《AgriEngineering》：A Decomposition-Based Hybrid Prophet–LSTM Framework for SPEI-12 Drought Forecasting in Kano State, Nigeria
编辑推荐：
苏丹–萨hel过渡带北尼日利亚的干旱持续性对农业生产力构成重大风险。研究人员开发了一种混合Prophet–长短期记忆(Long Short-Term Memory, LSTM)架构，以解决非平稳水文气候时间序列近期预测能力现有研究空白。以卡诺州为案例，研究人员
苏丹–萨hel过渡带北尼日利亚的干旱持续性对农业生产力构成重大风险。研究人员开发了一种混合Prophet–长短期记忆(Long Short-Term Memory, LSTM)架构，以解决非平稳水文气候时间序列近期预测能力现有研究空白。以卡诺州为案例，研究人员采用Prophet算法从CRU TS v4.09数据(1980–2024)衍生的标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index, SPEI-12)中提取确定性趋势，而集成LSTM网络对随机残差进行建模。诊断结果表明存在统计显著的湿度恢复趋势(p < 0.0001)。比较分析表明混合模型显著优于独立基线，达到超过0.87的纳什效率系数(Nash–Sutcliffe Efficiency, NSE)和67.2%的根均方误差(Root Mean Square Error, RMSE)降低。此外，该框架以超过87%的方向精度准确模拟了水文气候转变，确认了高预测可靠性。2025–2030年预测表明持续的正湿度偏移约0.9个SPEI单位。这些发现强调了将非线性噪声与确定性信号解耦以解决复杂干旱动态的技术必要性。因此，所提出框架作为近期气候预测的稳健工具。建议在多样化农业生态区推广该方法以增强国家干旱早期预警系统和区域气候韧性策略。
研究背景方面，西非半干旱地区包括北尼日利亚面临干旱这一广泛破坏性自然灾害，气候变率对雨养农业和生活生计产生灾难性影响，该地区因低且不可预测降雨易受反复气象与水文压力，土地退化、森林砍伐和过度放牧等人为活动加剧干旱使干旱与荒漠化成为复杂交织环境问题，近期水文气候评估表明Sahel与Guinea Savannah过渡区水分短缺更多由热力驱动增加极端蒸散脆弱性，未来农田干旱暴露度更大威胁国家粮食安全与经济稳定。有效监测与规划需要及时准确评估，标准化降水指数(Standardised Precipitation Index, SPI)广泛用于监测降雨亏缺但评估水文应力需用考虑大气需求的指数，标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index, SPEI-12)依赖气候水平衡提供多尺度度量比仅降水指数更有效捕捉温度驱动干旱，12个月累积尺度对描述尼日利亚农业与水资源长期干旱特征非常相关，但传统干旱分析常受时效性、客观性和空间充分性限制，北尼日利亚干旱模式非地理同质、含噪声、局部化且非平稳，不响应简单气候驱动，纯线性统计基线模型如ARIMA不能代表非线性环境动态需深度学习架构，独立深度学习模型性能受水文气候信号中红噪声与非平稳性阻碍，混合模型通过集成数据预处理去噪优于独立架构，组件组合混合(Hybridization of Component Combination, HCPH)策略在捕获确定性与随机波动性方面更优，但Sudan Sahel过渡带缺乏解决多年水文气候轨迹的稳健HCPH框架以满足长期水资源规划近期预测智能需求。研究人员提出基于分解的混合Prophet–LSTM架构预测卡诺州SPEI-12，采用HCPH策略用Prophet分解确定趋势与季节性并用LSTM门控记忆学习分解的非线性时间依赖随机残差，通过先解耦确定性气候信号使LSTM专注平稳残差简化训练提高计算收敛，扩展至2025–2030近期预测视野符合近期气候预测(Near-Term Climate Prediction, NTCP)操作需求，用SPEI-12捕获累积水文记忆与混合架构隔离确定趋势克服经典气象前置时间约束，从确定点预测转向概率区间捕获模型相关不确定性，提供比基线模型更好预测性能与不确定性量化用于区域干旱减缓与适应策略。具体目标包括推导卡诺州SPEI-12时间序列并用Mann-Kendall、自相关和游程理论诊断长期趋势、时间记忆和历史风险剖面；用Prophet建立确定统计基线并通过训练LSTM于提取非线性残差实现混合架构；用RMSE、MASE和NSE基准测试混合架构与独立深度学习模型评估预测精度与方向可靠性；用框架生成2025–2030近期SPEI-12预测并集成95%预测区间量化未来水文气候偏移与不确定性。该研究发表在《AgriEngineering》。
主要关键技术方法包括：研究空间聚焦尼日利亚北部卡诺州Sudan–Sahel过渡带，采用CRU TS v4.09数据集(1980–2024)0.5×0.5空间分辨率月降水与潜在蒸散(Potential Evapotranspiration, PET)数据，选取Shanono、Dambatta、Kura、Rogo和Garko五个代表城镇确保空间独立性；用FAO 56 Penman Monteith方法估算PET，滚动12个月窗口累积水平衡拟合三参数Log-logistic分布推导SPEI-12；用Mann-Kendall检验与Theil-Sen估计量分析趋势，Hurst Exponent与自相关函数(Autocorrelation Function, ACF)评估持续性，游程理论表征干旱事件；采用Prophet算法分解时间序列提取趋势g(t)、季节性s(t)与残差，经Augmented Dickey-Fuller (ADF)检验平稳性；用LSTM网络以12个月滑动窗口学习归一化[-1,1]残差，配置50神经元、学习率0.01、Dropout 0.2等超参数；混合重建为Prophet确定分量与LSTM残差预测之和，按70%/30%时序分割与5折向前交叉验证，用NSE、RMSE、MASE和方向精度(Directional Accuracy, DA)评估，用Seasonal-Trend decomposition with Loess (STL)做方差分解，建立95%预测区间与气候偏移分析，对验证集残差做高斯分布诊断。
研究结果部分保留小标题并说明如下。
3.1. Spatiotemporal Trends in SPEI-12：研究人员通过Mann-Kendall检验评估1980–2024年五地SPEI-12时空变化，得出所有站点存在高度显著(p < 0.0001)单调上升趋势，Theil-Sen斜率估计0.0408–0.0508 yr?1，证实区域气候水平衡持续增加并从1980年代极度干旱恢复。
3.2. Statistical Persistence and Predictability：通过ACF分析显示显著正相关延至12个月滞后，持久性指数Rogo为6.62至Garko为7.51，Hurst Exponent值0.410–0.422均低于0.5具均值回复行为与记忆；游程理论量化历史水分应力显示Rogo与Kura分别发生14和13次主要事件，Shanono与Garko持续时间达37个月累积严重程度超64.0。
3.3. Structural Variance Decomposition：通过方差分解分析显示趋势强度(Trend Strength, Ft)超0.72，Dambatta达0.838，季节强度(Seasonal Strength, Fs)为0.000因12个月累积平滑年内周期，残差方差仍占高达28.9%于Garko，代表需深度学习的非线性高频波动。
3.4. Predictive Performance of Modeling Architectures：研究人员评估三类架构，3.4.1 Prophet Model在2011–2024验证集RMSE 0.903–1.004，NSE -0.009至-0.264为负值无法模拟高频极端；3.4.2 Standalone LSTM Model降低RMSE至0.302–0.365，NSE提升至0.852–0.872能捕获非线性波动；3.4.3 Hybrid Prophet-LSTM Framework达RMSE 0.284–0.348，NSE 0.862–0.890最优；3.4.4 Comparative Evaluation and Benchmarking综合显示混合模型平均RMSE 0.322、NSE 0.876，较Prophet误差降66.3%，残差近高斯分布，5折交叉验证NSE 0.815–0.829，配对t检验p < 0.0001证实统计显著优于独立LSTM。
3.5. Projected Drought Dynamics (2025–2030)：混合框架预测2025–2030所有站点持续水分盈余均值0.647–1.047，干旱风险概率0.00%因最小值高于-1.0阈值，95%预测区间0.584–0.666。
3.6. Forecast Reliability and Spatiotemporal Projection Grids：混合平均绝对误差(Mean Absolute Error, MAE)0.227–0.278，RMSE/MAE比1.25一致近高斯残差，平均绝对缩放误差(Mean Absolute Scaled Error, MASE)1.383–1.532，方向精度超87%正确模拟水文气候转变相位，热图显示稳定正向色阶趋向水分盈余伴高频振荡。
3.7. Residual Diagnostic and Error Distribution：残差诊断显示预测误差近高斯分布中心均值误差(Mean Error, ME)近零，气候偏移分析显示预测十年均值升至0.6469–1.0471，较历史基线偏移近一个标准差表明近期趋向更湿水文气候体制。
讨论部分总结：研究人员指出卡诺区明确水文气候恢复与1980年代极度干旱对比一致Sudan Sahel过渡带降雨恢复可能由大气水分输送变化驱动，但Run Theory预测长达37个月多年干旱表明仍易受严重短缺，高自相关与Hurst指数证实需序列学习工具捕获非随机记忆，各站单位波动(σ = 1.0)验证标准化可比性。结构组成显示趋势强度Ft > 0.72主导证明Prophet提取确定信号合理，12个月尺度消除年内周期但残差方差近29%需LSTM处理。混合Prophet–LSTM优于独立Prophet负NSE与独立LSTM次优性能，配对t检验p < 0.0001证实精度提升非随机，Prophet去趋势使LSTM仅处理平稳残差降低复杂度改善相位同步。MASE显著低于单位阈值预测增益近三倍于朴素持久法，方向精度超87%对数据稀缺非洲早期预警关键，RMSE/MAE比1.25一致高斯误差分布验证残差无偏。95%预测区间基于ADF检验平稳残差与时间不变统计性质，验证期多样极端使区间保守界定随机波动，支持风险感知管理。近期预测2025–2030持续湿润偏移约0.9 SPEI-12单位符合NTCP框架，正窗口提供农业集约化机会但需考虑高频振荡的水资源管理，混合模型解析转变证明趋势解耦对北尼日利亚非线性环境动态不可或缺，为积极适应提供计算证据即使在预测湿润轨迹下准备随机不稳定。
结论部分翻译：本研究设计并测试了一种混合Prophet–LSTM模型以预报尼日利亚卡诺州近期SPEI-12。结果表明将随机噪声与确定性气候信号解耦显著提高预测精度，混合框架达到超过0.87的NSE值与平均减少66.3%的基线预测误差。尽管诊断分析证实极强长期湿度恢复趋势，基于历史趋势的2025–2030近期情景预测表明约0.9个SPEI单位的正气候偏移。结果显示时间序列分解结合深度学习门控记忆是捕获Sudan Sahelian气候复杂非线性动态的有效方式。该模型为区域早期预警与潜在农业规划提供基于证据的工具。近期战略规划应考虑混合框架识别的不可预测月度随机不稳定性。虽然混合Prophet–LSTM框架表现优越，本研究具体关注确定趋势提取与残差深度学习用广泛确立的LSTM架构协同。未来研究应扩展发现通过对其他新兴混合框架如Wavelet LSTM、经验模态分解(Empirical Mode Decomposition, EMD)集成或XGBoost混合模型更广泛比较评估以进一步优化不同气候体制预测精度。此外应研究整合外生气候驱动包括海表温度与全球遥连以提升长期前置预测技能。评估更小累积尺度如SPEI-3和SPEI-6性能将为监测农业与气象干旱提供模型有效性关键信息。最后将该混合框架空间域扩展至尼日利亚更大地理区域将促进发展更全面国家干旱监测与粮食安全策略。
