在区域资源压力下，基于水-能-碳耦合系统的农田可持续性的量化分析及其空间驱动力的明确界定

《Agricultural Water Management》：Quantification and spatially explicit driving forces of the farmland sustainability based on water-energy-carbon coupling systems under regional resource stress

　　越南湄公三角洲（VMD）的干旱预测研究显示，融合外部大气条件的深度学习模型（ConvGRU_FULL）在3个月预测中显著优于其他模型，准确率可达90%以上，且通过SHAP分析揭示了湿度、风速等外部变量对区域干旱的主导作用。

　　
越南湄公河三角洲（VMD）作为全球重要的农业和经济区域，近年来频繁遭受干旱灾害。该地区2020年因干旱导致的农业损失超过300亿美元，而2015-2016年的干旱事件更暴露了传统预测方法的局限性。面对气候变化加剧背景下干旱预测的需求，研究团队创新性地引入外部大气条件变量，通过构建 ConvGRUFully 和 ConvGRUVMD 两个深度学习模型，结合SHAP可解释性分析，系统评估了多类型干旱的预测能力。

研究采用欧洲中期天气预报中心（ECMWF）的ERA5再分析数据，整合了28个大气和地表参数（包括湿度、温度、风速、土壤水分等），构建了包含120×200网格的空间输入矩阵。实验发现，ConvGRUFULL模型在3个月提前预测中展现出显著优势：对气象干旱的命中率达90%，误报率低于10%；农业干旱预测准确率超过80%；复合干旱事件（干热同期）的识别能力达70%-80%。其核心突破在于首次系统验证了外部大气条件（如中国南海至菲律宾群岛的湿度梯度变化）对VMD干旱的调控作用。

通过SHAP分析揭示，特定湿度与西风分量是影响VMD降水的关键因子。当预测时间延长至3个月时，来自孟加拉湾的湿度输送贡献率提升至68%，而来自南海的西风异常会形成反馈调节机制。例如2015-2017年最严重复合干旱事件中，模型通过捕捉菲律宾群岛区域湿度累积效应，成功预测了干旱的起始阶段，但低估了强度，这验证了长期预测中大气能量积累的复杂性。

研究特别指出模型训练数据的时空配比问题。采用固定时间分割（1940-1996训练集，2013-2023测试集）导致2000年后气候变化特征被低估。改进后的随机数据分割策略（ConvGRUFULL_Random）显示，模型在预测农业干旱的持续期（如1957-1959年20个月干旱）时，通过引入不同年份的随机训练集，将预测误差降低37%。这种动态训练机制能有效提升模型对气候变异的适应能力。

在模型架构设计上，研究团队创新性地将卷积神经网络（CNN）与门控循环单元（GRU）结合。CNN层通过空间卷积捕捉了湄公三角洲复杂地形（如高德省与芹苴省的气候差异）的湿度梯度特征，而GRU层则通过门控机制过滤了季节性噪声。对比实验表明，ConvGRUFULL在3个月提前预测中，气象干旱的皮尔逊相关系数（PCC）达0.97，较传统LSTM模型提升22%，其时空特征融合能力显著优于单一CNN或GRU架构。

值得注意的是，研究首次将复合干旱事件（干热同期）纳入多模型对比。通过构建标准化干旱温度指数（STI）与标准化降水指数（SPI）的耦合模型（SPTI），发现ConvGRUFULL在预测此类复杂事件时，其Kling-Gupta效率（KGE）指数在3个月提前预测中仍保持0.85以上，而传统统计模型仅达到0.62。这种优势源于模型对大气能量传递路径的捕捉，特别是季风转换期（10-12月）西太平洋副热带高压的波动特征。

研究还揭示了干旱预测的时间窗口特征。在气象干旱预测中，1个月提前的PCC为0.89，但3个月提前的PCC反而提升至0.97，这与其构建的"大气条件-地表响应"双反馈机制有关。通过分析SHAP值的时间序列变化，发现当预测时间超过2个月时，来自中国南海的湿度输送重要性权重从35%上升至58%，而当地土壤湿度的影响则下降至12%。

模型验证阶段采用三重嵌套交叉验证策略，通过调整训练集的时空分辨率（将1.25°×1.25°的ERA5数据重新采样至0.5°×0.5°），使 ConvGRUFULL 对2019-2020年复合干旱的预测精度提升至89%。特别在预测湄公三角洲特有的"双季干旱"（雨季干旱和旱季复合干旱）时，模型通过捕捉跨区域大气环流（如季风爆发前兆），将干旱持续时间预测误差控制在±1.5个月以内。

在方法学创新方面，研究提出动态权重调整机制。当预测时间延长至6个月时，系统自动降低近区大气参数的权重（从45%降至32%），同时提升中国南海区域湿度参数的权重（从28%增至41%），这种自适应调整使长期预测的RMSE稳定在1.2 mm以下。SHAP分析显示，这种调整与大气遥相关（如ENSO指数）的空间异质性变化高度吻合。

值得关注的是，研究通过对比分析发现，单纯依赖当地气象数据的ConvGRUVMD模型，其3个月提前预测的KGE指数仅为0.72，而加入外部大气条件的ConvGRUFULL提升至0.89。这种提升在2020年后尤为显著，因为气候变化导致区域水循环模式发生改变，外部大气条件的贡献率从2010年前的55%上升至2020年的78%。

研究团队进一步开发了多尺度预测框架，将 ConvGRU模型扩展至空间分辨率1km×1km。通过融合MODIS地表温度数据与再分析降水场，在越南湄公省（Mekong Delta Provinces）实现了亚网格尺度干旱预测。试点结果显示，该框架对2023年第四季度农业干旱的预警准确率达到91%，较传统方法提升27个百分点。

在模型可解释性方面，SHAP分析揭示了关键驱动因素的空间迁移规律。例如，在预测2022年复合干旱时，西太平洋湿度输送的贡献率从年初的43%增至8月的67%，而同期当地土壤湿度的影响权重从38%降至19%。这种时空演变特征为建立自适应预警系统提供了理论依据。

研究同时指出当前模型的三大局限：一是数据分辨率限制（0.25°×0.25°再分析数据），难以捕捉红河三角洲局地地形（如入海口沙洲地形）对水汽分配的影响；二是训练数据截止到2023年，未能充分体现后工业革命时期（2000年后）的气候突变特征；三是复合干旱事件中干热耦合的物理机制仍需深化研究。

未来改进方向包括：1）构建多源数据融合平台，整合卫星遥感（如MODIS、VIIRS）与再分析数据；2）开发自适应模型架构，根据预测时间动态调整外部大气参数的权重；3）建立跨区域大气水循环模型，重点研究南海季风试验（SKTS）机制与VMD干旱的关联性。

该研究为湄公河三角洲的干旱预警系统建设提供了重要技术支撑。其开发的ConvGRUFULL模型已被纳入联合国气候署（UNEP）东南亚干旱监测系统，成功预警了2024年首次出现的"干热复合型"极端干旱事件。模型预测的土壤水分亏缺量与实际观测误差小于8%，为当地水利部门及时启动应急调水提供了决策依据。

这项突破性研究不仅验证了"外部大气条件-区域水循环"的协同作用机制，更为全球三角洲地区（如恒河三角洲、密西西比河三角洲）的干旱预测提供了可复制的方法论。其提出的时空自适应权重机制，已扩展应用于洪水预测领域，在2025年湄公河洪水预警中成功将误报率降低至3.2%以下，标志着机器学习模型在气候服务中的关键作用。