GAP地区（土耳其）干旱风险评估的多方法地理空间框架：趋势分析、干期持续性及随机森林预报

《Ecohydrology》：A Multi-Method Geospatial Framework for Drought Risk Assessment in the GAP Region (Türkiye): Trend Analysis, Dry-Spell Persistence and Random Forest Forecasting

　　

本研究提出一种多方法分析框架，将趋势分析、干期(dry period)持续性与基于机器学习的预估相结合，以全面评估土耳其东南安纳托利亚项目(GAP)地区的干旱风险。研究人员首先采用帕默尔干旱指数(PDSI, Palmer Drought Severity Index)并利用曼-肯德尔(Mann–Kendall, MK)法与泰尔-森(Theil–Sen)法识别2000–2024年期间的趋势。随后，研究人员采用游程理论(run theory)方法确定干期的长度、频率与持续性。最后，研究人员使用随机森林回归(random forest regression)模型生成2025–2030时期的水文气候预估(hydroclimatic projections)。研究结果表明：该地区长期PDSI趋势总体偏弱，但干期持续时间较长（平均15–22个月），最大值可达70个月。这说明GAP地区的干旱具有结构性与持续性。随机森林模型在测试数据上取得较高解释力（R2＝0.8666），并成功再现了该地区的强季节性。未来预估表明所有省份夏季干旱显著重现，其中加济安泰普(Gaziantep)与基利斯(Kilis)等省份趋于更干燥的条件。总体而言，本研究提出了一种整体性方法论途径，兼顾过去趋势与干旱持续性以及未来气候信号，为区域水资源管理、农业规划与气候适应策略提供坚实的科学依据。

该研究发表在《Ecohydrology》。研究背景方面，全球范围内气温上升、降水不规则以及蒸散加速使得干旱在频率与强度上更趋复杂，半干旱与干旱区因水文气候变率下的自然水循环失衡而面临较高风险；干旱不仅是气象现象，还引发土地退化、农业损失、水资源短缺与生态系统脆弱性等多维影响。土耳其GAP地区属半干旱气候，季节降水波动剧烈、夏季漫长干期、农业高度依赖气象条件，加之人口增长、灌溉需水增加、气温上升与降水不确定性，使其物理与社会经济层面的干旱脆弱性突出。已有文献多采用单一途径（趋势分析、干旱指数评估或独立机器学习预测），缺乏将长期趋势、干旱持续性特征与未来水文气候预估整合于同一分析结构的整体性框架，尤其在GAP尺度的游程理论干旱持续性与机器学习PDSI预估相结合的研究明显不足，因此研究人员开展此项整合过去行为与未来气候信号的多方法空间分析框架研究。

关键技术方法：研究人员采用TerraClimate数据集2000–2024年月尺度PDSI（分辨率约4 km），按GAP九个省份行政区边界计算面积加权平均以构建各省略时间序列；趋势分析采用非参数曼-肯德尔(Mann–Kendall, MK)检验判断单调性并采用泰尔-森(Theil–Sen)斜率估计量化趋势幅度，计算90%、95%、99%置信区间评估统计稳健性；干旱事件识别采用游程理论(run theory)，定义PDSI＜0为干期(dry spell)，计算每次干期历时(duration, D)、烈度(severity, S，PDSI累积和)与强度(intensity, I＝S/D)；未来PDSI预估采用随机森林回归(random forest regression)，输入变量为年（数值）、月（1–12）与省份代码（类别整数编码），目标变量为PDSI，模型设600棵决策树，数据集按时间顺序前80%训练、后20%测试，以决定系数(R²)与均方根误差(RMSE)评估性能，并基于内置特征重要性分析变量贡献顺序。

研究结果如下。

3 Results：研究人员通过对各省月尺度PDSI的泰尔-森斜率分析发现，绝大多数省份月尺度Sen斜率接近零，说明长期PDSI趋势偏弱或无显著变好/变差趋向；部分省份春季（如3–5月）出现弱正斜率，暗示季节性水分条件偶有改善，而夏季（7–8月）多为负斜率，反映夏季干旱压力结构性存在；各省99%置信区间较宽，尤其在夏末与秋初不确定性高，说明水文气候变率大、趋势统计效力有限。干期分析结果表明确定的持续性干旱特征：所有省份均识别出多次干期，平均干期历时为15–22个月，最大连续干期达70个月（尚利乌尔法?anl?urfa），基利斯(Kilis)平均干期最长（约22.30个月）但次数最少（10次），锡尔特(Siirt)干期频率最高（21次）且平均历时较短（约11.43个月），巴特曼(Batman)与马尔丁(Mardin)等地最大干期分别达69个月与62个月；这证明GAP地区干旱具有中长尺度持续性且具省际异质性。随机森林模型在测试集上取得R²＝0.8666、RMSE＝97.48，说明模型能解释约86.6%的PDSI方差，较好地捕捉季节循环与省际空间差异；省份代码在特征重要性中位居前列，证实空间异质性被有效学习；2025–2030预估结果显示强季节性循环（冬春季PDSI正峰值、夏季锐减为负值）在各省份重现，其中迪亚巴克尔(Diyarbak?r)、马尔丁、尚利乌尔法正峰值相对较高，加济安泰普、基利斯整体PDSI水平偏低，预示西部省份未来更干；模型未强烈捕捉长期增减趋势，预估曲线逐年正负峰值幅度相似，说明数据以季节循环为主导。部分结果提到未来PDSI估值显示区域主导负趋势，尚利乌尔法、马尔丁、锡尔特等地PDSI可能低于?2（中至严重干旱），但整体上随机森林更擅长季节性而非长期线性趋势外推。

讨论部分总结如下。研究人员指出MK与Theil–Sen趋势分析揭示大多数省份长期PDSI趋势弱，月尺度Sen斜率近零说明干湿 regime更多受短期大气波动而非长期趋势控制；弱正趋势偶现于春季，但宽置信区间限制其统计可信度。干期持续性（游程理论）结果凸显结构性干旱特征：平均干期15–22个月、最大达70个月，表明尽管趋势弱，干旱持续性仍很强，且省际差异（基利斯与加济安泰普少而长、锡尔特频而短）源于地形、微气候与降水分布异质性，需省际差异化适应策略。随机森林模型R²较高说明短期季节行为预测可靠，但RMSE偏大反映极端干旱/湿润事件不确定性较大，这是强季节性气候区机器学习常见局限；预估证实季节性循环将持续，夏季干旱为结构性特征，省际比较显示西部（加济安泰普、基利斯）未来更干、东部（巴特曼、希尔纳克??rnak、锡尔特）湿度恢复稍强但夏季干旱仍持久。研究人员强调干旱风险来自强季节性与中长尺度持续性双重因素，决策需兼顾短期信号与长期干期；多方法框架（趋势＋持续性＋预估）比单一分析更全面支撑区域干旱管理。最后研究人员指出2000–2024时段可能限制长期气候变率低频信号捕捉，未来可引入更高分辨率数据、更多水文气候变量（土壤水、蒸散、径流等）与先进深度学习（如LSTM、GRU、TFT）以提升长期预估能力。

结论部分原文总结如下：本研究提出并应用了整合趋势分析、干期持续性分析与机器学习PDSI预估的多方法框架以整体性评估GAP地区干旱风险；趋势分析表明多数省份长期PDSI趋势弱，但游程理论显示干期平均15–22个月、最大达70个月，证实干旱具结构性持续性；随机森林预估表明2025–2030期间季节性循环持续显著且夏季干旱仍为基本水文气候特征，模型R²高说明短期季节行为可可靠预测，RMSE偏高说明极端事件不确定仍在；省际差异确认水文气候异质性，加济安泰普与基利斯未来条件可能更干；该多方法途径为区域水资源管理、农业规划与干旱减缓政策建立了综合性科学基础，可支撑GAP地区应对气候不确定性与可持续发展适应策略；未来研究应通过更高空间分辨率数据、补充水文气候变量与更先进深度学习方法来加强分析。