基于机器学习框架的土耳其极端干旱强度（最小SPI）空间分布估计研究

《Scientific Reports》：Spatial estimation of standardized precipitation index based drought severity across Türkiye using machine learning models

　　

摘要

在日益加剧的气候变化背景下，以最小标准化降水指数（SPI）值代表的极端干旱强度的可靠空间估计对水资源管理至关重要。然而，传统评估往往依赖于站点时间序列指标，对空间异质性和地形控制因素的表征能力有限。本研究利用土耳其102个气象站的长期降水记录，开发了一种机器学习框架，以估计代表极端干旱强度的最小SPI值的空间分布。对于每个站点和SPI累积期，极端干旱强度以1935–2024年记录中观测到的最小（最负）SPI值表示；该最小SPI值作为机器学习目标变量，纬度、经度和海拔则作为地理预测因子。共评估了七种机器学习模型，其中梯度提升机（GBM）精度最高（R²?=?0.991，RMSE?=?0.007），其次为XGBoost和CatBoost。结果表明，集成树模型能够高精度地复现站点网络中极端干旱强度的观测空间模式；而在无观测站点处建立预测能力则需要通过按站点分组的分区评估进行验证。此外，特征重要性和SHAP分析显示，空间预测因子（经度、纬度和海拔）的影响远大于时间尺度变量，尽管其相对重要性在不同模型之间存在差异。该框架为地形复杂区域的干旱监测提供了一种稳健、可解释且具有空间显式性的工具。