基于可解释机器学习揭示调节河流与自然河流系统中径流干旱的对比驱动因素：SDDI与LDDI联合概率框架在戈达瓦里河流域的应用

《Ecological Indicators》：Interpretable machine learning reveals contrasting drivers of streamflow droughts in regulated and natural river systems

　　

水文干旱是河流、水库、湖泊和地下水系统中持续异常低水量的时期，直接影响供水、灌溉、水电及水生生态系统。本研究开发了一个基于事件的多变量框架，将联合概率分析与基于随机森林（Random Forest, RF）的敏感性评估相结合。研究人员开发了短历时干旱指数（Short-Duration Drought Index, SDDI）和长历时干旱指数（Long-Duration Drought Index, LDDI），以区分短时高强度事件和以累积缺水量为特征的长期事件，从而提供事件严重性的多维表征。利用戈达瓦里河流域（Godavari River Basin, GRB）14个中央水资源委员会（Central Water Commission, CWC）水文站1965–2020年的长期日流量观测数据，基于上游水库密度和调节程度将流域划分为高人类影响（High Human Influence, HHI）区域和低人类影响（Low Human Influence, LHI）区域。结果表明，水库调节流域呈现持续但缓和的干旱，HHI站点一般经历更长历时但更低强度的径流干旱；而LHI站点表现出更短、更强烈且缺水量更大的事件。随机森林排列重要性分析和偏依赖分析进一步揭示，干旱控制因素在气候驱动和运行影响之间存在差异：HHI区域SDDI以强度为主要贡献因子，LDDI以累积缺水量为主导；LHI区域SDDI以历时为主导，LDDI由缺水量和历时共同控制。极端事件（超过第80百分位数）分析表明，HHI区域的指数响应曲面较为平缓，而LHI区域呈现更强的非线性响应。以上结果支持针对特定区域的差异化干旱适应策略和水资源管理方案。

**论文解读**

**一、研究背景与问题提出**

水文干旱是自然和社会经济系统面临的最普遍自然灾害之一，表现为河流、水库、湖泊和地下水系统中持续异常低水量的时期，直接影响供水、灌溉、水力发电、水生生态系统及下游经济活动。近年来，气候变异性增强、土地利用变化和人类对河流系统的调节改变了全球许多地区径流干旱的频率、强度、时间及持续性。理解自然水文气候过程如何与人类干预相互作用从而改变干旱行为，已成为水文学和水资源管理领域的重要研究前沿。

径流干旱通过气候强迫、流域储水和人类水管理的相互作用而产生。降雨亏缺和蒸散发异常通过减少水输入和增加大气水需求来影响干旱的起始和加剧，而这些异常向径流的传播取决于流域属性、前期储水和人类活动，尤其是水坝、水库、灌溉取水和跨流域调水。水库运行可以削弱短期流量变异性并暂时缓冲下游水流以应对气象亏缺，但蓄水、竞争性需求和运行优先次序也可能改变干旱时间、在不同季节之间重新分配亏缺或延长下游低流量条件。然而，以往研究多单独考察干旱的某个特征（历时、强度或亏缺量），较少将这三者整合为多变量联合概率指标，并结合可解释机器学习方法在大流域尺度上对比不同调节水平下的径流干旱行为。这一空白在季风主导的河流系统中尤为突出，因为强烈的降雨季节性特征与广泛的水库和灌溉基础设施相互交织。

戈达瓦里河流域（Godavari River Basin, GRB）是印度第二大流域，面积约312,812 km²，约占全国地理面积的9.5%，是印度半岛最大的河流系统。该流域在农业生产力方面贡献突出，主要生产水稻、棉花和甘蔗，同时呈现显著的水文气候、地形和人类调节梯度。受高度调节的西部和中部子流域与调节程度较低的东部和中东部流域共存，为比较不同上游调节水平下的干旱历时、强度和亏缺差异提供了理想的研究环境。基于以上背景，本研究旨在回答两个核心问题：受水库影响的流域与调节程度较低的流域在多变量径流干旱行为上有何不同？哪种干旱特征对SDDI和LDDI变异的贡献最大？

**二、研究方法概述**

本研究采用的主要技术方法包括：（1）利用1965–2020年印度水资源信息系统（India-WRIS）和中央水资源委员会（CWC）提供的14个水文站日流量数据，采用Q80（第80百分位数）可变阈值法和30天移动平均平滑处理识别径流干旱事件，并通过15天事件间时间准则和10天最短历时过滤进行事件合并；（2）对干旱历时、强度和亏缺量进行Z-score标准化，通过加权方案（SDDI中历时赋负权重-1，亏缺和强度赋正权重+1；LDDI中三者均赋正权重+1）构建多元经验累积分布函数（Empirical Cumulative Distribution Function, ECDF），并利用广义极值分布（Generalized Extreme Value, GEV）逆变换（形状参数ξ=0，尺度参数σ=1，位置参数μ=0）将联合概率映射为连续的SDDI和LDDI指数；（3）基于国家大型水坝登记册的上游水库密度信息，将14个水文站划分为高人类影响（HHI）和低人类影响（LHI）两组，分别进行随机森林回归诊断建模，利用排列重要性（permutation importance）量化各干旱特征对指数变异的相对贡献，并开展一维和二维偏依赖分析（Partial Dependence Plot, PDP）揭示特征间的非线性交互效应，分析涵盖全部事件及超过第80百分位数的极端事件。

**三、主要研究结果**

**3.1 径流干旱特征的空间变异与区域对比**

干旱历时、强度和亏缺量在GRB全流域呈现显著的空间梯度，反映出水文气候变异性、储水调节和人类干预的综合效应。HHI区域站点（A区和B区）干旱历时中位数超过100天，四分位距较宽，最长事件（>250天）仅出现在上游HHI子流域；LHI站点（C区和D区）历时中位数普遍低于80天，分布更为紧凑。在强度方面，LHI站点（如D2和D3）表现出最大归一化强度（中位数约2×10^-4 Mm³ km^-2 day^-1），暗示更急剧的低流量消耗过程；HHI站点则呈现较低的强度值。亏缺量呈现类似的空间格局，LHI站点记录到最大中位数亏缺。二元核密度图进一步揭示，LHI站点在亏缺–强度空间中沿近线性趋势聚集，而HHI站点散布于原点附近；在历时–强度空间中，LHI事件同时占据短时高强度与长时中等强度两个区域，而HHI事件局限于低强度、中等历时的组合域。

**3.2 基于联合概率指数的短历时与长历时干旱分类**

SDDI和LDDI的分类结果显示，HHI区域经历更多低至中等严重程度的短历时干旱（类别2–3），极高严重度事件罕见；LHI站点短历时干旱总数较少但高和极高严重度事件比例更高，超过60%的干旱落入类别3–5。LDDI空间格局相反：HHI区域LDDI频率更高，A3、A5和B3站记录超过50个事件，主要集中在类别3和4，表明水流调节延长了干旱持续性但限制了其强度；东部LHI站点长历时干旱数量虽少但包含显著比例的高和极高严重度事件。ΔFI（SDDI?LDDI）综合分析表明，HHI站点以中等LDDI型干旱为主，LHI站点逐渐向SDDI型优势转变，中间站点（B3–C1）呈现混合或平衡状态。

**3.3 径流干旱特征的时序演变与持续性**

1965–2019年的SDDI热力图显示，高至极高短历时干旱在20世纪70年代和80年代集中出现在东部LHI区域，1997–2003年和2012–2016年再度增强。LDDI热力图则突出HHI区域长历时干旱的持续性，尤其在20世纪70年代和21世纪初活动强烈，1991–2000年间多个HHI站点经历了连续高LDDI年份。综合干旱行为分类表明，1990年之前流域大范围以LDDI主导和中等LDDI影响为主，1990年后逐渐向平衡型或短历时主导型转变，尤其在LHI子流域。HHI区域的时序格局则保持相对稳定，持续以LDDI和混合条件为主导。

**3.4 干旱特征的相对重要性与非线性影响**

随机森林排列重要性分析显示，对于SDDI，HHI区域强度是最主要的驱动因子，其次为历时，亏缺的贡献可忽略不计；LHI区域则以历时为主导，强度的影响次之。对于LDDI，HHI区域亏缺量发挥最强控制作用，与储水消耗和受限制的水库泄流一致；LHI区域亏缺和历时贡献相当，强度作用虽小但高于HHI区域。以上结果表明，人为调节流域中水流强度放大了对SDDI事件的塑造作用，而自然流域中干旱持久性主导LDDI行为。

**3.5 基于二维偏依赖分析的干旱特征交互效应**

二维PDP分析揭示，HHI区域的SDDI响应面（亏缺–强度、亏缺–历时、历时–强度）呈现较弱的非线性梯度，仅在短历时（<50天）与高强度（>2×10^-5 Mm³ km^-2 day^-1）组合域出现局部高SDDI区。LHI区域的历时–强度面则显示更广泛的非线性放大区，当强度达到较高水平时即使历时较短也会导致SDDI严重度急剧上升。LDDI的二维PDP显示HHI区域响应面更为平滑，亏缺是LDDI逐渐增加的主要驱动力；LHI区域亏缺–强度和亏缺–历时响应面均呈现更强的曲率和复合效应。

**3.6 极端干旱事件（>80th percentile）的交互效应**

将分析限定于超过第80百分位数的极端事件后，HHI区域的SDDI二维PDP呈现平缓梯度，表明即使在极端条件下，人为调节仍限制了干旱严重度的放大。LHI区域的亏缺–强度面呈现陡峭正梯度，历时–强度面出现广泛放大区（历时30–70天、强度>2×10^-4 Mm³ km^-2 day^-1）。LDDI的极端事件分析同样表明，LHI区域亏缺–强度和亏缺–历时响应面呈现急剧上升的复合效应，而HHI区域保持相对稳定平滑的响应结构。

**四、讨论与结论**

讨论部分指出，本研究识别出HHI与LHI站点之间径流干旱特征的一致性对比，即HHI站点经历更长历时、更低强度的干旱，而LHI站点经历更短、更强烈且亏缺更重的事件。这一模式与已有研究中关于水库、取水和调水可改变径流干旱时间、强度和历时的认识一致。然而，本研究结果不构成对水库运行与气候强迫的直接因果分离，因为未纳入随时间变化的水库储存、泄流决策、灌溉取水和建坝历史等信息。因此，观察到的差异应被解释为与水库相关的模式，而非特定运行规则的确定性效应。研究人员强调，SDDI和LDDI应被视为同一干旱事件的不同多变量行为侧面，而非两个独立的干旱事件群；随机森林和偏依赖分析应被解释为对构建指数的敏感性分析。

研究结论部分指出：本研究开发了一个整合干旱历时、亏缺和强度的多变量框架，通过SDDI和LDDI区分短时高强度干旱和以累积缺水量为特征的长期事件。随机森林敏感性分析和偏依赖分析揭示了干旱属性在受水库影响流域与调节程度较低流域之间相对影响和交互作用的差异。结果表明，HHI站点（受Jayakwadi、Sriramsagar和Nizamsagar等大型水库系统影响）一般经历更长历时、更低强度的干旱，LDDI变异性主要与累积亏缺相关；LHI站点经历更短、更强烈、亏缺更重的事件，SDDI以历时贡献最大。极端事件分析进一步显示HHI站点指数响应曲面较为平缓，LHI站点非线性响应更强。研究的重要贡献在于证明了大流域内的径流干旱风险不能采用统一的指标或管理视角加以表征，SDDI–LDDI框架为区分强度导向型和持续导向型干旱状态提供了可迁移的方法。在管理意义上，HHI子流域应整合实时入库预报、干旱指标、储存条件和环境流量需求的适应性水库调度；LHI流域应优先考虑快速干旱检测、水文气候监测、分散式储水和气候适应型农业措施。该框架为推进干旱诊断和指导受调节流域中基于证据且具生态责任的水治理提供了科学和实践价值。