改进的短期干旱预测与归因方法：一种基于时空因果关系的深度学习技术

《Journal of Hydro-environment Research》：Improved flash drought forecasting and attribution: A spatial-temporal causality-aware deep learning approach

中国粤港澳大湾区闪 drought预测研究提出STC-CNN-LSTM模型，通过空间-时间因果模块增强传统CNN-LSTM架构，提升预测精度至NSE=0.83，F1=0.33。关键驱动因素包括土壤湿度记忆、向下长波辐射和降水，发现人为活动加剧区域干旱机制复杂性。

　　

唐思杰|王硕|姜吉平|郑毅

中国香港香港理工大学土地测量与地理信息系，沿海城市气候韧性国家重点实验室

摘要

突发性干旱对水资源管理和农业可持续性构成了重大挑战，因此提高其预测能力以减轻潜在风险至关重要。本研究提出了一种新颖的深度学习框架，该框架将空间-时间因果关系感知（STC）模块整合到CNN-LSTM混合架构中，以增强中国大湾区（GBA）的突发性干旱预测能力。消融实验表明，因果关系模块提高了模型的泛化能力（GA = 0.90）和性能（NSE = 0.83），并显著提高了突发性干旱发生预测的准确性（F1分数 = 0.33），优于基线模型。可解释人工智能（XAI）分析进一步揭示，纳入因果关系增强了关键干旱驱动因素的预测贡献，包括土壤湿度记忆、向下长波辐射和降水量。特别是，它揭示了干旱驱动因素的新见解：向下长波辐射在湿润亚热带气候中成为土壤湿度变化的关键但此前未被充分认识的预测因子。此外，本研究区分了慢速干旱和突发性干旱的机制，强调了初始土壤湿度和持续短波辐射在慢速干旱中的主导作用，以及快速能量不平衡和长波辐射在突发性干旱中的作用。进一步的研究结果表明，中国大湾区的人为活动加剧了干旱机制的复杂性，增加了预测难度和区域对水文极端事件的脆弱性。所提出的框架和见解为在湿润亚热带地区制定更有效的突发性干旱风险管理和适应策略提供了基础。

引言

近期研究越来越多地指出，突发性干旱（FD）由于其迅速发生和严重的影响而成为一个日益严重的问题（Senay等人，2008年）。这些事件在极端大气条件下（如高温、强风和低湿度）会迅速发展，通常由降水量不足或蒸发需求增加引发。因此，它们会对生态系统和农业系统造成重大破坏（Crausbay等人，2017年；Otkin等人，2015年）。全球范围的分析表明，在气候变化的影响下，突发性干旱变得更加频繁和强烈（Christian等人，2021年；Christian等人，2023年），中国南方已被确定为突发性干旱的高发区域（Qing等人，2022年；Yuan等人，2019年）。最近发生的几次事件突显了该地区的脆弱性。例如，2013年夏季，一次突发性干旱影响了13个省份，破坏了超过200万公顷的农作物（Yuan等人，2015年）。2019年夏末，另一次极端突发性干旱持续到秋季，影响了235万公顷的农作物，导致直接经济损失150.8亿元人民币（Wang等人，2020年）。有记录以来最严重的事件发生在2022年夏季，长江流域经历了自1961年有气象记录以来的最严重突发性干旱（Liu等人，2023年）。这次事件严重影响了水资源、水电生产、农业生产、生态系统和公共卫生，估计有5250万人和6090万公顷的农作物受到影响，造成直接经济损失512.8亿元人民币（Lu等人，2023年；Wang和Yuan，2023年）。

鉴于突发性干旱的迅速发展和严重后果，需要提高对其的认识，采取积极的适应策略，建立早期预警系统，并实施有效的应急响应（Otkin等人，2022年）。然而，它们的突然发生给及时预测和响应带来了重大挑战，使得资源管理者和利益相关者的决策变得更加复杂（Anderson等人，2013年）。尽管紧迫，但专门针对突发性干旱预测的研究相对较少。传统方法通常依赖于干旱指数、基于物理过程的模型或使用气象和水文变量的耦合系统（Tyagi等人，2022年）。基于指数的方法通常使用标准化降水指数或标准化降水蒸散指数等指标来评估土壤湿度和气候驱动因素之间的相互作用，以追踪干旱的发展并识别突发性干旱事件（AghaKouchak，2014年；Chen等人，2019年；Ho等人，2021年；Liang和Yuan，2021年；Yaseen等人，2025年；Yevjevich，1967年）。然而，这些方法往往难以捕捉多个驱动因素之间的非线性和动态相互作用。此外，基于物理的模型，包括全球气候模型和变渗透能力模型，已被用于模拟未来气候情景下的土壤湿度（Mishra等人，2021年）。它们的性能受到过程简化、模型参数的不确定性以及输入数据的粗略空间和时间分辨率的限制（Prodhan等人，2021年；Yuan等人，2020年）。因此，它们往往无法有效预测由复杂且快速演变的物理机制驱动的突发性干旱（Huntingford等人，2019年；Yuan等人，2020年）。

机器学习和深度学习技术在水环境（Ahmadianfar等人，2022年；Samadi-koucheksaraee等人，2019年；Samadi-Koucheksaraee等人，2022年；Shirvani-Hosseini等人，2022年）、水资源管理（Ahmadianfar和Zamani，2020年）以及传统的长期干旱预测（Jamei等人，2023年；Samadi-Koucheksaraee和Chu，2024年）方面展现了巨大潜力，因为它们具有出色的预测性能。然而，它们在突发性干旱预测中的应用仍然相对有限（Feng等人，2024年；Xu等人，2024年）。传统的机器学习模型（例如人工神经网络、支持向量机和随机森林）在处理多重共线性以及捕捉与干旱相关的变量之间的非线性关系方面表现出色（Park等人，2016年；Tufaner和?zbeyaz，2020年；Zhu等人，2021年）。基于这些优势，深度学习方法如长短期记忆（LSTM）网络和卷积神经网络（CNN）提供了进一步的优势。这些模型更适合学习复杂的时空依赖性，并且在存在滞后数据或高维数据时不易过拟合。因此，它们在涉及多尺度和多维输入的干旱预测任务中提供了更好的性能——这些特征与突发性干旱的动态特性特别相关（Dikshit等人，2021年；Xiao等人，2019年；Xiao等人，2024年）。

尽管在预测和分类方面表现出色，但数据驱动的机器学习和深度学习模型本质上并不是为了揭示或量化复杂系统内部的依赖关系而设计的（Runge等人，2019年）。为了解决这一限制，因果推断方法作为一种有价值的补充，通过提供可解释的、潜在确定性的数学结构来表示系统，从而有助于提高理论理解（Reichstein等人，2019年）。先前的研究表明，将动态系统的物理洞察整合到数据驱动模型中可以显著提高预测准确性和模型泛化能力（Cai等人，2022年；Hoedt等人，2021年；Jiang等人，2020年；Zhao等人，2019年）。此外，模型准确性的提高可以通过使用可解释人工智能（XAI）技术来加强事后解释的可靠性（Molnar，2020年）。XAI在地球科学应用中最近受到了越来越多的关注，它已被用于揭示洪水机制（Jiang等人，2024年）、生态系统响应（Li等人，2022年）和突发性干旱动态（Feng等人，2024年）的见解。

本研究提出了一种将空间-时间因果关系感知模块整合到传统CNN-LSTM框架中的方法，以改善中国大湾区（GBA）的土壤湿度和突发性干旱预测。基于这一架构，我们开发了一种空间-时间因果关系感知CNN-LSTM（STC-CNNLSTM）模型，该模型利用每日气象驱动因素的时空地图来预测土壤湿度。为了评估因果关系模块的附加值，我们将模型性能与现有模型进行了比较，特别关注突发性干旱事件的预测。我们还应用了一种XAI技术——预期梯度（Expected Gradients），来解释模型预测并识别影响突发性和慢速干旱发生的关键驱动因素。此外，我们研究了干旱发生的复杂性与该地区人类活动模式之间的相关性。这种增强因果关系的框架从根本上不同于现有的基于物理的机器学习方法，如物理约束网络或混合动态-统计模型。通过将因果强度直接嵌入到LSTM单元状态初始化中，它不仅提高了预测准确性，还增强了对复杂城市化环境中干旱发生机制的理解。

模型开发

为了改进突发性干旱预测并更好地理解其驱动因素，我们开发了空间-时间因果关系感知CNN-LSTM（STC-CNNLSTM）模型（图1a）。该模型基于周围3×3网格内14天时间序列的十个气象变量，提前两周预测中心像素的土壤湿度。

研究区域和数据集

粤港澳大湾区（GBA）是世界上人口最多的城市区域，总人口约为8600万，陆地面积约为56,000平方公里。以珠江三角洲为中心，GBA包括广州、深圳、香港和澳门等九个主要城市（图S4）。该地区的气候从湿润亚热带到热带不等，最南端的年平均降水量约为2000毫米。由于其庞大的人口

突发性干旱特征的变化

我们分析了1980年至2023年中国大湾区（GBA）的突发性干旱频率和趋势。自20世纪80年代以来，人为温室气体排放导致温度上升和气候变异性改变（Mouginot等人，2019年；Reid等人，2016年）。如图3所示，中国GBA大部分地区的突发性干旱频率增加，约74%的地区年突发性干旱频率较高，53%的地区显示出统计学上的显著增加。虽然某些地区

结论

为了促进有效的突发性干旱风险管理和适应策略，本研究引入了一种新颖的深度学习框架——STC-CNNLSTM模型——以增强土壤湿度和突发性干旱的预测。该框架利用CNN-LSTM骨干结构来捕捉土壤湿度对时空气象变量的依赖性。一种新颖的基于CCM的空间-时间因果关系模块被整合到传统的LSTM架构中，通过启动和

未引用的参考文献

Hunter, 2007; Lundberg and Lee, 2017; Paszke et al., 2019; Riveros-Iregui et al., 2007; Waskom, 2021.

CRediT作者贡献声明

唐思杰：撰写——原始草稿、可视化、验证、方法论、正式分析、数据管理。王硕：撰写——审稿与编辑、监督、资源协调、项目管理、资金获取、概念构思。姜吉平：撰写——审稿与编辑、监督。郑毅：撰写——审稿与编辑、监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本文所述的工作得到了中国香港特别行政区研究资助委员会（项目编号：PolyU/RGC 15232023）、Otto Poon气候韧性基础设施研究所（项目编号：P0055919）和香港理工大学（项目编号：P0045957的资助。此外，还得到了高级大学特别基金（项目编号：G030290001）的支持。

本研究的计算资源得到了