华北平原农业干旱综合分析：基于干旱指数评估农业干旱的贡献因子

摘要：农业干旱威胁作物生产及区域粮食安全，加大水资源管理压力。尽管遥感干旱指数（Drought Indices）已被广泛应用，但其适用性存在差异，且农业干旱的主导驱动因子及因果相互作用关系尚不明确。研究人员以华北平原（North China Plain, NCP）为研究区，对比评估不同干旱指数的监测性能，利用2014年7月与2019年7月典型干旱事件验证各指数表现，借助地理探测器（Geodetector）量化农业干旱空间异质性的驱动因子解释力，并以Peter–Clark Momentary Conditional Independence Plus（PCMCI+）方法构建河南省干旱指数与自然变量因果网络以识别因果关系。研究结果表明：除降水条件指数（Precipitation Condition Index, PCI）外，单变量干旱指数与标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index, SPEI）的相关性普遍较弱，监测性能劣于综合指数；综合指数中微波集成干旱指数（Microwave Integrated Drought Index, MIDI）表现最优，与SPEI相关性最强（r = 0.52）。地理探测器结果显示，降水（Precipitation, PRE）、土壤湿度（Soil Moisture, SM）和地表温度（Land Surface Temperature, LST）在不同年份分别具有最高解释力，其中降水过去21年累积q值最高达7.23，是农业干旱空间分异的主控驱动因子；驱动因子间交互作用普遍增强了对农业干旱空间异质性的解释力。在华北平原五个省级区域中，LST与潜在蒸散量（Potential Evapotranspiration, PET）之间、PRE与干旱指数之间普遍存在稳定因果链接，凸显地表能量状况与供水共同作用于农业干旱形成过程；河南省因果网络进一步印证此模式，并揭示LST对SM存在正向滞后影响。

论文解读——《华北平原农业干旱综合分析：基于干旱指数评估农业干旱的贡献因子》

该研究发表于《Science of Remote Sensing》。干旱是最常见且破坏性最大的自然灾害之一，通常分为气象干旱、农业干旱、水文干旱及社会经济损失干旱四类，其中农业干旱由持续气象干旱导致土壤湿度（Soil Moisture, SM）低于植被正常生长所需阈值引发，直接威胁粮食主产区安全。华北平原（North China Plain, NCP）是中国最重要的粮食生产基地之一，也是干旱高发区，但现有遥感单变量与综合干旱指数在该区域的适用性尚存争议，且农业干旱主导驱动因子不明、各因子间因果作用路径未得到揭示。尽管已有学者采用机器学习、地理探测器（Geodetector）等方法归因农业干旱，但大多未阐明驱动因子间及驱动因子与干旱本身间的因果方向与时滞关系。为此，研究人员以华北平原为研究区，系统对比多种遥感干旱指数监测性能，定量识别农业干旱空间分异主控驱动因子，并通过时间序列因果发现算法构建干旱指数与自然变量因果网络，明确农业干旱形成的关键因果机制，为区域干旱监测与灌溉决策提供科学依据。

主要技术方法概述

研究人员选取2002—2022年华北平原（北京‑天津‑河北合并为一个单元、河南、山东、安徽、江苏）0.1°格点数据，包括：MCCA‑AMSR反演的日土壤湿度（SM）、0.1°中国网格化日降水数据集（CHM_PRE）的降水（Precipitation, PRE）、MODIS MOD21C3月合成地表温度（Land Surface Temperature, LST）、MODIS MOD13A3月合成归一化差值植被指数（Normalized Difference Vegetation Index, NDVI）、基于Hargreaves公式计算的中国月潜在蒸散量（Potential Evapotranspiration, PET）、0.1°高分辨率SPEI数据集（以SPEI‑3即3个月尺度标准化降水蒸散指数为基准干旱参照）、SRTM 90 m DEM及MCD12Q1土地覆盖（Land Cover, LC）。所有数据集重采样至0.1°网格对齐。研究中计算四种单变量干旱指数——植被条件指数（Vegetation Condition Index, VCI）、温度条件指数（Temperature Condition Index, TCI）、降水条件指数（Precipitation Condition Index, PCI）、土壤湿度条件指数（Soil Moisture Condition Index, SMCI），及四种综合干旱指数——微波集成干旱指数（Microwave Integrated Dwarf Index, MIDI；权重PCI 0.5、SMCI 0.3、TCI 0.2）、尺度干旱条件指数（Scaled Drought Condition Index, SDCI；权重TCI 0.25、PCI 0.5、VCI 0.25）、优化植被干旱指数（Optimized Vegetation Drought Index, OVDI；约束优化法逐像元赋权）和综合农业干旱指数（Comprehensive Agricultural Drought Index, CADI；基于Gumbel Copula联合SSI与SPEI）。以Pearson相关系数（R）、均方根误差（Root Mean Square Error, RMSE）、临界成功指数（Critical Success Index, CSI）、命中率（Probability of Detection, POD）及空报率（False Alarm Rate, FAR）评估各指数与SPEI‑3一致性。采用地理探测器因子探测器计算PRE、SM、LST、NDVI、DEM、PET、LC对SPEI‑3空间异质性解释力（q值），交互探测器判别因子间交互类型。采用Peter–Clark Momentary Conditional Independence Plus（PCMCI+）算法（最大时滞5个月）对华北平原五省区及河南省典型区构建包含PRE、SM、NDVI、LST、PET及干旱指数的因果网络，识别同期与滞后因果关系。

研究结果

3.1 不同干旱指数性能（Performance of different drought indices）

• •
  3.1.1 不同干旱指数空间格局（Spatial patterns of the different drought indices）：以2014年7月与2019年7月两次典型干旱事件验证，除PCI外单变量指数（TCI、VCI、SMCI）仅捕捉局部干旱且低估范围，PCI与综合指数均能反映华北平原大范围干旱；综合指数中MIDI与SDCI空间分布与SPEI‑3最接近。定量指标显示2014年7月MIDI临界成功指数CSI最高（0.74），命中率POD 0.98，空报率FAR 0.25，与SPEI‑3空间相关系数R = 0.82，RMSE = 0.60；SDCI CSI同为0.74且空报率最低（0.22）。2019年7月SDCI综合表现最优（CSI 0.85，R = 0.74，RMSE = 0.72，FAR 0.08），CADI虽CSI略高（0.87）但与SPEI‑3空间相关性偏低（R = 0.51）且有高估倾向。研究人员据此认为MIDI与SDCI更适合华北平原农业干旱监测。
• •
  3.1.2 不同干旱指数与基准干旱指数对比（Comparison of different drought indices with the in situ drought index）：各指数与SPEI‑3逐像元Pearson相关分析表明，单变量指数中PCI区域平均相关约0.46最高，VCI仅约0.09且部分地区负相关（植被对3个月尺度干旱有滞后响应及灌溉干扰）；TCI与SMCI均值约0.28但低相关区分别位于南部与北部。综合指数MIDI、OVDI、SDCI、CADI与SPEI‑3均值相关分别为0.52、0.52、0.47、0.43，高于单变量指数且在单变量低相关区明显改善，证明多源融合可提升时间变率一致性。

3.2 地理探测器结果（Geodetector results）

以SPEI‑3为因变量Y，七类因子为自变量X进行因子探测，PRE多数年份q值＞0.2且12个年份q值超0.7，21年累积q值最高（约7.23），是农业干旱空间分异主控因子；SM某些年份（如2004、2011、2021）具最高解释力，累积q值4.03排第二；LST个别年份（2012、2013、2022）解释力强，累积q值3.85排第三；DEM、PET、NDVI、LC解释力弱为辅助因子。交互探测器显示任意两因子交互q值大于各自单因子q值，多表现为双变量增强（Bivariable enhanced）或非线性增强（Nonlinear enhanced），表明因子协同作用显著提升对农业干旱空间异质性解释力。

3.3 不同干旱指数下驱动因子因果关系（Causal relationships among driving factors across different drought indices）

对华北平原五省区PCMCI+因果链接统计显示，LST→PET及PRE→干旱指数（Drought INDEX）因果链接在各省稳定出现且有明确方向，反映地表能量状况与供水是农业干旱形成的共性因果机制；SM与干旱指数间、PET与NDVI等因果链接具明显省际差异。以河南省为例构建六套因果网络（SPEI‑3、SPEI‑1、MIDI、SDCI、CADI、OVDI）发现：LST同期正向引起PET，具一个月滞后正向引起SM（CADI网络除外）；PRE通常为干旱指数父节点（MIDI中反向），体现降水对干旱指数构建的直接贡献；PET与SM间存在PET→SM（蒸散耗水降低SM）或SM→PET（高SM降温抑制温度驱动PET）两种方向，因所用干旱指数不同而异；SM与干旱指数因果方向亦依赖指数构建方式（MIDI/SPEI‑1/CADI中干旱指数→SM呈正因果，OVDI中方向不定）。该结果验证了PRE与LST的核心驱动地位，同时揭示部分因果关系的指数依赖性。

讨论与结论总结

讨论部分指出综合干旱指数通过多单变量互补弥补单一指数信息缺失，但需注意加权比例避免某一分量掩盖真实干旱信号；VCI与SPEI‑3弱相关源于植被滞后响应及华北平原灌溉人为干预，TCI与SMCI局部低相关受区域气候与地形影响。地理探测器确认PRE为首要驱动因子，SM与LST为重要协控因子，因子交互呈增强效应，与前人结论一致。PCMCI+分析进一步从时间序列因果角度佐证PRE与LST‑PET因果链的稳定性，SM及相关变量因果关系存在区域与指数差异，符合陆‑气相互作用复杂性。研究建议华北平原干旱监测与灌溉决策应以PRE和LST为主要水文气候指示因子，辅以SM作为状态变量。

结论部分：综合干旱指数监测性能优于单变量指数，MIDI与SPEI‑3相关系数达0.52，MIDI与SDCI对实际干旱事件监测效果最好；地理探测器表明PRE、SM、LST分获不同年份最高解释力，PRE累积q值最高为农业干旱空间分异主控驱动因子，因子交互呈双变量或非线性增强；华北平原五省区PCMCI+分析显示LST→PET及PRE→干旱指数因果链接稳定存在，河南省因果网络进一步证实LST对PET同期正向影响及对SM滞后正向影响，PRE→干旱指数链接稳定，说明供水与地表能量条件共同塑造农业干旱形成过程；PCMCI+能识别跨干旱指数框架的稳定及指数依赖因果结构，为解释农业干旱驱动机制提供可靠依据。