《Environmental Modelling & Software》：AI Based Drought Assessment Amid Climate Change: A systematic review
编辑推荐：
•对103项使用人工智能进行干旱评估的研究进行了批判性分析•模型性能取决于架构优势与输入结构的匹配程度•特征工程、混合方法、集成学习与优化方法可提高精度•物理信息驱动的随机模型为研究提供了稳健且可靠的途径引言"干旱是一种气候现象，当水资源的可用性（大气水、地表水、土壤水或地下
- •
对103项使用人工智能进行干旱评估的研究进行了批判性分析
- •
模型性能取决于架构优势与输入结构的匹配程度
- •
特征工程、混合方法、集成学习与优化方法可提高精度
- •
物理信息驱动的随机模型为研究提供了稳健且可靠的途径
引言
"干旱是一种气候现象，当水资源的可用性（大气水、地表水、土壤水或地下水）在数周至数年的时期内显著下降时，几乎可在任何地方发生"（综合干旱管理计划（IDMP），2022年）。它是其中最复杂、最具隐蔽性的自然灾害之一，常被描述为"缓慢蔓延的灾害"，因其发生缓慢且对环境和社会经济的影响深远（Ozger等，2011；Wilhite，2012）。尽管每一个无雨日对累积严重程度的贡献都是均等的，但只有事后才能被认知（Tannehill，1947），这使得早期检测和及时干预变得困难，而空间和时间上的强变异性以及行业特定的影响使这一挑战更为复杂。随着人为气候变化导致干旱频率、强度和范围的上升（Devanand等，2024；IPCC，2014；Mohammed等，2024），这些困难变得越来越重要。而且，其影响已经相当严重：1900年至2015年间，干旱占全球自然灾害造成的经济损失的近12%（图1a）（Daniell等，2016），这一比例在持续变暖的情况下预计将增长。然而，干旱管理仍以被动应对为主，这凸显了需要能够支持早期预警、长期规划和韧性建设的评估框架（Raikes等，2019）。
满足这一需求还受到传统干旱评估局限性的进一步制约。大多数评估依赖于从历史水文气象数据中得出的标准化指数，这些指数往往假设平稳性和线性，而这些假设在变化的气候下越来越被违背。此外，这些指数缺乏可观测的物理对应物，需要通过代理指标进行验证（Chang等，2016；Huang等，2015），而相同条件下各指数的不同响应又进一步引入了不确定性。综上所述，非平稳性、指数分歧和弱验证共同削弱了传统干旱评估的稳健性和可信度。这些局限性植根于固定的统计公式，不适用于非线性、非平稳和高维关系，促使人们对人工智能（AI）作为干旱评估的替代框架产生了日益增长的兴趣。
近年来，得益于更强的算力和更丰富的数据可用性，机器学习和深度学习的最新进展大幅扩展了它们的能力（Elbeltagi等，2024；Felsche & Ludwig，2021；Wang等，2023）。循环神经网络（RNN）、卷积神经网络（CNN）和变换器等新架构能够很好地建模高维、非线性和非平稳的水文气候关系（?oban等，2024；Mehr等，2022；Vaswani等，2017）。它们作为函数估计器的灵活性进一步支持了自适应、可扩展和自动化的解决方案，特别适合在干旱监测、预测和预报任务中应用，而在这些任务中传统统计方法往往难以奏效（Maity等，2024）。总体而言，这些进展推动了近年来基于人工智能的干旱评估研究的增长（图1b），凸显了对系统评估其能力、局限性和方法严谨性的需求。
然而，在已识别的17篇综述文章中，仅有5篇涉及基于人工智能的干旱评估，其中只有2篇专注于此：一篇是关于机器学习在干旱监测和预测中的应用（Prodhan等，2022），另一篇是关于农业干旱的大数据方法（Hanadé Houmma等，2022）。其余文章（Balti等，2020；Mishra & Singh，2011；Sharma & Panu，2024）将其作为更广泛研究主题中的次要组成部分来对待。总体而言，这些综述主要具有描述性特征，对AI模型有效性和方法严谨性的评价有限。本综述通过系统评估涵盖整个干旱评估工作流程的人工智能应用来弥补这一空白，包括特征工程、建模和输出验证。除了对模型性能进行编目之外，它通过评估物理一致性、潜在的偏倚来源以及在考虑循环性和数据泄漏等潜在风险的情况下所报告结果的可靠性，批判性地审视了方法严谨性。通过综合干旱监测、预测和预报方面的证据，它进一步凸显了在何种不同条件下基于人工智能的框架与传统方法的比较结果。
为确保所综述文献的一致性，并鉴于缺乏一个普遍接受的定义（Eslamian & Eslamian，2017；Lloyd-Hughes，2014；Wilhite & Glantz，2009；Yevjevich，1967），本研究采用统一的干旱定义，即相对于气候常态，水文循环任何组成部分中自然水资源可用性的持续但暂时的亏缺。这一定义与IPCC（2014）的风险框架一致，将干旱灾害与水稀缺区分开来，并将社会经济干旱视为一种影响而非独立的干旱类型。本文余下部分按照图2所示的提纲展开。第2节描述系统综述方法，第3节呈现研究趋势和分布，后续各节则分别考察特征工程、人工智能在干旱回溯和预测中的应用、集成和随机AI框架以及物理信息神经网络。
各章节摘要
系统文献综述
本研究开展了一项系统文献综述，确保透明度、严谨性和可重复性。在启动综述之前，我们检索了国际前瞻性系统综述注册库（PROSPERO），以确认没有已注册的等效综述，避免重复工作。随后制定了一个结构化的检索策略以识别相关文献。首先，使用人群-干预-对比（PIC）框架定义了检索概念，
研究趋势与分布
所选研究严重偏向于干旱监测和预测，在气候预报方面的应用有限（图4a）。这些短至中期的应用对于早期预警和运营水管理至关重要，但它们对气候变化下的长期适应、战略规划和政策制定所提供的支持很少。尽管如此，使用气候模型输出中可用的预测变量集开发的AI模型可用于未来干旱
特征工程
与通过显式方程模拟水文过程的传统物理模型不同，AI模型直接从数据中学习关系。一个典型的AI建模工作流程包括提供输入变量（如降水、温度、蒸散发和遥感指数），以训练预测干旱指标、指数或类别的模型。这些模型识别训练数据中的统计关系并将其应用于未见过的条件。然而，
人工智能在干旱回溯中的应用
人工智能在历史干旱评估中的应用主要集中于提高预测精度，而对可靠性的关注相对较少。现有研究广泛涵盖三个主要方面：(i) 确定适合改进干旱模拟的AI模型和方法，(ii) 开发结合多个指标信息的综合干旱指数，以及(iii) 分析不同类型的干旱驱动因素、交互作用和传播过程。
人工智能在干旱预测中的应用
人工智能在干旱预测中的应用主要集中于通过模型架构探索、混合方法、集成学习和参数或超参数优化来提高预测能力。大量工作被投入到特征工程（第4节）中，这几乎完全支持预测任务，而在预测过程中理解干旱驱动因素仍然有限（Felsche & Ludwig，2021）。这一空白可能反映了知识从
集成与随机人工智能框架
在各研究中，应对模型不足存在两种概念上不同的响应方式反复出现：集成学习，即结合多个学习器以减少单一估计器的方差和偏差；以及随机预测，即用分布取代点估计以量化预测不确定性。尽管这两者经常被混为一谈，但它们针对不同的目标：集成学习是确定性的，旨在提高预测精度，而随机预测则针对预测的可靠性和
物理信息神经网络
尽管频繁使用"物理信息"或"混合物理-AI"等术语，但所选研究中没有一项实施了真正的物理信息神经网络（PINN），既没有通过损失函数强制执行物理定律（LF-PINN），也没有将简化的物理模型嵌入网络架构中（PM-PINN），在其中物理不一致性是在训练过程中受到惩罚，而非仅从数据中学习（Xi等，2025；T. T. Zhang等，2025）。相反，这些术语被用于
结论与建议
面对一个使干旱更加频繁、强烈和非平稳的变化的气候，本综述考察了人工智能在多大程度上相对于传统方法有效地应对干旱评估，以及其局限性所在。总体结论是，预测性能是整个建模流程的特性，涵盖了输入选择、信号处理、模型架构、校准和调优，其有效性在不同地区、时间尺度和预测
CRediT作者贡献声明
Suwas Ghimire：撰写——初稿、可视化、方法论、调查研究、形式分析、概念化。Nasser R Sabar：撰写——审稿与编辑、监督。Abdullah Gokhan Yilmaz：撰写——审稿与编辑、监督、项目管理
未引用参考文献
Belayneh and Adamowski, 2012; Belayneh et al., 2016; Dikshit et al., 2021; Heim Jr, 2002; Integrated Drought Management Programme, 2022; IPCC et al., 2014; Khan et al., 2020; Liu et al., 2023; Sadri and Burn, 2012; Wang et al., 2024; Zhang et al., 2024; Zhang et al., 2024; Zhang et al., 2025; Zhang et al., 2023.
利益冲突声明
? 作者声明，他们没有已知的可能被认为会影响本文所报告工作的竞争性经济利益或个人关系。
Suwas Ghimire | Abdullah Gokhan Yilmaz | Nasser R. Sabar
