渭河流域气象-土壤干旱事件的传播率及归因分析

Propagation rate and attribution analysis of meteorological-soil drought events in Weihe River Basin

摘要

目的 厘清渭河流域气象干旱事件到土壤干旱事件的传播能力及其影响因素，为该流域干旱监测预警与水资源管理提供科学参考。 方法 基于1 km空间分辨率、日尺度的标准化降水蒸散指数和标准化土壤水分指数，结合三维时空聚类与时空匹配方法，识别并匹配气象与土壤干旱事件，并将能触发土壤干旱的气象干旱事件数与气象干旱事件总数之比定义为干旱传播率，以量化气象-土壤干旱事件的传播能力；并利用多种机器学习模型与SHAP方法定量解析各潜在因素对传播率的相对重要性。 结果 渭河流域2000—2022年气象干旱事件和土壤干旱事件分别发生40次和71次，土壤干旱事件平均持续时间较长（97.55 d），但严重程度和面积较小；成功匹配59个气象-土壤干旱事件对，干旱传播率空间差异显著，总体呈北部高、中南部低的空间格局，其中46%的区域干旱传播率高于流域平均值（0.72）；传播率主要受温度和土壤湿度影响，相对贡献分别为24.9%和21.8%，并受干燥度、高程及潜在蒸散发等因子共同影响。 结论 渭河流域气象干旱向土壤干旱的传播能力较强，受温度、土壤湿度及地形等多因子共同调控，在高温、低湿及干旱区气象干旱事件向土壤干旱事件的传播能力更强，揭示了区域干旱传播机制及其差异性。

Abstract

Objective This study aims to clarify the propagation capacity from meteorological drought events to soil drought events and its influencing factors in the Weihe River Basin， thereby providing a scientific basis for drought monitoring， early warning， and water resources management in the river basin. Methods Based on the 1 km daily standardized precipitation evapotranspiration index and standardized soil moisture index， a three-dimensional spatiotemporal clustering and matching method was employed to identify and pair meteorological and soil drought events. The propagation rate was defined as the ratio of the number of meteorological drought events that triggered soil drought events to the total number of meteorological drought events， so as to quantify the propagation capacity from meteorological to soil drought events. Furthermore， multiple machine learning models and SHAP values were used to quantitatively assess the relative importance of various potential factors affecting the propagation rate. Results From 2000 to 2022， a total of 40 meteorological drought events and 71 soil drought events were identified in the Weihe River Basin. Soil drought events had a longer average duration （97.55 d）， but lower severity and smaller affected areas. A total of 59 meteorological-soil drought event pairs were successfully matched. The propagation rate showed significant spatial heterogeneity， with a pattern of higher values in the north and lower values in the central and southern regions. 46% of the area had a propagation rate higher than the river basin average （0.72）. The propagation rate was mainly controlled by temperature and soil moisture， with relative contributions of 24.9% and 21.8%， respectively， and was jointly influenced by factors such as aridity， elevation， and potential evapotranspiration. Conclusion The propagation capacity from meteorological drought to soil drought in the Weihe River Basin is relatively strong， and is jointly regulated by multiple factors including temperature， soil moisture， and topography. The propagation capacity is stronger in areas with high temperature， low soil moisture， and arid environments. This study reveals the regional drought propagation mechanisms and their spatial differences.

Graphical abstract

关键词

干旱传播 / 传播率 / 三维时空聚类 / SHAP值 / 渭河流域

Key words

drought propagation / propagation rate / three-dimensional spatiotemporal clustering / SHAP values / Weihe River Basin

干旱是一种由降水长期偏少和水分供需失衡引发的自然灾害，具有持续时间长、影响范围广和破坏性强的特点^［1］。干旱通常被划分为气象干旱、农业干旱、水文干旱和社会经济干旱4类，其中气象干旱最为常见，主要由降水异常偏少引起。不同类型干旱往往呈现出因果传导关系，并在时间上存在滞后性，这一过程被称为“干旱传播”^［2］。降水不足会导致土壤水分持续消耗，从而引发土壤干旱，土壤干旱直接限制植被生长和农作物产量，是农业干旱形成的关键环节。尤其在灌溉不足的地区，气象干旱向土壤干旱的转化过程更为显著。因此，深入揭示气象干旱向土壤干旱的传播机制，识别其主导驱动因子，对于理解农业干旱形成机制及开展早期预警具有重要意义。

诸多学者已在干旱传播领域开展了大量研究，针对干旱传播过程的量化表征，现有工作多采用最大相关系数、收敛交叉映射、Copula函数与贝叶斯网络等方法^［3-6］，利用不同类型的干旱指数序列来分析传播时间、概率、阈值等特征。为更全面刻画不同类型干旱之间的传播过程，一些研究引入“干旱传播率”指标，简称“传播率”^［7］，通常将其定义为在一定时空范围内能够触发土壤干旱的气象干旱事件数占气象干旱事件总数的比例，用以量化干旱由一种类型向另一种类型演变的能力。然而，此类结果多基于栅格单元的统计方法，忽略了干旱的时空连续性。鉴于此，部分研究尝试从干旱事件视角出发，在国家和流域尺度上采用三维时空聚类与事件匹配准则，从三维视角探究不同类型干旱的时空传播特征，如传播方向、距离等^［8-9］。但此类研究多局限于月尺度和较粗空间分辨率，难以捕捉干旱事件的快速动态响应，尤其对“传播率”这一关键指标的事件尺度研究仍相对匮乏。与此同时，为进一步厘清干旱传播特征的驱动机制，水文模型和机器学习模型常被用于量化气候变化与人类活动的相对贡献^［10-12］。尽管水文模型能够揭示干旱传播的物理机制，但其对输入数据和参数精度依赖较强，结果仍存在不确定性；而既往应用机器学习模型的干旱传播研究，大多侧重于单一模型的应用，缺乏对模型性能的系统比选，且多受限于模型的“黑箱”性质，难以从可解释性角度直观解析各驱动因子的相对贡献，需要进一步深化。

针对上述不足，有必要在典型流域开展较高时空分辨率、事件导向的干旱传播率研究。渭河流域作为黄河流域的重要组成部分，干旱频发且强度加剧^［13］，尤其是气象干旱与土壤干旱的耦合效应显著增强，严重威胁区域农业生产安全。以往对渭河流域的研究多聚焦于气象、农业与水文干旱的相互关系，而对气象-土壤干旱的研究仍较为缺乏。因此，本文利用日尺度标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index， SPEI）和标准化土壤水分指数（Standardized Soil Moisture Index， SSI）分别表征气象干旱和土壤干旱，基于三维时空聚类、时空匹配等方法来识别和匹配干旱事件，系统分析气象干旱到土壤干旱的传播率，并引入多模型优选与可解释性分析相结合的研究框架，通过对比训练与验证结果筛选最优模型，并利用SHAP方法解析各潜在驱动因子的相对重要性与作用方向，从而更精确地揭示干旱传播的关键影响因素与响应机制，为区域干旱风险评估与水资源管理提供科学参考。

1 研究区概况与数据来源

1.1 研究区概况

渭河发源于甘肃省定西市渭源县鸟鼠山，穿越甘肃东部与陕西中部，经天水、宝鸡、咸阳、西安、渭南等地，最终在潼关县汇入黄河，是黄河水量最多、面积最大的一级支流，渭河有两条主要支流：北洛河和泾河^［14］。渭河流域总面积约13.48万km²，地形复杂，由西向东地势逐渐变平，河谷变宽，流域西部是陇中高原，流域北部主要是黄土丘陵沟壑区，覆盖面积大，水土流失问题严重；流域中部是关中盆地，南起秦岭，北至北部山区^［15］，如图1所示。

1.2 数据来源

本研究中所使用的逐日气象数据包括降水量、平均温度、相对湿度和潜在蒸散发数据均来自中国高分辨多要素气象驱动产品（ChinaMet），该产品通过融合多源遥感数据、再分析资料以及超过2 000个气象站的观测数据研制而成^［16］。基于上述数据，进一步计算干燥度指数（Aridity Index， AI）和饱和水汽压差（Vapor Pressure Deficit， VPD）。

逐日土壤湿度栅格数据来自国家青藏高原数据中心的基于站点观测的中国土壤湿度日尺度数据集SMCI1.0。SMCI1.0是以10 cm为间隔的10个深度层（10—100 cm）高时空分辨率土壤湿度数据集^［17］。本研究取前四层土壤湿度数据的均值，以反映土壤湿度在0—40 cm范围内的整体水分状况。

高程和坡度数据来源于国家冰川冻土沙漠科学数据中心的渭河流域地形因子数据集，空间分辨率为30 m。NDVI数据来自中国1981—2023年逐日归一化植被指数产品，空间分辨率为0.05°。土地覆盖数据来自武汉大学提供的中国2022年30 m分辨率土地覆盖数据集，并结合灌溉区划数据将农田分为灌溉区和雨养区，后续去除植被覆盖低的冰雪覆盖区、裸地及不透水面等区域。本文将上述数据重采样至1 km分辨率。

本研究中所使用的数据时间范围为2000—2022年，空间分辨率为1 km，详细数据信息如表1所示。

2 研究方法

2.1 日尺度标准化干旱指数计算

本文利用标准化降水蒸散指数（SPEI）和标准化土壤水分指数（SSI）来表征气象干旱和土壤干旱，这两个指数都具有多时间尺度、空间可比性等优点。其中日尺度SPEI主要计算过程包括：（1） 计算逐日降水量与潜在蒸散量的差值；（2） 运用三参数对数Logistic概率分布函数对数据序列进行拟合；（3） 对累计概率密度进行正态标准化。而日尺度SSI的计算过程与SPEI计算步骤类似，区别在于SSI的计算一方面是以土壤湿度数据作为输入变量，另一方面，选择伽马分布来拟合此数据序列^［18］。鉴于不同时间尺度标准化干旱指数对干旱识别的敏感性差异：短时间尺度指数虽能快速响应气象因子变化，但其波动幅度大、变化过频；而长时间尺度指数的变化趋势则相对滞后、波动平缓。因此，本研究选用90 d尺度的SPEI（SPEI90 d）和30 d尺度的SSI（SSI30 d）来进行气象和土壤干旱事件识别。SPEI/SSI干旱等级划分标准可参照相关文献^［19］。

2.2 三维干旱事件识别

本研究采用临界阈值识别气象干旱和土壤干旱，根据相关研究结果^［6］，中度气象干旱最容易诱发轻度农业或土壤干旱事件，其传播概率最高。因此本文将气象干旱与土壤干旱的识别阈值分别设定为-1和-0.5。主要步骤如下：

（1） 干旱斑块的空间识别。如图2A所示，首先基于逐日的SPEI与SSI栅格数据识别干旱斑块。具体地，将低于各自临界阈值的栅格标记为干旱单元，并赋予不同斑块唯一编号。事先设定最小干旱面积阈值A，剔除面积小于A的斑块（判定非干旱事件），此阈值亦用于评估斑块间的时间连续性。相关研究表明最小面积阈值A取值为研究区总面积的1.5%~1.6%时较为合理^［20］，本文中的A为2 160 km²（约有2 160个网格）。

（2） 干旱斑块的时间连接。接着判断时间上干旱斑块之间是否存在联系，若相邻时刻t₁​与t₂​的干旱斑块空间重合面积A^*大于预设阈值A（即A^*>A），则判定二者属同一干旱事件（如图2B中斑块A₂与A_4​）；反之则不属于同一干旱事件。按时间顺序迭代执行此判定流程（从初始日至结束日），最终提取所有时空连续的干旱事件。

2.3 干旱事件特征变量

本文定义多个干旱特征变量来衡量干旱事件，能够更全面地反映干旱时空连续演变特征，包括干旱持续时间、干旱面积、干旱严重程度、干旱质心等干旱事件特征。具体计算方法详见相关文献^［21］。

2.4 干旱事件时空匹配准则

根据干旱事件识别结果，从时间和空间两方面对干旱事件进行匹配，形成气象、土壤干旱事件对。在该方法中，依据干旱持续时间和面积的重叠来判断两种干旱的联系。匹配过程及准则如下：

（1） 气象和土壤干旱事件排序。根据识别出来的干旱事件按照时间进行排序，构成m×n的矩阵X，矩阵中的每个元素（X_mn）代表一对待检测的气象、土壤干旱事件。其中，m和n分别表示气象干旱事件和土壤干旱事件的数量。

（2） 判断气象和土壤干旱事件的时间重叠。持续时间的重叠是气象和土壤干旱事件匹配成功的前提条件，若有重叠，则在对应矩阵位置标记1，反之则标记为0。其判断标准如下：

（1）

\alpha =\mathrm{m}\mathrm{i}\mathrm{n}\left(\frac{\mathrm{D}\mathrm{M}}{\mathrm{3}},\frac{\mathrm{D}\mathrm{S}}{\mathrm{3}}\right)（2）

式中：D_overlap代表持续时间的交集；Ø表示空集；DM和DS分别表示气象干旱和土壤干旱事件的持续时间；MBT和MET分别代表气象干旱的开始和结束时间；SBT和SET分别代表土壤干旱的开始和结束时间。其中特殊情况下（SBT≤MBT≤SET），虽然气象干旱和土壤干旱历时存在交集，但气象干旱发生晚于土壤干旱，需进一步判断。若气象、土壤干旱只是时间上存在偶然的交集，并无实质的对应关系，应舍弃；若存在多场气象干旱事件引发一场土壤干旱事件的现象，且干旱历时有交集，应当保留。

（3） 判断气象干旱和土壤干旱事件的空间重叠。在步骤（2） 中形成的矩阵中标记为1位置的气象干旱和土壤干旱事件对用于判断它们是否存在空间重叠。如果重叠面积大于预设阈值（β），则认为匹配成功，相应位置仍标记为1，否则修改为0。其判断标准如下：

（3）

\beta =\mathrm{m}\mathrm{a}\mathrm{x}〔A,\mathrm{m}\mathrm{i}\mathrm{n}\left(\mathrm{A}\mathrm{M},\mathrm{A}\mathrm{S}\right)•b〕（4）

式中：A_overlap表示气象干旱与土壤干旱事件的重叠面积，1，0分别表示重叠和不重叠；AM和AS分别表示气象干旱和土壤干旱事件的干旱面积；A表示最小干旱面积阈值；在本研究中，b设为15%。

（4） 编码匹配成功且一一对应的气象和土壤干旱事件对。

2.5 干旱传播率

基于气象干旱与土壤干旱事件的匹配结果，本研究定义干旱传播率为能触发土壤干旱的气象干旱事件数与气象干旱事件总数的比值，用以表征气象干旱事件向土壤干旱事件传播的能力。其计算公式^［22］如下：

P=m/n（5）

式中：P表示干旱传播率；m是指能引发土壤干旱事件的气象干旱事件数；n表示气象干旱事件总数。

2.6 干旱传播率潜在因素的重要性评估

为评估影响干旱传播率的主要驱动因子，本研究采用5种主流机器学习模型，包括人工神经网络（Artificial Neural Network， ANN）、梯度提升回归树（Gradient Boosting Regression Tree， GBRT）、轻量级梯度提升机（Light Gradient Boosting Machine， LightGBM）、随机森林（Random Forest， RF）和极限梯度提升模型（eXtreme Gradient Boosting， XGBoost）。通过对比不同模型在训练集与测试集上的表现，选取预测性能最佳且泛化能力较强的模型用于干旱传播率建模与分析。

然而，机器学习模型的“黑箱”特性使得模型可解释性成为当前研究中的重要挑战。传统研究往往侧重于提高模型的预测精度，而忽视对驱动因子贡献度的量化分析^［3］。为此，本研究引入Shapley加性解释（Shapley Additive Explanations，SHAP）方法，以揭示各特征变量在模型预测中的相对重要性。SHAP方法基于博弈论中的Shapley值原理，通过计算每个特征在所有可能特征组合中的边际贡献，量化各特征对模型输出结果的影响。不同特征的SHAP值不仅体现其对干旱传播率的影响强度，且表征影响方向（正向或负向）。该方法兼具广泛适用性与高解释性，既可用于线性模型的参数解释，也可应用于复杂的非线性“黑箱”模型，为理解干旱传播率的驱动机制提供新的分析视角。详尽的计算过程可参考相关文献^［23］。

3 结果与分析

3.1 渭河流域气象与土壤干旱事件的时空特征

3.1.1 气象与土壤干旱事件特征的时间演变

基于SPEI90d和SSI30d，利用三维聚类算法在渭河流域2000—2022年共识别出40场气象干旱和71场土壤干旱。为揭示2000—2022年渭河流域气象干旱和土壤干旱事件关键变量的时间演变特征，分别对两类干旱事件的严重程度、面积和持续时间进行统计分析，其结果如图3所示。可以看出研究时段内气象干旱严重程度整体呈下降趋势，变化速率为-1.8×10⁶ km² · d/5 a，多年均值为1.1×10⁷ km² · d/5 a。气象干旱影响面积和持续时间亦呈减小趋势，其变化率分别为-5.7×10³ km²/5 a和-6.2 d/5 a，表明研究区气象干旱强度和持续性均有所减弱。土壤干旱严重程度变化不明显，整体略有下降，而影响面积和持续时间呈轻微上升趋势，变化率分别为1.3×10³ km²/5 a和2.8 d/5 a，说明土壤干旱响应过程相对平缓，具有一定的滞后性，体现出两类干旱在演变过程中的差异性。这种不一致的时间变化趋势表明，气象干旱和土壤干旱并不同步，潜在水源和蒸散发条件等气候变化因素可能在起作用。

3.1.2 气象与土壤干旱事件特征的空间分布

图4为2000—2022年不同时段气象和土壤干旱事件的持续时间、严重程度和面积的空间分布。总体来说，渭河流域中部（泾河流域）的气象干旱事件持续时间长、发生频率高、干旱影响面积大。与干旱严重度和面积相比，干旱持续时间的变化相对较小，长持续时间（持续时间大于60 d）的气象干旱事件占总数的57.5%。由于气象干旱与土壤干旱具有空间递进关系，泾河流域和北洛河流域北部的土壤干旱事件严重度更高、干旱面积更大，持续时间较气象干旱事件没有发生太大的变化。就气象干旱事件而言，平均干旱严重程度的最大值（6.8×10⁶ km² · d）和面积最大值（7.1×10⁴ km²）均出现在2012年。而土壤干旱事件，平均干旱严重程度的最大值（5.0×10⁶ km² · d）和面积最大值（5.0×10⁴ km²）出现在2015年，土壤干旱事件数量最多（7次）也发生在2015年。对大多数干旱事件而言，土壤干旱事件通常伴随同一时期较严重的气象干旱事件发生，表明二者存在一定的关联性。

3.2 渭河流域气象-土壤干旱事件的传播率

3.2.1 气象-土壤干旱事件的匹配

根据干旱事件时空匹配准则，2000—2022年在渭河流域共成功匹配59个气象-土壤干旱事件对。如图5所示，匹配成功的气象-土壤干旱事件大体沿对角线分布，表明在干旱事件配对过程中，气象干旱与土壤干旱在时间维度上表现出较强的一致性。这意味着在多数情况下，气象干旱的发生能够在较短时间内传导至土壤层，从而诱发或加剧土壤干旱事件。

进一步分析发现，部分气象干旱事件未能与土壤干旱成功匹配，这可能与降水事件的时空不均性、蒸散发差异以及土壤水文条件的滞后响应有关。尤其是在上游山区和中下游平原交汇区，地形起伏和土壤类型差异可能导致气象干旱信号在地表水分转化过程中出现“减弱”或“延迟”。此外，农业灌溉和土地利用方式等人为因素，也可能影响气象干旱向土壤干旱的传播，导致部分气象干旱事件未对应触发明显的土壤干旱事件。总体来看，气象与土壤干旱事件在发生时间上具有显著的耦合特征，但不同区域及事件阶段间仍存在一定的响应差异。

3.2.2 不同类别下气象-土壤干旱事件的传播率及差异

由于流域蓄水的影响，并非所有的气象干旱都传播到土壤干旱，因此本研究以干旱传播率来量化从气象干旱事件到土壤干旱事件传播的能力。如图6所示，渭河流域传播率总体介于0.23~0.95，空间分布特征明显不均，整体呈现出北部地区较高、中南部地区较低的分布格局；图中直方图统计结果表明大部分地区气象干旱向土壤干旱的传播能力处于中高水平。在此基础上，为进一步揭示不同空间条件下传播率的差异性特征，依据干旱传播率的空间分布结果，分别从子流域尺度、高程区间和土地覆盖类型3个方面对传播率进行对比分析。

从子流域尺度来看（图7A），泾河和北洛河流域的平均传播率明显高于渭河主流域，均超过流域平均值（0.72），其中北洛河流域（0.84）>泾河流域（0.81）>渭河主流域（0.61），泾河流域的最大传播率可达0.95，而渭河主流域的最小传播率则为0.23，表明区域间差异显著。这一差异主要与各子流域的水文条件和下垫面特征密切相关。渭河主流域中下游地区降水条件较好，且水库、湿地和河漫滩等蓄水单元分布广泛，使土壤水分对短期气象干旱具有更强的缓冲能力；相比之下，泾河和北洛河流域整体气候偏干，土壤水分对降水异常的响应更为直接，气象干旱更易演化为土壤干旱。

从不同高程区间看（图7B），500~1 500 m和1 500~2 000 m高程带的平均传播率分别为0.77，0.73，是气象-土壤干旱传播能力最强的区域；323~500 m和2 000~3 775 m高程带的平均传播率相对较低，特别是在高海拔地区（2 000~3 775 m），传播率降至0.59，随高程变化呈现出中低高程较高、极高高程略有下降的特征。这种变化一方面与不同高程区间的气候条件和植被覆盖差异有关，中低高程区域降水与土壤水分变化的耦合关系更为紧密；另一方面，在泾河上游及北洛河高寒山区，降雪与融雪过程对土壤水分补给具有重要影响，使得土壤湿度对气象干旱的响应存在一定滞后性，从而导致传播率降低。

在不同的土地覆盖类型下（图7C），气象-土壤干旱传播率在农业种植区与林草植被区存在显著差异。森林、灌木和草原的平均传播率相对较高，分别为0.73，0.72，0.79；而灌溉区和水域的传播率相对较低，均低于流域平均值。其中，雨养区的平均传播率为0.71，明显高于灌溉区（0.64），呈现出北部高、关中平原低的空间分异特征。北部雨养区依赖自然降水供水，土壤水分对气象干旱变化响应敏感，因此传播率较高；而中部关中灌区在干旱条件下可通过灌溉补给维持较高的土壤湿度，即便在严重气象干旱阶段，土壤干旱也可能得到缓解或解除，导致气象干旱事件向土壤干旱事件的传播能力减弱。与此同时，水域区由于水体具有较强的蓄水与蒸发缓冲效应，气象干旱对其湿度变化的影响滞后，因此传播率同样较低。总体而言，不同土地利用方式通过改变土壤水分补给与消耗过程，对气象-土壤干旱传播产生显著影响，为农业干旱风险防控与生态系统干旱适应性管理提供科学依据。

3.3 渭河流域气象-土壤干旱事件传播率的归因分析

3.3.1 基于机器学习模型的干旱传播率建模优选结果

本文考虑气候、地形与下垫面条件^［24］，选取降水（Pre）、温度（Tem）、土壤湿度（SM）、饱和水汽压差（VPD）、潜在蒸散发（PET）、高程（DEM）、坡度（Slope）、NDVI与干燥度指数（AI）9个潜在驱动因子，系统分析2000—2022年渭河流域干旱传播率的时空差异及其主控因素。各影响因子基于逐日数据计算多年平均状态，以表征干旱传播发生的背景条件。

为识别干旱传播率的主要驱动因子并提升预测精度，本研究选取5种主流机器学习模型进行建模比较，包括人工神经网络（ANN）、梯度提升回归树（GBRT）、轻量级梯度提升机（LightGBM）、随机森林（RF）和极限梯度提升模型（XGBoost）。图8展示的是各模型在训练集与测试集上的预测性能，5种模型均取得较高精度（R²>0.90），表明所选影响因子对干旱传播率具有良好的解释能力。其中，RF和XGBoost模型的预测精度最高，训练集与测试集R²分别达到0.96/0.95与0.95/0.94，RMSE均为0.03，明显优于其他模型。ANN、GBRT与LightGBM模型虽整体稳定，但拟合精度略低（R²在0.91~0.93之间），在高传播率区间存在轻微低估现象。残差分布结果进一步验证了该结论（图9）。总体上，各模型的残差均呈近似正态分布，中心集中于零，说明预测误差较小。但RF与XGBoost模型的残差峰值更高、分布更窄，表明预测误差更集中、稳定性更好；其中RF模型的残差曲线最为对称，极端误差较少，表现出最强的泛化能力与鲁棒性。综合R²、RMSE及残差分布结果，随机森林模型在拟合精度与稳定性方面均优于其他算法，因此被选为后续干旱传播率建模与驱动因子重要性分析的最优模型。

3.3.2 基于SHAP值的传播率归因分析

为识别渭河流域干旱传播率的主要驱动因子，本研究基于随机森林（RF）模型，结合SHAP算法对各影响因子的重要性及其影响方向进行定量解析。图10展示各因子的平均|SHAP|值及其对干旱传播率的贡献分布。可以看出，温度和土壤湿度是影响渭河流域干旱传播率的最主要因子，平均|SHAP|值分别为0.041 2（24.9%）和0.036 2（21.8%）。其中，温度对干旱传播率具有显著的正向作用，SHAP值随温度升高而增加，表明高温可加速蒸散和土壤水分亏损，从而增强气象干旱传播到土壤干旱的能力。相反，土壤湿度主要表现为负向影响，高SM值对应负的SHAP值，说明较高的土壤含水量能有效缓冲干旱过程，减缓气象干旱向土壤干旱的传播。干燥度指数和高程在总体影响中次之，平均|SHAP|值分别为0.025 2（15.2%）和0.019 5（11.7%）。AI的SHAP值主要集中在正向区域，表明气候干旱程度越高，气象干旱向土壤干旱传播越容易。

高程则呈现相反特征，高海拔区域SHAP值较低，说明山地地区因温度较低、水分储存能力强，干旱传播较为缓慢；而低海拔平原区（如关中地区）气温高、蒸散强，干旱传播显著。潜在蒸散发与降水的影响接近，平均|SHAP|值分别为0.018 7（11.3%）和0.011 4（6.9%）。高PET值对应正的SHAP值，表明强蒸散环境下干旱更易扩散；而降水对干旱传播率表现出明显的负向作用，高降水条件下有助于维持土壤湿度，减缓干旱发展。VPD和NDVI的平均|SHAP|值较小（均低于0.01），但影响方向一致：高VPD区域会促进干旱传播，而高NDVI区域具有一定缓释作用。坡度的SHAP值接近0，对干旱传播率影响较弱，仅在局部坡度较大地区表现出轻微的正向贡献，可能与径流流失增加有关。总体而言，渭河流域气象干旱到土壤干旱传播率主要受温度升高和土壤湿度降低的共同驱动，AI和DEM条件次之，而NDVI， VPD和坡度的影响相对有限。

4 讨论与结论

4.1 讨论

在三维时空聚类的事件识别中，参照相关研究并结合渭河流域尺度特征，本研究将最小面积阈值设为区域总面积的1.6%^［25］。图11表明，随着面积阈值增大，干旱事件数量及最大持续时间均显著减少，当阈值超过1.6%后趋于稳定，说明该设定能有效剔除局地性短历时事件，所以该阈值的选取是合理的。在气象-土壤干旱事件的时空匹配中，将空间重叠面积阈值（参数b）设置为10%~90%进行敏感性分析^［26］。如表2所示，b=15%是事件对数量增长的拐点，当b>15%时，由于干旱中心在传播过程中的自然空间位移，许多具有真实因果关联的事件因重叠面积不足而被剔除；而在b<15%时，匹配对数量稳定在59对，说明该阈值已足以识别所有具有潜在传播关联的事件。因此，本文选取b=15%作为空间匹配阈值是较为合理的。

本研究发现泾河和北洛河流域气象干旱向土壤干旱的传播率整体较高，且林草植被区高于农业种植区，该结果与毛文静等^［19］提出的在泾河、北洛河流域林地及草地干旱传播阈值较小的结论一致；雨养区的平均传播率明显高于灌溉区，与Dai等^［27］得到的在渭河流域灌区气象干旱到农业干旱的传播时间较长的研究结果相符。总的来说，相关结果与已有研究在传播阈值和传播时间上的结论保持一致，表明不同下垫面类型及灌溉调控通过影响土壤水分背景条件，显著调节气象干旱向土壤干旱的传播过程。

本文主要聚焦于自然条件下气象干旱与土壤干旱的传播关系，重点分析气候、地形与下垫面等因素的作用机制。而已有研究表明，干旱传播过程不仅受气候因子控制，也在不同程度上受到人类活动的影响^［28-29］。因此，在将本研究结论推广应用至其他区域时可能会带来一定挑战。人类活动可通过改变区域水分条件和能量平衡，对干旱传播过程产生重要影响。区域尺度上，灌溉活动通过改变土壤水分分布与地表能量平衡，可延缓或削弱气象干旱向土壤干旱的传播；土地利用变化与植被覆盖调整（如退耕还林、城镇扩张等）会改变地表反照率与蒸散发通量，从而影响干旱传播，这些因素对干旱传播过程的影响日益显著^［30］，从而加剧干旱传播的非线性与复杂性。因此，为深入理解干旱传播的物理机制，未来还需进一步研究人类活动与其他驱动因素对干旱传播的综合影响。

4.2 结论

基于渭河流域2000—2022年气象干旱与土壤干旱事件的系统分析，本文从事件尺度揭示气象干旱到土壤干旱的传播率及其主导因素，主要结论如下：

（1） 气象干旱与土壤干旱在演变特征上表现出显著差异。2000—2022年渭河流域气象干旱整体呈减弱趋势，而土壤干旱在持续时间和影响范围上表现出增强特征，表明土壤干旱对气象干旱具有明显的滞后性和累积响应特征。

（2） 气象-土壤干旱事件传播率平均值为0.72，在空间上存在显著差异，整体呈现泾河和北洛河流域及中低高程区域较高、渭河主流域及高海拔区域较低的特征。不同土地覆盖类型间传播率差异明显，林草植被区高于农业种植区和水域，表明下垫面条件对干旱传播过程具有重要调节作用。

（3） 渭河流域干旱传播率受水循环与下垫面条件的双重驱动，其中温度和土壤湿度是主导因子，分别对传播过程表现出显著的正向与负向作用；在高温、低湿及干旱区气象干旱向土壤干旱的传播能力更强，而在湿润、植被覆盖良好或高海拔地区受到抑制，说明干旱传播过程受气候-水文-地形耦合机制的综合控制。

参考文献

[1] Walker D W， Vergopolan N， Cavalcante L， et al. Flash drought typologies and societal impacts： a worldwide review of occurrence， nomenclature， and experiences of local populations［J］. Weather， Climate， and Society， 2024，16（1）：3-28.

[2] Ma L， Huang Q， Huang S Z， et al. Propagation dynamics and causes of hydrological drought in response to meteorological drought at seasonal timescales［J］. Hydrology Research， 2022，53（1）：193-205.

[3] 徐征光，丁海伦，吴志勇，等.不同气候区气象干旱向农业干旱动态传播规律及影响因素分析［J］.水资源保护，2025，41（3）：144-152.

[4] Xu Z G， Ding H L， Wu Z Y， et al. Analysis of dynamic propagation patterns and influencing factors from meteorological drought to agricultural drought in different climatic regions［J］. Water Resources Protection， 2025，41（3）：144-152.

[5] Gu X F， Jamshidi S， Gu L L， et al. Drought dynamics in California and Mississippi： a wavelet analysis of meteorological to agricultural drought transition［J］. Journal of Environmental Management， 2024，370：122883.

[6] Wu J F， Yao H X， Chen X H， et al. A framework for assessing compound drought events from a drought propagation perspective［J］. Journal of Hydrology， 2022，604：127228.

[7] Geng G P， Zhang B， Gu Q， et al. Drought propagation characteristics across China： time， probability， and threshold［J］. Journal of Hydrology， 2024，631：130805.

[8] 张丹，要威，肖华，等.基于因果分析的金沙江流域气象-水文干旱传播特征及其未来情景预估［J］.水资源保护，2025，41（2）：158-164.

[9] Zhang D， Yao W， Xiao H， et al. Meteorological drought to hydrological drought propagation characteristics in the Jinsha River Basin and their prediction under future scenarios based on causal analysis［J］. Water Resources Protection， 2025，41（2）：158-164.

[10] Chen H G， Meng F H， Sa C L， et al. A three-dimensional perspective on how land use/cover change reshapes drought propagation under climate change［J］. Journal of Hydrology： Regional Studies， 2025，60：102478.

[11] Feng K， Wang Y Y， Li Y B， et al. Three-dimensional perspective on the characterization of the spatiotemporal propagation from meteorological to agricultural drought［J］. Agricultural and Forest Meteorology， 2024，353：110048.

[12] Yang Y C， Li Z H， Yang J Z， et al. Characteristics， prediction model and driving mechanism of multidimensional daily scale propagation from meteorological to agricultural drought in Guangxi， China［J］. Journal of Hydrology， 2025，663：134233.

[13] Brown S C， Versace V L， Lester R E， et al. Assessing the impact of drought and forestry on streamflows in south-eastern Australia using a physically based hydrological model［J］. Environmental Earth Sciences， 2015，74（7）：6047-6063.

[14] Bhardwaj K， Shah D， Aadhar S， et al. Propagation of meteorological to hydrological droughts in India［J］. Journal of Geophysical Research： Atmospheres， 2020，125（22）：e2020JD033455.

[15] 郑若琳，耿广坡，邓甜甜. 渭河流域高温干旱对植被生长影响的概率评估［J］.水土保持研究，2025，32（6）：258-269.

[16] Zheng R L， Geng G P， Deng T T. Probability assessment of impacts of high-temperature and drought events on vegetation growth in Weihe River Basin［J］. Research of Soil and Water Conservation， 2025，32（6）：258-269.

[17] 巫晨煜，许帆帆，魏士博，等.渭河流域地表植被覆盖对气候变化的响应研究［J］.生态环境学报，2023，32（5）：835-844.

[18] Wu C Y， Xu F F， Wei S B， et al. Study on response of surface vegetation cover to climate change in Weihe River Basin［J］. Ecology and Environment Sciences， 2023，32（5）：835-844.

[19] 郑颖雯，王周锋，李思杰，等.近30 a渭河流域土地利用/覆被时空动态演化特征及驱动力分析［J］.环境科学，2025，46（11）：7106-7118.

[20] Zheng Y W， Wang Z F， Li S J， et al. Analysis of spatiotemporal dynamic evolution characteristics and driving forces of land use/cover change in the Weihe River Basin in the past 30 years［J］. Environmental Science， 2025，46（11）：7106-7118.

[21] Hu Y Y， Zhang L. Added value of merging techniques in precipitation estimates relative to gauge-interpolation algorithms of varying complexity［J］. Journal of Hydrology， 2024，645：132214.

[22] Li Q L， Shi G S， Shangguan W， et al. A 1 km daily soil moisture dataset over China using in situ measurement and machine learning［J］. Earth System Science Data， 2022，14（12）：5267-5286.

[23] Ning S W， Zhang M， Xu X Y， et al. Spatiotemporal propagation of compound drought events in China： an approach combining 3D clustering and daily-scale Extended Convergent Cross Mapping［J］. Journal of Hydrology， 2025，661：133837.

[24] 毛文静，牛俊.渭河流域气象干旱向农业干旱的传播研究［J］.中国农业大学学报，2023，28（8）：233-244.

[25] Mao W J， Niu J. Study on the propagation of meteorological drought to agricultural drought in Weihe River Basin［J］. Journal of China Agricultural University， 2023，28（8）：233-244.

[26] 冯凯，粟晓玲.基于三维视角的农业干旱对气象干旱的时空响应关系［J］.农业工程学报，2020，36（8）：103-113.

[27] Feng K， Su X L. Spatiotemporal response characteristics of agricultural drought to meteorological drought from a three-dimensional perspective［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020，36（8）：103-113.

[28] 吕潇雨，郭浩，孟翔晨，等.基于三维识别的中国干旱事件演变特征分析［J］.干旱区研究，2023，40（6）：849-862.

[29] Lyu X Y， Guo H， Meng X C， et al. Characterization of the evolution of drought events in China based on 3D identification［J］. Arid Zone Research， 2023，40（6）：849-862.

[30] 赵彦颜，张璇，许杨，等.干旱半干旱地区气象干旱到农业干旱的传播阈值研究［J］.水土保持研究，2025，32（2）：234-243.

[31] Zhao Y Y， Zhang X， Xu Y， et al. Study on the propagation thresholds from meteorological drought to agricultural drought in arid and semi-arid region［J］. Research of Soil and Water Conservation， 2025，32（2）：234-243.

[32] 李瑞平，王莹，郑和祥，等.基于随机森林算法的干旱半干旱区植被物候驱动机制与时滞累积效应研究［J］.农业机械学报，2025，56（8）：86-94.

[33] Li R P， Wang Y， Zheng H X， et al. Phenological driving mechanism and time-delay cumulative effect of vegetation in arid and semi-arid regions based on random forest［J］. Transactions of the Chinese Society for Agricultural Machinery， 2025，56（8）：86-94.

[34] 田丰，杨建华，刘雷震，等.地理学视角的干旱传播概念、特征与影响因素研究进展［J］.地理科学进展，2022，41（1）：173-184.

[35] Tian F， Yang J H， Liu L Z， et al. Progress of research on the conception， characteristic， and influencing factors of drought propagation from the perspective of geographic sciences［J］. Progress in Geography， 2022，41（1）：173-184.

[36] Zhu Y， Liu Y， Wang W， et al. Three dimensional characterization of meteorological and hydrological droughts and their probabilistic links［J］. Journal of Hydrology， 2019，578：124016.

[37] 姜田亮.西北地区生态干旱时空演变特征及其对气象干旱和地下水干旱的响应［D］.陕西杨凌：西北农林科技大学，2022.

[38] Jiang T L. Spatio-temporal evolution characteristics of ecological drought in northwestern China and its response to meteorological drought and groundwater drought［D］. Yangling， Shaanxi： Northwest A&F University， 2022.

[39] Dai M， Huang S Z， Huang Q， et al. Propagation characteristics and mechanism from meteorological to agricultural drought in various seasons［J］. Journal of Hydrology， 2022，610：127897.

[40] 张翔，黄舒哲，管宇航.干旱传播的研究进展、挑战与展望［J］.地球科学进展，2023，38（6）：563-579.

[41] Zhang X， Huang S Z， Guan Y H. Research progress， challenges， and prospects in drought propagation［J］. Advances in Earth Science， 2023，38（6）：563-579.

[42] 智协飞，田云涛，陈昌春，等.干旱传播研究进展与展望Ⅱ：影响因素与干旱传播研究展望［J］.南水北调与水利科技（中英文），2023，21（4）：654-668.

[43] Zhi X F， Tian Y T， Chen C C， et al. Progress and prospects in drought propagation research partⅡ： Influencing factors and research prospects［J］. South-to-North Water Transfers and Water Science & Technology， 2023，21（4）：654-668.

[44] Zhang T， Su X L， Zhang G X， et al. Evaluation of the impacts of human activities on propagation from meteorological drought to hydrological drought in the Weihe River Basin， China［J］. Science of the Total Environment， 2022，819：153030.

基金资助

国家自然科学基金项目“渭河流域冬小麦旱灾风险及其对气候变化的响应研究”(41807503)