混合Prophet–LSTM–BPNN框架用于季节性干旱预测

《Artificial Intelligence in Geosciences》：A Hybrid Prophet–LSTM–BPNN Framework for Seasonal Drought Prediction

　　

干旱是最具破坏性的水文气候灾害之一，尤其在干旱和半干旱地区，水资源短缺直接威胁农业生产和社会经济稳定。因此，可靠的季节性干旱预测对于有效的早期预警和水资源管理至关重要。本研究提出了一种序列混合预测框架，称为Prophet–LSTM–BPNN，该框架集成了Prophet模型、长短期记忆（LSTM）网络和反向传播神经网络（BPNN），用于伊朗的季节性干旱预测。该框架分别应用于1990年至2021年间伊朗30个主要流域的月度流域平均三个月尺度标准化降水蒸散指数（SPEI-3）值，仅依赖单变量时间序列数据，以确保在数据有限情境下的适用性。建模策略对干旱动态进行了层次分解：Prophet捕捉主导趋势和季节性，LSTM对剩余的非线性时间结构进行建模，BPNN结合这些中间输出。预测技能通过五折滚动原点扩展窗口验证方案进行评估，其中每个模型对五个预定义目标年份（2011年、2013年、2015年、2017年和2019年）的12个月SPEI-3值进行预测。模型性能使用纳什效率系数（NSE）、决定系数（R2）和均方根误差（RMSE）进行评估。性能基准测试对比了独立模型和混合基线模型，包括Prophet、LSTM、Prophet–LSTM–Add和Prophet–LSTM–Lin模型。结果表明，Prophet–LSTM–BPNN优于所有基线模型，在30个流域中实现了0.329的平均RMSE和0.833的平均NSE。值得注意的是，它超越了线性加权混合模型Prophet–LSTM–Lin（RMSE=0.359，NSE=0.800），证实了非线性融合对于捕捉趋势和残差分量之间复杂相互作用的必要性。本研究为数据有限和缺水地区的季节性干旱预测提供了方法论指导，并强调了Prophet–LSTM–BPNN框架作为流域尺度干旱早期预警预测工具的适用性。

论文解读：《Artificial Intelligence in Geosciences》发表了一项针对伊朗30个主要流域的季节性干旱预测研究。研究背景在于干旱是全球最具破坏性的水文气候灾害之一，在干旱和半干旱地区，水资源短缺直接威胁农业生产和社会经济稳定。目前干旱预测面临诸多挑战，包括干旱发生、空间范围和结束难以确定，以及许多模型依赖多源辅助数据，在数据稀缺地区（如中东和北非）应用时受到限制。伊朗作为典型缺水国家，经历了该地区一些最强烈和持久的干旱，因此迫切需要可靠的环境监测和早期预警系统。为此，研究人员开展了基于单变量时间序列的混合预测框架研究，旨在不依赖辅助数据集的情况下实现准确的季节性干旱预测。该研究提出的Prophet–LSTM–BPNN框架在30个流域上取得了优于所有基线模型的性能，平均RMSE为0.329，平均NSE为0.833，证实了非线性融合的必要性。这一成果为数据有限和缺水地区的季节性干旱预测提供了方法论指导，并展示了该框架作为流域尺度干旱早期预警工具的适用性。

在关键技术方法上，研究人员采用了以下主要步骤：首先获取1990年1月至2021年12月全球网格化SPEIbase版本2.9数据集的月度SPEI-3数据，按伊朗30个主要流域边界空间平均得到各流域的单变量时间序列。随后构建Prophet–LSTM–BPNN框架，依次通过Prophet模型估计趋势和季节性分量并计算残差，将残差输入LSTM网络学习剩余时间依赖并生成预测残差，最后利用BPNN非线性融合Prophet预测值与LSTM预测残差得到最终SPEI-3预测。模型评估采用五折滚动原点扩展窗口验证，预定义2011、2013、2015、2017和2019年为目标年，每折训练数据逐步扩展并预测随后12个月，性能指标包括RMSE、NSE和R²，并通过Friedman检验和Wilcoxon符号秩检验进行统计显著性分析。此外，使用Seasonal Mann–Kendall（SMK）检验分析各流域SPEI-3单调趋势。

研究结果部分如下：

4.1. Basin-scale trends in SPEI-3（流域尺度SPEI-3趋势）

通过SMK检验分析1990–2021年各流域SPEI-3趋势，所有30个流域的Kendall's tau（τ）均为负值，其中29个显示统计显著下降（p<0.05）。最强下降趋势集中在东部和东南部流域，如Hamun Hirmand（τ=-0.267）、Baluchestan（τ=-0.258）等，表明这些地区广泛干旱化。西部和北部流域趋势较弱但仍显著，仅Aras流域未达显著水平。这反映了伊朗空间异质性的干燥趋势，对水资源管理具有紧迫意义。

4.2. Performance of hybrid Prophet–LSTM–BPNN and benchmark models（混合Prophet–LSTM–BPNN及基准模型性能）

在30个流域和五折验证中，Prophet–LSTM–BPNN取得最优性能，平均RMSE=0.329、NSE=0.833、R²=0.872，优于独立Prophet（RMSE=0.575）、独立LSTM（RMSE=0.399）以及加法融合（RMSE=0.372）和线性融合（RMSE=0.359）基线。相比最佳线性基线，非线性融合降低RMSE约8.4%，证明非线性融合能更好捕捉趋势与残差间的复杂相互作用，且模型在不同验证年份间表现稳定。

4.3. Statistical significance and uncertainty analysis（统计显著性和不确定性分析）

Friedman检验显示模型间性能差异极显著（p<0.001）。配对Wilcoxon符号秩检验（Holm–Bonferroni校正）证实Prophet–LSTM–BPNN在所有指标上均显著优于基线（调整后p<0.001）。95%置信区间进一步量化改进的实际意义，如RMSE降低0.018–0.059且区间不包含零，表明BPNN非线性融合带来一致且显著的提升。

4.4. Basin-scale SPEI-3 prediction（流域尺度SPEI-3预测）

利用最终保留年份2021年进行空间预测展示，模型成功再现了东南部严重干旱（SPEI-3<-2.0）、中部和西部中度干旱以及北部较弱干旱信号，准确模拟了冬末至初夏干旱加剧、秋季部分恢复的季节转换。少数偏差限于幅度而非空间格局，整体时空一致性验证了混合框架设计的有效性。

最后总结讨论部分：研究人员强调该框架应被视为预测工具而非干旱驱动因子的因果模型。其单变量设计为缺乏辅助数据的地区提供了数据高效基线，但未来研究应评估加入土壤湿度、植被指数或气候振荡等预测因子是否能进一步提高预报技巧。此外，还需测试该框架在其他干旱和半干旱地区的可迁移性，并探索能表示流域间依赖关系的架构（如图神经网络）。研究结论指出，Prophet–LSTM–BPNN在伊朗30个流域的月度SPEI-3预测中取得了最低预测误差和最高预测效率，非线性集成能更好表示季节结构与残差干旱动态之间的相互作用，这对流域尺度干旱早期预警具有重要价值。