漢江流域驟旱演變規律及其對南水北調中線工程的響應分析

摘要：通過識別漢江流域驟旱事件，分析了漢江流域在南水北調中線工程實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（Support Vector Machine，SVM）和隨機森林（Random Forest，RF）3種機器學習方法建立了驟旱歷時回歸模型，定量分析了南水北調中線工程對驟旱歷時的影響。結果表明：①南水北調中線工程實施后，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，上游驟旱歷時顯著延長，中游增加幅度減弱，下游驟旱歷時卻縮短；②驟旱爆發歷時在空間分布上由5～6 d 均勻分布變為上下游不均分布，上游爆發歷時縮短至3～5 d，而中下游地區延長至7～9 d；③隨機森林對驟旱歷時模擬效果最好，氣候條件對驟旱歷時影響最大，相對重要性為0.34，其中降水為0.14，凈輻射為0.12，相對濕度為0.08，南水北調中線工程延長了漢江流域中下游地區的驟旱歷時，相對重要性為0.12。

關鍵詞：驟旱；演變規律；機器學習；南水北調中線工程；漢江流域

中圖分類號：TV68 文獻標識碼：A文章編號：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

南水北調中線工程作為國家南水北調工程的重要組成部分，有效緩解了中國黃淮海平原水資源嚴重短缺的難題，對優化水資源配置產生了重要作用［1］。漢江水在2014年12月12日正式送往京津冀及華北地區，中線一期工程調水后，漢江中下游地區農業、工業、生活等用水供需不平衡情況加劇，結合氣候變化與人類活動的綜合影響，漢江中下游地區生態與水文情勢發生了巨大變化［2-4］，影響了漢江中下游生態系統的功能和結構［5］。

干旱是中國發生最頻繁、影響范圍最廣泛的自然災害［6］。傳統的干旱發展緩慢，從干旱開始到達到強度和范圍上的最大值往往需要數月甚至更長的時間。而近年來，一種快速發展的干旱事件受到人們關注［7-9］，這種以發展速度快、干旱強度大為特征的干旱事件被稱為“驟發干旱”，簡稱“驟旱”。

對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、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，并將其分為高溫熱浪型驟旱和降水缺少型驟旱［11-13］；第二類是關注干旱快速發展的特性，通過土壤水分［14］或者其他干旱指數［15］的快速變化來刻畫驟旱的爆發、持續和消亡的階段來定義驟旱事件。目前，國內外許多學者對驟旱的現狀與發生機理進行了研究，任濤濤等［13］提取了黃土高原熱浪型和缺水型驟旱，研究了該地區驟旱時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其影響較大；Park等［16］利用遙感數據與氣候變率指數，建立了五日尺度的驟旱預測模型，捕捉到了驟旱的快速變化；Zhang 等［8］采用3種機器學習方法模擬了土壤水分百分位數下降速度，并對緩慢干旱與驟發干旱進行了檢測，發現隨機森林模型表現最好，并且利用隨機森林模型研究了降水負異常和潛在蒸散發正異常對緩慢干旱與驟發干旱的權重。

本研究采取上述第二種方法，基于土壤含水率數據，提取1974—2021年漢江流域土壤含水率分位數并識別驟旱事件。在此基礎上對南水北調中線工程開展前后，漢江流域驟旱事件特征展開對比分析。然后根據氣候、植被、下墊面、用水歷史數據與水庫調度情況建立驟旱歷時機器學習模型，進一步研究了上述因素與調水工程對驟旱變化的影響。

1研究方法與數據來源

1.1研究區域概況

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

1.2數據來源

用于提取驟旱事件使用的土壤含水率數據來源于歐洲中期天氣預報中心發布的 ERA5再分析數據集［19］。數據空間分辨率為0.25° ， 時間分辨率為1 h，其土壤含水率數據分為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土壤含水率數據進行分析。

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

1.3研究方法

1.3.1土壤含水率分位數

土壤含水率是指土壤中的水分含量，它對植物的生長發育至關重要［23］。土壤含水率反映了當前時刻該區域的土壤濕度狀況，但是不同區域與不同時間的土壤含水率難以直接對長時間、大范圍的干旱事件進行分析［24］。因此，本文計算了各個網格的土壤含水率分位數。首先，提取出研究區域內1974—2021年的所有數據，將逐小時的土壤含水率數據匯總平均至日尺度。再去除所有年份的2月29日數據，以一年365日為標準，得到一個48 a 的數據。其次，按照比例對前3層土壤進行加權計算，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、對數正態分布、指數分布、對數邏輯分布、極值分布等9種常見的概率分布的函數庫，并以Kolmogorov-Smirnov（KS）方法［25-26］進行檢驗，檢驗水平取0.05，如果p 值大于0.05則認為概率分布模型可以接受。如果有多個模型通過了檢驗，則用貝葉斯信息準則（BIC）［27］進行優選，為每天的時間序列挑選出最優分布，進而計算出每日土壤含水率分位數。最后，將得到的土壤含水率分位數日序列按照日歷順序重新組合，形成一個長序列。

BIC =-2 ln L + k· ln n（ 1）

式中：L 為估計模型的似然函數的最大值；k 為模型參數的數量；n 為樣本數據的數量。

1.3.2驟旱事件識別

本研究將從干旱的快速發展來捕捉驟旱事件，從干旱的持續時間區分于一般的干燥過程，從干旱的恢復過程明確驟旱事件的結束。土壤含水率低于40%分位數時，表明干旱開始；當土壤含水率低于20%時會對生態環境造成顯著影響［14］。對于一場驟旱事件，它應滿足：條件1，土壤含水率分位數從40%分位數下降到20%分位數不超過10 d；條件2，整個驟旱歷時應超過15 d。第一次出現低于40%分位數的記為驟旱事件的第一天，從開始到土壤含水率分位數下降至20%記為驟旱事件爆發期。當土壤含水率超過20%分位數，認為其驟旱結束。之后為傳統干旱，當土壤含水率分位數大于40%時干旱結束。圖2是研究區域內一次典型的驟旱事件發展持續與恢復過程。該定義完整捕捉了一場驟旱事件的爆發、持續與恢復過程，并且區別于短暫的干燥過程與緩慢的傳統干旱。

1.3.3趨勢分析法

Theil-Sen Median 方法是通過計算變量中任意2個數據點的斜率，然后將斜率中值作為估計量［28］。該方法被大量用于干旱變化趨勢分析［15，29-31］，本研究使用它來估計1974—2021年漢江流域驟旱頻次與驟旱歷時的趨勢變化。Mann-Kendall 檢驗不要求數據遵循一定的分布而且不受少數異常值的干擾，可以用于長時序的趨勢檢驗與分析［29］。本研究使用 Mann-Kendall 檢驗1974—2021年漢江流域驟旱頻次與驟旱歷時的趨勢變化的顯著性。

1.3.4驟旱時長回歸模型建立

本研究采用偏最小二乘回歸、支持向量機和隨機森林3種機器學習方法構建回歸模型。將南水北調中線工程實施以前的1992—2014年漢江流域中下游地區的氣候條件（相對濕度、凈輻射、降水量）、植被條件（歸一化植被指數）、下墊面條件（不透水面面積、農田面積）、需水條件（用水量）以及水庫調度（丹江口水庫蓄水量、出庫流量）數據作為模型的自變量，驟旱歷時作為因變量。隨機地選取80%的年份作為模型的訓練集訓練模型，其余20%作為測試集測試模型訓練效果。在隨機森林模型中，通過比較不同參數下的模型袋外數據誤差來確定最優的參數［32-33］，經過多次實驗，決策樹取500，最小葉子數取2時，模型預測結果最好。

以決定系數（R2）、均方根誤差（Root Mean Square Error ，ER）和平均絕對誤差（Mean Absolute Error ，EM）作為評價標準，見式（2）—（4）：

式中：yi為實測的第i年漢江流域中下游平均驟旱歷時；y（?）i為根據模型估算的第i年的驟旱歷時；y（-）為實際觀測的驟旱歷時的平均值。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驟旱因子相對重要性計算

為了消除不同變量大小對重要性計算的影響，在模型訓練前將所有的自變量因子標準化。在PLSR模型中，各個自變量的重要性對應于線性方程的回歸系數。在隨機森林模型中，可以通過對每個決策樹的節點進行分裂來估計特征的重要性，具體來說就是計算每個特征在每個決策樹中的分裂點選擇的準則，對所有決策樹的結果進行平均得到最終的特征重要性。

以1992—2014年作為基準期，利用該時段所訓練好的模型和2015—2021年調水期的數據作為輸入，計算2015—2021年調水期的驟旱歷時，分析原有因子（相對濕度、凈輻射、降水量、歸一化植被指數、不透水面面積、農田面積、用水量、丹江口水庫蓄水量與出庫流量）與南水北調中線工程對驟旱歷時的影響。本研究認為2015—2021年驟旱歷時的實測值與模擬值的差值由調水工程引起，從而劃分調水工程對驟旱歷時變化的影響。由于模型模擬存在一定偏差，計算基準期驟旱歷時采用模擬值，而非實測值。用式（5）—（10）計算調水工程與原有因子對驟旱歷時變化的貢獻率，并將原有因子的貢獻率按訓練好的特征重要性比例分配給具體各個因子，并計算相對重要性。

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 為基準期和調水期年均驟旱的變化量；ΔFobs1、Fobs2分別為基準期和調水期實際提取的驟旱天數；ΔFs1、Fs2分別為模型模擬得到的基準期和調水期的驟旱天數；ΔFT 為南水北調中線工程對驟旱歷時的影響；ΔFothers為原有因子對驟旱歷時的影響；

CT 為南水北調中線工程對驟旱歷時的貢獻率；Cothers為原有因子的貢獻率；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、水庫調度對驟旱歷時的貢獻率。

2結果與分析

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生頻次。1974—2014年，整個漢江流域驟旱頻次總數為8496次，平均每個網格每年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為1911次，平均每個網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。1974—2014年，整個漢江流域平均每個網格驟旱歷時為每年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，整個漢江流域平均每個網格驟旱歷時為每年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驟旱爆發歷時與爆發歷時占比

驟旱爆發歷時指的是土壤濕度從40%分位數下降到20%分位數所經歷的時間。這個指標反映的是干旱發展的迅速程度，爆發歷時越小表明干旱發展越快，越難以干預。1971—2014年，整個漢江流域驟旱爆發歷時比較均勻，上游爆發歷時相對較小為4～5 d，中游爆發歷時為5～7 d，下游為6～7 d。2015—2021年，漢江流域爆發歷時逐漸分化，空間差異較大。上游爆發歷時縮短至3～5 d，中游漢江干流沿岸爆發歷時延長至7～9 d，下游爆發歷時延長至6～8 d。

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

2.2漢江流域驟旱特征時間序列變化

圖6展示了1974—2021年漢江流域各個網格每年驟旱事件發生頻次與歷時。漢江流域驟旱頻次與驟旱歷時總體呈波動上升趨勢，且上升趨勢明顯。統計顯示：2013年是驟旱持續時長最的長一年，驟旱歷時達57.3 d；1974年為驟旱發生頻次最多的一年，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上的表現都是上升趨勢，且上升趨勢顯著。漢江流域下游變化與整體趨勢有較大差異，漢江流域下游驟旱歷時出現了下降趨勢，驟旱頻次呈微弱上升趨勢，變化都不顯著。

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

然后進一步分季節統計了發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，夏秋季節較高為36%與30%，最大達87%，春冬季節較低為22%與23%。夏季驟旱面積變化劇烈，表明夏季較有可能發生大面積驟旱事件。冬季有2個年份出現極值，分別為1974年的96%與1993年的 65%。

2.3驟旱歷時回歸模型建立結果與驟旱因子相對重要性分析

分別采用3種不同的機器學習方法對驟旱歷時進行模擬，模擬結果見表1。PLSR是一種基于線性回歸的多元統計分析方法，它要求各自變量與因變量之間有較好的線性關系。由模擬的結果來看，PLSR 與 SVM模型在用于估算驟旱歷時的表現上并不好，雖然訓練集的 R2為0.64與0.77，但是測試集的 R2都不足0.5，同時較高的 ER 提示其處理離群值時可能表現不佳，無法表現一些比較異常的年份。 RF模型的擬合效果在三者中表現最好，其訓練集的R2達到0.77，測試集 R2也有0.74。在 ER 與 EM 上表現也比較好，其中訓練集分別為5.69與3.67，測試集為6.81與3.80。

綜上所述，對比以上3個模型，RF模型較好反映了各項因子對驟旱歷時的模擬，選用該模型進行重要性計算。為了定量分析調水工程對驟旱變化的影響程度，將調水期的數據作為輸入得到驟旱歷時模擬值28.85 d。由表2可知，調水期實測值與基準期模擬值相差1.88 d，將其確定為2個不同時期驟旱歷時的總變化量。通過式（4）分離原有因子與調水工程的變化，可知原有因子導致驟旱歷時增加了1.65 d，貢獻率為88%，南水北調中線工程導致驟旱歷時增加了0.23 d，貢獻率為12%。

在 RF 模型中，特征重要性反映了每個變量對模型預測能力的貢獻度，數值越高表明對模型預測結果影響越大。根據 RF模型中每個特征的重要性按比例分配到原有因子中，得到圖9結果。由圖9可知，對驟旱歷時影響較大的為氣候條件與水庫調度，相對重要性為0.34與0.21；其余條件對驟旱歷時的影響較為接近，其中南水北調中線工程延長了驟旱歷時，加劇了驟旱的情況，相對重要性為0.12。

3結論

基于多源數據，提取了漢江流域1974—2021年驟旱事件，并對驟旱事件特征的時空分布進行了分析，比較了基準期（1974—2014年）與調水期（2015—2021年）2個不同時期，驟發干旱在發生頻次、事件歷時與爆發時間、爆發時間占比的差異，并且比較了3種機器學習方法在驟旱歷時回歸模型中的表現，計算得出了各條件對驟旱歷時的相對重要性，得出以下主要結論。

a）1974—2021年漢江流域整體驟旱歷時與驟旱頻次呈現波動上升趨勢，且趨勢顯著。對比調水前（1974—2014年）與調水后（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，在驟旱歷時上，漢江流域上游、中游有所延長，而漢江下游卻在縮短。

b）驟旱爆發歷時在空間分布上由調水前（1974—2014年）的均勻分布發展到調水后（2015—2021年）呈現上下游不均分布。中下游地區爆發歷時延長至7～9 d，而上游縮短至3～5 d，這提示著對漢江流域上游的災害預警與防御提出更高要求，調水工程與大壩水庫的修建削弱了驟旱的快速發展。

c）在 PLSR、SVM 和 RF 三種機器學習方法中， RF對驟旱歷時的模擬效果最好。根據貢獻率計算結果表明，南水北調中線工程一定程度上加重了漢江流域中下游地區的驟旱歷時。在各項條件中，氣候條件和水庫調度對驟旱歷時影響最大，相對重要性為0.34與0.21；其次為下墊面條件、用水條件與調水工程，相對重要性分別為0.13、0.12與0.12，植被條件對驟旱歷時影響最小，相對重要性為0.08。

參考文獻：

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

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

［3］朱燁，李杰，潘紅忠.南水北調中線調水對漢江中下游水文情勢的影響［J］.人民長江，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，吳統文，等.世界干旱氣候研究動態及進展綜述（Ⅰ）：若干主要干旱區國家的研究動態及聯合國的貢獻［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年我國農業區域三類驟旱時空分布特征分析［J］.地球科學進展，2018，33（10）：1048-1057.

［10］袁星，王鈺淼，張苗，等.關于驟旱研究的一些思考［J］.大氣科學學報，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空變化特征及其影響因素［J］.干旱區地理，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干旱和緩慢干旱時空特征分析［J］.農業工程學報，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.變化環境下東江流域水文干旱特征及缺水響應［J］.水科學進展，2016，27（6）：810-821.

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

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

［29］程偉，辛曉平.基于 TVDI 的內蒙古草地干旱變化特征分析［J］.中國農業科學，2020，53（13）：2728-2742.

［30］張世喆，朱秀芳，劉婷婷，等.氣候變化下中國不同植被區總初級生產力對干旱的響應［J］.生態學報，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.

（責任編輯：向飛）