《Physics and Chemistry of the Earth, Parts A/B/C》：Multi-Scale Drought Analysis and Machine Learning-Based Completion of Missing Streamflow Data in the Aras Basin
Burak ??ra? | Cansu Bozkurt
土耳其埃尔祖鲁姆25100，阿塔图尔克大学工程学院土木工程系
摘要
干旱是气候变化的必然结果。降水模式的长期变化影响了水资源，导致了生态和社会经济方面的挑战。监测降水、温度和径流数据的长期变化在早期发现干旱方面起着重要作用。然而，长期、一致且完整的数据记录对于开发有效的干旱模型至关重要。本研究使用1980年至2023年间阿尔达汉、卡尔斯和埃尔祖鲁姆省的降水、温度、蒸发量和径流量数据进行了气象和水分干旱分析。对于卡尔斯和埃尔祖鲁姆省，使用机器学习方法（RF、KNN、SVR和XGBoost）预测了2011年之后的径流量数据。其中，XGBoost模型表现最佳，被选用于填补径流时间序列中的空白。研究采用了SPI、SPEI和RDI方法来监测气象干旱的时间演变，而SDI方法用于追踪河流中的水分干旱变化。此外，还使用了Mann-Kendall和Sen斜率技术来分析温度、降水和径流量数据的变化。结果表明，准确填补缺失的径流量数据可以提高分析的可靠性，从而显著有助于在大陆性气候条件下早期发现水分干旱。在这方面，本研究为未来的水资源管理和气候变化适应策略提供了科学依据。
引言
干旱是一种自然灾害，定义为特定地区在特定时期水资源减少的现象（Mishra和Singh 2010）。与其他自然灾害相比，干旱的影响更为广泛，造成的经济损失也更大（McKee等人1993）。世界许多地区的干旱频率和强度都有显著增加（Lloyd-Hughes和Saunders 2002）。干旱直接影响水循环中的蒸发、蒸腾、凝结、降水以及地表水和地下水流动过程（Leng等人2015）。根据水分短缺的性质，干旱可分为三种类型：气象干旱是指某一地区在一段时间内降雨不足；水分干旱紧随气象干旱之后发生，由于地表水和地下水的不足而引发供水问题；农业或植被干旱则发生在水分干旱之后，表现为土壤湿度下降（Mukherjee等人2018）。文献中提出了多种干旱定义和评估指标，用于监测干旱状况，包括帕尔默干旱严重度指数（Palmer 1965）、标准化降水指数（SPI）（Zarch等人2015）、标准化降水蒸散指数（SPEI）（Tirivarombo等人2018）、侦察干旱指数（RDI）（Tsakiris和Vangelis 2005）以及径流干旱指数（SDI）（Nalbantis和Tsakiris 2009）和地表水供应指数（Kwon和Kim 2010）。这些指标通常基于降水、温度、潜在蒸发量（PE）、潜在蒸散量（PET）、土壤湿度或地表水流的综合作用。近年来，随着水资源需求的增加、全球变暖和气候变化，干旱研究变得更加重要。
Tsesmelis等人（2023）利用1901年至2020年间包括土耳其在内的九个国家的降水数据，通过SPI分析研究了干旱的空间和时间变化，并指出土耳其的干旱趋势正在加剧。他们的研究仅使用了降水数据，未使用其他气象干旱指数进行验证。Top?u和Kara?or（2021）使用聚合干旱指数（ADI）和SPEI指数对埃尔祖鲁姆省进行了气象干旱分析。在1975-2008年的监测中，使用更多水文参数的ADI方法得出了更准确的结果。Bozkurt（2023）对阿尔达汉省的研究中，使用月度总降水量和月平均温度数据进行了SPI和SPEI分析。研究发现，SPI指数在较长时间段内更为稳定，而SPEI方法能有效评估所有时间段的干旱情况。Top?u等人（2025）基于ADI方法对阿拉斯河流域的阿尔达汉、卡尔斯和伊德迪尔气象站1970-2023年的干旱进行了分析，同时应用了ADI、SPI、SDI和RDI方法。然而，这些指数并不总是完全一致，仅在某些干旱时期显示出相似的趋势。研究还发现，SDI分析所需的月平均流量数据仅适用于1970-2015年的阿尔达汉和卡尔斯省，而伊德迪尔省的数据缺失。Alt?n（2020）使用八个流量监测站（SGS）的数据分析了土耳其43年的干旱情况（1972-2014年4个站点、1973-2015年2个站点和1969-2011年2个站点）。由于缺乏最近十年的数据，本研究未使用当前数据。
为了更全面和一致地评估干旱的时间变化，需要更长的年度数据序列（Guttman 1994, 1999）。此外，许多干旱指数基于使用完整时间序列数据的统计方法（Gao等人2018）。因此，数据不仅对短期记录或填补因数据缺口、数据集不足、数据采集设备错误和存储技术问题导致的缺失数据至关重要，也对干旱分析结果的可靠性至关重要。水文数据的缺失直接影响水资源管理的准确性（Tencaliec等人2015）。因此，数据恢复和填补水文时间序列中的空白是水资源系统设计、规划与运行以及各种水文研究的基础步骤。长期以来，经典数据分析方法一直被用于填补水文时间序列中的空白（Salas 1980）。Dariane和Borhan（2024）使用不同的经典方法和机器学习技术填补了缺失的数据，结果表明基于机器学习的方法取得了更好的效果。机器学习技术在水电和水资源管理中变得非常重要，因为它们能够生成有效的结果（Khan等人2020）、灌溉规划和水资源管理（Mohammadi 2021）以及地下水位预测（Cai等人2021）。
文献回顾和该地区的研究中存在一些问题：i) 分析通常仅关注一种干旱类型，而没有考察其向其他干旱类型的传播；ii) 干旱评估仅使用一个干旱指数，未通过其他指数进行验证；iii) 使用了截至2011年的国家水利总局（DS?）流量监测站（SGS）和截至2015年的电力工程研究管理局（EIE）流量监测站的数据；没有提供关于如何处理这些数据不足的信息，而是使用十年前的数据对当前干旱进行评估，未进行任何未来预测。基于这些问题，本研究计划使用三个干旱指数：SPI（仅考虑阿尔达汉、卡尔斯和埃尔祖鲁姆省的气象干旱降水量数据）、SPEI（考虑PET以更好地评估变暖气候下的干旱）和RDI。在研究气象干旱与水分干旱之间的关系时，将在填补缺失径流量数据后应用SDI指数。在本研究的范围内，使用多种干旱指数考察干旱的时间变化对于确定长期趋势、管理水资源、规划分配水资源、开发早期预警系统以及通过减少风险活动准备应对干旱非常重要。本研究通过机器学习算法重建缺失的径流量数据，并将这些估计值整合到多尺度干旱指数中，为阿拉斯河流域提供了一个新的框架，弥补了现有文献的不足。
方法论
本研究的方法分为三个主要阶段。第一阶段进行数据处理，以填补缺失的当前数据，然后使用随机森林（RF）、K-最近邻（KNN）、支持向量回归（SVR）和XGBoost算法创建模型。根据R2、NSE和RMSE指标评估模型性能，并使用表现最佳的模型填补缺失数据。第二阶段进行水文分析...
缺失数据预测结果
机器学习模型的验证采用了传统统计方法，其中70%的可用非缺失径流量观测数据用于训练，剩余30%作为独立测试集。通过R2、NSE和RMSE比较预测值与测试期间的实际观测值来评估模型性能，并提供了图形比较以评估模拟值与观测值的时间对齐情况...
讨论
干旱会导致基本水文和水质参数（如地表径流、总水量、土壤湿度、沉积物输送和养分输出）的减少和变化，这些影响取决于干旱的严重程度、持续时间和频率（Qiu等人2023）。为了有效管理干旱风险，灾害管理必须包括预防、缓解和适应性的综合策略（Wilhite等人2014；Dikici 2020）。
结论
本研究利用气象和水文参数，研究了位于土耳其阿拉斯河流域的阿尔达汉、卡尔斯和埃尔祖鲁姆省的干旱特征。研究使用了SPI、SPEI和SDI指数，并对结果进行了比较。研究中使用的月度总降水量、月平均温度和月总径流量数据的一致性和趋势...
支持来源
作者感谢阿尔达汉大学（ARU BAP-2024-011）科学研究项目的支持。同时，作者也感谢国家水利总局和土耳其国家气象局在数据提供方面的支持。
会议报告情况
本研究尚未在任何会议上进行报告。
CRediT作者贡献声明
CANSU BOZKURT：撰写 – 审稿与编辑、初稿撰写、验证、方法论、概念构建。Burak ??ra?：撰写 – 审稿与编辑、初稿撰写、资源收集、方法论、形式分析
未引用参考文献
Reghavendra和Deka, 2014; Vapnik, 1998.
参与同意
不适用。
伦理批准
不适用。
出版同意
不适用。
利益冲突
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
数据获取
仅通过科学研究人员的申请才能获取数据。
利益冲突
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
所有作者共同参与了研究设计、数据分析、结果讨论和手稿撰写。作者感谢阿尔达汉大学（ARU BAP-2024-011）科学研究项目的支持，以及国家水利总局和土耳其国家气象局在数据提供方面的支持。
