基于CMIP6多模型数据融合的长江流域干旱识别：传统方法与机器学习方法对比

《Water》：Drought Identification in the Yangtze River Basin Using CMIP6 Multi-Model Data Fusion: A Comparison of Traditional and Machine Learning Methods Junjie Gao, Kang Xie, Na Yang, Yanli Liu, Yufei Wei and Guoqing Wang

　　

本研究对比了应用于长江流域（Yangtze River Basin, YRB）干旱识别时，传统的CMIP6数据融合方法与机器学习（Machine Learning, ML）融合方法的优势与局限性。研究人员考虑了三种传统融合方法和五种机器学习融合方法，基于长江流域气象站（1960–2014）降水资料及15套CMIP6模式数据集，计算了3、6及12个月时间尺度的干旱指数（Drought Index）。采用干旱识别指标（Drought Identification Index）评估融合方法的性能。结果表明，传统统计方法在地形起伏剧烈的上游地区存在显著局限，而在相对平坦的中下游地区表现较好。机器学习方法中，神经网络（Neural Network）倾向于放大观测噪声，而核调谐方法（Kernel-tuning Method）能更好地适应不同SPI时间尺度的非线性关系。所有方法的预测性能随SPI时间尺度从12个月缩短至3个月而下降，但降幅各异。随机森林（Random Forest, RF）和径向基函数（Radial Basis Function, RBF）网络方法的性能降幅最小，反向传播（Backpropagation, BP）及BP-Adaboost方法的性能降幅最大。

《Water》刊载论文解读：基于CMIP6多模型数据融合的长江流域干旱识别——传统与机器学习方法对比

研究背景与立项依据

近年来长江流域干旱频发且强度增加，准确识别与监测干旱对水资源可持续管理至关重要。标准化降水指数（Standardized Precipitation Index, SPI）是气象干旱监测常用工具，但单一站点或模式存在偏差。耦合模式比较计划第六阶段（Coupled Model Intercomparison Project Phase 6, CMIP6）提供多模式输出，需通过数据融合（Data Fusion）缩小模式与观测差距。现有研究多孤立评价单一时间尺度或局部区域，缺乏在大流域跨尺度系统性比较传统统计融合与机器学习（Machine Learning, ML）融合对干旱识别的影响。传统方法在复杂地形区可能失效，机器学习虽具非线性映射潜力但其表现对算法敏感，故需系统对比各类融合策略在SPI-3、SPI-6、SPI-12下的鲁棒性与空间一致性。

主要技术方法概述

研究人员选用长江流域733个气象站点中603个缺测少于200天的站点1960–2014年降水资料，及15个CMIP6全球气候模式（Global Climate Model, GCM）历史模拟降水数据（1961–2014）。先将各模式双线性插值（Bilinear Interpolation）重采样至统一0.5°×0.5°网格，再利用经验分布累计密度函数（Empirical Distribution Cumulative Density Function, ECDF或QM分位数映射）进行偏差校正。选取含站的格点以站内站点算术平均构建格点化参照数据集。融合方法含三类传统加权法——算术平均（Arithmetic Mean Ensemble, AME）、层次分析法（Analytic Hierarchy Process, AHP）、CRITIC权重法（Criteria Importance Through Intercriteria Correlation, CRITIC），及五类ML法——随机森林（Random Forest, RF）、径向基函数网络（Radial Basis Function network, RBF）、反向传播神经网络（Backpropagation Neural Network, BP）、极限学习机（Extreme Learning Machine, ELM）、BP-Adaboost集成。基于融合后降水计算SPI-3/SPI-6/SPI-12，以站点SPI为基准，采用真正率（True Positive Rate, TPR）、假正率（False Positive Rate, FPR）、准确率（Accuracy）、精确率（Precision）及F值（F-Measure）评估干旱识别能力，并用Taylor图进行季节精度分析，空间上对比各方法反演的干旱频率分布。

研究结果

3.1. Data Accuracy Analysis（数据精度分析）

经偏差校正后多模式与观测吻合度提升。整体年降水融合值中位数为1160 mm，RF与RBF中位数最接近观测，ELM分布紧凑；BP中位略偏高且离散度大易出现极端离群值；AME、AHP、CRITIC接近观测但CRITIC稳定性最优。ML融合在2000年后验证期较传统法更贴近观测趋势。

3.2. Seasonal Analysis of Data Precision（数据精度的季节分析）

Taylor图显示四季中ELM、RBF、RF相关性最高、均方根误差（Root Mean Square error, RMS error）最小、标准差与观测最接近，表现最优；BP全年最差（低相关、大误差、方差偏离），BP-Adaboost次之；传统方法介于二者间但明显落后于上述三种ML法，且各方法季节排名稳定。

3.3. Spatial Distribution Analysis of Drought Frequency（干旱频率空间分布分析）

SPI-3时上游金沙江流域RF与BP高估干旱频率25%–30%，CRITIC与AHP因过平滑低估局地变率15%–22%，ELM/RBF在大型湖泊周边产生局部异常高值，BP-Adaboost中游改善但仍有偏差。SPI-6时ML在上游仍高估20%–28%，加权法低估微地形变率12%–18%，中下游传统法空间噪声小、与站点吻合较好。SPI-12时上游RF/BP高估15%–22%，AHP/CRITIC低估空间变率10%–18%，BP-Adaboost使上游偏差较BP减小约40%，整体方法间收敛性增强，但仍存调节水库区残余偏差。

3.4. Analysis of Drought Identification Capacity（干旱识别能力分析）

RF与RBF在全部SPI时间尺度五项指标占优（TPR>0.92，Accuracy>0.89，F-Measure>0.91，FPR<0.08）；BP与BP-Adaboost最差（TPR<0.75，Accuracy<0.72，F-Measure<0.70，FPR高）；传统法居中且在短尺度Precision与Accuracy较RF/RBF低12%–18%。RF与RBF的F-Measure跨尺度波动<5%，BP-Adaboost在SPI-12误差放大。

讨论与结论总结

讨论指出传统加权法隐含干旱驱动因子关系稳定的假设，在气候与人类活动复杂区受限；RF与RBF因能解析降水–土壤湿度–温度间非线性反馈，在短尺度（SPI-3/SPI-6）优于传统法，长尺度（SPI-12）差异缩小。传统法（AME/AHP/CRITIC）在稳定季风气候区（中下游）仍可靠。RF与RBF对极端短时干旱（SPI-3）记录破极值事件误差仍>25%，未来宜引入极值理论或融入土壤湿度、蒸散发、径流及社会水文数据。建议分区域采用自适应融合策略：高海拔源头可用考虑高程权重的RF抑制地形噪声，冲积平原可用静态加权法（Accuracy>92%），过渡带可用BP-Adaboost改进人机耦合表征。

结论（Conclusions）：所有方法干旱识别性能随SPI时间尺度由12个月缩至3个月系统性下降。ML模型韧性更强，RF与RBF因非线性核函数处理多尺度气候相互作用使F-Measure降幅最小；线性融合法中度下降；BP/BP-Adaboost性能崩溃，表明其对观测随机性与微气候变率敏感。静态融合法（AHP/CRITIC）在高起伏上游过平滑地形降水格局致FPR升高，但在季风调控下游因气候平稳性获92%准确率；神经网络（BP/ELM）放大传感器不确定度致过渡带虚假干旱热点；RBF通过局部核优化减轻伪影并保持跨尺度一致性，体现空间自适应ML在干旱诊断中的潜力。研究所用观测与模式数据截止2014年，未涵盖此后极端事件，但相对性能排序对方法遴选与模式发展具参考价值。