集成深度学习、干旱指数与CMIP6气候情景的伊朗未来干旱预测研究

《Results in Engineering》:Integrating Deep Learning, Drought Indices, and CMIP6 Climate Scenarios for Future Drought Prediction Across Iran

【字体: 大 中 小 】 时间:2026年09月22日 来源:Results in Engineering 9.4

编辑推荐:

  研究人员将深度学习、干旱指数与第六次耦合模式比较计划(CMIP6)气候情景相结合,对伊朗未来干旱进行预测。研究基于长短期记忆网络(LSTM)重建潜在蒸散量(PET),作为CMIP6气候模式中不可获取辐射变量的代理。结果表明,干旱预测性能取决于干旱指数、模型架构

  
研究人员将深度学习、干旱指数与第六次耦合模式比较计划(CMIP6)气候情景相结合,对伊朗未来干旱进行预测。研究基于长短期记忆网络(LSTM)重建潜在蒸散量(PET),作为CMIP6气候模式中不可获取辐射变量的代理。结果表明,干旱预测性能取决于干旱指数、模型架构与气候条件。标准化降水蒸散指数(SPEI)通过纳入大气蒸发需求,对仅基于降水的干旱数据形成补充。冷半干旱地区是伊朗最易发生干旱的区域;区域干旱响应存在差异,历史湿润地区面临的气候压力持续上升。
**论文解读:集成深度学习、干旱指数与CMIP6情景的伊朗干旱预测研究**

### 一、研究背景与问题

干旱是最具破坏性的缓发自然灾害之一,严重影响农业生产力、水资源安全、经济稳定和生态系统健康。在全球变暖背景下,水文气候干旱变得更加频繁、持久和广泛,降水亏缺、气温上升和大气蒸发需求增加共同导致土壤水分及地表/地下水储量减少。干旱与半干旱地区尤为脆弱,伊朗即属此类典型区域。选择合适的干旱指数对干旱表征与监测至关重要。标准化降水指数(SPI)因计算简单、数据需求少而被广泛使用,但它未考虑升温和蒸发需求变化的影响;标准化降水蒸散指数(SPEI)通过纳入潜在蒸散量(PET)弥补了这一不足,但其相对表现仍依赖区域水文气候特征。此外,第六次耦合模式比较计划(CMIP6)全球气候模式在干旱预估中存在显著不确定性,既往研究大多直接采用气候模式输出计算干旱指数,尚未系统评估深度学习重建框架能否在不同干旱指数和气候区中提供更稳健的预估。为此,研究人员构建了一个集成框架,同时评估干旱指数定义、建模架构和气候类型三方面的敏感性,以回答四个关键问题:SPEI是否在不同气候区提供比SPI更高的预测性能?具有不同记忆长度的LSTM模型能否优于传统确定性计算?CMIP6模式选择如何影响未来干旱预估?到21世纪中叶不同共享社会经济路径(SSP)情景下伊朗气象和农业干旱特征将如何演变?

### 二、研究内容与主要方法(不超过250字)

研究人员使用了伊朗气象组织(IRIMO)提供的1992—2014年67个气象站月观测数据,覆盖多个K?ppen–Geiger(K–G)气候类型。首先以平均绝对误差(MAE)、平均偏差误差(MBE)、归一化均方根误差(NRMSE)、纳什–苏特克利夫效率(NSE)和皮尔逊相关系数(R)为指标,对34个CMIP6模式按降水、平均气温、最高气温和最低气温分别排序,选出各变量表现最优的前三个模式;随后采用一最近邻(1-NN)提取和分位数映射(QM)进行空间降尺度与偏差校正。利用LSTM以降水和气温重建Penman–Monteith潜在蒸散量(PET),再比较直接统计计算、LSTM-3、LSTM-12和密集神经网络(DNN)四种策略对SPI-3和SPEI-3的重建能力。未来预估采用SSP2-4.5和SSP5-8.5情景,时段为2026—2055年。

### 三、研究结果

#### 5.1 CMIP6模型排序

不同变量对应的最优模式不同。降水方面NorESM2-MM、TaiESM1和AWI-CM-1-1-MR得分最高;平均温度方面NorESM2-MM、TaiESM1和EC-Earth3-CC最优;最低温度以GFDL-ESM4、MRI-ESM2-0和EC-Earth3-CC为佳;最高温度以EC-Earth3-CC、FIO-ESM-2-0和MPI-ESM1-2-LR为佳。没有任何单一模式在所有变量中一致最优,这凸显了按变量分别进行模式选择的必要性。

#### 5.2 降尺度与偏差校正

1-NN提取结合QM偏差校正总体上改善了CMIP6模拟与观测的一致性。温度变量的系统偏差几乎被消除,平均温度RMSE从3.37°C降至1.88°C,最高温度从3.96°C降至2.24°C,最低温度从3.99°C降至1.88°C。降水偏差从-8.63 mm降至1.79 mm,但RMSE仅从38.88 mm降至35.26 mm,残余误差较大,这与降水的间歇性和强空间变异性有关。

#### 5.3 PET重建收敛性评估

用于PET重建的LSTM模型在20个训练周期内训练与验证损失均趋于平稳,无显著发散,表明该配置既未欠拟合也未过拟合。

#### 5.4 干旱估算与比较

对于SPEI,受控比较显示LSTM-12/32优于LSTM-3/32,说明延长输入记忆长度可改善重建;进一步将隐藏单元增至64后,LSTM-12/64达到最优性能(NSE=0.887,NRMSE=0.370,MAE=0.253),故被选为SPEI的最终模型。对于SPI,直接统计计算的NSE(0.423)和NRMSE(0.824)优于LSTM和DNN,尽管LSTM的MAE略低,但综合表现不足以超越确定性基准,因此SPI采用直接计算方法。分类评估表明,所选模型对无旱和中等干旱的检出率较高,但对严重和极端干旱的检出能力有限。

#### 5.5 CMIP6多模型集合估算SPI、SPEI和PET的评价

不同K–G气候区内模型表现差异明显。在热沙漠气候(BWh)中,直接SPI的NSE为0.90,SPEI的NRMSE(0.13)和MAE(0.20)更低;热半干旱气候(BSh)中SPI与SPEI的NSE相近(约0.90),但SPEI的误差指标更低;冷半干旱气候(BSk)亦呈现类似模式。地中海气候(Csa)中两者NSE相近(约0.86),SPEI误差更小。湿润里海气候(Cfa)性能相对较低,SPI的NSE约0.61。冷山区气候(Dsb/Dsc)中SPEI表现最佳,NSE约0.92。

#### 5.6 基线干旱条件(1992—2014)

历史时期SPI和SPEI的空间分布与K–G气候分区高度一致。在BWh和BWk气候控制的干旱区,SPI多呈正常至略湿状态,而SPEI数值更低且波动更大,说明蒸发需求在历史时期已显著影响气候水平衡。Csa和Cfa气候区总体较湿。Dsb/Dsc山区干旱状况年均为正常,但季节上依赖冬季降雪和春季融雪。

#### 5.7 气候变化情景下的未来干旱

SSP2-4.5情景下,多数站点SPI出现系统性下降,但干旱等级迁移有限;SPEI下降幅度更大,尤其在BWh、BSh及Csa、Dsa等气候区,表明降水难以补偿蒸发需求增加。SSP5-8.5情景下干旱显著加剧,SPEI在几乎所有气候区呈一致负异常,变化约为-0.09至-0.21,而SPI的聚合变化接近零。SPEI的更强负响应表明蒸发需求在未来干旱中起主导作用。夏季恶化最突出,传统湿润的里海和西部山区也面临明显干旱增强。

#### 5.8 干旱动态的区域变化

基线期,在伊朗中部和南部干旱区,SPEI识别出的干旱月数(约56—62个月)远多于SPI(约20—29个月),且平均事件持续时间更长。SSP2-4.5下,BWk、BSh和BSk气候区的干旱频率几乎翻倍;SSP5-8.5下,各气候区干旱频率、事件数和持续时间进一步增加,历史上较湿润的Csa、Cfa和Dsb气候区也出现显著干旱化,表明未来干旱可能变得更加持续和广泛。

### 四、讨论与结论

讨论指出,LSTM等记忆型架构的优势是有条件的,仅当目标变量具有强时间持续性时才能体现。PET重建属于经验统计代理,无法替代物理模型,且在未来高排放情景下可能因训练域外推而引入额外不确定性。使用历史参考分布标准化保留了气候变化信号,但整体不确定性仍来自模式选择、偏差校正、PET重建和情景强迫等多个环节。研究还强调,应从偶发干旱向持续水胁迫转变的角度理解未来干旱。

总体而言,本研究表明,未来干旱评估可受益于超越仅降水指标的思路,同时考虑降水亏缺与蒸发需求增加的共同作用。在本研究框架内,SPEI在若干气候区通常能更好地表征干旱量级;然而,这一优势可能部分归因于其使用额外PET信息作为预测因子,不应被解释为SPEI优于SPI的内在证据。该框架为气候变化下干旱预测提供了有效方法,并为干旱和半干旱地区的水资源管理、农业规划和气候适应提供了科学依据。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号