提升巴基斯坦干旱地区生态系统中干旱指数评估的准确性：一种结合遥感技术和季节性滞后效应的机器学习方法

《Physician Assistant Clinics》：Enhancing Aridity Index Assessment in Pakistan's Dryland Ecosystems: A Machine Learning Approach Integrating Remote Sensing and Seasonal Lag Effects

本研究评估了巴基斯坦三个干旱站点的干旱指数（AI）和标准化降水指数（SPI-3）从1990至2023年的时空变化规律，采用七种遥感指标协变量和季节性分解时间序列，结合梯度提升回归等四种机器学习模型预测AI。结果表明AI和SPI-3呈显著上升趋势，NDVI和NDWI呈现滞后正相关性，GBR模型表现最佳（R2=0.806）。研究强调了干旱与植被动态的季节滞后关系，为区域水资源管理提供依据。

　　干地生态系统对气候干旱的敏感性日益增加，这使得干旱压力不断加剧。因此，研究干旱指数（AI）和三月尺度标准化降水指数（SPI-3）在巴基斯坦三个干旱站点的时空变化，具有重要的现实意义。本研究利用了七种遥感指数作为协变量，结合SPI-3和平均温度，以提高干旱预测的准确性。此外，还采用了四种经过优化的机器学习模型，用于对季节性分解的时间序列进行分析。通过Mann-Kendall和Sen’s slope分析，发现AI和SPI-3值存在显著（p < 0.001）的上升趋势，表明近年来干旱程度相对较低。这一趋势与NDVI的上升趋势相一致，Sen’s slope范围从0.0002到0.003，显示出植被状况的改善。交叉相关分析揭示了生物物理指标对AI的季节性影响，其中在滞后0时，NDVI与AI呈正相关（r = 0.4），NDWI与AI呈正相关（r = 0.6），这表明生物物理指标对干旱的影响具有一定的滞后效应。此外，利用三月滞后大小进行AI预测的机器学习模型中，梯度提升回归（GBR）表现出色，其R2为0.806，RMSE为0.076，其次是随机森林（RF），其R2为0.732，RMSE为0.089。在表现优异的模型中，干裸土指数（DBSI）、NDWI和SPI-3具有较高的特征重要性。本研究强调了干旱与生物物理指标在干地生态系统中的时间与季节性关系的重要性，为地区性的土地和水资源管理政策提供了依据，以缓解水文气候极端事件。

全球气候变化受到人类活动的驱动，正在加剧气温上升，导致极端事件和复合事件的频率增加（Zhou et al., 2024）。根据Rogelj et al. (2011)的研究，21世纪在中等和高温室气体（GHG）排放情景下，全球气温将比1850-1900年水平上升1.5°C。在人类引发的全球变暖趋势背景下，极端高温和干旱事件变得频繁，对人类和农作物产生不可逆的影响（Bastos et al., 2020）。Chen et al. (2024)指出，高温干旱事件数量增加，而低温干旱事件则减少，对人类生活和农作物生产产生影响。例如，温度和降水的异常变化导致全球范围内的严重复合干旱和热浪（Qian et al., 2024）。干旱和半干旱生态系统对气候的微小变化都极为敏感（Ahmed et al., 2018）。气温上升和降水减少的趋势表明全球和区域干旱模式正在增强（Coleine et al., 2024; Pr?v?lie et al., 2021; Shi et al., 2023; Zarch et al., 2015）。根据联合国防治荒漠化公约（UNCCD）的报告，干旱指数低于0.65的干地生态系统占据了地球陆地表面的41%，并支持着33%的人口（Zhang et al., 2024）。干地与干旱等极端事件紧密相关，全球气温上升使得干地生态系统经历更多的大气干旱，导致更严重和频繁的干旱（Yu et al., 2024）。这种相互作用对干地生态系统的生态动态产生了重大影响，例如植被模式和生产力、水资源短缺、土壤养分和生物多样性丧失（Rodríguez-Lozano et al., 2025）。根据全球气候预测，到2100年，干旱和半干旱气候区的覆盖面积预计将增加11-23%（Huang et al., 2016）。

气候因素，包括温度、降水、湿度、潜热通量和太阳辐射，对于理解气候变化对干地生态系统的影响至关重要（Middleton and Sternberg, 2013; Wang et al., 2022）。例如，高温会增加潜在蒸散发（Yang et al., 2019），加剧干旱状况，通过增加干地环境中土壤和植物的水分流失（Hamed et al., 2023）。研究表明，气温上升的地区也记录了土壤水分的下降，这进一步加剧了干旱（IPCC, 2021; Stringer et al., 2021）。同样，低于正常水平的降水对地表和地下水的可用性产生直接影响（Kumar, 2012），进一步加剧了区域干旱程度（IPCC, 2021）。例如，Lionello and Scarascia (2018)也指出，干旱过程受到气温上升、降雨减少和湿度降低的共同影响。湿度较低会加速蒸发，显著减少土壤的水分含量。这在干地生态系统中尤为明显，低湿度使水资源短缺问题更加严重（Huang et al., 2017）。太阳辐射和潜热通量是与能量相关的因素（Bonannella et al., 2023），对于蒸发过程至关重要。这种蒸发在干地水循环中起着重要作用。这些气候因素共同导致了全球干旱的加剧，对农业、生物多样性和水资源管理产生了重要影响（Guhathakurta and Rajeevan, 2008; IPCC, 2021）。干旱指数（AI）能够以一种全面的方式反映气候的实际干燥或湿润程度，因为它同时考虑了降水和蒸散发（Yuan et al., 2017; Zhang et al., 2022a）。例如，Sahin (2012)将其解释为年降水量与年平均比湿的比值。干旱不仅影响植物的丰富度和生产力，还影响干地生态系统中地上和地下的物种结构和组成（Rafiq et al., 2025）。许多研究强调了干旱指数在干旱条件下的区域监测中的重要性（Mukherjee et al., 2018; Teutschbein et al., 2023），例如标准化降水指数（SPI）和标准化降水蒸散发指数（SPEI）（Katipo?lu et al., 2020; Nwayor and Robeson, 2024; Pei et al., 2020）。例如，Ullah et al. (2023)报告了SPI作为干地地区农业气象干旱监测的有用工具。另一项由Zhang et al. (2009)进行的研究也揭示了SPI和AI与降雨相关干旱趋势的综合影响。另一项近期研究由Tabari (2024)进行，展示了干旱和半干旱地区的地区性干旱加剧。因此，干旱生态系统中极端事件的频率和强度加快，突显了采取全面气候行动的紧迫性（Tripathy et al., 2023）。

此外，植被动态是干旱的重要代表，具有区域和季节性变化（Gao et al., 2025）。例如，干旱生境中的植被对干旱的反应比亚湿润生境更快（Vicente-Serrano et al., 2013）。然而，文献也表明植被能够适应不同的干旱水平（Pei et al., 2020; Vicente-Serrano et al., 2012）。因此，在气候压力下，基于遥感的生物物理指数对于监测干旱趋势和植被响应至关重要（He et al., 2019; Prasetyo et al., 2021）。NDVI、NDWI和NDBI等指数已被用于研究干旱和干旱敏感性（Mistry and Suryanarayana, 2023）。例如，Kimura and Moriyama (2021)通过NDVI和基于卫星的干旱指数的趋势估计，研究了蒙古的土地表面干旱状况。此外，遥感方法也被用于监测干旱对植被和土壤水分的延迟影响（Ren et al., 2024）。植被覆盖和裸地面积是干地生态系统中干旱的重要预测因子（Abel et al., 2024）。对这一主题的近期研究综述显示，越来越多的研究使用气候变量进行干旱分析（表1）。人工智能在机器学习（ML）模型方面的最新发展已被证明在预测研究中表现出色（Mohammed et al., 2024c; Wang et al., 2024a; Xu et al., 2024）。例如，ML算法已被广泛用于预测全球干旱和半干旱地区的极端事件（Elbeltagi et al., 2023; Mohammed et al., 2024a; Yang et al., 2023）。

根据Prasetyo et al. (2021)的研究，ML技术比其他算法更有效，表明其在干地生态系统中的应用价值。例如，Prasetyo et al. (2021)和Zhao et al. (2022b)也报告了ML算法如CART、随机森林（RF）、XGBoost、支持向量机（SVM）和神经网络（NN）在使用遥感和气候变量进行干旱和干旱预测中的有效应用。此外，长短期记忆（LSTM）网络也被报告在预测美国未观测流域的日径流和干旱方面优于传统模型（Kratzert et al., 2019）。

在巴基斯坦，干旱已被证明是一个重大的环境问题，因为其恶劣的气候条件。例如，Haider and Adnan (2014)使用GIS方法评估了巴基斯坦的干旱空间模式，利用了著名的气候驱动干旱指数。另一项研究由Siddiqui and Javid (2018)进行，他们使用遥感指标测量了巴基斯坦旁遮普省的干旱扩展。同样，Rafiq et al. (2023)使用气象指标测量了巴基斯坦俾路支省的干旱状况。然而，对先前研究的详细回顾显示，干旱地图和预测主要依赖于传统的GIS方法，并比较了当前和未来情景下的PET表现。然而，之前的任何研究都没有报告干旱对干地生态系统的影响的季节性滞后效应。回顾还发现，在评估广泛的基于遥感的生物物理指标以进行干旱预测方面存在重大差距。从国家角度来看，巴基斯坦尚未有研究利用机器学习方法增强干旱指数，同时考虑季节性滞后效应。因此，机器学习和季节性驱动因素在干旱实时监测中的应用仍然较为新颖。为了应对现有的研究空白，本研究的主要目标设定为：1）利用Mann-Kendall检验、Pearson相关性和交叉相关性方法，识别干旱指数（AI）、干旱（SPI-3）和遥感指数的季节性分解时间序列的趋势和关系。2）使用四种机器学习方法，包括多元线性回归（MLR）、支持向量回归（SVR）、随机森林（RF）和梯度提升回归（GBR），预测干旱指数，同时考虑三月滞后效应。

本研究的区域位于巴基斯坦南部旁遮普省的干旱农业生态区，包括三个县（Bahawalnagar、Bahawalpur和Rahim Yar Khan），每个县都有独立的气象站（图1）。从地理特征来看，该地区由平坦的地形组成，海拔从东北部的190米到西南部的不足40米（图1）。该地区通常土壤贫瘠，有机质含量最低（Sahar et al., 2023）。农业、裸地和

本研究采用的气候和遥感数据为干旱预测提供了基础。气候数据包括温度、降水、湿度、潜热通量和太阳辐射等变量，而遥感数据则包括NDVI、NDWI、NDBI等指数。这些数据通过多种方法进行处理和分析，以提取关键信息。例如，气候数据被用于计算潜在蒸散发，而遥感数据则用于评估植被覆盖和裸地面积的变化。通过这些数据的整合，研究能够更全面地理解干旱与植被之间的相互作用，以及气候变化对干地生态系统的影响。

在描述性统计分析和趋势研究中，干旱指数（AI）的描述性统计指标显示，该地区的最小干旱为0.0008，显示出超干旱状态，而最大值为1.26，显示出湿润条件。然而，该地区的平均AI为0.119 ± 0.185 SD，表明该地区处于干旱状态。同时，该地区也被发现存在干旱影响，平均SPI为-0.147±0.767 SD。SPI的最大值为2.01，显示出湿润条件。该地区的平均温度（Tmean）为25.8°C ±7.57 SD，表明温度较高。这些数据为研究干旱的趋势和变化提供了重要依据，同时也揭示了该地区在气候条件下的脆弱性。

在干旱趋势、模式及其与遥感指标的关系研究中，干地生态系统受到气候变化的严重影响，尤其是在温度上升和大气水分需求增加的背景下（Lian et al., 2021）。因此，利用多种气候和生物气候变量对干旱指数进行地图绘制和预测已成为评估沙漠化空间范围的重要手段（Silva et al., 2023）。目前，我们利用了多种基于遥感的生物物理指标来预测干旱指数，并考虑了滞后效应。AI的正Sen’s slope表明其存在上升趋势，这一趋势与SPI-3和NDVI的上升趋势相一致，显示出植被状况的改善。交叉相关分析进一步揭示了生物物理指标对AI的季节性影响，其中在滞后0时，NDVI与AI呈正相关（r = 0.4），NDWI与AI呈正相关（r = 0.6），这表明生物物理指标对干旱的影响具有一定的滞后效应。这些发现为干旱的预测和管理提供了科学依据，同时也为农业和水资源管理政策的制定提供了支持。

在研究方法和模型应用方面，本研究采用了四种经过优化的机器学习模型，包括多元线性回归（MLR）、支持向量回归（SVR）、随机森林（RF）和梯度提升回归（GBR）。这些模型被用于对季节性分解的时间序列进行分析，以预测干旱指数（AI）和标准化降水指数（SPI-3）的变化。梯度提升回归在预测中表现出色，其R2为0.806，RMSE为0.076，其次是随机森林，其R2为0.732，RMSE为0.089。这些模型的应用提高了干旱预测的准确性，同时也揭示了不同模型在干旱预测中的表现差异。此外，研究还发现，干裸土指数（DBSI）、NDWI和SPI-3在表现优异的模型中具有较高的特征重要性，表明这些指标在干旱预测中起着关键作用。

在研究的局限性和未来工作方面，当前研究主要集中在分析巴基斯坦亚区域层面的干旱时空模式和趋势。研究利用了广泛的基于遥感的生物物理变量，结合机器学习框架，对干旱进行预测。尽管研究结果提供了对干旱和干旱模式的深入分析，包括季节性滞后效应，但在研究目标、数据和方法方面仍存在一定的局限性。首先，研究可能未能充分考虑所有可能的气候变量，导致干旱预测的准确性受到一定影响。其次，数据的获取和处理过程中可能存在一定的误差，影响研究结果的可靠性。此外，研究方法可能在某些方面存在改进空间，例如可以进一步优化机器学习模型的参数设置，以提高干旱预测的准确性。未来的研究可以考虑扩大研究范围，涵盖更多地区和气候条件，以更全面地理解干旱的影响。此外，还可以结合更多的遥感数据，如土壤水分指数和植被覆盖指数，以提高干旱预测的准确性。同时，研究还可以进一步探讨干旱与其他气候因素之间的相互作用，例如温度、湿度和太阳辐射，以更全面地理解干旱的影响机制。

在研究的结论部分，干旱是农业和水资源管理中的关键挑战，特别是在干地生态系统中。巴基斯坦属于全球最易受干旱影响的地区之一，面临着气候变化带来的各种影响。然而，降雨季节性模式和其他气候因素对植被和其他物理资源的影响具有波动性。本研究评估了三个选定站点的干旱时空模式和短期气象干旱SPI-3的变化，为干旱的预测和管理提供了科学依据。同时，研究还揭示了干旱与其他气候因素之间的复杂关系，强调了在干旱管理中考虑季节性因素的重要性。这些发现对于制定有效的土地和水资源管理政策，以缓解水文气候极端事件具有重要意义。

本研究的作者贡献声明显示，Asad K. Ghalib负责撰写、审阅和编辑，数据整理和研究。Nausheen Mazhar负责撰写原始草稿，数据整理、概念化、研究和方法。Noreena负责撰写原始草稿和研究，数据整理。Issam Malki负责撰写、审阅和编辑，验证和方法。Sana Arshad负责方法、正式分析、概念化、监督、可视化和撰写审阅和编辑。研究未引用的参考文献包括Hargreaves and Samani, 1985; IPCC et al., 2021。研究声明没有竞争利益。数据将在请求时提供。研究未获得资金支持。作者声明他们没有已知的竞争财务利益或个人关系，这些关系可能会影响本研究报告的成果。