综述：关于识别干旱-洪水突变交替方法的系统综述：进展与未来方向

《Frontiers in Environmental Science》：A systematic review of methods for identifying drought-flood abrupt alternation: advances and future directions

干旱-洪水突变交替（DFAA）事件研究系统综述55篇文献，提出统一定义框架（涵盖过渡方向、时间、转折点及地理一致性），总结传统指标（SPI/SPEI）与新兴指数（LDFAI/MSDFI）的应用，揭示区域依赖性及驱动因素（降水主导，温度/蒸发蒸腾负相关），强调多源数据融合与机器学习在动态时间窗口优化中的应用，并指出未来需加强严重性、空间范围及跨学科管理研究。

　　干旱-洪水突变交替（DFAA）事件，其特征为极端性与快速转换，对准确识别构成了重大挑战。尽管已有研究对DFAA事件的识别方法进行了回顾，但对新兴概念和特征变量的关注不足，缺乏对方法论进展的全面总结。为弥补这些空白，本文系统地回顾了55篇相关文献，提出了一个统一的定义框架，综合了识别与特征分析的方法，评估了近期方法的进展，并展望了未来改进DFAA识别的方向。研究结果表明，58%的研究采用传统的干旱-洪水指数和指标，而42%则提出了针对DFAA的专用指数；传统方法往往忽视了DFAA的关键特征，将干旱和洪水视为独立事件，而非统一过程；而先进的方法则纳入了关键特征，如转换点、转换时间和转换速度，但在准确捕捉突变转换方面仍面临挑战；未来研究应整合多源数据集，并采用动态时间窗口，以提升DFAA识别能力，同时结合政策进步，强化预警与风险管理。

在气候变暖和降水变化加剧的背景下，干旱和洪水的频率、持续时间和强度都可能增加，这使得DFAA事件的识别更加重要。DFAA事件通常在短时间内发生，对生态系统、农业和社会经济造成严重影响。例如，2011年密西西比河流域的DFAA事件导致了约400亿美元的经济损失。由于DFAA事件具有复杂的特征，缺乏统一的定义框架使得其识别和关键时空特征的提取变得困难。因此，建立一个全面的定义框架对于深入理解DFAA事件的复杂性，以及提升灾害风险应对能力至关重要。

本文的系统性回顾包括以下几个方面：（1）总结DFAA事件的定义，为其识别提供理论基础；（2）全面回顾DFAA事件的识别与特征分析方法；（3）评估先进方法的优势与局限性，并揭示主要气候驱动因素对DFAA事件的区域影响；（4）提出改进区域DFAA识别的潜在方向。通过这些工作，本文旨在整合DFAA事件识别方法的进展，并提出未来的研究方向，以支持更有效的灾害缓解策略。

从定义角度来看，DFAA事件可以被视为一种极端复合事件，其特征在于干旱和洪水状态之间的快速转换。在这一方面，IPCC（2012）特别报告首次系统地介绍了复合事件的定义、类型及其他相关方面，其中包括干旱和洪水的相继发生。研究者进一步将复合干旱-洪水事件细分为四类：复合干旱-洪水事件、空间复合干旱-洪水事件、时间复合干旱-洪水事件以及时空复合干旱-洪水事件。空间复合事件指的是干旱和洪水分别发生在不同子流域或邻近流域；时间复合事件则强调干旱和洪水在相同地区连续发生，而DFAA事件则特别关注这种快速转换过程。

在方法论上，DFAA事件的识别主要依赖于干旱-洪水指标和指数。其中，32项研究采用了传统的干旱-洪水指标和指数，包括月度和日度尺度的指标。月度指标如SPI（标准化降水指数）和SPEI（标准化降水蒸散发指数）常用于捕捉干旱和洪水的频率和强度，但它们往往基于固定的时间尺度和预定义的转换点，难以准确识别DFAA事件的动态特征，如转换时间、转换速度等。相比之下，日度指标和指标结合运行理论（run theory）可以更精确地识别转换点和转换时间，但缺乏对转换速度的量化分析，因此在描述DFAA事件的动态过程方面存在局限。

为解决上述问题，一些研究者提出了专门的DFAA指数，如长期干旱-洪水突变交替指数（LDFAI）、短期干旱-洪水突变交替指数（SDFAI）以及多因子标准化DFAA指数（MSDFI）。这些指数通常结合多种气候因素，如降水、蒸发量和土壤湿度，以更全面地描述DFAA事件。其中，LDFAI和SDFAI因其简便性和可量化性而被广泛采用，但它们仍然受限于固定的转换点，可能遗漏或误判某些DFAA事件。相比之下，每日尺度的干旱-洪水突变交替指数（DWAAI）引入了转换速度作为新变量，进一步体现了DFAA事件的突变性，但仅关注干旱向洪水的转换过程，忽略了洪水向干旱的转换。

从特征变量的角度来看，目前的研究主要关注频率、强度和持续时间，而对转换点、转换时间、转换速度以及严重程度和空间范围的关注相对较少。频率作为核心变量被所有研究使用，而强度则被69%的研究采用，这表明当前研究更侧重于量化这些变量。然而，转换点、转换时间和转换速度等变量虽然重要，但使用率较低，这可能限制了对DFAA事件突变特征的深入理解。严重程度和空间范围作为评估DFAA事件后果的关键变量，其使用率较低，这表明当前研究在分析事件影响和空间分布方面仍有不足。

在气候驱动因素方面，研究显示降水是DFAA事件的主要驱动因素，尤其是在湿润亚热带和湿润大陆性气候区。然而，在半干旱气候区，温度和潜在蒸散发也起着重要作用。Meta分析的结果表明，降水与DFAA事件呈显著正相关，而温度和潜在蒸散发则与之呈负相关，尽管这些关系具有高度的区域依赖性。因此，识别DFAA事件的方法需要考虑区域特定的气候驱动因素，并结合多种变量以提高准确性。

在应对气候变暖带来的挑战方面，DFAA事件的识别需要更精确的数据和方法。传统的地面观测数据在某些地区可能不足以准确捕捉DFAA事件，因此需要结合再分析数据集和遥感数据。再分析数据集如ERA5、MERRA和NCEP因其广泛的时空覆盖而被广泛使用，但它们在某些地区如埃塞俄比亚可能存在数据缺失或低估短时变化的问题。遥感数据如TRMM降水、MODIS地表温度和SMAP土壤湿度可以间接反映干旱和洪水事件，但其数据周期较长，容易受到云层干扰。因此，未来的研究应探索如何结合多源数据，以提高DFAA事件识别的精度。

此外，机器学习（ML）和深度学习（DL）模型提供了新的可能性，能够动态调整时间窗口以捕捉DFAA事件的短时特征。例如，动态时间窗口可以根据时间序列的变化进行扩展或收缩，从而提高识别的准确性。然而，这种方法仍然需要更复杂的模型框架，并可能引入额外的不确定性。因此，未来的研究应进一步探索如何优化这些模型，以提高其在DFAA事件识别中的可靠性。

在应对DFAA事件带来的风险方面，需要建立综合的灾害管理体系，包括监测、预警和应急响应。由于DFAA事件的快速转换，早期预警和应急响应的时间窗口非常有限，这对灾害预防和应对部门提出了更高的要求。尤其是在人口密集且经济落后的地区，DFAA事件的影响更为严重，因此需要加强区域层面的识别和预警能力。此外，为了提升对DFAA事件影响的理解，未来的研究应更加关注事件的严重程度和空间范围，以支持更全面的灾害影响评估。

总的来说，DFAA事件的识别和研究仍处于发展阶段，需要进一步整合多源数据，采用动态时间窗口和复合指数，以提高方法的准确性和适用性。同时，结合机器学习和深度学习技术，以及改进气候模型的输出，将有助于更好地理解和预测未来DFAA事件的风险。此外，加强跨学科合作，将气象、水文和经济社会数据相结合，对于提升早期预警能力和适应性治理至关重要。通过这些努力，可以更有效地应对DFAA事件带来的挑战，为全球气候变化背景下的灾害管理提供科学支持。