一个可解释且因果信息驱动的水文干旱演变、传播及脆弱性机器学习框架

《Water Research》:An Explainable and Causally Informed Machine Learning Framework for Hydrological Drought Transitions, Propagation, and Vulnerability

【字体: 大 中 小 】 时间:2026年10月02日 来源:Water Research 12.8

编辑推荐:

   可解释机器学习与因果分析将归因推进至过程诊断阶段。跨尺度、阶段分辨的证据揭示了不同的水文干旱路径。自适应PHDVI将区域和季节动态转化为应急准备优先事项。 引言 气候变化正在增加全球极端水文气候事件的频率、强度和空间复杂性,对水资源安全、生态系统和人类社会系统构成日益严重

  

可解释机器学习与因果分析将归因推进至过程诊断阶段。跨尺度、阶段分辨的证据揭示了不同的水文干旱路径。自适应PHDVI将区域和季节动态转化为应急准备优先事项。

引言

气候变化正在增加全球极端水文气候事件的频率、强度和空间复杂性,对水资源安全、生态系统和人类社会系统构成日益严重的威胁(Abbass等,2022)。其中,水文干旱(HDs)因其隐蔽的起始、持续时间长以及级联式社会-生态影响而难以预测和管理(Van Loon,2015)。加剧的变暖增加了长时间降水缺口的可能性,改变了径流产生过程,并在许多区域放大了水文气候变率(An等,2026;Yuan等,2023)。这些变化导致了生态系统退化(Woodward等,2016)、农业损失(Toromade, A. S.等,2024)、公共卫生风险(El-Sayed和Kamel,2020)以及气候驱动型人口迁移(Carrico和Donato,2019),从而威胁区域可持续性和人类福祉(Richardson等,2024)。这些挑战在跨境流域尤为严峻,碎片化的治理、不均等的适应能力以及有限的数据共享往往阻碍了协调一致的干旱应急准备和响应。

尽管已有大量研究,干旱仍难以以普遍稳健且过程一致的方式进行表征(Mishra和Singh,2010)。广泛使用的单变量指数,如标准化降水指数(SPI)和标准化径流指数(SRI),主要独立地描述气候或水文异常,因此无法完全捕捉干旱过程的相互关联性和演变特征。虽然多变量方法纳入了多个维度,但它们往往忽视了空间异质性和阶段依赖的水文响应(Bazrafshan等,2014)。实际上,水文干旱源自大气强迫、陆面调节、水文储存和人类影响之间的耦合相互作用,其演化深受气候变率和流域特征的塑造(Gold等,2024)。因此,理解干旱动态不仅需要识别主要驱动因子,还需要阐明在不同气候条件下,不同过程如何在水文干旱演化的各个阶段相互作用。

一个关键挑战在于解耦水文干旱演化不同阶段所起作用的独特控制因素,尤其是从湿润向干旱条件的转变,以及气象干旱(MD)向水文干旱(HD)的延迟传播。干湿转变通常与由降水缺口、热异常和季风变率驱动的 rapid 水文气候重组相关(Swain等,2025),而传播延迟还受水文记忆、植被缓冲、地形控制的径流输送和人类用水等因素的调节(Zhang等,2022;Zhou等,2024)。以往研究利用水文模型和统计分析探讨了干旱触发机制、传播路径和滞后效应(Ding等,2025;Maity等,2013)。然而,许多现有方法仍依赖固定阈值、线性假设或单因素解释(Leng等,2024;Lisonbee等,2025),限制了它们解析非线性相互作用、时变控制和气候变化及复杂地形条件下空间分异干旱演化的能力。

近年来,可解释机器学习(ML)的进展为研究复杂干旱相关相互作用提供了新的机遇(Cai等,2024;Camps-Valls等,2025;Dikshit等,2024)。通过整合多种数据集并捕捉非线性关系,机器学习方法可以量化候选变量的相对重要性及其时空变率(Cai等,2024),例如通过基于SHAP的归因方法。然而,这些方法主要提供统计归因而非因果理解(Carloni等,2025;Liu等,2025a)。时间序列因果发现方法,如PCMCI+,通过识别复杂地球系统过程中潜在的因果依赖和方向性相互作用,提供了互补视角(Runge,2020;Runge等,2019)。在水文气候系统中的应用表明,该方法能够解耦多变量依赖关系、气候-人类相互作用以及不断演变的过程联系(Gao等,2025;Hatami等,2025)。因此,将可解释机器学习与因果发现相结合,为更深入地基于过程理解水文干旱演化提供了一条途径,特别是在空间异质性强且对气候敏感的环境中。

这些挑战在季风影响的跨境流域中尤为突出,这些流域具有强烈的地形梯度、水文气候变率不均以及人类影响的非均衡性。在此类系统中,季风变率、地形调节的湿气输送、陆面异质性和人为干扰共同塑造了干旱演化路径和脆弱性模式。因此,主要控制因素和阈值行为往往具有空间异质性和情境依赖性,使得干旱应急准备和适应规划变得复杂。尽管这些复杂性的认识日益增加,但关于气候、水文和陆面过程如何共同调节水文干旱转变、传播延迟和时空适应性脆弱性的可迁移的基于过程的理解仍然有限。

为应对这些挑战,本研究开发了一个可解释且因果驱动的机器学习框架(ECML),该框架整合了跨尺度和阶段分辨的证据,以解释相似的异常气候如何在一个异质流域中产生对比性的水文干旱响应。该框架整合了基于物理的水文模拟、可解释机器学习和因果推断,弥合了水文系统分析中预测性能与过程理解之间的鸿沟。研究以沅江-红河盆地(YRRB)为案例展开,这是一个典型的季风影响跨境流域,以强烈的季风-地形相互作用、显著的水文气候梯度和多样的人类-水相互作用为特征。YRRB不仅作为一个特定流域案例,更作为一个自然实验室,用于考察气候强迫、陆面调节、地形约束和人为影响如何共同塑造干旱演化路径和脆弱性模式。具体目标包括:(1)量化与水文干旱变率相关预测变量的相对重要性、非线性响应和空间异质性;(2)整合预测归因、条件时间分析和事件尺度效应估计,以区分它们在干湿转变和干旱传播中的证据角色;以及(3)通过多适应水文干旱脆弱性指数(PHDVI),将这些认识转化为空间适应性脆弱性评估框架。科学进展在于建立了一个跨尺度、阶段分辨的证据结构。该结构揭示了流域尺度的预测归因在哪里与局部条件时间支持产生分歧,以及水文干旱演化相关的关系如何从干旱起始到传播和脆弱性进行重组。

章节片段

可解释且因果驱动的机器学习框架

ECML框架整合了具有不同证据角色的互补分析组件(图1)。变源入渗能力(VIC)模型重建了径流场,从中导出了月度SRI1和干湿状态。XGBoost-SHAP量化了预测重要性、非线性响应和空间异质性。PCMCI+评估了滞后的条件时间关联,DoWhy-DML在所述识别假设下估计了事件尺度对传播滞时的效应。

水文干旱变率的主要预测因子及非线性响应

VIC再现了四个受水库调节影响较小的站点的主要月度径流变率,在校准期NSE值为0.84–0.89,验证期为0.67–0.78(表S4)。在流域出口的Son Tay站,验证期NSE、R2和PBIAS分别为0.67、0.80和?3.96%。Hoa Binh站的模型技能相对较低(验证期NSE = 0.53),这与红河径流调节条件的更大复杂性相符。

水文干旱的跨尺度过程特征与多阶段演化

核心发现是水文干旱演化具有尺度和阶段依赖性,不能用单一的流域尺度驱动因子等级来表征。流域尺度的预测归因与网格尺度的条件时间支持在关键预测因子之间出现了分歧。五种干旱响应制度展现了不同的关系结构,且主导关联从干湿转变转向了基于事件的传播。这种证据层级为对比性水文干旱提供了面向过程的解释。

结论

沅江-红河盆地的水文干旱演化不符合单一的流域尺度控制等级。在流域尺度上,气象预测因子占总预测归因的63.97%,其中仅降水就贡献了36.81%。拟合的降水响应在模型推导的断点38.89 mm月?1处改变梯度,然而其季节、区域和模型相关的变异性排除了将其解释为普遍水文阈值的可能性。稀疏的

数据可用性

多源加权集成降水(MSWEP V2)数据集可在https://www.gloh2o.org/mswep/(Beck等,2019)获取,需提交数据请求后获得访问权限。ERA5-Land月度平均再分析数据可通过Copernicus气候数据仓库获取,网址为https://doi.org/10.24381/cds.68d2bb30。ESA气候变化倡议土壤湿度组合产品v08.1可在https://data.ceda.ac.uk/neodc/esacci/soil_moisture/data/daily_files/COMBINED获取。

作者贡献声明

Jiwei Leng:论文写作—审阅与编辑,论文写作—原始撰写,方法论,形式化分析,概念化。Kai Ma:论文写作—审阅与编辑,论文写作—原始撰写,项目管理,资金获取,概念化。Nguyen Hao Quang:资源,数据整理。Yun Luo:可视化,数据整理。Yungang Li:资源,方法论。Jie Cao:方法论,资金获取。Daming He:论文写作—审阅与编辑,资源,资金获取。

利益冲突声明

作者声明没有已知的可能影响本文工作的竞争财务利益或个人关系。

致谢

本研究得到了国家自然科学基金(批准号:42201040)、云南省人才振兴计划、云南省基础研究项目(批准号:202601CF070065, 202601BC070006, 202601BC070013)、国家自然科学基金(批准号:42475025)、国际河流研究云南院士工作站(批准号:KXJGZS-2019-005)的支持。

Jiwei Leng|Kai Ma|Nguyen Hao Quang|Yun Luo|Yungang Li|Jie Cao|Daming He
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号