气候变化下中东地区气候极端指数趋势的高级预测：结合机器学习与分解技术

《Advances in Space Research》：Advanced Projection of climate extreme indices Trend in the Middle East under Climate Change: Integrating Machine Learning and Decomposition Techniques

　　

# 摘要

全球环流模式（GCMs）的精确降尺度对于有效评估气候变化影响和指导水资源管理策略至关重要。为应对这一需求，本研究提出了一种创新的混合降尺度框架，将变分模态分解（VMD）与四种不同的机器学习算法——随机森林（RF）、额外树回归器（ETR）、极端梯度提升（XGB）和随机向量函数链接（RVFL）——相结合，用于预测日最高温度（TX）。这种整合不仅提高了预测精度，还利用VMD的信号分解能力捕捉多尺度气候特征，相比传统的单一模型提供了更加稳健和可靠的方法。该方法采用CMIP6数据，在SSP1-2.6和SSP5-8.5情景下对近期（NF）和中远期（MF）进行模拟。基于预测的温度数据，随后推导出关键极端温度指数——具体为暖日百分比（TX90p）、暖期持续指数（WSDI）和热浪频率（HW）——以详细分析未来气候极端事件。研究结果表明，VMD-RVFL模型表现最佳，其预测温度的误差最低且相关性最高。所有国家的温度均预计上升，其中土耳其变化最显著（SSP5-8.5情景下，到2084年升温超过4°C），而也门变化最小（SSP1-2.6情景下，到2054年升温1°C）。此外，TX90p、HW和WSDI预计在所有国家均将上升，表明极端高温事件的发生频率将增加。SSP1-2.6情景下近期TX90p、WSDI和HW的最小变化约为阿曼的13%、9%和8%；而SSP5-8.5情景下最大变化约为沙特阿拉伯的30%、20%和34%。

# 引言

气候变化主要由人类活动产生的温室气体排放显著增加所引起，尤其是自工业革命以来，是当今全球面临的最重大问题之一。由此导致的气温升高加剧了水文循环，导致强降水事件更加频繁和严重，并加剧了山体滑坡和沟壑侵蚀等自然灾害（Salman et al., 2018; Nwazelibe et al., 2025, 2026）。持续的变暖还预计会增加干旱和其他气候极端事件的频率和强度，对水资源、农业系统和粮食安全造成重大潜在后果（Ahmed et al., 2018; Khan et al., 2021; Maqsood et al., 2023; Moghaddasi et al., 2025）。因此，准确评估和预测未来温度变化，特别是极端温度事件，对于理解区域气候变化影响和支持有效的适应与管理策略至关重要。

全球气候模式（GCMs）是气候预测中常用的工具，由耦合模式比较计划（CMIP）创建（Almazroui et al., 2020; Chen et al., 2022; Li et al., 2023）。根据Eyring et al.（2016），GCMs对于理解区域对气候变化的反应至关重要。然而，一个主要问题是GCMs与区域研究之间的空间分辨率差异，这使得GCMs难以准确表征区域条件（Fowler et al., 2007; Mejia et al., 2012; Palmer and Stevens, 2019; Walton et al., 2020; Mei et al., 2021; Yoshikane and Yoshimura, 2023）。为解决这一问题，常用的三种降尺度技术包括：动态降尺度（DD）、统计降尺度（SD）和混合降尺度（HD）（Hou et al., 2025; Fran?ois et al., 2020; Li et al., 2021; Naderi et al., 2022; Kheir et al., 2023; Shafiei et al., 2023）。虽然DD方法需要大量计算资源、专业知识和大量输入数据，但SD方法提供了一种实用的替代方案（Hosseini Baghanam et al., 2020）。SD技术主要分为统计模型和人工智能驱动模型两大类（Sun and Lan, 2021; Hosseini Baghanam et al., 2022）。近年来，基于机器学习（ML）和深度学习（DL）的统计降尺度方法取得了重大进展（Sachindra et al., 2018; Vandal et al., 2017, 2019; Rampal and Davies, 2022; Prabhat et al., 2021; Rampal et al., 2022; Yu et al., 2025; Gao et al., 2025）。

除传统ML和DL方法外，基于分解的混合框架近年来在时间序列预测中引起了广泛关注。这些框架将复杂和非平稳信号分解为更简单的分量后再应用ML算法，从而便于表征多尺度时间变异性。Zhang et al.（2022）将变分模态分解（VMD）与极端学习机（ELM）结合用于地下水位预测；Larcher et al.（2024）将经验模态分解（EMD）、小波变换和VMD与优化的储备池计算模型结合，用于多步流量预测。类似地，Liu et al.（2025）将VMD与LSTM编码器-解码器结合，用于美国六个盆地的流量预测。最近，Elkurdy et al.（2026）和Ibrahim et al.（2026）分别证明了基于分解的框架在流量和湖泊水位预测中的适用性。综合来看，这些研究表明了分解技术（包括VMD、EMD和小波变换）在通过有效捕捉复杂环境时间序列的非线性、非平稳和多尺度特征来增强ML预测方面的潜力。然而，尽管这些方法在水文预测中已证明有效，但将分解技术与基于ML的日温度统计降尺度相结合的研究仍然有限。表1概述了部分最新的仅关注日温度降尺度的研究。

对日TX降尺度文献的综合回顾揭示了几个关键的研究空白，限制了当前对局部尺度气候变化影响的理解：

1. **日温度降尺度与极端指数的有限整合**：尽管近期多项研究已涉及日温度降尺度，但对其在评估极端温度指数方面的应用关注有限。

2. **机器学习应用的方法论空白**：尽管ML回归技术已被认为优于传统线性方法以捕捉降尺度过程中复杂的非线性关系（Campozano et al., 2016; Duhan & Pandey, 2015; Xu et al., 2020），但文献仍以SVR、MLR和RF等传统算法为主（Yaseen et al., 2018; Xu et al., 2020）。值得注意的是，先进且理论上稳健的算法——特别是额外树回归器（ETR）和随机向量函数链接（RVFL）网络——在降尺度应用中在很大程度上被忽视。ETR通过增加分裂阈值的随机性来提高预测性能，而RVFL提供计算高效的单层学习和随机投影，使两者特别适合处理复杂气候数据。

3. **基于分解的混合方法缺失**：顺序分解技术系统性地分离时间序列数据中的潜在子频率（Prasad et al., 2019b），代表了气象降尺度中一个有前景但尚未探索的前沿。尽管在其他预测领域已证明有效，但这些方法很少与ML算法结合用于降尺度目的。

4. **区域研究不足**：关键的是，在气候变化情景下研究热浪动态的研究对于中东国家而言仍然极其有限——该地区对温度极端事件高度脆弱。

针对上述研究空白，本研究提出了一种新颖的混合降尺度方法，将三项互补贡献整合为统一框架：

1. **方法论创新**：首次在日TX降尺度中评估ETR和RVFL网络的性能，并与传统ML方法进行比较。
2. **混合框架开发**：将顺序分解与先进ML算法相结合，以捕捉多尺度时间特征并改进日TX降尺度。
3. **综合区域评估**：将提出的框架应用于评估SSP1-2.6和SSP5-8.5情景下多个中东国家未来TX极端值和热浪相关指数（包括TX90p、WSDI和HW）。

# 研究区域与数据集

中东地区以显著的地理和气候多样性为特征，包括十二个国家：伊朗、土耳其、阿曼、巴林、卡塔尔、叙利亚、约旦、科威特、沙特阿拉伯、阿拉伯联合酋长国（UAE）、也门和伊拉克（图1）。该地区面积超过600万平方公里（Rousta et al., 2022），气候类型多样，从土耳其和伊朗山区的半干旱和更温和的高地气候到阿拉伯地区的极端干旱沙漠。

## 2.2.5 变分模态分解（VMD）

根据Dragomiretskiy et al.（2013），VMD是一种完全非递归的信号处理方法，具有灵活的模态变化特性。而经验模态分解（EMD）缺乏坚实的理论基础。根据Jiang et al.（2018），VMD可以成功减轻传统EMD中常见的模态混叠效应。VMD的主要公式如下：目标是在给定时间序列的情况下，最小化各模态带宽之和的计算。

# 模型开发

图4展示了所提方法的流程图，概述了本研究模型开发所涉及的各个阶段。这些阶段包括数据归一化、将数据划分为训练集和测试集、使用试错法确定混合模型的最佳IMF、训练独立模型和混合模型，以及最终评估模型性能。基于性能指标选择最佳模型，同时计算极端指数。

# 新型ML-based SD方法在不同气候下的开发与验证

首先选择MIROC6模型生成未来气候数据，因为它在评估的气候模型中表现优异。与参考数据匹配时，该模型显示了最高的相关系数（r）和纳什-萨特克利夫效率（NSE）值，以及最低的误差（RMSE）（例如，在p < 0.05水平上的Pearson相关系数如图5所示）。随后，将探索降尺度方法，从MIROC6中推导未来TX和MTEIs。

# 讨论

鉴于中东地区因气候变化预计温度上升，温度极端事件的分析和研究具有至关重要的紧迫性（Hamed et al., 2026; Ntoumos et al., 2026; Qasem and Scholz, 2025）。

选择合适的气候模式是任何气候变化影响研究的基本步骤，因为它直接影响未来预测的可靠性。在本研究中，从四个CMIP6模型中选择了MIROC6模型，基于其优越的性能。

# 结论

本文提出了一种新颖的混合模型，将VMD与四种机器学习技术相结合，有效地对日最高温度进行降尺度处理。此外，该研究强调了极端指数（包括TX90、WSDI和HW）的计算与气候变化的关系。

结果表明，在评估的GCM中，MIROC6模型在不同气候条件下降尺度日最高温度的相关性最高。此外，所提出的模型……

# 数据可用性

数据将应要求提供。

# 未引用参考文献

Beck et al., 2023; Campozano, 2016; Dragomiretskiy and Zosso, 2013; Duhan and Pandey, 2015; Gao et al., 2025a; Gao et al., 2025b; Hamed et al., 2026; Hsiao, 2024; Khan et al., 2025; Khan et al., 2019; Klein Tank et al., 2006; Nwazelibe et al., 2026; Prasad et al., 2019; Sa'adi et al., 2017; Schuhen et al., 2026; Vandal et al., 2019.

# 利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

Ammar Ebrahim Mahdi | Mahnoosh Moghaddasi | Mehdi Mohammadi Ghaleni | Mansour Moradi