基于数据分解与机器学习混合模型的帕尔默干旱严重度指数预测研究

《Scientific Reports》：Hybrid machine learning framework for drought forecasting: integration of LSBoost, RQNN, CNN-RNN, CNN-LSTM and advanced data decomposition

　　

摘要

干旱是一种自然灾害，对农业、水资源管理和生态系统平衡造成严重影响。持续的全球变暖和气候变化加剧了干旱情况。因此，合适的工具对于长期干旱监测和高效的干旱预测至关重要。帕尔默干旱严重度指数（PDSI）是一种用于监测长期干旱趋势的可靠指标，被广泛用于定义农业干旱和水文干旱。本研究使用了土耳其凯塞利气象站 1958 年 1 月至 2023 年 12 月期间的 PDSI 数据进行干旱预测。四种不同的机器学习模型，即最小二乘提升、回归分位数神经网络（RQNN）、卷积神经网络—循环神经网络（CNN-RNN）和卷积神经网络—长短期记忆网络（CNN-LSTM），与经验模态分解（EMD）、最大重叠离散小波变换（MODWT）、可调 Q 因子小波变换（TQWT）、经验小波变换（EWT）和变分模态分解（VMD）数据分解技术相结合。随后，详细评估了独立模型和混合模型的 PDSI 预测性能。1958 年 1 月至 2007 年 3 月的数据用于模型的训练阶段，而 2007 年 4 月至 2023 年 12 月的数据用于测试阶段。PDSI 的 t-1、t-2 和 t-3 滞后值被设定为输入变量，t 值被设定为输出变量。在所评估的模型中，EWT-RQNN 产生了相对较低的错误值，并在所考虑的性能标准上获得了较高的数值。TQWT-RQNN 和 EWT-CNN-LSTM 模型也以其优异的表现引起了关注。现有发现表明，与合适的数据分解技术混合的机器学习模型显著提高了 PDSI 预测性能。克鲁斯卡尔 - 沃利斯 H 检验结果显示，预测的 PDSI 值与观测值之间没有显著差异，证实了开发的模型总体上产生了成功的预测。基于现有发现得出结论，不仅稳健的模型架构，而且有效的预处理方法在预测像干旱这样复杂和非线性过程方面起着关键作用。