漢江流域驟旱演變規(guī)律及其對(duì)南水北調(diào)中線工程的響應(yīng)分析

摘要：通過識(shí)別漢江流域驟旱事件，分析了漢江流域在南水北調(diào)中線工程實(shí)施前后其驟旱事件特征的差異，并且使用偏最小二乘回歸（Partial Least Squares Regression，PLSR）、支持向量機(jī)（Support Vector Machine，SVM）和隨機(jī)森林（Random Forest，RF）3種機(jī)器學(xué)習(xí)方法建立了驟旱歷時(shí)回歸模型，定量分析了南水北調(diào)中線工程對(duì)驟旱歷時(shí)的影響。結(jié)果表明：①南水北調(diào)中線工程實(shí)施后，漢江流域驟旱頻次從平均每年0.7次上升至0.9次，驟旱歷時(shí)從平均每年24.6 d上升至34.5 d，但在空間上，上游驟旱歷時(shí)顯著延長(zhǎng)，中游增加幅度減弱，下游驟旱歷時(shí)卻縮短；②驟旱爆發(fā)歷時(shí)在空間分布上由5～6 d 均勻分布變?yōu)樯舷掠尾痪植?，上游爆發(fā)歷時(shí)縮短至3～5 d，而中下游地區(qū)延長(zhǎng)至7～9 d；③隨機(jī)森林對(duì)驟旱歷時(shí)模擬效果最好，氣候條件對(duì)驟旱歷時(shí)影響最大，相對(duì)重要性為0.34，其中降水為0.14，凈輻射為0.12，相對(duì)濕度為0.08，南水北調(diào)中線工程延長(zhǎng)了漢江流域中下游地區(qū)的驟旱歷時(shí)，相對(duì)重要性為0.12。

關(guān)鍵詞：驟旱；演變規(guī)律；機(jī)器學(xué)習(xí)；南水北調(diào)中線工程；漢江流域

中圖分類號(hào)：TV68 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1001-9235（2024）06-0010-10

Evolution Pattern of Flash Drought in Hanjiang River Basin and Its Response to Middle Route of South-to-North Water Transfer Project

HUANG Kai， DUAN Kai*

（School of Civil Engineering， Sun Yat-sen University， Guangzhou 510275， China）

Abstract： By identifying flash drought events in the Hanjiang River Basin， the differences in the characteristics of flash drought events before and after the implementation of the Middle Route of the South-to-North Water Transfer Project were analyzed. Moreover， three machine learning methods， partial least squares regression （PLSR）， support vector machine （SVM）， and random forest （RF）， were employed to establish regression models for the duration of flash droughts， and the impact of the Middle Route of the South-to-North Water Transfer Project on the duration of flash droughts was quantitatively analyzed. The results indicate that：① After the implementation of the Middle Route of the South-to-North Water Transfer Project， the frequency of flash droughts in the Hanjiang River Basin increased from an average of 0.7 times per year to 0.9 times， and the duration of flash droughts increased from an average of 24.6 days per year to 34.5 days. However， spatially， the duration of flash droughts significantly extended in the upper reaches. The increase in the middle reaches weakened， and the duration of flash droughts in the lower reaches shortened.② The spatial distribution of flash drought onset durations evolved from uniform distribution of 5～6 days to uneven distribution between the upper and lower reaches， with durations shortening to 3～5 days in the upper reaches and extending to 7～9 days in the middle and lower reaches.③The RF model demonstrated the best simulation performance for flash drought duration. Climatic conditions had the most significant impact on flash drought duration， with a relative importance of 0.34. Among them， precipitation accounted for 0.14， net radiation for 0.12， and relative humidity for 0.08. The Middle Route of the South-to-North Water Transfer Project extended the duration of flash droughts in the middle and lower reaches of the Hanjiang River Basin， with a relative importance of 0.12.

Keywords： flash drought; evolution pattern; machine learning; Middle Route of South-to-North Water Transfer Project; Hanjiang RiverBasin

南水北調(diào)中線工程作為國(guó)家南水北調(diào)工程的重要組成部分，有效緩解了中國(guó)黃淮海平原水資源嚴(yán)重短缺的難題，對(duì)優(yōu)化水資源配置產(chǎn)生了重要作用［1］。漢江水在2014年12月12日正式送往京津冀及華北地區(qū)，中線一期工程調(diào)水后，漢江中下游地區(qū)農(nóng)業(yè)、工業(yè)、生活等用水供需不平衡情況加劇，結(jié)合氣候變化與人類活動(dòng)的綜合影響，漢江中下游地區(qū)生態(tài)與水文情勢(shì)發(fā)生了巨大變化［2-4］，影響了漢江中下游生態(tài)系統(tǒng)的功能和結(jié)構(gòu)［5］。

干旱是中國(guó)發(fā)生最頻繁、影響范圍最廣泛的自然災(zāi)害［6］。傳統(tǒng)的干旱發(fā)展緩慢，從干旱開始到達(dá)到強(qiáng)度和范圍上的最大值往往需要數(shù)月甚至更長(zhǎng)的時(shí)間。而近年來，一種快速發(fā)展的干旱事件受到人們關(guān)注［7-9］，這種以發(fā)展速度快、干旱強(qiáng)度大為特征的干旱事件被稱為“驟發(fā)干旱”，簡(jiǎn)稱“驟旱”。

對(duì)于驟旱目前沒有一致的定義［10］，主要判定方法可分為以下2類：第一類是基于蒸散發(fā)、降水、氣溫、土壤濕度等要素的不同閾值組合，從而定義驟旱事件，并將其分為高溫?zé)崂诵腕E旱和降水缺少型驟旱［11-13］；第二類是關(guān)注干旱快速發(fā)展的特性，通過土壤水分［14］或者其他干旱指數(shù)［15］的快速變化來刻畫驟旱的爆發(fā)、持續(xù)和消亡的階段來定義驟旱事件。目前，國(guó)內(nèi)外許多學(xué)者對(duì)驟旱的現(xiàn)狀與發(fā)生機(jī)理進(jìn)行了研究，任濤濤等［13］提取了黃土高原熱浪型和缺水型驟旱，研究了該地區(qū)驟旱時(shí)空變化特征與影響因素，得出青藏高原北部氣壓與赤道印度洋中部海溫異常對(duì)其影響較大；Park等［16］利用遙感數(shù)據(jù)與氣候變率指數(shù)，建立了五日尺度的驟旱預(yù)測(cè)模型，捕捉到了驟旱的快速變化；Zhang 等［8］采用3種機(jī)器學(xué)習(xí)方法模擬了土壤水分百分位數(shù)下降速度，并對(duì)緩慢干旱與驟發(fā)干旱進(jìn)行了檢測(cè)，發(fā)現(xiàn)隨機(jī)森林模型表現(xiàn)最好，并且利用隨機(jī)森林模型研究了降水負(fù)異常和潛在蒸散發(fā)正異常對(duì)緩慢干旱與驟發(fā)干旱的權(quán)重。

本研究采取上述第二種方法，基于土壤含水率數(shù)據(jù)，提取1974—2021年漢江流域土壤含水率分位數(shù)并識(shí)別驟旱事件。在此基礎(chǔ)上對(duì)南水北調(diào)中線工程開展前后，漢江流域驟旱事件特征展開對(duì)比分析。然后根據(jù)氣候、植被、下墊面、用水歷史數(shù)據(jù)與水庫調(diào)度情況建立驟旱歷時(shí)機(jī)器學(xué)習(xí)模型，進(jìn)一步研究了上述因素與調(diào)水工程對(duì)驟旱變化的影響。

1研究方法與數(shù)據(jù)來源

1.1研究區(qū)域概況

漢江是長(zhǎng)流中游最大的支流，干流全長(zhǎng)1577 km，流域面積約15.1萬 km2，屬東亞副熱帶季風(fēng)氣候區(qū)，氣候相對(duì)溫暖濕潤(rùn)，年平均降水量在700～1 800 mm，漢江流域徑流年內(nèi)分布不均，75%的水量集中在5—10月，年際變化很大［17］。南水北調(diào)中線工程（圖1）實(shí)施以后，下游水量大幅減少，對(duì)鄂中漢江流域沿線造成重大影響［18］。

1.2數(shù)據(jù)來源

用于提取驟旱事件使用的土壤含水率數(shù)據(jù)來源于歐洲中期天氣預(yù)報(bào)中心發(fā)布的 ERA5再分析數(shù)據(jù)集［19］。數(shù)據(jù)空間分辨率為0.25° ， 時(shí)間分辨率為1 h，其土壤含水率數(shù)據(jù)分為4層，分別為0～7、7～28、28～100、100～289 cm。本研究選用1974—2021年前3層即0～100 cm土壤含水率數(shù)據(jù)進(jìn)行分析。

用于模型建立與歸因分析的風(fēng)速、蒸發(fā)、總云量覆蓋、相對(duì)濕度、總降水、日均氣溫、凈輻射等氣象資料同樣來源于 ERA5再分析數(shù)據(jù)集；植被條件采用的是 Wang［20］發(fā)布的1982—2020年中國(guó)生長(zhǎng)季平均 NDVI數(shù)據(jù)集；不透水面面積來源于 Yang 等［21］發(fā)布的中國(guó)年度土地覆蓋數(shù)據(jù)集（Annual China Land Cover Dataset，CLCD），該數(shù)據(jù)集包含1985年與1990—2020年中國(guó)逐年土地覆蓋信息，空間分辨率為30 m，其余缺失年份通過插值補(bǔ)全得到。用水量數(shù)據(jù)采用的是 Zhou 等［22］建立的中國(guó)用水量數(shù)據(jù)集（National Long-term Water Use Dataset of China），該數(shù)據(jù)集提供了1965—2013年中國(guó)大陸341個(gè)行政區(qū)用水量數(shù)據(jù)。本研究假設(shè)用水在各個(gè)行政單位內(nèi)部空間上是均勻的，從而計(jì)算出漢江流域丹江口水庫以下區(qū)域年用水量。2014—2021年數(shù)據(jù)則根據(jù)《長(zhǎng)江流域與西南諸河水資源公報(bào)》提供的各省用水量以及漢江流域用水量計(jì)算而來。

1.3研究方法

1.3.1土壤含水率分位數(shù)

土壤含水率是指土壤中的水分含量，它對(duì)植物的生長(zhǎng)發(fā)育至關(guān)重要［23］。土壤含水率反映了當(dāng)前時(shí)刻該區(qū)域的土壤濕度狀況，但是不同區(qū)域與不同時(shí)間的土壤含水率難以直接對(duì)長(zhǎng)時(shí)間、大范圍的干旱事件進(jìn)行分析［24］。因此，本文計(jì)算了各個(gè)網(wǎng)格的土壤含水率分位數(shù)。首先，提取出研究區(qū)域內(nèi)1974—2021年的所有數(shù)據(jù)，將逐小時(shí)的土壤含水率數(shù)據(jù)匯總平均至日尺度。再去除所有年份的2月29日數(shù)據(jù)，以一年365日為標(biāo)準(zhǔn)，得到一個(gè)48 a 的數(shù)據(jù)。其次，按照比例對(duì)前3層土壤進(jìn)行加權(quán)計(jì)算，第一層0～7 cm 占比7%，第二層7～28 cm 占比21%，第三層28～100 cm 占比72%［13，25］。再次，構(gòu)建包含伽馬分布、貝塔分布、邏輯分布、廣義極值分布、威布爾分布、對(duì)數(shù)正態(tài)分布、指數(shù)分布、對(duì)數(shù)邏輯分布、極值分布等9種常見的概率分布的函數(shù)庫，并以Kolmogorov-Smirnov（KS）方法［25-26］進(jìn)行檢驗(yàn)，檢驗(yàn)水平取0.05，如果p 值大于0.05則認(rèn)為概率分布模型可以接受。如果有多個(gè)模型通過了檢驗(yàn)，則用貝葉斯信息準(zhǔn)則（BIC）［27］進(jìn)行優(yōu)選，為每天的時(shí)間序列挑選出最優(yōu)分布，進(jìn)而計(jì)算出每日土壤含水率分位數(shù)。最后，將得到的土壤含水率分位數(shù)日序列按照日歷順序重新組合，形成一個(gè)長(zhǎng)序列。

BIC =-2 ln L + k· ln n（ 1）

式中：L 為估計(jì)模型的似然函數(shù)的最大值；k 為模型參數(shù)的數(shù)量；n 為樣本數(shù)據(jù)的數(shù)量。

1.3.2驟旱事件識(shí)別

本研究將從干旱的快速發(fā)展來捕捉驟旱事件，從干旱的持續(xù)時(shí)間區(qū)分于一般的干燥過程，從干旱的恢復(fù)過程明確驟旱事件的結(jié)束。土壤含水率低于40%分位數(shù)時(shí)，表明干旱開始；當(dāng)土壤含水率低于20%時(shí)會(huì)對(duì)生態(tài)環(huán)境造成顯著影響［14］。對(duì)于一場(chǎng)驟旱事件，它應(yīng)滿足：條件1，土壤含水率分位數(shù)從40%分位數(shù)下降到20%分位數(shù)不超過10 d；條件2，整個(gè)驟旱歷時(shí)應(yīng)超過15 d。第一次出現(xiàn)低于40%分位數(shù)的記為驟旱事件的第一天，從開始到土壤含水率分位數(shù)下降至20%記為驟旱事件爆發(fā)期。當(dāng)土壤含水率超過20%分位數(shù)，認(rèn)為其驟旱結(jié)束。之后為傳統(tǒng)干旱，當(dāng)土壤含水率分位數(shù)大于40%時(shí)干旱結(jié)束。圖2是研究區(qū)域內(nèi)一次典型的驟旱事件發(fā)展持續(xù)與恢復(fù)過程。該定義完整捕捉了一場(chǎng)驟旱事件的爆發(fā)、持續(xù)與恢復(fù)過程，并且區(qū)別于短暫的干燥過程與緩慢的傳統(tǒng)干旱。

1.3.3趨勢(shì)分析法

Theil-Sen Median 方法是通過計(jì)算變量中任意2個(gè)數(shù)據(jù)點(diǎn)的斜率，然后將斜率中值作為估計(jì)量［28］。該方法被大量用于干旱變化趨勢(shì)分析［15，29-31］，本研究使用它來估計(jì)1974—2021年漢江流域驟旱頻次與驟旱歷時(shí)的趨勢(shì)變化。Mann-Kendall 檢驗(yàn)不要求數(shù)據(jù)遵循一定的分布而且不受少數(shù)異常值的干擾，可以用于長(zhǎng)時(shí)序的趨勢(shì)檢驗(yàn)與分析［29］。本研究使用 Mann-Kendall 檢驗(yàn)1974—2021年漢江流域驟旱頻次與驟旱歷時(shí)的趨勢(shì)變化的顯著性。

1.3.4驟旱時(shí)長(zhǎng)回歸模型建立

本研究采用偏最小二乘回歸、支持向量機(jī)和隨機(jī)森林3種機(jī)器學(xué)習(xí)方法構(gòu)建回歸模型。將南水北調(diào)中線工程實(shí)施以前的1992—2014年漢江流域中下游地區(qū)的氣候條件（相對(duì)濕度、凈輻射、降水量）、植被條件（歸一化植被指數(shù)）、下墊面條件（不透水面面積、農(nóng)田面積）、需水條件（用水量）以及水庫調(diào)度（丹江口水庫蓄水量、出庫流量）數(shù)據(jù)作為模型的自變量，驟旱歷時(shí)作為因變量。隨機(jī)地選取80%的年份作為模型的訓(xùn)練集訓(xùn)練模型，其余20%作為測(cè)試集測(cè)試模型訓(xùn)練效果。在隨機(jī)森林模型中，通過比較不同參數(shù)下的模型袋外數(shù)據(jù)誤差來確定最優(yōu)的參數(shù)［32-33］，經(jīng)過多次實(shí)驗(yàn)，決策樹取500，最小葉子數(shù)取2時(shí)，模型預(yù)測(cè)結(jié)果最好。

以決定系數(shù)（R2）、均方根誤差（Root Mean Square Error ，ER）和平均絕對(duì)誤差（Mean Absolute Error ，EM）作為評(píng)價(jià)標(biāo)準(zhǔn)，見式（2）—（4）：

式中：yi為實(shí)測(cè)的第i年漢江流域中下游平均驟旱歷時(shí)；y（?）i為根據(jù)模型估算的第i年的驟旱歷時(shí)；y（-）為實(shí)際觀測(cè)的驟旱歷時(shí)的平均值。R2越大，模型擬合效果越好，ER 和 EM 越小，模型精度越高。

1.3.5驟旱因子相對(duì)重要性計(jì)算

為了消除不同變量大小對(duì)重要性計(jì)算的影響，在模型訓(xùn)練前將所有的自變量因子標(biāo)準(zhǔn)化。在PLSR模型中，各個(gè)自變量的重要性對(duì)應(yīng)于線性方程的回歸系數(shù)。在隨機(jī)森林模型中，可以通過對(duì)每個(gè)決策樹的節(jié)點(diǎn)進(jìn)行分裂來估計(jì)特征的重要性，具體來說就是計(jì)算每個(gè)特征在每個(gè)決策樹中的分裂點(diǎn)選擇的準(zhǔn)則，對(duì)所有決策樹的結(jié)果進(jìn)行平均得到最終的特征重要性。

以1992—2014年作為基準(zhǔn)期，利用該時(shí)段所訓(xùn)練好的模型和2015—2021年調(diào)水期的數(shù)據(jù)作為輸入，計(jì)算2015—2021年調(diào)水期的驟旱歷時(shí)，分析原有因子（相對(duì)濕度、凈輻射、降水量、歸一化植被指數(shù)、不透水面面積、農(nóng)田面積、用水量、丹江口水庫蓄水量與出庫流量）與南水北調(diào)中線工程對(duì)驟旱歷時(shí)的影響。本研究認(rèn)為2015—2021年驟旱歷時(shí)的實(shí)測(cè)值與模擬值的差值由調(diào)水工程引起，從而劃分調(diào)水工程對(duì)驟旱歷時(shí)變化的影響。由于模型模擬存在一定偏差，計(jì)算基準(zhǔn)期驟旱歷時(shí)采用模擬值，而非實(shí)測(cè)值。用式（5）—（10）計(jì)算調(diào)水工程與原有因子對(duì)驟旱歷時(shí)變化的貢獻(xiàn)率，并將原有因子的貢獻(xiàn)率按訓(xùn)練好的特征重要性比例分配給具體各個(gè)因子，并計(jì)算相對(duì)重要性。

ΔF =ΔFs1-ΔFobs1=ΔFothers+ΔF1（5）

ΔFothers = Fs2- Fs1（6）

ΔFT = Fobs2- Fs2（7）

CT = ×100%（8）

C others =1- CT（9）

C others = Cc + Cv + Cs + Cw + Cd（10）

式中：ΔF 為基準(zhǔn)期和調(diào)水期年均驟旱的變化量；ΔFobs1、Fobs2分別為基準(zhǔn)期和調(diào)水期實(shí)際提取的驟旱天數(shù)；ΔFs1、Fs2分別為模型模擬得到的基準(zhǔn)期和調(diào)水期的驟旱天數(shù)；ΔFT 為南水北調(diào)中線工程對(duì)驟旱歷時(shí)的影響；ΔFothers為原有因子對(duì)驟旱歷時(shí)的影響；

CT 為南水北調(diào)中線工程對(duì)驟旱歷時(shí)的貢獻(xiàn)率；Cothers為原有因子的貢獻(xiàn)率；Cc、Cv、Cs、Cw、Cd 分別為氣候條件、植被條件、下墊面條件、用水條件、水庫調(diào)度對(duì)驟旱歷時(shí)的貢獻(xiàn)率。

2結(jié)果與分析

2.1漢江流域驟旱特征空間格局分布

2.1.1驟旱歷時(shí)與驟旱頻次

圖3展示了1974—2014、2015—2021年漢江流域每年驟旱事件發(fā)生頻次。1974—2014年，整個(gè)漢江流域驟旱頻次總數(shù)為8496次，平均每個(gè)網(wǎng)格每年0.7次，其中上游平均每年0.67次，中游平均每年0.665次，下游平均每年0.938次。2015—2021年漢江流域驟旱頻次總數(shù)為1911次，平均每個(gè)網(wǎng)格每年驟旱頻次上升至0.9次，其中上游0.982次，中游0.776次，下游1.073次。

圖4展示了1974—2014、2015—2021年漢江流域每年驟旱事件總歷時(shí)。1974—2014年，整個(gè)漢江流域平均每個(gè)網(wǎng)格驟旱歷時(shí)為每年30.5 d，其中上游平均每年24.1 d，中游平均每年23.9 d，下游平均每年30.6 d。2015—2021年，整個(gè)漢江流域平均每個(gè)網(wǎng)格驟旱歷時(shí)為每年34.5 d，其中上游平均每年37 d，中游平均每年29.3 d，下游平均每年28.5 d。

2.1.2驟旱爆發(fā)歷時(shí)與爆發(fā)歷時(shí)占比

驟旱爆發(fā)歷時(shí)指的是土壤濕度從40%分位數(shù)下降到20%分位數(shù)所經(jīng)歷的時(shí)間。這個(gè)指標(biāo)反映的是干旱發(fā)展的迅速程度，爆發(fā)歷時(shí)越小表明干旱發(fā)展越快，越難以干預(yù)。1971—2014年，整個(gè)漢江流域驟旱爆發(fā)歷時(shí)比較均勻，上游爆發(fā)歷時(shí)相對(duì)較小為4～5 d，中游爆發(fā)歷時(shí)為5～7 d，下游為6～7 d。2015—2021年，漢江流域爆發(fā)歷時(shí)逐漸分化，空間差異較大。上游爆發(fā)歷時(shí)縮短至3～5 d，中游漢江干流沿岸爆發(fā)歷時(shí)延長(zhǎng)至7～9 d，下游爆發(fā)歷時(shí)延長(zhǎng)至6～8 d。

驟旱爆發(fā)歷時(shí)占比指的是爆發(fā)歷時(shí)占整個(gè)驟旱事件歷時(shí)的比例，占比重越小表明此類驟旱事件可能轉(zhuǎn)為傳統(tǒng)的長(zhǎng)期干旱事件，占比越大表明開始階段的水分虧缺明顯，整個(gè)干旱事件發(fā)展迅速。由圖5c 與5d對(duì)比可知，在1974—2014年，漢江流域驟旱爆發(fā)歷時(shí)占比在空間上整體比較均勻，占比約10%～20%，上游驟旱爆發(fā)歷時(shí)占比較中游下游小。在2015—2021年，漢江流域驟旱爆發(fā)歷時(shí)占比空間分布差異大，驟旱爆發(fā)歷時(shí)占比提高明顯，漢江中游出現(xiàn)極值爆發(fā)歷時(shí)占比達(dá)42.3%，這一結(jié)果與爆發(fā)歷時(shí)的延長(zhǎng)與驟旱事件總歷時(shí)的縮短有關(guān)。

2.2漢江流域驟旱特征時(shí)間序列變化

圖6展示了1974—2021年漢江流域各個(gè)網(wǎng)格每年驟旱事件發(fā)生頻次與歷時(shí)。漢江流域驟旱頻次與驟旱歷時(shí)總體呈波動(dòng)上升趨勢(shì)，且上升趨勢(shì)明顯。統(tǒng)計(jì)顯示：2013年是驟旱持續(xù)時(shí)長(zhǎng)最的長(zhǎng)一年，驟旱歷時(shí)達(dá)57.3 d；1974年為驟旱發(fā)生頻次最多的一年，平均驟旱頻次為1.59次。具體來看，漢江流域不同空間，存在不同的變化情況。漢江上游、中游在驟旱頻次與驟旱歷時(shí)上的表現(xiàn)都是上升趨勢(shì)，且上升趨勢(shì)顯著。漢江流域下游變化與整體趨勢(shì)有較大差異，漢江流域下游驟旱歷時(shí)出現(xiàn)了下降趨勢(shì)，驟旱頻次呈微弱上升趨勢(shì)，變化都不顯著。

驟旱面積百分比指的是某年或者某個(gè)季節(jié)發(fā)生驟旱的網(wǎng)格占總網(wǎng)格的比例，其驟旱面積百分比越大表明驟旱影響范圍越廣，災(zāi)害越嚴(yán)峻。由圖7可知，1974—2021年漢江流域平均每年有53%的土地發(fā)生驟旱事件，最多的一年為1974年有83%面積的土地發(fā)生驟旱事件，最少的一年為1996年也有22%的土地發(fā)生驟旱事件，且近年來存在上升趨勢(shì)。

然后進(jìn)一步分季節(jié)統(tǒng)計(jì)了發(fā)生驟旱面積占比的情況，見圖8，春夏秋冬四季平均驟旱面積相差不大，夏秋季節(jié)較高為36%與30%，最大達(dá)87%，春冬季節(jié)較低為22%與23%。夏季驟旱面積變化劇烈，表明夏季較有可能發(fā)生大面積驟旱事件。冬季有2個(gè)年份出現(xiàn)極值，分別為1974年的96%與1993年的 65%。

2.3驟旱歷時(shí)回歸模型建立結(jié)果與驟旱因子相對(duì)重要性分析

分別采用3種不同的機(jī)器學(xué)習(xí)方法對(duì)驟旱歷時(shí)進(jìn)行模擬，模擬結(jié)果見表1。PLSR是一種基于線性回歸的多元統(tǒng)計(jì)分析方法，它要求各自變量與因變量之間有較好的線性關(guān)系。由模擬的結(jié)果來看，PLSR 與 SVM模型在用于估算驟旱歷時(shí)的表現(xiàn)上并不好，雖然訓(xùn)練集的 R2為0.64與0.77，但是測(cè)試集的 R2都不足0.5，同時(shí)較高的 ER 提示其處理離群值時(shí)可能表現(xiàn)不佳，無法表現(xiàn)一些比較異常的年份。 RF模型的擬合效果在三者中表現(xiàn)最好，其訓(xùn)練集的R2達(dá)到0.77，測(cè)試集 R2也有0.74。在 ER 與 EM 上表現(xiàn)也比較好，其中訓(xùn)練集分別為5.69與3.67，測(cè)試集為6.81與3.80。

綜上所述，對(duì)比以上3個(gè)模型，RF模型較好反映了各項(xiàng)因子對(duì)驟旱歷時(shí)的模擬，選用該模型進(jìn)行重要性計(jì)算。為了定量分析調(diào)水工程對(duì)驟旱變化的影響程度，將調(diào)水期的數(shù)據(jù)作為輸入得到驟旱歷時(shí)模擬值28.85 d。由表2可知，調(diào)水期實(shí)測(cè)值與基準(zhǔn)期模擬值相差1.88 d，將其確定為2個(gè)不同時(shí)期驟旱歷時(shí)的總變化量。通過式（4）分離原有因子與調(diào)水工程的變化，可知原有因子導(dǎo)致驟旱歷時(shí)增加了1.65 d，貢獻(xiàn)率為88%，南水北調(diào)中線工程導(dǎo)致驟旱歷時(shí)增加了0.23 d，貢獻(xiàn)率為12%。

在 RF 模型中，特征重要性反映了每個(gè)變量對(duì)模型預(yù)測(cè)能力的貢獻(xiàn)度，數(shù)值越高表明對(duì)模型預(yù)測(cè)結(jié)果影響越大。根據(jù) RF模型中每個(gè)特征的重要性按比例分配到原有因子中，得到圖9結(jié)果。由圖9可知，對(duì)驟旱歷時(shí)影響較大的為氣候條件與水庫調(diào)度，相對(duì)重要性為0.34與0.21；其余條件對(duì)驟旱歷時(shí)的影響較為接近，其中南水北調(diào)中線工程延長(zhǎng)了驟旱歷時(shí)，加劇了驟旱的情況，相對(duì)重要性為0.12。

3結(jié)論

基于多源數(shù)據(jù)，提取了漢江流域1974—2021年驟旱事件，并對(duì)驟旱事件特征的時(shí)空分布進(jìn)行了分析，比較了基準(zhǔn)期（1974—2014年）與調(diào)水期（2015—2021年）2個(gè)不同時(shí)期，驟發(fā)干旱在發(fā)生頻次、事件歷時(shí)與爆發(fā)時(shí)間、爆發(fā)時(shí)間占比的差異，并且比較了3種機(jī)器學(xué)習(xí)方法在驟旱歷時(shí)回歸模型中的表現(xiàn)，計(jì)算得出了各條件對(duì)驟旱歷時(shí)的相對(duì)重要性，得出以下主要結(jié)論。

a）1974—2021年漢江流域整體驟旱歷時(shí)與驟旱頻次呈現(xiàn)波動(dòng)上升趨勢(shì)，且趨勢(shì)顯著。對(duì)比調(diào)水前（1974—2014年）與調(diào)水后（2015—2021年），在驟旱頻次上漢江流域上游、中游和下游都有所增加。值得注意的是，在驟旱歷時(shí)上，漢江流域上游、中游有所延長(zhǎng)，而漢江下游卻在縮短。

b）驟旱爆發(fā)歷時(shí)在空間分布上由調(diào)水前（1974—2014年）的均勻分布發(fā)展到調(diào)水后（2015—2021年）呈現(xiàn)上下游不均分布。中下游地區(qū)爆發(fā)歷時(shí)延長(zhǎng)至7～9 d，而上游縮短至3～5 d，這提示著對(duì)漢江流域上游的災(zāi)害預(yù)警與防御提出更高要求，調(diào)水工程與大壩水庫的修建削弱了驟旱的快速發(fā)展。

c）在 PLSR、SVM 和 RF 三種機(jī)器學(xué)習(xí)方法中， RF對(duì)驟旱歷時(shí)的模擬效果最好。根據(jù)貢獻(xiàn)率計(jì)算結(jié)果表明，南水北調(diào)中線工程一定程度上加重了漢江流域中下游地區(qū)的驟旱歷時(shí)。在各項(xiàng)條件中，氣候條件和水庫調(diào)度對(duì)驟旱歷時(shí)影響最大，相對(duì)重要性為0.34與0.21；其次為下墊面條件、用水條件與調(diào)水工程，相對(duì)重要性分別為0.13、0.12與0.12，植被條件對(duì)驟旱歷時(shí)影響最小，相對(duì)重要性為0.08。

參考文獻(xiàn)：

［1］趙存厚.南水北調(diào)工程概述［J］.水利建設(shè)與管理，2021，41（6）：5-9.

［2］黃朝君，王棟，秦赫.南水北調(diào)中線工程運(yùn)行對(duì)漢江丹-襄區(qū)間水文情勢(shì)變化的影響研究［J］.水利水電快報(bào)，2021，42（12）：31-37.

［3］朱燁，李杰，潘紅忠.南水北調(diào)中線調(diào)水對(duì)漢江中下游水文情勢(shì)的影響［J］.人民長(zhǎng)江，2019，50（1）：79-83.

［4］王棟，吳棟棟，解效白，等.漢江流域汛期徑流時(shí)空變化特征研究［J］.人民珠江，2020，41（4）：30-39.

［5］ WANG Y K ，WANG D ，WU J C. Assessing the impact of Danjiangkou reservoir on ecohydrological conditions in Hanjiang river，China［J］. Ecological Engineering，2015，81：41-52.

［6］錢正安，宋敏紅，吳統(tǒng)文，等.世界干旱氣候研究動(dòng)態(tài)及進(jìn)展綜述（Ⅰ）：若干主要干旱區(qū)國(guó)家的研究動(dòng)態(tài)及聯(lián)合國(guó)的貢獻(xiàn)［J］.高原氣象，2017，36（6）：1433-1456.

［7］ YUAN X，WANG Y M，JI P，et al. A global transition to flash droughts under climate change［J］. Science ，2023，380（6641）：187-191.

［8］ ZHANG L Q，LIU Y，REN L L，et al. Analysis of flash droughts in China using machine learning［J］. Hydrology and Earth System Sciences，2022，26（12）：3241-3261.

［9］張翔，陳能成，胡楚麗，等.1983—2015年我國(guó)農(nóng)業(yè)區(qū)域三類驟旱時(shí)空分布特征分析［J］.地球科學(xué)進(jìn)展，2018，33（10）：1048-1057.

［10］袁星，王鈺淼，張苗，等.關(guān)于驟旱研究的一些思考［J］.大氣科學(xué)學(xué)報(bào)，2020，43（6）：1086-1095.

［11］MO K C，LETTENMAIER D P. Heat wave flash droughts in decline［J］. Geophysical Research Letters，2015，42（8）：2823-2829.

［12］MO K C， LETTENMAIER D P. Precipitation Deficit Flash Droughts over the United States［J］. Journal of Hydrometeorology，2016，17（4）：1169-1184.

［13］任濤濤，李雙雙，段克勤，等.黃土高原熱浪型和缺水型驟旱時(shí)空變化特征及其影響因素［J］.干旱區(qū)地理，2023，46（3）：360-370.

［14］FORD T W，MCROBERTS D B，QUIRING S M，et al. On the utility of in situ soil moisture observations for flash drought early warning in Oklahoma ，USA［J］. Geophysical Research Letters，2015，42（22）：9790-9798.

［15］FU K Q，WANG K C. Quantifying Flash Droughts Over China From 1980 to 2017［J］. Journal of Geophysical Research： Atmospheres，2022，127（24）. DOI：10.1029/2022JD037152.

［16］PARK S，SEO E，KANG D ，et al. Prediction of drought on pentad scale using remote sensing data and MJO index through random forest over East Asia［J］. Remote Sensing，2018，10（11）. DOI：10.3390/rs10111811.

［17］QIN Z，PENG T，SINGH V P，et al. Spatio-temporal variations of precipitation extremes in Hanjiang River Basin，China，during 1960–2015［J］. Theoretical and Applied Climatology ，2019，138（3/4）：1767-1783.

［18］LI Y L，WEN Y L，LAI H X，et al. Drought response analysis based on cross wavelet transform and mutual entropy［J］. Alexandria Engineering Journal，2020，59（3）：1223-1231.

［19］HERSBACH H，BELL B，BERRISFORD P，et al. ERA5 hourly data on single levels from 1940 to present［EB/OL］.［2023-06-22］. https：//cds. climate. copernicus. eu/.

［20］WANG Z S. Satellite-Observed Effects from Ozone Pollution and Climate Change on Growing-Season Vegetation Activity overChina during 1982–2020［J］. Atmosphere，2021，12（11）. DOI：10.3390/atmos12111390.

［21］YANG J，HUANG X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019［J］. Earth System Science Data，2021，13（8）：3907-3925.

［22］ZHOU F，BO Y，CIAIS P，et al. Deceleration of China ’s human water use and its key drivers［J］. Proceedings of the National Academy of Sciences，2020，117（14）：7702-7711.

［23］WANG L Y，YUAN X. Two Types of Flash Drought and Their Connections with Seasonal Drought［J］. Advances in atmospheric sciences，2018，35（12）：1478-1490.

［24］朱燁，劉懿，王文，等.基于土壤含水率的驟發(fā)干旱和緩慢干旱時(shí)空特征分析［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（2）：114-122.

［25］MASSEY F J. The Kolmogorov-Smirnov test for goodness of fit ［J］. Journal of the American statistical Association ，1951，46（253）：68-78.

［26］涂新軍，陳曉宏，趙勇，等.變化環(huán)境下東江流域水文干旱特征及缺水響應(yīng)［J］.水科學(xué)進(jìn)展，2016，27（6）：810-821.

［27］張向明，粟曉玲，張更喜.基于 SRI 與 Copula 函數(shù)的黑河流域水文干旱等級(jí)劃分及特征分析［J］.灌溉排水學(xué)報(bào)，2019，38（5）：107-113.

［28］ASSOCIATION AS. JournaloftheAmericanStatistical Association［C］//American Statistical Association，1922.

［29］程偉，辛?xí)云?基于 TVDI 的內(nèi)蒙古草地干旱變化特征分析［J］.中國(guó)農(nóng)業(yè)科學(xué)，2020，53（13）：2728-2742.

［30］張世喆，朱秀芳，劉婷婷，等.氣候變化下中國(guó)不同植被區(qū)總初級(jí)生產(chǎn)力對(duì)干旱的響應(yīng)［J］.生態(tài)學(xué)報(bào)，2022，42（8）：3429-3440.

［31］WAN L L，BENTO V A，QU Y P，et al. Drought characteristics and dominant factors across China：Insights from high-resolution daily SPEI dataset between 1979 and 2018［J］. Science of The Total Environment，2023，901. DOI：10.1016/j. scitotenv.2023.166362.

［32］BREIMAN L. Random Forests［J］. Machine Learning ，2001，45：5-32.

［33］BREIMAN L. Bagging predictors［J］. Machine Learning，1996，24：123-140.

（責(zé)任編輯：向飛）