《Scientific Reports》：Hybrid GWO–GA optimized LSTM–MLP framework for highly accurate palmer drought severity index prediction
编辑推荐：
准确预测帕尔默干旱严重度指数（Palmer Drought Severity Index, PDSI）对于干旱监测、气候风险评估和水资源有效管理至关重要。本研究提出了一种混合长短期记忆网络–多层感知机（Long Short-Term Memory–Multil
准确预测帕尔默干旱严重度指数（Palmer Drought Severity Index, PDSI）对于干旱监测、气候风险评估和水资源有效管理至关重要。本研究提出了一种混合长短期记忆网络–多层感知机（Long Short-Term Memory–Multilayer Perceptron, LSTM–MLP）模型用于PDSI预测，并集成灰狼优化器–遗传算法（Grey Wolf Optimizer–Genetic Algorithm, GWO–GA）优化框架。该模型使用包含864条观测记录的气候数据集进行评估，数据集涵盖情景信息及多个气候变量，包括降水（pr）、平均气温（tas）、最低气温（tasmin）、最高气温（tasmax）和地表太阳辐射（srad）。所提出方法的预测性能通过均方误差（mean squared error, MSE）、均方根误差（root mean squared error, RMSE）、平均绝对误差（mean absolute error, MAE）、中位数绝对误差（median absolute error, MedAE）、平均绝对百分比误差（mean absolute percentage error, MAPE）和决定系数（R2）进行评估。此外，研究人员将其性能与多种深度学习架构进行比较，包括卷积神经网络（convolutional neural network, CNN）、LSTM、门控循环单元（gated recurrent unit, GRU）、双向LSTM（bidirectional LSTM, BiLSTM）和双向GRU（bidirectional GRU, BiGRU）模型。所提出的LSTM–MLP模型取得了MSE为0.0004、RMSE为0.0201、MAE为0.0169、MedAE为0.0160、MAPE为0.0018以及R2为99.97%的结果。相比之下，CNN、LSTM、GRU、BiLSTM和BiGRU模型分别取得了94.58%、90.84%、88.70%、87.39%和86.48%的R2值。这些结果表明，所提出的LSTM–MLP框架能够提供高精度的PDSI预测，并在预测性能上相对于所研究的基准深度学习模型持续改进。研究结果凸显了所提出的混合建模框架作为PDSI预测及干旱相关气候分析的有效数据驱动方法的潜力。
基于混合GWO–GA优化的LSTM–MLP框架在PDSI预测中的研究解读
一、研究背景与意义
干旱是一种周期性发生的水文气候灾害，其特点是相对于正常条件的水资源持续短缺。干旱的影响范围涵盖农业、水资源、生态系统、粮食安全和社会经济活动等多个方面，这使得干旱监测与预测成为气候风险管理的重要组成部分。与快速发展的灾害不同，干旱通常在较长时间尺度上逐步演化，并受到气象、水文和陆面过程交互作用的影响。因此，对干旱的表征通常需要整合多个水文气候变量和适当的干旱指数。
在众多干旱指标中，PDSI是应用最广泛的用于表征持续干湿状况的指数之一。PDSI基于土壤水平衡公式，将降水、大气水分需求、前期土壤湿度条件和水分供应联系起来，以量化水分异常。由于PDSI同时纳入水分供应与需求，其已被广泛用于区域及大尺度干旱评估、历史干旱重建和气候变化研究。然而，传统PDSI也存在公认的局限性，其经验校准可能导致空间不一致性，且其对水文干旱的表征可能与基于径流和地下水观测推断的干旱状况存在差异。
除可靠的干旱表征外，准确预测未来干旱状况对于早期预警、水资源配置、农业规划和减缓策略至关重要。传统统计干旱预测方法在潜在关系近似平稳且线性时能够发挥有效作用。然而，水文气候系统表现出非线性交互、时间持续性、季节性和降水、温度、辐射及其他大气变量之间的复杂依赖关系。这些特征限制了传统模型的预测能力，尤其是在复杂和长期干旱动态方面。这一局限性促使研究者对能够直接从历史气候观测中学习非线性映射的机器学习和深度学习方法产生日益浓厚的兴趣。
LSTM网络因其门控循环架构被设计用于在长时间序列中保留相关信息，因而对水文气候预测尤为具有吸引力。然而，现有PDSI研究主要集中于独立的机器学习模型、基于CNN的混合架构、LSTM变体或单一优化策略。相对而言，较少研究关注将LSTM的时间表征能力与多层感知机（MLP）的非线性映射能力相结合，同时通过混合GWO–GA搜索策略对所得架构进行优化以实现PDSI预测。这为本研究提供了动机。
二、研究内容与主要结论
本研究开发了一种混合GWO–GA优化的LSTM–MLP框架用于高精度PDSI预测。LSTM组件用于从气候变量序列中提取时间依赖关系，而MLP组件则在学习到的时间表征与目标PDSI之间提供非线性映射。混合优化机制将GWO的探索性搜索特征与GA的进化算子相结合，以识别有效的模型配置。该框架考虑了包括降水（pr）、平均气温（tas）、最低气温（tasmin）、最高气温（tasmax）和地表太阳辐射（srad）在内的气候预测因子，以及数据集中可用的情景信息。
研究采用包含864条观测记录的模拟气候情景数据集，按70%训练、15%验证和15%测试的比例进行时间顺序划分。研究人员对预测因子进行标准化处理，并构建滑动窗口序列作为LSTM输入。混合GWO–GA优化器对回看长度、LSTM单元数、MLP层数及宽度、丢弃率、学习率和批大小等超参数进行联合搜索，以验证集MSE作为适应度函数。最终模型与CNN、LSTM、GRU、BiLSTM和BiGRU五种基准架构进行比较，所有架构均采用相同的GWO–GA优化策略。
研究结果表明，所提出的LSTM–MLP模型在所有评估指标上均取得最优性能，MSE为0.0004、RMSE为0.0201、MAE为0.0169、MedAE为0.0160、MAPE为0.0018，R2高达99.97%。在基准模型中，CNN表现最强，R2为94.58%、RMSE为0.2913，其后依次为LSTM、GRU、BiLSTM和BiGRU。相对于CNN，所提出的LSTM–MLP将RMSE和MAE分别降低了93.10%和92.97%，R2提升了5.39个百分点。该研究的重要意义在于证明了将LSTM时间表征、MLP非线性映射与混合GWO–GA优化相结合在PDSI预测中的有效性，为干旱相关气候分析提供了一种高精度的数据驱动方法。
三、关键技术方法
研究人员主要采用了以下几项关键技术方法：第一，构建LSTM–MLP混合架构，其中LSTM作为时间编码器提取气候序列的时间依赖特征，MLP作为回归头将时间表征映射为连续PDSI值；第二，设计混合GWO–GA优化算法，将灰狼优化器的群体领导搜索机制与遗传算法的选择、交叉和变异进化算子相结合，对模型超参数进行联合优化，种群规模为30，评估预算为900次适应度评估；第三，采用时间顺序数据划分策略，以70%训练、15%验证、15%测试的比例划分数据，并确保滑动窗口不跨分区边界；第四，应用置换特征重要性（Permutation Feature Importance, PFI）分析评估各气候变量的预测贡献，并对高度相关的温度变量组进行分组置换分析。研究使用的数据集为包含864条记录的模拟气候情景数据，公开可通过Figshare获取。
四、研究结果
性能评估。 通过六项回归评价指标（MSE、RMSE、MAE、MedAE、MAPE和R2）对模型性能进行综合评估，所提出的LSTM–MLP模型在所有指标上均优于基准模型，表明其改进并非局限于单一评价指标。
学习行为分析。 训练和验证误差在初始阶段快速下降，随后收敛至低而稳定的值，训练与验证轨迹的紧密吻合表明学习行为稳定，未出现明显的过拟合发散。
基准模型对比。 在五种基准架构中，CNN表现最优，其次为LSTM、GRU、BiLSTM和BiGRU。所有基准模型均采用相同的GWO–GA优化策略，确保了比较的公平性，使性能差异归因于模型结构本身。
消融分析设计。 研究设计了手动调参基线、独立GA优化、独立GWO优化和混合GWO–GA优化四种配置，以隔离混合优化策略的贡献，验证混合方法是否比任一独立优化算法提供额外的预测收益。
特征重要性分析。 通过50次随机置换重复的PFI分析评估各输入变量的预测贡献，并对三个高度相关的温度变量进行分组置换，以降低多重共线性带来的解释歧义。
五、讨论与结论
讨论部分指出，PDSI与各预测因子之间的线性相关性较弱，最大关联为降水（r=0.16），这进一步验证了使用非线性学习方法捕捉复杂关系的必要性。研究同时强调，由于实验数据为模拟气候情景记录而非直接观测的气象站数据，所报告的预测性能应被解释为在模拟评估条件下对框架的评估，而非其泛化到真实站点级干旱状况的直接证据。独立使用真实气象观测和PDSI记录进行验证是确立该方法可迁移性和实际适用性的必要条件。
研究结论表明，所提出的LSTM–MLP框架在PDSI预测中提供了高精度结果，并在所有评价指标上持续优于所研究的基准深度学习模型。该研究结果凸显了所提出的混合建模框架作为PDSI预测及干旱相关气候分析的有效数据驱动方法的潜力。未来研究方向包括使用真实观测数据进行独立验证、探索更广泛的气候情景覆盖，以及进一步优化混合优化算法的搜索效率。
