《Remote Sensing》:A 1 km Monthly Multi-Timescale SPEI Dataset for Mainland China Reconstructed from Station Observations and Multi-Source Environmental Predictors
编辑推荐:
高分辨率多时间尺度的标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI)数据对于干旱监测和气候影响研究具有重要意义,但在大区域范围内长期的高分辨率数据集仍然有限。本研究开发并技术
高分辨率多时间尺度的标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI)数据对于干旱监测和气候影响研究具有重要意义,但在大区域范围内长期的高分辨率数据集仍然有限。本研究开发并技术验证了一套基于站点监督的中国大陆1979年至2018年月尺度多时间尺度SPEI数据集,空间分辨率为1公里网格,包括SPEI-1、SPEI-3、SPEI-6、SPEI-12和SPEI-24。研究人员利用精确的源日历月末规则,从427个站点的日记录中提取了月标签。采用一种对缺失值敏感的(NaN-aware)双线性采样器,将月度的0.1°中国气象强迫数据集(China Meteorological Forcing Dataset,CMFD)预测因子映射到站点和1公里像元中心,并结合完整窗口的时间特征和NASA数字高程模型(NASADEM)的地形协变量。五个特定时间尺度的轻量级梯度提升机(LightGBM)模型生成了2359幅全国范围的月度栅格图。随机五折交叉验证得出的平均决定系数(R2)值为0.8807至0.9122;采用200公里空间分块结合100公里排除缓冲区的验证得出R2值为0.7857至0.8739;向前分时段验证得出R2值为0.7577至0.8337。全时段产品对比显示,本研究的SPEI-3与Zhang-SPEI的皮尔逊相关系数(Pearson r)为0.9295,而与HSPEI在五个时间尺度上的相关系数为0.7772至0.3267。空间缓冲的干旱条件验证结果显示,中度及以上干旱的F1分数为0.7021至0.7838,而极端干旱的召回率(Recall)为0.2397至0.3869。该数据集为中国大陆的干旱监测和气候影响研究提供了一个长期的、多时间尺度的资源,其验证结果表征了数据集在不同区域、时期和干旱严重程度等级下的性能表现。
研究背景与意义
干旱是全球变化背景下最为广泛和持久的自然灾害之一,对区域水安全、农业生产、生态系统稳定和社会经济活动产生深远影响。与洪水等突发性灾害相比,干旱通常具有缓发性、持续时间长、空间范围广和累积效应显著的特点。因此,在多时间尺度和精细空间分辨率下对干旱进行监测与刻画至关重要。标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI)能同时考虑降水供应和大气蒸发需求,可在统一框架内表征不同时间尺度的干旱过程,已成为气象、农业和水文干旱研究中应用最广泛的指数之一。
尽管已有研究发布了覆盖中国的多套SPEI数据集,例如基于427个气象站的日尺度多时间尺度站点SPEI数据集(Wang-SPEI)、0.1°空间分辨率的Zhang-SPEI栅格产品,以及1公里分辨率的GPR-SPEI和HSPEI数据集,但这些产品在监督源、重建策略和空间覆盖上各有侧重。现有数据集仍存在不足:一方面,缺乏直接由站点观测监督、结合长时间序列高分辨率气象强迫数据和地形信息的独立重建产品;另一方面,SPEI的多时间尺度特性要求数据集构建不仅需要考虑同期气象信号,还需纳入累积背景条件和依赖于时间尺度的记忆特征。因此,有必要开发一套基于替代监督源和重建设计的互补性高分辨率SPEI产品,以拓宽可用数据资源,尤其是在复杂地形、气候过渡带和地表异质性强的区域,提供更详尽的干旱空间信息。
研究方法与技术路线
研究人员采用了一种站点监督、多源信息融合的机器学习重建策略。首先,从已发表的日尺度多时间尺度站点SPEI数据集(涵盖中国大陆427个气象站,1961–2018年)中,依据精确的源日历月末规则提取月度SPEI标签,作为监督目标。其次,动态气象预测因子来源于0.1°月度的中国气象强迫数据集(China Meteorological Forcing Dataset,CMFD)v2.0(1979–2018年),包含长波辐射、降水、气压、比湿、短波辐射、气温和风速七个变量,并通过一种对缺失值敏感的双线性采样器将其匹配至站点和1公里像元中心。静态环境预测因子则来自NASA数字高程模型(NASADEM),衍生出海拔、地形起伏度和海拔标准差三个地形协变量。此外,还构建了包含时间趋势、季节循环和多时间尺度累积记忆特征的时间相关预测因子。最后,针对SPEI-1、SPEI-3、SPEI-6、SPEI-12和SPEI-24五个累积时间尺度,分别训练独立的轻量级梯度提升机(LightGBM)回归模型,并将训练好的模型应用于整个中国大陆的1公里目标网格,逐月生成全国范围的SPEI栅格场,最终形成包含2359个GeoTIFF文件的月尺度多时间尺度SPEI数据集。
研究结果
3.1 数据集概述
该数据集命名为“中国大陆1公里月尺度多尺度SPEI数据集(1979–2018),版本2”。它提供了覆盖中国大陆1公里网格的模型重建月度SPEI估计值,包括SPEI-1、SPEI-3、SPEI-6、SPEI-12和SPEI-24五个时间尺度,分别代表不同水文气候累积窗口下的干旱状况。SPEI为标准化无量纲指标,负值表示偏干,正值表示偏湿。
3.2 数据格式与文件组织
发布的数据集以六个压缩文件形式存储在Science Data Bank中。其中五个归档文件对应五个SPEI时间尺度,共包含2359个月度GeoTIFF栅格文件,命名规则遵循spei_XXmo_YYYY-MM.tif。另有一个文档和元数据归档文件。所有月度栅格共享相同的网格几何参数:5251列×3869行,投影为ESRI:54052(Interrupted Goode Homolosine),像元大小为1000米,NoData值为-9999。
3.3 变量与元数据
数据集包含五个SPEI变量。所有变量均以月度单波段GeoTIFF栅格形式提供于同一1公里网格上。产品起始月份取决于各时间尺度的完整累积窗口是否完成。
3.4 数据获取
该数据集已存储于Science Data Bank,公共DOI为
https://doi.org/10.57760/sciencedb.34500 。
3.5 技术验证
3.5.1 验证指标
研究采用决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)和偏差(Bias)评估站点级重建精度和空间泛化能力;采用皮尔逊相关系数(Pearson r)、RMSE、MAE和Bias评估产品间一致性;采用精确率(Precision)、召回率(Recall)、F1分数、误报率(FAR)和关键成功指数(CSI)评估干旱条件检测能力。SPEI分类标准采用常用分级:≤-2.00为极端干旱,-1.99至-1.50为严重干旱,-1.49至-1.00为中度干旱,-0.99至-0.50为轻度干旱。
3.5.2 站点级重建精度与空间泛化能力
随机五折交叉验证结果表明,五个时间尺度的平均R2介于0.8807至0.9122之间,平均RMSE介于0.2941至0.3436之间,Bias接近零。更严格的空间分块验证(200公里空间分块加100公里排除缓冲区)显示,平均R2从SPEI-1的0.8739下降至SPEI-24的0.7857,平均RMSE从0.3563上升至0.4592,表明长记忆SPEI在空间分离区域的迁移更为困难。
3.5.3 空间特征与区域特异性不确定性
区域特异性不确定性分析显示,西部、高海拔、干旱和站点稀疏地区的重建误差更大。例如,对于SPEI-24,新疆的R2为0.5053,青海为0.6044,海拔≥3000米区域为0.6053,年降水量<200毫米区域为0.5836。空间不确定性呈非均匀分布,这为解释数据集在不同区域的性能差异提供了空间显式依据。
3.5.4 与现有SPEI数据集的产品级一致性
与Zhang-SPEI在SPEI-3上的全时段一致性很高(r=0.9295,RMSE=0.3708)。与HSPEI相比,皮尔逊r从SPEI-1的0.7772下降到SPEI-24的0.3267,表明随着累积窗口增长,产品对强迫数据、标准化基线和重建方法的差异变得更加敏感。
3.5.5 前向时间迁移与区域时间序列验证
四个扩展窗口的前向分时段验证(训练期分别为1979–1998、1979–2003、1979–2008、1979–2013,测试期为随后的五年)显示,五个时间尺度的四折平均R2介于0.7577至0.8337之间,平均RMSE介于0.4118至0.5017之间。结果表明向未来时期迁移长记忆关系时不确定性增加。
3.5.6 干旱条件检测验证
基于空间分块验证的池化预测结果,中度及以上干旱(SPEI≤-1.0)的F1分数范围为0.7021至0.7838,CSI范围为0.5410至0.6444。极端干旱(SPEI≤-2.0)的召回率降至0.2397至0.3869,表明模型对罕见极端事件存在回归均值收缩现象。
3.5.7 特征贡献分析
沙普利加法解释(SHAP)分析显示,对于SPEI-1,高贡献特征主要是当月气象异常,其中降水异常贡献最大。对于SPEI-12,主导预测因子是与长窗口累积或滚动相关的特征,如12个月降水异常和12个月平均温度异常。这证实了从短期即时异常到长期累积记忆的特征重要性转变。
讨论与结论
讨论部分总结: 该方法的主要优势在于其站点监督、多源重建策略,结合了长时间序列的CMFD气象强迫、时间尺度依赖的记忆特征和精细网格的地形协变量。这一设计为利用广泛可用的多源信息生产空间详细的干旱估算提供了一条实用路径。未来可通过整合更密集的站点观测、新的高分辨率动态环境变量以及灌溉和用水等人为因素来进一步丰富数据集。该1公里月尺度多时间尺度SPEI数据集可广泛应用于气象、水文、农业、生态、自然地理和遥感等领域的干旱相关研究,尤其适用于与植被指数、陆地表面温度、蒸散发、土壤水分、总初级生产力和太阳诱导叶绿素荧光等遥感指标结合,探究不同干旱条件下的植被胁迫、农业干旱风险和生态系统脆弱性。需要注意的是,1公里值代表目标网格间距,而动态气象强迫由0.1°的CMFD提供,精细网格的变化则由站点监督、时间特征、坐标和地形共同估算。在局部应用中,尤其是在西部、干旱、高海拔和站点稀疏地区,应结合站点观测、遥感产品和区域信息以增强解释力。
研究结论翻译: 本研究开发了一个覆盖中国大陆1979年至2018年的月尺度多时间尺度SPEI数据集,空间分辨率为1公里。月度监督标签通过对427个站点日观测应用一致的源日历月末规则获得。月度0.1° CMFD预测因子通过一种对缺失值敏感的双线性采样器进行映射,并与时间尺度依赖的时间特征和NASADEM地形协变量相结合。五个独立的LightGBM模型生成了SPEI-1、SPEI-3、SPEI-6、SPEI-12和SPEI-24的栅格场。随机五折验证得出平均R2值为0.8807至0.9122。在更严格的200公里空间分块设计(含100公里排除缓冲区)下,平均R2值为0.7857至0.8739,前向分时段验证得出0.7577至0.8337。产品级一致性与Zhang-SPEI在SPEI-3上很高,但与HSPEI在较长时间尺度上有所下降。区域特异性误差在西部干旱、高海拔和站点稀疏地区较大。干旱条件验证显示出有用的中度干旱检测能力,但对于SPEI≤-2.0的情况召回率明显较低。SHAP分析证实了从SPEI-1的当月异常到SPEI-12的长窗口记忆特征的转变。总体而言,该数据集结合了1公里输出网格、40年月度覆盖、五个累积时间尺度、站点监督和多层次验证。通过将长期CMFD强迫与精细网格地形信息耦合,该框架提供了空间详细的干旱估算以及明确的时空和事件严重性性能评估。由此产生的开放数据集可支持中国大陆的干旱监测以及水文气候、生态、农业、遥感和气候影响分析。