水分亏缺距平（Dcwd）表征复合干旱信号，并纳入农田、地形、土壤、水文和可达性背景预测因子。通过10-km空间块五折交叉验证比较随机森林、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）和CatBoost，CatBoost取得最优样本外表现（决定系数R²=0.340；均方根误差RMSE=0.0617），随后用交叉拟合SHapley Additive exPlanations（SHAP，一种将模型预测分解为逐特征归因的方法）和TreeSHAP交互值进行归因与交互结构分析。研究样本覆盖33个县级行政单元，包含37,179个1-km格网和445,641个格网-年记录。

主要关键技术方法如下：研究利用了湖南省统计年鉴、CLCD土地覆盖、Landsat 8 Collection 2表面反射率、TerraClimate再分析、Copernicus DEM、OpenLandMap与SoilGrids土壤属性、JRC全球地表水以及OpenStreetMap道路与水系数据。核心步骤包括：(1) 在质量守恒约束下，利用目标年农田面积和目标年排除的多年EVI参考分配县级粮食总产；(2) 以目标年排除的Theil–Sen统计参考构建相对缺口FPL；(3) 采用10-km空间块五折交叉验证比较四种树模型，并选择CatBoost；(4) 使用交叉拟合SHAP和TreeSHAP分析非线性响应与交互归因。样本队列来源为2013–2024年衡邵干旱走廊33个县级行政单元。

研究结果分述如下：

3.1 空间稳定但时间波动的格网粮食供给：通过格网粮食供给分配发现，高值区集中在衡阳–邵阳盆地中部和东部及北部较连续农田，低值区位于西部、南部和边缘丘陵。年际间区域总产在2015年最高（984.8×10⁴ t），2019年最低（924.1×10⁴ t），空间格局总体稳定。与GGCP10、GAEZ和SPAM产品的县内空间秩相关系数分别为0.882、0.855和0.793，表明分配结果具有空间合理性。

3.2 局地化和右偏的相对粮食供给缺口：多年平均FPL均值为0.036，中位数为0.019，高值区并非连续带状，而是集中出现在东北部和若干中东部局部，说明区域平均缺口主要由少数持续高缺口格网拉高。

3.3 复合干旱模式与缺口脱钩：年度FPL在2013年最高（0.064），2017年最低（0.024）。2022年Dvpd、Dsoil和Dcwd均呈强正异常，但年度FPL仅为0.043，未超过2013年，表明强水气候异常并不必然对应更高缺口。

3.4 模型性能、空间验证与结构基准：CatBoost在10-km空间块下OOF R²=0.340，15-km和20-km空间块下分别仅降至0.331和0.329，而县留出验证则大幅降至0.082。将Dvpd、Dsoil和Dcwd三个水气候指标加入背景预测因子后，OOF R²提高0.166（空间块bootstrap 95%区间0.125–0.209），说明该三指标提供了独立于背景条件的增量预测信息。

3.5 交叉拟合SHAP归因：全样本中，农田景观组占模型归因34.67%，水气候组占33.72%，地形-土壤组占18.95%，可达性组占9.09%，水文背景组占3.57%。CropFrac、Dvpd、Dsoil、Dcwd和lnRoadDen为贡献最高的五个预测因子。代表性年份2013与2022的归因结构存在差异：2013年CropFrac和D