利用CMIP6预测数据和混合深度学习模型，对土耳其中部安纳托利亚地区的多个时间尺度的干旱进行预测

《Atmospheric Research》：Drought forecasting across multiple temporal scales using CMIP6 projections and hybrid deep learning models for Central Anatolia, Türkiye

　　• 提出了一种基于CMIP6的混合深度学习框架，用于干旱预测。• 将多模型集合气候预测与SPI结合使用，适用于多个尺度。• 信号分解-深度学习混合模型提高了水文预测的准确性。• 仅针对未来的测试确保了在气候变化条件下的现实评估。• 在混合干旱预测模型中显示出强烈的时间尺度依赖性。

引言
干旱的特点是长时间降雨不足，这影响了农业、水资源、生态系统和生物体，逐渐导致水资源短缺。它主要是由于供应和需求之间的平衡发生不利变化造成的（Mishra和Singh，2010年）。水分的减少和限制对日常生活产生了负面影响（MacDonald等人，2020年）。监测干旱至关重要，因为它们可能导致经济损失和人员伤亡，并加剧全球性的洪水、野火等自然灾害（Ekundayo等人，2022年）。
气候变化指的是气候系统平均状态或变率在长期内的统计显著变化。这些变化可能是由自然气候过程或人类活动的外部影响引起的。根据日益明显的气候变化影响（如降雨模式的变化、气温升高和海平面上升）预测的未来情景，可能会对生态系统、社会结构和经济系统产生重大影响（Guo等人，2023a；IPCC，2014年）。
全球变暖通过增加云层覆盖、改变潜热通量以及影响大气过程来改变水文循环。因此，极端天气现象（如干旱、风暴和洪水）的频率和强度都有所增加。近年来，这些极端事件带来的经济损失、人员伤亡和社会后果引起了科学界和行政部门的更多关注。气候变化通过在时间和空间上显著改变降水模式，给区域和地方层面的水资源规划和管理带来了前所未有的挑战。除了陆地系统中的这些常见水文压力外，沿海地区还面临着因海平面上升而增加的风暴潮和海岸侵蚀风险。为了应对这些复杂的影响，必须通过全面、长期和系统的方法评估气候变化的潜在后果（Guo等人，2024b；Wang和Liu，2023年）。
全球变暖加剧了水文循环，通常会导致已经湿润的地区降水量增加，而干旱地区则更加干燥（Durack等人，2012年）。在过去的十年中，包括2005年和2010年的亚马逊盆地、2010年至2013年的美国中南部、2013年之后的加利福尼亚州、2011年的非洲之角以及2002年至2012年的澳大利亚等地都发生了严重的干旱。这些干旱给自然生态系统带来了巨大压力，导致严重的经济损失，在某些地区还引发了粮食短缺和被迫迁移。研究结果表明，严重干旱的概率正在上升。如果温室气体水平继续呈上升趋势，干旱对自然生态系统和人类社区的威胁将会加剧（Touma等人，2015年）。
由于气象数据的线性和非平稳特性，干旱可以被随机描述。近年来干旱频率和强度的增加突显了优化水资源管理和可持续规划以解决这一复杂问题的迫切需求（Bordi和Sutera，2007年）。干旱影响大范围地区，但其气候后果波及全球。根据影响范围，干旱可以分为四种类型：气象干旱、农业干旱、水文干旱和社会经济干旱。气象干旱标志着干旱的初始阶段，由降雨不足引起；而水文干旱则始于长时间的低降雨量，并持续导致水资源组件（包括河流流量、地下水位和水库容量）的减少（Sheffield和Wood，2008年）。农业干旱指的是土壤湿度的下降；社会经济干旱则由于环境恶化而造成人员和经济上的后果（Van Lanen，2006年）。
为了预测和监测干旱，已经采用了许多分析气象、水文和遥感数据的技术，从而得出与干旱状况相关的结果。在这些分析中常用到的干旱指数包括SPI、RDI、SPEI、SDI和SWSI等全球公认的指数，还有许多针对特定地区定制的指数，它们基于不同的输入生成结果。随着干旱越来越被认为是一个重要的威胁，许多专门研究气象干旱、水文干旱和农业干旱的研究人员对其特征进行了研究（Abu Arra和?i?man，2024年；Dezman等人，1983年；Hayes等人，1999年；Jain等人，2015年；Merabti等人，2018年；?ener和Davraz，2024年）。这些研究表明，每种指数根据其独特的特点在不同情况下都有各自的优缺点（Hayes等人，1999年）。SPI因其能够同时跟踪短期和长期干旱情景、实施简单以及适用于空间比较而受到青睐（Dai，2011年；Kalisa等人，2020年；Salvi和Ghosh，2016年；Thomas等人，2015年）。世界气象组织（WMO）引入了SPI作为标准化的干旱指数，以补充现有的干旱监测技术（Mallya等人，2015年）。预测干旱的工具在水资源工程和风险管理领域尤为重要。

通用环流模型（GCMs）被广泛使用并被认为是预测长期气候影响的可靠工具（Mishra和Singh，2009年）。第六阶段耦合模型比较项目（CMIP6）采用了先进的参数化技术，提高了气候预测的效率（Eyring等人，2016年）。许多CMIP6研究聚焦于不同地区的干旱现象，旨在确定其发生频率和严重程度（Afsari等人，2024年；Araujo等人，2025年；Bhatla等人，2025年；Li等人，2020年；Mondal等人，2021年；Samantray等人，2022年）。此外，多项研究得出了以下结论：Zhao等人（2021年）使用CMIP6多GCM输出和一个经过验证的随机森林降尺度模型，在三种排放情景下预测了未来的干旱持续时间、频率和强度。研究结果表明，虽然河南大部分地区的干旱频率有所下降，但其持续时间和强度有所增加。Xu等人（2023年）利用CMIP6下的各种气候模型数据，通过SPEI指数预测了2016年至2100年的干旱状况，并使用偏相关分析评估了气候变量对干旱的影响。结果表明，尽管不同CMIP6模型预测的干旱趋势大体一致，但仍存在显著的地区差异。Dixit等人（2022年）结合标准径流指数（SRI）和标准降水指数（SPI）以及第六阶段国际耦合模型比较项目（CMIP6）的通用环流模型（GCMs）分析了干旱风险。他们的发现表明，水文干旱和气象干旱不仅受降水量影响，还受最低和最高温度变化的影响。
干旱指数在提供流域动态关键见解方面得到了广泛认可。然而，不同研究需要大量长期数据，这存在一定的实际局限性（Beven，2006年）。计算机技术的进步显著推动了人工智能（AI）的发展。随着AI的发展，机器学习等子领域也被有效整合到复杂的水文模型中。机器学习在解决干旱等复杂非线性和多变量问题方面取得了显著成就（Bodri和?ermák，2000年；Mouatadid等人，2018年）。由于其能够在短时间内提供更精确的结果，机器学习被认为是非常高效的（Masinde，2014年）。AI工具在水文建模过程中的广泛应用主要归功于它们的灵活性和对假设的依赖性降低。这些工具在许多专注于干旱预测的研究中受到了特别关注（Citakoglu和Co?kun，2022年；?ift?i等人，2026年；Ebtehaj和Bonakdari，2024年；Guo等人，2023b，Guo等人，2025年；He等人，2022年；Poudel等人，2024年；Wunsch等人，2020年）。
机器学习分为多个分支，包括适用于所有领域的各种算法。研究表明，当利用大规模数据集时，机器学习能够高效且有效地运行，产生有希望的结果。循环神经网络（RNNs）特别适合处理时间序列数据，如干旱指数。它们擅长处理序列数据和长期数据，能够识别数据序列中的依赖关系（Guo等人，2024a；Guo等人，2025年；Guo等人，2025年；He等人，2025b；Sardar等人，2021年）。
长短期记忆网络（LSTM）源自强大的RNN框架，旨在解决RNN中遇到的梯度消失问题（Hochreiter和Schmidhuber，1997年）。与人工神经网络（ANN）和基本RNN模型相比，LSTM在长期数据预测方面更为成功（Cheng等人，2020年；Guo等人，2023c）。例如，在一项涉及流量和降水数据的研究中，比较了四种算法——线性回归（LR）、支持向量机（SVM）和长短期记忆网络（LSTM）以及多层感知器（MLP），发现LSTM模型在检测流量模式方面的能力最强（Rahimzad等人，2021年）。与传统ANN算法不同，LSTM结合了层间记忆，并根据前一个输出来处理每个输出。这种方法使LSTM能够有效利用数据中的关系（Boulmaiz等人，2020年）。
卷积神经网络（CNNs）能够处理表现为时间序列的气象数据。尽管CNN主要用于图像识别，但它们也可以作为预测干旱的高效快速工具，特别是在分析卫星图像以收集数据时。它们擅长进行空间和时间建模，并能自动提取所需特征（Chaudhari等人，2021年；Guo等人，2024b；He和Guo，2024年；Sardar等人，2021年）。
深度学习（DL）模型可以利用各种数据源进行干旱预测，包括遥感数据、水文数据和气象数据及其长期记录。观察发现，这些模型的预测性能可以得到提升，在某些应用中甚至优于统计方法。然而，在数据获取有限的地区实施DL模型具有挑战性，因为它们需要大量的数据集进行训练和测试（Nandgude等人，2023年）。研究表明，在干旱预测中应用DL算法比传统方法更成功（Agana和Homaifar，2017年；Danandeh Mehr等人，2023年；Gyaneshwar等人，2023年；Moghaddasi等人，2025年）。
在坦桑尼亚，Lalika等人（2024年）使用了LSTM、MARS、SVM、ELM和M5 Tree来预测干旱情景。他们报告称，LSTM在使用SPI-6和SPI-9数据预测干旱方面优于其他算法（Park和Han，2025年）。使用标准降水指数（SPI）分析了Yeongsan和Seomjin河流域的干旱特征，长短期记忆（LSTM）算法表现出色，其指标分别为0.2 MSE、0.477 RMSE、0.77 NSE和0.78 R2。这些发现强调了将干旱指数与机器学习和LSTM模型结合的成功。Chhetri（Chhetri等人，2020年）在不丹首都廷布的Simtokha进行了降雨预测研究，使用了卷积神经网络（CNN）、门控循环单元（GRU）、长短期记忆（LSTM）和双向长短期记忆（BLSTM）。在测试的模型中，LSTM取得了最佳的均方误差（MSE）。然而，BLSTM-GRU模型的MSE得分优于LSTM。Dikshit等人（2021年）在澳大利亚新南威尔士州（NSW）地区进行了研究，重点使用SPEI-1和SPEI-3进行干旱预测。他们利用LSTM预测来评估干旱特征并分析其空间分布，发现机器学习模型在提前一个月的情况下表现更好。
Li等人（2025年）在加利福尼亚州的研究中，比较了长短期记忆（LSTM）、随机森林、卷积神经网络（CNNs）、XGBoost和循环神经网络与一个基础持续性模型。他们发现LSTM在干旱严重程度预测方面表现更优。此外，他们观察到虽然LSTM在干旱频繁的地区表现良好，但在干旱突然发生的地区其性能却下降了。（Belayneh等人，2014年）在埃塞俄比亚的Awash河流域进行了一项研究，评估了SPI-3和SPI-6时间范围内的机器学习模型。所评估的模型包括人工神经网络（ANN）、支持向量回归（SVR）和小波分析（WA）。生成的预测结果使用两个性能指标进行评估：RMSE和R2。双小波神经网络（WA-ANN）模型相比其他两个模型显示出更高的准确性。Krishna等人（2023年）进行的另一项干旱研究中，采用了卷积神经网络（CNN）和长短期记忆（LSTM）等机器学习技术。在评估这些模型预测干旱的能力时，研究使用了SPI和SPEI指数，最终确定SPEI指数比SPI指数更有效。（Poornima和Pushpalatha，2019年）指出，ARIMA模型在使用SPI、PDSI、SPEI和MSDI等指数进行长期干旱预测时面临挑战，并建议改用LSTM。通过使用CMIP6下选定的三个全球环流模型（GCMs）的集合平均值，生成了2021–2100年期间的降水量（R）、平均温度（T）和最高温度的时间序列数据。这项研究的目的是利用SPI-3机器学习算法来预测短期农业干旱。结果表明，近几十年来严重至极端干旱的发生频率有所增加，并预计在不久的将来（2021–2040年）会变得更加频繁。本研究的主要目标是在现有基础上，利用机器学习算法预测Kayseri、K?r?ehir和Nev?ehir站的干旱情况。这些数据对于促进可持续水资源管理、农业发展以及建立干旱监测和预警系统至关重要。为此，研究了四种不同的机器学习算法：卷积神经网络（CNN）、门控循环单元（GRU）、长短期记忆（LSTM）和循环神经网络（RNN）。这些算法经过改进，以提高其在2015至2100年期间的性能并便于进行比较。这些算法被用来预测三个不同时间段（1个月、3个月和6个月）的标准化降水指数（SPI）。研究目标是利用SPI-1和SPI-3预测气象干旱，利用SPI-6预测农业干旱。农业部门面临着由气候变化引起的干旱和水资源短缺带来的诸多挑战。在研究区域（包括Kayseri、K?r?ehir和Nev?ehir等干旱敏感地区），由于当地经济以农业和畜牧业为主，预测干旱可能带来的威胁至关重要。本研究获得的数据可以为干旱监测和早期预警系统的开发提供宝贵的见解。

研究区域
研究区域包括位于土耳其中央安纳托利亚地区的Nev?ehir、K?r?ehir和Kayseri省。该地区具有半干旱大陆性气候特征，夏季炎热干燥，冬季寒冷（Alt?n等人，2012年；Ba?datl?和Arslan，2019年）。降水量普遍较低，且季节性和年际变化显著，使得该地区对气候变化引起的降雨模式变化特别敏感。

结论
本研究通过结合基于CMIP6（耦合模型比较项目第6阶段）的气候预测与先进的混合深度学习模型，全面评估了气候变化条件下的干旱预测性能，这些模型适用于土耳其中部地区的Kayseri、K?r?ehir和Nev?ehir气象站。使用CMIP6全球气候模型提供的月度降水量数据，计算了1个月、3个月和6个月期间的标准化降水指数（SPI）。

作者贡献声明
Hatice Citakoglu：写作——审稿与编辑，撰写初稿，监督，软件应用，方法论研究，数据整理，概念构建。
Necmiye Minarecioglu：撰写初稿，可视化展示，方法论研究，数据分析，正式分析，数据整理，概念构建。
Yüksel Gül Aslanbay：写作——审稿与编辑，撰写初稿，监督，方法论研究，数据整理，概念构建。
Veysi Kartal：撰写初稿。

参与同意
已获得所有参与研究的个体的知情同意。

出版同意
已获得所有参与研究的个体的知情同意。

伦理批准
本文不包含任何由作者进行的涉及人类参与者或动物的研究。

资金
本研究未接受外部资金支持。

引用参考文献
He等人，2025a

利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢
特别感谢Copernicus提供本研究使用的数据。感谢Grammarly Premium帮助纠正语法和拼写错误。使用ChatGPT 5.2提高了文本的流畅性。同时感谢Erciyes大学研究院长办公室的校对与编辑服务对本文的编辑工作。

作者名单
Hatice Citakoglu | Necmiye Minarecioglu | Yüksel Gül Aslanbay | Veysi Kartal | Ercan Gemici