研究问题：这篇文章研究了气候变化对中国植被抗干旱能力的影响，特别是未来不同气候情景下的变化。

研究难点：该问题的研究难点包括：如何量化历史和未来的干旱特征，如何评估植被在不同干旱条件下的抗逆能力，以及如何识别影响植被抗干旱能力的关键干旱特征。

相关工作：已有研究主要关注干旱对植被动态的影响，但缺乏对未来不同气候情景下植被抗干旱能力变化的系统研究。

图1（Figure 1）：研究区地理位置及土地利用类型分布。

1（Figure 1）：研究区地理位置及土地利用类型分布。

研究方法

这篇论文提出了通过运行理论、多元综合评价方法和随机森林回归来研究未来干旱对中国植被抗逆能力的影响。具体来说，

运行理论：首先，使用运行理论定义干旱事件，计算干旱持续时间、严重程度、强度、频率和峰值。干旱持续时间（DD）指干旱事件的开始和结束之间的月份数，干旱严重程度（DS）为干旱期间NSPEI的累积绝对值，干旱强度（DI）为干旱期间NSPEI的平均值，干旱峰值（Peak）为干旱期间NSPEI的最小值。公式如下：

多元综合评价方法：其次，基于中国植被生产力的响应轨迹，确定不同地区植被对干旱的抗逆能力，并进行比较分析。使用标准化异常（SAs）反映植被生产力的异常状态，公式如下：

其中，SA(i,j)表示第i年j月的给定变量的标准化异常指数，X表示GPP变量，Xj和σj分别表示均值和标准差。植被抗逆能力通过以下公式计算：

其中，D表示抗逆能力，GeAnomaly表示干旱期间最严重的相对生态系统生产力异常，GrAnomaly表示抗逆能力最佳时的相对生态系统生产力异常，GsAnomaly表示干旱发生前的相对生态系统生产力异常。

随机森林回归：最后，使用随机森林回归模型分析干旱特征对植被抗逆能力的影响。模型参数设置为决策树数量为500，每个分类考虑的变量数为3。公式如下：

其中，hˉ(x)表示预测结果，h(x,θt)表示基于x和θt的输出，x是光谱指数，θt表示独立同分布的随机向量，T是回归决策树的数量。

实验设计

• 数据收集：使用了NSPEI、GPP、LAI和土地利用数据。NSPEI数据来自国家青藏高原科学数据中心，GPP数据来自国家青藏高原数据中心，LAI数据来自Li等人，土地利用和土地覆盖数据来自欧洲空间局（ESA）。

• 样本选择：选择了1980-2100年的时间范围，涵盖四个共享社会经济路径情景（SSP126、SSP245、SSP370和SSP585）。

• 参数配置：在随机森林回归模型中，决策树数量设置为500，每个分类考虑的变量数为3。

结 果

干旱特征的时空分布：历史干旱特征的时空分布显示，干旱持续时间较长，尤其是西北和东部沿海地区。未来干旱特征的时空分布表明，高排放情景下干旱持续时间将显著增加，特别是在西南地区和东北部地区。

植被抗逆能力的时空分布：历史时期植被抗逆能力的空间分布显示，东部地区的植被抗逆能力较强。未来不同情景下，低排放情景（如SSP126）下的植被抗逆能力较高。

干旱特征对植被抗逆能力的影响：随机森林回归结果表明，干旱持续时间和严重程度是影响植被抗逆能力的主要因素。未来高排放情景下，干旱强度和持续时间将对植被抗逆能力产生更大的影响。

结 论

这篇论文通过量化历史和未来的干旱特征，评估了植被在不同干旱条件下的抗逆能力，并分析了干旱特征对植被抗逆能力的影响。主要结论如下：

1. 未来干旱将更加频繁和严重，特别是在高排放情景下。

2. 植被抗逆能力在不同地区存在显著差异，西部地区的植被抗逆能力较弱。

3. 干旱持续时间和严重程度是影响植被抗逆能力的主要因素，未来高排放情景下，干旱强度和持续时间将对植被抗逆能力产生更大的影响。

4. 未来的干旱风险不仅体现在其强度上，还体现在其持续性上，可能对区域水循环、生态系统抗逆性和农业系统构成持续威胁。原文来自：https://doi.org/10.1029/2025EF007070

原文来自：https://doi.org/10.1029/2025EF007070