尼日尔尼亚美地区的时空干旱动态（2005–2022年）：基于多传感器卫星数据与气候数据集的多指标深度学习分析方法

《Scientific Reports》：Spatio-temporal drought dynamics in Niamey District, Niger (2005–2022): multi-index deep learning approach leveraging multi-sensor satellite and climate datasets

　　

摘要

在本研究中，我们开发并应用了一种多传感器长短期记忆网络（LSTM）模型，用于2005年至2022年尼日尔尼亚美地区的干旱监测与分析。数据来源包括Landsat 5 TM和Landsat 7 ETM+卫星图像（分辨率30米，采集于2005年至2013年）、Sentinel-1 C波段SAR和Sentinel-2 MSI影像（分辨率10米，2014年至2015年后融合处理）、MODIS MOD13Q1 NDVI和MOD11A2 LST数据集（整个研究期间均有数据）、气候灾害组织基于站点的红外降水量数据“CHIRPS”（分辨率0.05°），以及气候研究单位发布的月度表面气候数据“CRU TS”（分辨率0.5°）。研究采用SPI、SMI、PDSI和VHI等指标对干旱程度进行量化。周期性分析显示，2005年至2012年为明显的干旱期，而2013年至2022年间虽然有缓慢但不完全的恢复趋势，但SPI和PDSI数值基本保持稳定。出乎意料的是，尽管该地区在2012年后经历了近二十年的水资源短缺状况，VHI指标仍呈现出轻微但显著的上升趋势（τ=+0.083，p=0.0497），这表明自2005年以来该地区的植被状况总体有所改善，其可能原因包括二氧化碳施肥效应、土地利用/管理方式的改变，或是植被群落组成向更耐旱的物种转变等。在解读这些结果时需谨慎对待。长短期记忆网络干旱建模与预测模型的各项性能指标均较为理想（R2=0.93，NSE=0.93，偏差值=-0.714），其中SPI在各类干旱指数中的建模效率最高（R2=0.836）。而SMI和VHI的预测难度较大，这可能是由于土壤与植被特性之间存在复杂的相互作用，以及根区土壤含水量与植被光谱指标之间的非线性关系所致。