Spatio-temporal characteristics and driving factor identification of precipitation use efficiency: Based on machine learning and SHAP analysis
Shuai Zou · Fanxiang Meng · Ennan Zheng 等 6 人
基于多源遥感与可解释机器学习，揭示东北寒区降水利用效率时空特征及驱动因子。
2001-2024多源遥感数据，Theil-Sen、Mann-Kendall、H
PUE呈西北高东南低格局，驱动因子具非线性阈值与区域异质性。
可结合碳通量数据，探究PUE与碳汇耦合机制及阈值调控的生态管理策略。
基于2001—2024年多源遥感与SHAP可解释机器学习量化东北寒区降水利用效率驱动机制与生态阈值，方法新颖、数据规模大，对区域水土资源精准管理有参考价值，但属细分领域研究，公共影响有限。
降水利用效率（PUE）是生态系统“碳水”耦合的关键指标，研究其时空分布及驱动因素识别对区域生态水文过程与资源管理具有重要意义。本研究以我国东北寒区这一重要农业与自然生态区为对象，基于2001—2024年多源遥感数据，采用Theil-Sen趋势估计与Mann-Kendall显著性检验识别PUE变化趋势，并结合Hurst指数与变异系数分析其未来演变；进一步集成SHAP可解释机器学习模型框架，量化气候、植被与地形因素对PUE的多尺度驱动贡献，并识别关键因子的生态阈值。结果表明：（1）PUE空间分布呈西北高、东南低的梯度格局，年际变化呈“缓慢上升—显著下降—高位波动”的三阶段特征，数值范围为0.67~0.96 gC·m⁻²·mm⁻¹。（2）空间上，PUE不仅受多个单因子调控，因子间交互作用进一步强化其格局；时间上，PUE受气象与植被动态因子共同调控，关键影响因子表现出显著的非线性阈值响应。（3）不同PUE值区域的主导驱动机制存在显著异质性：低PUE值区域主要受高蒸散与弱持水能力制约，而高PUE值区域则依赖低降水条件下高效的水分转化利用策略。本研究揭示了东北寒区PUE的多尺度驱动因素并识别了关键调控阈值，为区域“碳水”一体化管理、精准植被恢复及气候变化适应策略提供了定量依据。