基于模式挖掘与机器学习方法的伊朗水文气候区干旱动态气候敏感性评估

《Journal of Hydrology: Regional Studies》：Climate-sensitive assessment of drought dynamics using pattern-mining and machine-learning approaches across Iran’s hydro-climatic zones

　　

干旱动态在不同气候 regime 下呈现出显著差异，传统干旱指标的可靠性在水文气候高度异质性区域可能下降。本研究基于44年观测数据，利用五种常规干旱指数[标准化降水指数（SPI）、标准化降水蒸散发指数（SPEI）、多变量标准化干旱指数（MSDI）、干旱百分位数指数（DPI）和侦察干旱指数（RDI）]、两种机器学习模型[支持向量机（SVM）和自适应神经模糊推理系统-粒子群优化（ANF-PSO）]以及一种模式挖掘引擎（PME），对伊朗四类主要气候区（极干旱、干旱、半干旱和湿润）的干旱行为开展了多尺度比较评估，旨在揭示干旱强度、持续时间、频率及事件结构随气候 class 和时间尺度的变化规律，并验证PME在不同水文气候条件下的稳定性优势。模型性能通过精度统计、Taylor 图、相关分析和不确定性诊断进行评价。

研究结果表明，干旱行为与模型性能具有显著的气候依赖性。融合蒸散发需求的指数（尤其是SPEI和RDI）在极干旱和干旱气候区更为可靠，而降水基准指数在湿润条件下表现相对稳定。没有任何常规指数能够在所有气候 class 中保持均匀良好的表现。在此比较框架下，PME展现出明显优势：能够一致性地捕捉所有气候 class 和时间尺度下干旱的主导空间与时间结构，同时对气候变异性保持较低的敏感性。与传统指数和基线机器学习模型不同，PME通过基于模式的表达整合多变量水文气象相互作用，从而在异质性环境中实现更稳健的干旱条件识别。相比之下，MSDI表现较不稳定，尤其在半干旱和湿润区域。这些发现突显了PME作为气候敏感性框架在改进干旱表征方面的附加价值，并有助于提升流域尺度监测、早期预警和水资源规划的可靠性。

干旱是全球范围内最为普遍且破坏性极强的自然灾害之一，其 prolonged 降水亏缺严重干扰区域水平衡，对生态环境与社会经济系统施加巨大压力。在全球持续变暖与人类活动加剧的背景下，干旱的频率与严重程度预计将在世界范围内进一步攀升。水亏缺通过水文循环多个层级传递，影响陆地生态系统、农业生产力和人类生计，且具有延迟但持久的效应。不同于突发型灾害，干旱演化缓慢，常跨越大型跨境区域，并波及几乎所有气候带。长期降水亏缺与大气蒸散发需求增加相结合，可引发连锁式影响，将气象干旱转化为土壤水分亏缺、农业胁迫，最终演变为水文干旱。因此，准确且气候敏感的干旱监测对于缓解影响、提升 preparedness 以及支持脆弱地区的有效水资源配置至关重要。

伊朗地形复杂、空间变异性显著，气候条件涵盖超干旱至湿润环境，其30个主要水文盆地降水 regime、温度梯度与蒸散发需求差异巨大，使得干旱评估高度敏感于气候背景。传统干旱指数（SPI、SPEI、RDI、MSDI、DPI）在伊朗广泛应用，但其性能常具气候依赖性，尤其在湿润区域可能因高降雨变异性和微弱干旱信号而降低信噪比，使干旱检测复杂化。尽管机器学习模型通常在干旱与半干旱气候中改善干旱估计，但在湿润区域性能常出现退化。这一持续性局限指向关键研究空白：传统干旱指数与数据驱动模型在显著对比的气候 regime 和时间尺度下的行为尚缺乏充分理解，亦缺乏能在这种异质性条件下提供相对稳定表现的框架。为此，本研究开展系统性气候敏感评估，比较八种干旱建模方法（SPI、SPEI、RDI、MSDI、DPI、SVM、ANF-PSO和PME）在伊朗30个水文盆地和四大气候区（极干旱、干旱、半干旱、湿润）基于1980 detailed in the study as the foundation for analysis—namely the 1980–2023 period, utilizing 44 years of meteorological observations across 100 synoptic stations. The climatic classification was based on UNESCO aridity index calculated using precipitation and reference evapotranspiration (ET_ref) derived via the FAO56 Penman–Monteith equation. For machine-learning models, a consistent input–output configuration was established: eight hydro-meteorological variables [precipitation (P), ET_ref, minimum temperature (T_min), maximum temperature (T_max), mean temperature (T_mean), relative humidity (RH), sunshine duration (S), and wind speed at 2 m height (U₂)] served as predictors, with drought-index time series as the target variable. A chronological split (1980–2005 for training; 2006–2023 for testing) was adopted, and drought events were identified using a uniform threshold of ?1. Four event characteristics were extracted: number of drought events (NDE), drought duration (DD), drought frequency (DF), and drought intensity (DI). Performance was evaluated using Pearson correlation coefficient (R), Mean Bias Error (MBE), Root Mean Square Error (RMSE), t-statistic (T_stat), 95% uncertainty interval (U_95%), and General Performance Index (GPI); Taylor diagrams were employed for structural comparison. The PME framework specifically involved a two-stage process: first, discretizing predictors into climatic states via equal-width discretization, then applying Apriori algorithm-based frequent-pattern mining (support ≥0.1, confidence ≥0.2) to extract recurrent multivariate configurations, followed by Random Forest regression (60 trees) to estimate drought-response series.

模型性能评估结果显示，干旱模型表现具有强烈的气候依赖性。在极干旱气候区，PME在月尺度表现出较低的RMSE（≈0.30）和较高的R²（>0.80），季节和年尺度性能同样稳定，年RMSE接近零（≈0.03–0.04），R²趋近于1；而MSDI在所有尺度上均表现较弱，RMSE普遍高于1.50，R²低于0.10。在干旱气候区，SPEI月RMSE约为0.32–0.35、R²接近0.80，RDI月RMSE低于0.20、R²超过0.95；PME再次呈现一致稳定的强性能，测试期RMSE低于约0.35、R²高于0.94。半干旱气候区表现最为多变，SPEI和RDI月尺度技能中等，但季节和年尺度稳定性下降，尤其SPEI的R²显著降低；经典ML模型月尺度有所改善，RMSE约0.54–0.59、R²达0.75；PME仍保持最稳定表现，月RMSE约0.32–0.33，年RMSE约0.21–0.22、R²=0.97–1.00。湿润气候区，SPEI月尺度表现良好（RMSE<0.20，R²>0.95），但随尺度延长技能下降；RDI季节和年尺度表现强劲（R²趋近0.99）；经典ML模型年尺度一致性较差；PME月、季、年尺度均维持稳定（RMSE 0.14–0.34，R²>0.95）。

相关结构分析揭示了不同气候区干旱形成机制的差异。极干旱区温度变量与ET_ref呈强正相关，大气需求主导干旱行为，SPEI和RDI与ET<sub>ref关系更为一致，PME和ANF-PSO亦显示类似结构；干旱区结构更为平衡，降水与SPI、DPI、MSDI关系增强，同时ETref与SPEI、RDI保持清晰关联，PME反映双重控制；半干旱区结构最为复杂，降水与多个指数关联较强，温度和ETref亦显著耦合，SPEI和RDI显示与降水和蒸散发需求的平衡关系，PME与多变量同时保持中高度相关；湿润区频繁降雨事件和强年内变率削弱了干旱信号持续性，多个指数与降水关系减弱，PME保留与热力和水分变量的较一致关联。

Taylor图分析进一步验证了上述发现。极干旱区PME位于最接近参考点位置，表明相关性和标准差匹配度最优；干旱区SPEI和RDI靠近参考基线，PME仍保持最近距离；半干旱区模型分散度最大，PME和ANF-PSO相关性较强但PME标准差更接近参考；湿润区常规指数相关性和标准差偏离较大，PME相对最接近参考点，SVM和ANF-PSO更为分散。基于此构建的描述性技能分组显示：PME在所有四类气候区均归入最接近一致组；MSDI在四类中均为较低一致组；SPEI和RDI在干旱气候区表现较强，SVM和ANF-PSO处于中间位置。

干旱强度空间分布显示，所有模型一致识别南部和东南部（尤其是波斯湾沿岸和东部）为高强度干旱集中区，北部里海沿岸强度较低，中部 intermediate 条件。模型间空间一致性较强的是SPI、DPI、SVM、ANF-PSO和PME；RDI和MSDI空间分布更为平滑、对比度降低；SPEI呈中间行为。强度分布箱线图表明：极干旱区多数方法月强度变异性有限，MSDI和ANF-PSO四分位距较宽，PME分布紧凑；干旱区SPEI和RDI分布紧密对称，PME窄而稳定；半干旱区MSDI和DPI分布最宽，PME保持窄分布；湿润区SPI和DPI紧凑，ETref纳入方法稍宽，PME稳定。年尺度分布在所有气候区均比月尺度更窄，表明时间聚合降低短期变率和模型间分歧。

干旱事件数量分析显示：极干旱区月事件数方法间变异大，DPI、MSDI和SVM事件数偏高或分散，PME和SPI较紧凑；干旱区事件数一致性提高，SPI、SPEI和RDI相似，ML模型稍宽，PME紧凑；半干旱区事件数分散度最大，DPI和MSDI四分位距宽，PME较窄；湿润区SPI和DPI紧凑，ETref方法稍宽，ML模型分散。年事件数在各气候区收敛更强，反映长期干旱重现比高频检测更稳定。

干旱持续时间分析揭示：极干旱区月持续时间短，MSDI和DPI分布宽、上尾长；季节尺度差异加剧，MSDI持续时间显著长于其他方法；PME和SPI保持紧凑。干旱区持续时间分布更有组织，MSDI季节尺度仍最长。半干旱区分散度最大，MSDI季节和年尺度最长。湿润区月持续时间短而窄，MSDI和DPI季节尺度扩张，PME和SPI紧凑；年尺度多数方法收敛。PME在各气候区均提供较稳定的持续时间分布，MSDI倾向于产生更长且更分散的干旱 episode。

不确定性综合诊断（SI、Tstat、U95%、GPI）显示：PME普遍具有较低SI值，表明归一化离散度小；MSDI特别是半干旱和湿润条件下SI值较大。Tstat诊断中MSDI系统性偏离最大，PME、SPEI和SVM较低。U95%标准下PME不确定区间窄，MSDI范围较宽。GPI综合指标中PME最具优势，MSDI相对不利。这些结果共同表明PME在精度、偏差、离散度和解释性能间实现了最平衡的权衡。

研究结论部分指出，干旱强度、持续时间、频率和事件结构随气候 class 和时间聚合呈现系统性变化，单一固定形式指标无法充分表征伊朗所有水文气候设置下的干旱行为。模型性能具有一致的气候依赖性：融合大气水分需求指数（SPEI和RDI）在极干旱和干旱条件下更可靠，降水基准公式在湿润条件下相对稳定；半干旱 class 显示最大模型间变异性，突显过渡性干旱形成的特征。PME展现出最稳定的整体行为，具有较低的离散度、减小的系统性偏差以及更一致的干旱强度、重现和持续性表征。相比之下，MSDI在本研究采用的公式下表现较不稳定，尤其在半干旱和湿润条件下不确定度、事件数膨胀和持续时间延长更为明显。不同气候区的实际优先事项有所区别：极干旱和干旱盆地需优先采用对持续蒸散发胁迫敏感的方法；半干旱盆地需可靠表征降雨变率和大气需求的联合作用；湿润盆地需在频繁湿润背景下区分 subtle 干旱异常。研究强调伊朗干旱监测应 tailor 于气候背景而非采用统一固定指数，并建议将基于模式的方法作为改进 operational 干旱分析、流域尺度解释和干旱早期预警支持的补充途径。同时研究承认若干局限：分析基于本研究采用的预测变量和数据结构，模型行为可能因替代组合而异；未针对独立水文影响变量进行直接验证；MSDI的较弱表现应在本研究采用的copula实现下解读；统一阈值?1的 hydrological 含义在不同气候 regime 间可能存在差异；未进行正式假设检验或效应量分析，报告差异应视为描述性比较证据；未进行平稳性评估或时间交叉验证，且测试期包含 intensified 变暖和干燥年份，部分性能变异可能反映 evolving 水文气候背景而非严格平稳系统。未来研究应在非平稳气候条件、复合极端事件和 evolving 陆-气相互作用下评估PME，并利用独立水文观测、遥感产品和更广泛区域数据集进行验证，同时将基于模式的干旱表征与陆面或水文模型耦合以增强物理可解释性。</sub>