《Physics and Chemistry of the Earth, Parts A/B/C》:Machine learning based drought prediction in Nigeria using SPEI and large scale atmospheric predictors
编辑推荐:
•利用CRU气候数据和潜在蒸散发量(PET)计算了尼日利亚网格化的SPEI。•采用滚动起源评估方法以防止信息泄漏并尊重时间依赖性。•筛选分析表明气压层和时序关联将环流与水分状况和SPEI联系起来。•预测结果能较好地跟踪干旱面积变化,但极端事件的可靠捕捉仍然最具挑战性。•随机森
- •
利用CRU气候数据和潜在蒸散发量(PET)计算了尼日利亚网格化的SPEI。
- •
采用滚动起源评估方法以防止信息泄漏并尊重时间依赖性。
- •
筛选分析表明气压层和时序关联将环流与水分状况和SPEI联系起来。
- •
预测结果能较好地跟踪干旱面积变化,但极端事件的可靠捕捉仍然最具挑战性。
- •
随机森林在跨SPEI时间尺度上表现出最稳定的预测技巧。
引言
干旱是西非地区反复发生的洪水气候灾害,对粮食安全、供水、水电生产、生态系统、公共健康和农村生计产生深远影响(Gautier等人,2016年;Dibi-Anoh等人,2023年;Tefera等人,2025年)。在尼日利亚,农作物生产主要依靠雨水灌溉,季节性降雨变异性显著,干旱事件可能导致产量迅速下降、食品价格上涨和脆弱性加剧(Akinbile等人,2020年;Awolala等人,2023年;Alehile,2023年;Omokpariola等人,2025年)。近期评估表明,气温升高、降雨季节性变化以及极端事件加剧可能进一步放大该国面临干旱风险(Shiru等人,2020年;Gbode等人,2019年;Ibebuchi和Abu,2023年;Awhari等人,2026年)。因此,在全国多样化的气候区域获取可靠的干旱信息对于资源管理和规划至关重要。
尼日利亚具有从北到南的降水梯度,北部雨季较短且降水量较低,南部则在较长的雨季中拥有更多的降水。这受西非季风季节性迁徙的影响。西非降水总体上受其对大规模海气变率和区域环流的响应影响(Giannini等人,2003年;Nicholson,2013年)。因此,对尼日利亚干旱的预测必须考虑其国界之外的大气条件,同时保留该国境内的空间干旱脆弱性。
干旱形成的时间尺度至关重要,因为气象水分亏缺可以持续并通过农业和水文系统进行传播(Van Loon等人,2024年)。较短的累积期代表气候水分的快速变化,而较长的累积期则整合了持续的亏缺状况。因此,多时间尺度指标对于区分与水资源和季节性规划相关的短期水分胁迫与持续状况至关重要(Mishra和Cherkauer,2010年;Shukla等人,2011年;Alamgir等人,2019年)。
标准化降水指数(SPI)是一种广泛使用的基于降水的干旱度量指标(McKee等人,1993年)。标准化降水蒸散发指数(SPEI)通过标准化累积降水量减去潜在蒸散发量(PET)来扩展这一方法,从而纳入了大气蒸发需求(Vicente-Serrano等人,2010年)。本研究选用SPEI,是因为研究考察了湿润环境和季节性干旱环境下的水分亏缺。SPI和SPEI的比较研究证实了将蒸发需求纳入干旱评估的重要性,Tirivarombo等人(2018年)在赞比亚Kafue盆地使用SPEI识别出更长且更严重的干旱,Ionita和Nagavciuc(2021年)在中欧和地中海地区发现干旱频率和受影响面积的增加,而SPI未能捕捉到这些变化。此前在尼日利亚进行的研究为历史干旱特征、趋势和空间变异性提供了重要证据(Shiru等人,2018年、2019年;Adejuwon和Dada,2021年;Ekundayo等人,2021年)。气候预测研究也评估了未来变暖情景下干旱的潜在变化(Ogunrinde等人,2022年;Ajibola等人,2022年)。这些研究表征了干旱风险,但尚未建立大规模大气信息在预测框架中重现尼日利亚干旱变异性的有效途径。
机器学习通过学习干旱指标与气候预测因子之间的非线性关系提供了一种互补方法。综述报告了神经网络、支持向量方法和集成学习在干旱建模和预测中的应用(Sundararajan等人,2021年;Nandgude等人,2023年)。研究已证明大气和气候预测因子在干旱预测中的潜力,包括使用基于树的集成方法进行SPEI预测(Khan等人,2020年;Danandeh Mehr等人,2022年;En-Nagre等人,2024年)。尼日利亚的相关应用包括使用随机森林和支持向量机模型模拟陆地水储量(Shiru等人,2021年)。然而,模型性能取决于预测因子组合、气候环境、目标时间尺度和评估设计。
在此背景下,本研究致力于填补的研究空白是:对尼日利亚多时间尺度SPEI的联合评估、其与大规模大气场关联的季节性和垂直结构,以及不同学习算法的比较性能。仅评估全国平均分可能会掩盖干旱空间范围和严重程度的误差。同样,选择许多相关性大的大气变量而不考虑其物理作用,可能会模糊环流、水分可用性、蒸发需求与预测指标之间的联系。因此,评估应将具有物理可解释性的预测因子筛选与降维、算法比较以及干旱范围和极端事件的诊断结合起来。
本研究开发并评估了一个基于大气预测因子的机器学习框架,用于利用SPEI预测尼日利亚的气象干旱。研究刻画了1个月、3个月、6个月和12个月累积期的SPEI,并考察了尼日利亚SPEI与大气温度、湿度、风、位势高度和地面气压之间的月度及气压层关联。使用KNN、SVM、ANN、RF和XGBoost等机器学习方法,通过时间序列评估和互补的时空诊断进行比较。相关性筛选识别了信息性的大气结构,主成分分析(PCA)紧凑地表征了这些场,而模型比较测试了将表征与SPEI相关联的不同方式。通过结合具有物理信息的大气预测因子与时空评估,本研究确定了机器学习模型在尼日利亚多时间尺度干旱预测中的优势和局限性,为发展用于农业和水资源规划的干旱信息提供了基础。
章节摘要
研究区域
本研究聚焦于尼日利亚,位于西非几内亚湾沿岸,地处北纬4°至14°、东经3°至15°之间(图1)。从气候角度看,尼日利亚属于热带气候,南部雨季较长(4月至10月),向北逐渐缩短(最北部为5月至9月)。年平均降雨量在湿润的东南部最高(>3000毫米/年),西南部约为1800毫米/年,向内陆递减至最北部≤500毫米/年,这与从湿润沿海
方法
本研究通过将CRU降水和温度数据重网格化与0.25° ERA5月平均数据对齐。潜在蒸散发量(PET)使用FAO-56 Penman-Monteith方法估算,降水量减去PET用于估算尼日利亚境内1218个网格点的SPEI。大气预测因子场在尼日利亚周围960个位置进行检查。日历月和气压层相关性诊断用于描述大气变异性出现的时空位置
多时间尺度干旱条件的历史演变
图2展示了尼日利亚1个月、3个月、6个月和12个月累积尺度的平均SPEI时间序列。最短累积窗口的SPEI-1和SPEI-3显示出强烈的月际波动,反映了研究区域降雨机制的强季节性和季节内变异性。相反,SPEI-6和SPEI-12更为平滑,并在多个季节区间内表现出持续性,这与水文记忆和累积水分亏缺过程一致。负的SPEI
讨论
本研究表明,由经过筛选的大规模大气预测因子驱动的机器学习模型能够重现尼日利亚干旱的时空结构,且以SPEI表示的尼日利亚干旱变异性表现出强烈的多尺度结构。干旱的历史演变表明,较短的累积期显示出显著的月际变化,反映了降雨的强季节性和短期水分异常的瞬态敏感性
结论
本研究开发了一个使用多时间尺度SPEI和经过筛选的大规模大气预测因子预测尼日利亚气象干旱的机器学习框架。从研究中得出以下结论:
尼日利亚的干旱变异性强烈依赖于时间尺度。较短的累积窗口捕捉了干旱的快速波动,而较长的累积窗口则更好地表征了与水资源和季节性
CRediT作者贡献声明
Mohammed Sanusi Shiru:撰写——初稿、可视化、软件、资源、方法论、正式分析、数据管理、概念构思。Eun-Sung Chung:撰写——审阅与编辑、监督、方法论、资金获取、概念构思。Najeebullah Khan:可视化、验证、方法论。
生成式AI及AI辅助技术在写作过程中的声明
在准备本作品过程中,作者使用了ChatGPT进行稿件校对。使用该工具后,作者对内容进行了审阅和编辑,并对出版物的内容承担全部责任。
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究由韩国国家研究基金会(RS-2026-25488505)资助。
Mohammed Sanusi Shiru|Eun-Sung Chung|Najeebullah Khan