气候变暖下全球农业干旱动态可预测性下降

一、研究意义

干旱在气候变暖背景下频发，对水-食物-能源-生态安全构成严重威胁，但全球农业干旱的动态可预测性变化及其主导因素尚不清楚。以往研究多关注固定时间片段的静态可预测性评估，忽略了地球系统动态演变过程中预测能力的变化。本研究基于两个气候模式的大样本集合（CSIRO-Mk3-6-0和GFDL-CM3共50个集合成员），采用贝叶斯模型平均集成藤Copula（BMAViC）模型，首次在全球尺度上系统评估了+1°C、+2°C和+3°C升温水平下暖季农业干旱的静态与动态可预测性，揭示动态可预测性在升温背景下显著下降的热点区域及其驱动机制，为制定动态气候适应策略提供科学依据。

二、研究结果

（一）数据基础与研究方法

1. 数据来源与处理

观测/再分析数据：CRU v4.07的降水、温度、PET和实际水汽压数据（1950-2022，0.5°×0.5°）；GLDAS v2.0/v2.1 Noah和VIC模型及ERA5的根区土壤水分（SM）、感热通量和潜热通量数据。气候模式数据：CSIRO-Mk3-6-0（30个集合成员）和GFDL-CM3（20个集合成员）在RCP8.5情景下的逐月P、T、SM、LHF、SHF、比湿、地表气压和SST数据（1950-2100）。所有格点数据统一重采样至2°×2°分辨率。暖季定义为CRU v4.07 1950-2022年期间最热的连续三个月。

2. 核心方法与关键指标

研究采用标准化干旱指数（SDI）框架，基于核密度估计和正态分位数变换计算标准化土壤湿度指数（SSI）。BMAViC模型结合藤Copula处理多变量的优势与贝叶斯模型平均进行集合预测的优势，从六个潜在预测因子（SPI、STI、SVPDI、SRnI、SEI、SSI的滞后项）中基于最大Kendall相关系数选取三个最优预测因子，通过六种C-vine结构产生六个候选预测，经BMA加权得到最终SSI预测。可预测性度量采用Kling-Gupta效率（KGE），值越接近1表示预测能力越高。静态可预测性评估固定时间切片上的预测技能；动态可预测性通过61年滑动窗口（共13个窗口）的KGE线性趋势表征预测能力随时间的变化。归因分析采用地理探测器（GD）模型识别静态可预测性的主导因子，随机森林（RF）模型解析动态可预测性变化的解释方差。

（二）模型性能与试验结果

1. 静态可预测性的空间格局与变化趋势

在再分析数据校准和验证期，BMAViC模型在1、3、6个月提前期下KGE分别超过0.52。在+3°C升温世界，全球平均KGE在1、3、6个月提前期分别为0.88、0.57和0.52。北半球静态可预测性普遍高于南半球，且随升温水平提高，中高纬度地区（20°N-80°N）预测能力增强，欧洲和澳大利亚的静态可预测性随气候变暖逐步改善，推测与该区域农业干旱被气候变化加剧有关。然而，预测能力随提前期延长而下降，南半球和北美东部的退化尤为明显，主要原因是前期预测因子与当前农业干旱之间的级联效应减弱，以及干旱对干湿信号的持续记忆能力下降。

2. 动态可预测性的普遍下降趋势及其热点区域

在+1°C、+2°C和+3°C升温水平下，超过52%的全球陆地面积上动态可预测性呈显著下降趋势（p<0.1）。在+2°C和+3°C升温世界中，下降面积比例超过70%。热点区域集中于北美、亚马逊、欧洲、南部非洲、澳大利亚以及南亚和东亚——这些区域恰是近几十年来与干旱相关的热浪和野火等气候极端事件频发且影响加剧的地区。以西欧为例（区域II），1个月提前期KGE从+1°C世界的0.86下降至+3°C世界的0.77，6个月提前期从0.61降至0.48。纬度分布分析一致表明，各升温水平下动态可预测性均呈现下降趋势。

3. 静态与动态可预测性的主导因子辨析

地理探测器分析表明，土壤湿度记忆（SM memory）和背景干旱度（AI）是解释静态可预测性空间异质性的首要和次要主导因子，覆盖大部分气候分区。SM记忆在大多数气候分区中排名第一。次要和第三主导因子随提前期和区域显著分化，如NEU地区+1°C时第二、三因子为cor(VPD,SM)σ(VPD)和PET，+3°C时变为cor(VPD,SM)σ(VPD)和SM。静态可预测性对于旱度指数呈非线性响应：从干旱（AI≤0.2）到半湿润（0.5<AI≤0.65）先下降，从湿润（0.65<AI≤1）到过湿润（AI>1）再上升。SM记忆和陆-气反馈（如cor(SHF,SM)σ(SHF)）越强，静态可预测性越高。

对于动态可预测性，RF模型解释方差普遍超过60%。其变化主要受SM记忆和背景干旱度变化主导，但在不同气候分区和提前期下第二、第三主导因子差异显著。以6个月提前期的CNA地区为例，+1°C时三主导因子为cor(ONI,SM)、cor(PET,SM)σ(PET)和PET，+3°C时变为PET、AI和VPD。SM记忆和陆-气反馈（除VPD-SM耦合因空气湿度下降而增强外）普遍减弱，T、VPD、PET呈上升趋势（p<0.1），P、Rn、SM呈下降趋势，这些因子的复合效应共同导致动态可预测性下降。

4. 模型偏差与补偿机制

BMAViC模型在典型严重干旱年份（2012、2021、2022）的预测验证中表现良好，在随机选取的五个区域中R²均大于0.66（p<0.001）。KGE差值（△KGEBMAViC-AViC）始终为正，表明BMAViC模型显著优于简单算术平均的AViC模型，且在更暖世界中优势更明显。这证实了BMA框架在整合多结构藤Copula预测中的有效性，为动态可预测性评估提供了可靠的模型基础。

（三）关键问题与解决方案验证

1. 核心问题

当前干旱预测研究主要关注静态可预测性（固定时间切片上的预测技能），忽视了气候系统在长期演变中预测能力动态变化的问题。研究揭示，气候变暖通过削弱土壤湿度记忆、加剧背景干旱度、减弱陆-气耦合强度，导致动态可预测性在超过70%的全球陆地（+2°C和+3°C世界）上显著下降。这意味着传统基于历史预测能力的干旱风险评估和适应规划可能高估了未来预测工具的可靠性，尤其对北美、亚马逊、欧洲、南亚东亚和澳大利亚等干旱热点区域构成严峻挑战。更值得警惕的是，海洋记忆（如ENSO相关遥相关）预计在本世纪将持续衰退，将进一步削弱超长提前期的干旱可预测性，这种复合效应可能导致现有气候适应措施的效能被系统性高估。

2. 解决方案与启示

研究建议将动态可预测性评估纳入气候适应框架，政策制定者和利益相关方应采取动态、灵活的气候适应策略，而非依赖固定的历史预测能力假设。具体而言：一是改进气候模型对陆-气反馈和陆面记忆过程的刻画能力，尤其需要高频数据输出以准确评估耦合强度；二是在干旱易发区加强土壤湿度和陆-气通量的监测网络建设；三是适应性管理措施（如水资源调配、种植结构调整、气候保险方案）应随预测能力的变化动态调整。研究同时指出，不同气候模式间存在较大差异（如GFDL-CM3显示ENSO变率减弱，CSIRO-Mk3-6-0显示略微增强），且不同干旱类型（农业vs水文干旱）和时间尺度（月vs候）的可预测性变化机制不同，需进一步开展多模式大样本集合研究以量化不确定性。最终，即使采取积极适应措施，海洋记忆衰退这一大尺度强迫因素无法通过区域管理克服，凸显了控制温室气体排放以减缓变暖速率的根本必要性。

三、总结与评价

本研究基于两个气候模式的50个集合成员和BMAViC预测模型，首次系统评估了全球农业干旱在+1°C、+2°C和+3°C升温水平下的动态可预测性变化，发现+2°C和+3°C世界中超过70%的全球陆地面积呈现可预测性显著下降，热点区域集中于北美、亚马逊、欧洲、南部非洲、澳大利亚及南亚东亚。研究创新性地将可预测性区分为静态与动态两个维度，证明SM记忆减弱、背景干旱度加剧和陆-气耦合减弱是动态可预测性下降的主导因子，三者对不同气候分区的贡献存在显著异质性。研究优势在于数据基础扎实（多源再分析+两个CMIP5模式大样本集合）、方法论严谨（BMA集成藤Copula+GD+RF三重归因框架）、首次绘制全球农业干旱动态可预测性变化图。局限性包括：仅采用两个气候模式（CSIRO-Mk3-6-0和GFDL-CM3）且均为RCP8.5单一情景，未覆盖CMIP6多模式集合；未系统量化不同模式间ENSO变率预测差异对超长提前期可预测性评估的影响；未区分农业干旱与水文干旱、气象干旱等其他类型可预测性变化机制的差异；61年滑动窗口的样本量限制了极短时间尺度可预测性的评估精度。未来研究应扩展至CMIP6多模式大样本集合，耦合动态全球植被模型以解析植被反馈对SM记忆的影响，并针对不同干旱类型和不同季节开展精细化归因，同时探索机器学习与过程模型的混合建模方案以提升动态可预测性的模拟能力。