AFM | 利用可解释机器学习模型和r-vine copula函数探索干旱和旱涝突变对植被的联合影响

文章有关信息如下：

详细内容，可点击下方阅读原文。

文章要点：

   全球变暖显著增加了干旱和旱涝急转（Drought-flood abrupt alternation，DFAA）等极端事件的频率和强度。植被作为陆地生态系统的关键组成部分，对农业生产和经济发展具有重要作用。评估干旱和DFAA对植被的影响对生态环境保护、粮食安全及经济发展至关重要。本研究结合随机森林模型与SHAP理论构建可解释机器学习模型，并耦合R-Vine Copula函数，探究了1981—2019年中巴经济走廊（CPEC）地区非平稳干旱指数（NSPEI、SSMI）和短周期旱涝急转指数（SDFAI）对植被净初级生产力（NPP）的联合影响。

研究方法：

（1）数据来源

• 气象数据：

  采用欧洲中期天气预报中心（ECMWF）的ERA5-Land再分析数据集（1981–2022年），包括降水、气温、土壤湿度等变量。

• 植被数据：

  净初级生产力（NPP）数据来自国家科技资源共享服务平台（1981–2019年），空间分辨率0.07°×0.07°，经双线性插值降尺度至0.1°×0.1°。

（2）干旱与旱涝急转指标计算

• 气象干旱指数（NSPEI）：

• 基于非平稳标准化降水蒸散发指数（NSPEI），考虑气候变化对干旱的影响，计算1个月尺度的气象干旱。

• 农业干旱指数（SSMI）：

• 采用核密度估计（KDE）拟合土壤湿度分布，计算标准化土壤湿度指数（SSMI），表征农业干旱。

• 旱涝急转指数（SDFAI）：

• 基于标准化降水序列，计算短周期旱涝急转指数（SDFAI），识别涝转旱（SDFAI < -1）和旱转涝（SDFAI > 1）事件。

（3）趋势分析与相关性检验

• 趋势检测：

• 采用改进的Mann-Kendall（MMK）方法分析NSPEI、SSMI、SDFAI和NPP的时空变化趋势。

• 相关性分析：

• 计算Spearman相关系数，评估SDFAI、NSPEI、SSMI与NPP在不同滞后时间（0–5个月）的相关性。

（4）可解释机器学习建模（随机森林+SHAP）

• 模型构建：

• 采用随机森林（RF）回归模型，输入变量为NSPEI、SSMI、SDFAI，输出变量为NPP。

• 使用袋外误差（OOB）和5折交叉验证评估模型性能（R² ≈ 0.43–0.51）。

• 特征重要性分析：

• 基于Gini指数计算各变量对NPP的相对贡献（NSPEI: 21.0%；SDFAI: 31.4%；SSMI: 47.6%）。

• SHAP值解释：

• 计算SHAP值，量化各变量对NPP的正/负影响，识别旱涝急转的协同（抑制）和拮抗（促进）效应。

（5）高维依赖分析（R-Vine Copula）

• 采用R-Vine Copula函数，分析NSPEI、SSMI、SDFAI与NPP的高维依赖结构。

• 通过Kendall’s Tau系数和尾部依赖性评估变量间的非线性关系。

（6）旱涝协同与拮抗效应评估

根据涝转旱（SDFAI < -1）和旱转涝（SDFAI > 1）事件中SHAP值的正负比例来确定拮抗效应（SHAP > 0）协同效应（SHAP < 0）

结果：

1. 干旱事件加剧，涝转旱风险降低，旱转涝风险增加，而NPP总体呈上升趋势；

2. NSPEI、SDFAI和SSMI对NPP的相对贡献分别为21.0%、31.4%和47.6%；

3. SSMI与NPP存在强上尾依赖，SDFAI与SSMI存在强下尾依赖，且当SSMI作为中介变量时，SDFAI与NPP的间接相关性显著；

4. 涝转旱事件中，SHAP值负向（抑制）和正向（促进）比例分别为24%和76%，表明其通过拮抗效应促进植被生长；而旱转涝事件中，两者比例分别为73%和27%，表现为协同抑制效应。

重要图表：

中巴经济走廊（CPEC）地区的地形、气候变量及植被分布

(a) 旱涝急转的协同与拮抗效应示意图
(b) 典型区域及网格空间位置（网格A/B/C/D）
(c) 基于SSMI变化的SDFAI与NPP间接相关系数分布

典型网格中旱转涝与涝转旱对NPP的影响
网格A：旱转涝抑制（SHAP<0）网格B：旱转涝促进（SHAP>0）网格C：涝转旱抑制 网格D：涝转旱促进