基于机器学习的孟加拉国气候变化情景下干旱易发性空间预测

《Physics and Chemistry of the Earth, Parts A/B/C》：Machine Learning based Spatial Prediction of Drought Susceptibility in Bangladesh under Climate Change Scenarios

　　

• 通过皮尔逊相关分析和方差膨胀因子（VIF）分析，从27个指标中筛选出13个关键预测因子• CatBoost模型在干旱易感性制图方面取得了最高的AUC值0.99• 各研究Upazila（联合乡）的干旱易发区域比例介于1.04%至43.32%之间• 在未来降水情景下，高风险区域比例可能从2.69%扩大至7.70%• 植被健康状况和蒸散发是干旱风险趋势的主要驱动因素引言干旱是一种发展缓慢的自然灾害，已成为影响农业生产、水资源以及威胁生态系统稳定性和社会经济进步的重大全球性问题（Blauhut, 2020; UNDRR, 2021）。研究表明，全球范围内干旱发生的频率和强度均在增加，这主要归因于人类对资源的过度利用、气候变化以及降雨模式的改变（Saha et al., 2021, 2023a）。联合国政府间气候变化专门委员会（IPCC）指出，在过去二十年中，干旱影响了超过15亿人，干旱和半干旱地区的脆弱性日益加剧（IPCC, 2023）。这些地区往往依赖浅层水源和依赖雨水的农业，这导致频繁干旱期间粮食短缺和经济损失加剧（Ahmed et al., 2021; Hoque et al., 2020, 2021; Saha et al., 2021, 2023a）。南亚地区季风气候和广泛的农业人口使该地区极易受到各种干旱类型的影响，包括气象、水文、农业以及社会经济方面的干旱（Saha et al., 2023a）。印度、巴基斯坦、尼泊尔和孟加拉国面临日益加剧的干旱问题，对农村社区、地下水资源和农业实践产生负面影响。孟加拉国西北部的巴拉德地块因其浅层黏土土壤结构、降雨量有限以及蒸散发率高等特征，成为季节性干旱热点区域（Hoque et al., 2020; Kamruzzaman et al., 2022）。由于季风到达减弱和地表水网络薄弱，西北地区面临水资源短缺，而南部地区则面临洪涝灾害（Sadiq et al., 2023a）。巴拉德地块涵盖拉杰沙希、瑙高恩和恰帕伊纳瓦布甘杰等地区，由于降雨不均、地下水位下降和快速变化的土地利用，这些地区面临严重的干旱问题（Zarei et al., 2021）。此地的旱季十分严酷，气温上升损害了该地区的 staple 作物——水稻种植（Hossain et al., 2021; Tahasin et al., 2024）。当地超过30%的人口依赖农业，大量抽取地下水进行灌溉对环境和人类都造成了压力（Tahasin et al., 2024; Zinat et al., 2020）。在拉杰沙希，过去十年间地下水位下降了2至3米，许多农民现在转而种植豆类、蔬菜等耐旱作物（Mas-ud et al., 2022; Sadiq et al., 2023a; Tahasin et al., 2024）。该农业区的干旱发生频率增加，凸显了迫切需要制定专门方法以预测谁在何地最容易受到干旱风险影响的紧迫需求。干旱风险评估方法在全球范围内已从单一指数方法发展为整合气象、水文、植被、地形、地质和社会经济指标的多标准框架（Balaganesh et al., 2020; Sahana et al., 2021; Swain et al., 2022）。孟加拉国的统计评估证实，标准化降水蒸散发指数（SPEI）在捕捉温度驱动的干旱严重程度方面优于标准化降水指数（SPI）（Uddin et al., 2020）。有效干旱指数（EDI）在孟加拉国也得到了广泛应用，凸显了其在捕捉干旱发生和严重程度方面优于SPI的优势（Mondol et al., 2021）。早期的努力依赖于标准化降水指数（SPI）、标准化降水蒸散发指数（SPEI）和帕尔默干旱严重度指数（PDSI），这些指数缺乏空间精度和生态相关性（WMO, 2015; Zargar et al., 2011）。如今，归一化植被指数（NDVI）、归一化差水指数（NDWI）、归一化干旱指数（NDDI）、植被条件指数（VCI）和地表温度（LST）等遥感指数被广泛用于捕捉植被胁迫和水分含量变化（Wang et al., 2020）。近期研究强调了将SPI与地表指数相结合以提高分类精度的应用。SPI与NDVI和LST结合被用于评估印度的干旱状况（Heydari Alamdarloo et al., 2020; Sivakumar, Ramalakshmi, et al., 2020）。在孟加拉国北部，已使用归一化差湿度指数（NDMI）、NDWI和蒸散发等遥感指数来评估干旱严重程度，捕捉水分变化和植被状况（Sadiq et al., 2023a）。海拔、坡度、曲率和径流累积等地形特征显著影响水资源可用性和径流，已被用于区域干旱制图（Mallick et al., 2022）。蒸散发（ET）和地下水深度等水文变量对于识别长期水资源胁迫至关重要（Sadiq et al., 2023a）。这些参数在半干旱和依赖季风的地区尤其相关，因为年度波动会加剧水资源失衡（Saha et al., 2023a）。人口密度、收入多元化、灌溉依赖度、种植强度和土地利用/土地覆盖（LULC）变化等社会经济驱动因素日益被整合到干旱脆弱性框架中，以反映人地相互作用（Afrin et al., 2024; Saha et al., 2023a; Salam et al., 2021; Wang et al., 2020）。在印度西孟加拉邦，遥感、层次分析法（AHP）和深度学习的组合被用于将气象、水文、地形和社会经济图层整合为干旱脆弱性指数（Saha et al., 2023a）。不同的机器学习方法被用于对这些复杂相互作用进行建模。许多研究者倾向于使用随机森林和支持向量机，因为它们能够处理非线性关系和多共线性问题（Heydari Alamdarloo et al., 2020）。支持向量回归（SVR）、随机森林（RF）和支持向量机（SVM）与堆叠集成的组合在伊朗干旱风险制图方面取得了优越的精度（Arabameri et al., 2022）。卷积神经网络（CNN）和长短期记忆网络（LSTM）模型在澳大利亚也取得了高精度（Rezaie et al., 2025）。近期研究已将从单一算法到比较性、集成和多源建模框架的机器学习干旱预测方法进行了拓展。在孟加拉国，Al Mamun等人（2024）比较了24种机器学习算法以进行多时间尺度SPEI预测，并识别出降水、水平衡和温度为有影响力的干旱预测因子。Zhang等人（2024）开发了一种整合XGBoost、随机森林和LightGBM的堆叠集成模型，展示了集成学习在提高干旱预报精度和表征时空变异性方面的潜力。类似地，Oyounalsoud等人（2024）将气候变量与土壤湿度信息相结合，开发了基于人工智能的干旱指数，凸显了整合大气和地表条件在干旱预测中的价值。这些进展支持使用比较性集成模型和多源环境预测因子进行空间干旱易感性评估。近期研究在干旱建模中纳入了基于代表性浓度路径（RCP）情景的气候变化预测。CMIP5和CMIP6的预测已应用RCP 2.6、4.5和8.5等情景来考察未来降雨、温度和蒸散发的变化（Kamal et al., 2021; Khan et al., 2020）。模糊层次分析法（Fuzzy-AHP）与元胞自动机-马尔可夫（CA-Markov）模型相结合也被用于预测伊朗的干旱易感性，预计到2040年东部地区将加剧（Mokarram et al., 2021）。该方法能够在变暖情景下早期识别可能面临加剧干旱风险的区域。在孟加拉国，干旱评估历史上仅限于降雨异常和SPI（Aziz et al., 2022; A. R. Md. T. Islam et al., 2021; Kamruzzaman et al., 2022; Mondol et al., 2016, 2021; Shahid & Behrawan, 2008）。NDVI异常与作物产量变异性之间存在相关性，验证了其在业务监测中的使用（Alharbi et al., 2022）。基于植被的指数如VCI、NDMI和NDWI已证明在追踪旱季植被胁迫方面是有效的（Hoque et al., 2020）。这些指数经常与气象数据结合使用，以区分短期和长期干旱事件。蒸散发（ET）和地表温度（LST）被用于评估地表水分损失和蒸散发胁迫（Kamruzzaman et al., 2022）。从水文角度来看，孟加拉国西北部过度抽取地下水已导致含水层持续枯竭（Ahmed et al., 2021）。地下水深度目前已被公认为水文和社会经济干旱分析中的关键变量（Ahmed et al., 2021）。土壤质地、渗透性和LULC数据也被用于评估干旱易感性，因为它们对下渗和水分保持有影响（Sultana et al., 2021）。一项全国尺度的干旱脆弱性地图使用AHP方法开发，纳入了海拔、LULC、坡度、降雨量、人口密度和NDVI（Sarkar et al., 2024a）。该研究确定拉杰沙希和瑙高恩为最易遭受干旱的地区之一。类似地，利用NDVI、VCI、TCI和农民调查数据考察了拉杰沙希干旱的社会经济后果（Tahasin et al., 2024）。随机森林（RF）模型也被用于预测孟加拉国北部的干旱，使用了SPI、NDVI、NDWI和ET，模型准确率超过90%，证实了遥感指数和气候指数的预测能力（Sadiq et al., 2023a）。然而，迄今为止孟加拉国尚未有综合研究将所有相关参数领域（气候、水文、地形和社会经济）整合到比较性机器学习框架中。此外，很少有研究使用CMIP5或CMIP6气候预测来模拟未来干旱易感性，这一领域的研究存在重大空白。涵盖拉杰沙希、瑙高恩和恰帕伊纳瓦布甘杰的巴拉德地块是孟加拉国最易遭受干旱的区域。该地区降雨量低、土壤为浅层黏土、地形平坦且地下水过度开采，使其尤为脆弱。使用随机森林模型发现，SPI、NDVI、NDWI和ET对短期和长期干旱检测有重要影响，研究结果表明拉杰沙希经历的干旱严重程度最高（Sadiq et al., 2023a）。NDVI、VCI、TCI、地下水深度、种植强度和田野调查的社会经济数据也被用于揭示巴拉德地区干旱驱动的谋生方式转变（Tahasin et al., 2024）。通过AHP和GIS确定干旱区域时，海拔、坡度、曲率、径流累积和河流邻近性的重要性也非常高（Sarkar et al., 2024a）。LULC、人口密度和地形指数通过深层神经网络（DLNN）和CatBoost算法在脆弱性建模中也具有重要影响（Saha et al., 2023a）。然而，大多数针对巴拉德地块的研究范围仍然有限，往往依赖单一模型或较窄的变量集。尽管孟加拉国的干旱建模多年来有所发展，但研究中仍存在主要空白。目前大多数模型是静态的，依赖于少数变量如SPI或NDVI，经常遗漏关键因素如包括坡度、海拔和曲率的地形特征，以及蒸散发和地下水等水文数据以及人口密度和种植模式等社会经济要素。很少有研究使用相同的输入变量对多种机器学习算法进行比较分析，以寻找预测干旱的最佳方法。在针对受干旱影响的农村地区（如拉杰沙希）的情景研究中使用RCP 2.6、4.5、6.0和8.5等气候预测仍然很少见。目前拉杰沙希的干旱易感性研究主要集中在现状条件上，未能提供反映未来气候情景的空间定向预测。鉴于多维干旱脆弱性评估中存在的空白，以及拉杰沙希局部社会环境干旱易感性驱动因子捕捉方面的局限性，本研究提出了一种综合多变量框架，整合了来自高分辨率多源地空和气候数据集的27个参数。此外，本研究的主要方法论贡献在于整合多个指数来评估干旱易感性。传统的干旱研究经常依赖单一指标，如SPI、NDVI或降雨异常，这些指标可能只反映干旱的一个方面。干旱不仅受降雨不足的影响，还受植被胁迫、地表水短缺、土壤和冠层水分耗竭、温度胁迫、土地覆盖条件和与地形相关的水分保持能力的影响。本研究整合了水敏感指数、植被指数、水分指数、干旱胁迫指数和植被健康指数，以提供全面的干旱易感性描述。该研究通过将参数分为三组推进了方法论：（i）地形参数、（ii）水文气候参数和（iii）土地覆盖参数，并通过相关分析和VIF分析进行了严格筛选。该研究评估了九种机器学习算法的空间干旱易感性制图能力，并整合了NCAR社区气候系统模式第4版（CCSM4）在RCP2.6、RCP4.5、RCP6.0和RCP8.5情景下的CMIP5气候预测。未来降水和蒸散发条件通过经验调整的多模型预测来表示，涵盖结束于2040年、2060年、2080年和2100年的四个未来气候时段。本研究旨在：（i）识别并评估气象、水文、地形、植被和社会环境因素对拉杰沙希地区干旱易感性的影响；（ii）利用标准化训练-测试框架和ROC-AUC验证，比较九种机器学习模型的预测效力；（iii）实施最有效的模型评估当前联合乡级别的干旱脆弱性，并预测2040年、2060年、2080年和2100年基于RCP降水和蒸散发情景下的未来干旱易发区域。

本研究将极大地有助于识别拉杰沙希地区干旱易感性的关键驱动因素并量化其影响。它还将有助于找出预测孟加拉国巴林德-特拉克地区干旱易感性最稳健的机器学习模型，并在多种气候情景下探索潜在的由气候变化驱动的易感场景。通过揭示干旱风险的时空变化，研究结果将为政策制定者提供指导，使其优先发展抗旱农业、优化灌溉系统并加强适应性水资源管理策略。最终，本研究旨在通过基于机器学习和气候预测的情景规划，增强孟加拉国西北地区的适应气候能力并减轻干旱影响。

**研究区域描述**

拉杰沙希区位于孟加拉国西北部，是全国最易遭受干旱的地区之一，具有极端高温、降雨异常和缺水的特点（Alam，2015）。地理上，该区位于北纬24.3733°、东经88.6049°，面积2407平方公里，人口2915009人，人口密度为1202人/平方公里（BBS 2022）。行政上，该区下辖九个 Upazila：Bagha、Bagmara、Charghat、Durgapur、Godagari、Mohanpur、Paba、Puthia。

**旱情编目图描述**

拉杰沙希区旱情编目图（图3）提供了干旱发生的综合空间分布，突出了不同干旱强度的区域。2024年拉杰沙希区旱情编目图提供了干旱区域和水域范围的全面空间表征，为不同 Upazila 的干旱状况提供了关键见解。该图突出了水资源可用性的变化，这在干旱易感性中起着关键作用。

**讨论**

干旱是一种全球性现象，可能对人类生命和生计造成灾难性影响，尤其是在农业和林业方面。本研究使用涵盖地形、水文气候和土地覆盖领域的27个指标，开发了针对拉杰沙希巴林德特拉克地区（孟加拉国西北部）的多变量干旱易感性评估。研究考察了九种机器学习模型，以绘制当前干旱易感性地图并开发潜在的气候条件下干旱易感情景。

**局限性与未来方向**

本研究提供了拉杰沙希区干旱易感性的高分辨率机器学习评估；然而，应承认存在若干局限性。未来情景是在静态框架下开发的，其中地形、土壤、地质、土地覆盖、植被状况、灌溉基础设施、地下水使用、耕作方式和适应措施均未进行动态更新。因此，2040–2100年的预测应被解读为……

**结论**

温度变化、蒸发和蒸腾量上升、降雨异常以及区域地物理因素均已提高了孟加拉国北部发生干旱的概率。本研究利用先进的机器学习方法和从27个变量中依据关联分析和方差膨胀因子选取的13个监管变量，考察了脆弱人口如何应对干旱。这些变量是从更大的27个变量池中挑选出来的。

**作者贡献声明**

Sakib Hosan：撰写——审稿与编辑，撰写——初稿，方法论，数据整理。Soumitra Chakraborty：撰写——初稿，可视化，验证，方法论，形式分析，数据整理。Al Hossain Rafi：撰写——审稿与编辑，撰写——初稿，方法论，数据整理。Mafrid Haydar：撰写——审稿与编辑，撰写——初稿，监督，方法论，形式分析，数据整理，概念化。Ahmad Abdullah Khan：撰写——审稿与……

**未引用参考文献**

Sadiq 等，2023；Saha 等，2023；Sarkar 等，2024；Sivakumar 等，2020。

**利益冲突声明**

作者声明没有已知的财务利益冲突或个人关系可能影响本论文所报告的工作。

**伦理审批**

作者声明本研究无需伦理审批。本院对这类研究不需要伦理审批。

**资金来源**

无

**利益冲突声明**

? 作者声明没有已知的财务利益冲突或个人关系可能影响本论文所报告的工作。

Soumitra Chakraborty | Mafrid Haydar | Ahmad Abdullah Khan | Al Hossain Rafi | Sakib Hosan