《Journal of Hydrology: Regional Studies》:A cascaded deep learning framework for improved forecasting of drought-flood abrupt alternation events in the Hanjiang River Basin
编辑推荐:
研究区域为汉江流域(Hanjiang River Basin, HJRB),该区域是中国气象与地形条件复杂的地区。研究聚焦于旱涝急转(Drought-Flood Abrupt Alternation, DFAA)事件,此类事件威胁水安全,然而由于其高度非线性的
研究区域为汉江流域(Hanjiang River Basin, HJRB),该区域是中国气象与地形条件复杂的地区。研究聚焦于旱涝急转(Drought-Flood Abrupt Alternation, DFAA)事件,此类事件威胁水安全,然而由于其高度非线性的动力学特征以及气象记录中显著的零膨胀现象,其预测仍具挑战性。研究人员采用标准化干湿急转指数(Standardized Drought-Wetness Abrupt Alternation Index, SDWAI)识别DFAA事件,并利用SHAP(SHapley Additive exPlanations)揭示其驱动机制。研究构建了一个集成并行卷积神经网络-长短期记忆(CNN-LSTM)分类器、小波分解与集成回归的级联框架。通过将事件识别与条件强度估计分离,该框架降低了非事件样本的影响。区域新的水文学见解:CNN-LSTM分类器达到0.67的平衡准确率,回归模块取得最佳性能(R2=0.91)。完整的级联框架整体R2达到0.58,并减轻了传统零膨胀回归模型常见的峰值低估问题。时空分析揭示了DFAA事件显著的位相锁定特征,汉江下游及东南部被识别为灾害热点区。旱转涝主要发生在春夏季,而涝转旱在晚秋和初冬显著增多。局地降水和潜在蒸散发主导了DFAA演变,而北极涛动(Arctic Oscillation, AO)主要调节大尺度大气环流背景。这些发现证明了级联深度学习框架在区域DFAA预报和适应性水资源管理中的应用潜力。
**论文解读:基于级联深度学习框架的汉江流域旱涝急转事件预报改进研究**
**1. 研究背景与问题**
在全球变暖背景下,极端水文气象事件(如干旱和洪水)的频率与强度显著增加。旱涝急转(DFAA)事件作为一种由干湿状态快速转换构成的复合型极端事件,因其突发性和复合破坏性,对生态安全、水资源管理和灾害减缓构成严峻挑战。准确识别DFAA事件是理解其机理与提升可预测性的前提。现有识别方法主要分为两类:一类基于固定时间窗口和经验权重的指数(如长周期旱涝急转指数LDFAI、短周期旱涝急转指数SDFAI、干湿急转指数DWAAI),但难以适应不同气候区域和短时转换;另一类结合游程理论与标准化指数(如标准化降水指数SPI、标准化径流指数SRI、标准化土壤湿度指数SSMI),但单一变量指数难以全面刻画水能平衡波动。为此,研究人员采用基于标准化降水蒸散发指数(SPEI)构建的标准化干湿急转指数(SDWAI),以客观反映变暖背景下供水与需水的不平衡。
在驱动机制方面,区域尺度上潜在蒸散发(Pet)、降水变率和水汽通量主导DFAA过程,而全球尺度的大气环流异常和遥相关(如ENSO、PDO)通过影响季风系统进行调制。然而现有研究常将气象要素与环流系统割裂,忽视多因子协同触发及土壤湿度-大气反馈等前兆信号。在预测方面,传统数值天气预报(NWP)模型、遥相关统计模型和数据驱动的机器学习模型各有局限:NWP对复杂非线性过程表达能力有限;遥相关模型难以适应非平稳性;单一机器学习模型面对DFAA的稀有性和数据零膨胀时,易出现高漏报率和误报率。因此,亟需发展能够分离事件识别与强度估计的级联预测框架,以应对DFAA预测中固有的非线性和零膨胀挑战。
**2. 主要技术方法**
研究人员以汉江流域(HJRB)为研究区,整合1981—2022年多源数据,包括高分辨率气象变量(降水、温度、相对湿度、风速、潜在蒸散发,来源为国家青藏高原科学数据中心和国家地球系统科学数据中心)以及大尺度气候指数(Nino 3.4、PDO、SOI、AMO、AO、NAO、太阳黑子数、NP、WPSHII、SCSSHII,来源为国家气候中心和NOAA)。所有气象变量重采样至0.083°×0.083°统一分辨率。研究采用三个关键技术环节:第一,基于SPEI计算SDWAI,根据干湿等级阈值定义DFAA事件;第二,利用SHAP方法进行可解释性归因,筛选物理驱动因子;第三,构建两阶段级联框架——第一阶段采用并行CNN-LSTM分类器识别事件是否发生及方向(旱转涝或涝转旱),第二阶段对小波分解后的SDWAI序列采用LightGBM、CatBoost、XGBoost基学习器与Ridge回归元学习器构成的堆叠集成模型进行强度回归,并通过滚动窗口(训练窗口360个月)避免未来信息泄漏。
**3. 研究结果**
**3.1 DFAA事件的时空演变特征**
DFAA事件频率和强度存在显著空间异质性:旱转涝(DTF)事件呈双中心分布,集中于西北和东南边缘;涝转旱(FTD)事件则集中分布于东南部并向内陆延伸。强度分布不同于频率分布,DTF高强度区位于中北部和西北部,而FTD事件在东南部呈现高频率与高强度同步重叠。时间上,DFAA事件总体频率加速上升,季节上集中于夏季,4月和9月为转换节点,且春季和秋季转换事件虽频率较低但强度更高。
**3.2 归因分析与物理启发特征选择**
Pearson相关分析显示,SDWAI与降水(Pre)呈强正相关,与潜在蒸散发(Pet)呈强负相关;温度、相对湿度、风速的影响较弱且可能涉及高阶交互。SHAP归因证实Pre为首要驱动因子,Pet为负向贡献,二者共同控制区域水分供需平衡;遥相关指数中AO和NAO表现出可辨识的SHAP信号,其余指数直接贡献有限。因此,尽管局部因子占主导,所有气候指数仍作为候选预测因子纳入模型,以捕获潜在的滞后和交互效应。
**3.3 DFAA智能预测模型构建**
**3.3.1 级联框架中的事件发生分类**
直接预测SDWAI或SPEI的对照实验表明,传统回归无法再现SDWAI的突变特征,原因在于零值样本占比极高(约82%—87%),导致模型偏向预测零值。级联分类阶段中,CNN-LSTM在综合异常类别上取得最优平衡准确率(0.67)和HSS(0.24),对FTD事件取得最高F1分数(0.41)和HSS(0.34),对DTF事件也表现出较强识别能力(平衡准确率0.68)。相比之下,RF虽对非事件样本命中率高,但漏报大量真实事件。
**3.3.2 基于识别事件的事件强度回归**
消融实验显示,小波分解显著提升各回归模型的性能,其多分辨率特性分离了趋势与突变噪声。三模型堆叠集成优于任何单一基学习器,因为元学习器能够自适应融合不同模型的优势,补偿个体误差。选定的“小波增强三模型堆叠集成”在DFAA事件样本上取得R2=0.91,预测与观测的概率分布高度一致。
**3.3.3 分类-回归级联框架的一体化评估**
将分类输出与条件回归输出重建完整SDWAI序列后,CNN-LSTM配置取得最优端到端性能:R2=0.58,MAE、MSE、RMSE、MAPE均为最低。错误传播分析表明,低虚警率是提升整体精度的关键,因为假阳性会在非事件期间引入虚假波动。
**3.3.4 不同预见期的比较**
预见期为1个月时框架性能最佳(F1=0.38,平衡准确率0.67,R2=0.58);3个月时仍具实用参考价值(R2=0.42);6—9个月时技能显著退化(R2=0.20和0.10);12个月略有回升(R2=0.24),但可能源于年周期信息的偶然对应,不构成真实的长预见期预测能力。因此框架适用于1—3个月短期预警。
**4. 讨论与结论**
讨论部分指出,DFAA识别精度与时间尺度选择相关,月尺度SDWAI能有效滤除高频噪声并反映流域尺度实质影响。DFAA演变与降水变率同步,变暖导致VPD升高加剧非降水期干旱;AO、SOI、NAO等遥相关通过调节中高纬环流和东亚季风水汽输送提供大尺度背景。此外,土地利用/覆盖变化(LUCC)通过城市化、不透水面扩展和农业集约化改变下垫面特性,削弱土壤湿度记忆,加速产汇流过程,从而放大DFAA的破坏潜力。
零膨胀与空间异质性分析显示,下游地区零值比例较低(81.81%)且事件数较多(25次),模型解释能力普遍高于上游(零值比例86.74%,事件仅19次)。CNN-LSTM在下游取得最高R2(0.6524),但误差指标呈非单调变化,说明性能受事件样本数、区域水文异质性及模型灵敏度共同控制。不同LUCC类型下,植被主导区域(如落叶阔叶林R2=0.540)预测精度较高,而城市和建成区因人类活动扰动致误差增大,表明将LUCC作为动态边界调节因子是未来改进方向。
研究结论为:①汉江流域DFAA空间上呈东南高、西北低的分布,高频区位于下游江汉平原,高强度区位于上游秦巴山区,频率与强度存在空间错位;②降水、相对湿度与SDWAI正相关,潜在蒸散发负相关,三者是局地主要控制因子,遥相关指数弱贡献但通过季风环流间接影响;③所提出的分类-回归级联框架显著缓解零膨胀问题,1个月预见期下分类阶段平衡准确率0.67,强度回归R2=0.91,整体R2=0.58,优于传统回归模型。该框架通过并行CNN-LSTM提取局地特征与时序依赖,结合小波分解与树模型堆叠集成,提升了极端干湿转换的短预见期预报能力,可为气候敏感流域的短期预警与风险管理提供科学支撑。未来研究需引入独立气象预报产品及土壤湿度、径流和地表信息,并发展物理信息神经网络(PINNs)以增强可解释性。