《Environmental Research》：Climate driven drought risk and machine learning approaches for urban resilience and sustainable water governance
编辑推荐：
本研究针对巴基斯坦干旱预测问题，整合多时间尺度标准化降水指数（SPI）与K?ppen-Geiger气候分类，构建CNN-LSTM、BiLSTM等深度学习模型，对比传统SVM和经验模型。结果表明，SPI-9和SPI-12在长期趋势建模中表现最佳，深度学习模型显著优于传统方法，尤其在捕捉非线性气候动态方面，为灾害预警和水资源管理提供支持。
作者列表：Shan-e-hyder Soomro、Huaibin Wei、Muhammad Waseem Boota、Nishan-E-Hyder Soomro、Sher Ali、Sana Nazli、Caihong Hu、Jiali Guo
中国华北水电大学管理与经济学院，郑州 450046
摘要
干旱被认为是依赖农业的地区面临的最严重的气候相关灾害之一，尤其是在像巴基斯坦这样的水资源紧张的地区，社会经济稳定和粮食安全受到日益增加的水文气候变异性的威胁。本文分析了一种更先进的干旱风险预测模型，该模型整合了多尺度的标准化降水指数（SPI）、基于K?ppen-Geiger分类的气候分区以及深度学习模型，以预测和识别不同气候区域的干旱动态。干旱的时空模式分析考虑了1个月、3个月、6个月、9个月和12个月的SPI。此外，还比较了混合模型（RNN、LSTM、BiLSTM和CNN-LSTM）与旧算法（SVM和使用Penman-Monteith的经验模型）的性能。研究结果表明，在该国的半干旱和沿海沙漠地区，干旱的强度和持续时间正在以高速增加。长期干旱趋势最好通过SPI-9和SPI-12进行建模。深度学习模型显著优于基线方法。CNN-LSTM在长期预测中表现最佳，而BiLSTM在短期预测中更为有效。这些结果表明，深度神经网络不仅可以提供干旱风险管理的提前行动数据，还可以学习非线性气候动态。所提出的预测系统也为作物规划、灌溉延期、地下水抽取调节和干旱应急计划的制定提供了信息基础。为了推进气候风险智能的发展，并将其纳入政策制定中，可以加强国家预警能力和韧性规划。鉴于跨学科在预测分析中应用气候诊断的努力，这项研究为不仅在巴基斯坦，而且在南亚其他易受灾地区利用这些信息提供了途径。
引言
干旱被认为是对干旱和半干旱国家农业、水资源供应和经济状况最具破坏性的自然灾害。一方面，气候变化不断加剧干旱的频率和变异性；另一方面，预计这种情况会进一步加剧国家经济、社会和生态系统的脆弱性（Dhawale等人，2024年）。不同的传统干旱预测方法依赖于大量的历史数据和统计建模，在大多数情况下无法准确描述气候系统的许多非线性关系（Shyrokaya等人，2024年）。另一方面，机器学习是一种复杂的全数据驱动方法，能够确定大量气候数据中的潜在趋势，从而提高干旱预测的精度和可靠性。为了提高预测的准确性，可以利用机器学习方法来增强准备和缓解措施。
过去，用于传统干旱预测的模型基于统计和水文模型。标准化降水指数（SPI）是根据不同时间段的长期平均降水量变化确定的指数之一（Anshuka等人，2019年）。SPI是一个狭义且标准化的参数，能够最准确地估计干旱的严重程度，因此可以在任何地点和时间段使用（Afshar等人，2022年）。然而，它只是包含基于自然的解决方案（NBS）的概念化和实现的一部分。此外，还需要将基于机器学习的干旱预测工具整合到其他水基础设施系统中，并考虑到当地文化和治理系统的特点（Vojinovic等人，2021年）。然而，预测干旱的一个难点是干旱具有非线性和复杂的信息，而大多数传统模型并未考虑到这一点。干旱预测已经使用统计模型（如ARIMA模型）和水文模型（如ML/DL技术）进行了测试（Kan等人，2023年）。尽管这些模型提供了丰富的知识，但它们仍然受到捕捉导致干旱的各种气候和环境过程的限制，尤其是在气候变化的情况下，往往无法捕捉到干旱条件下的时间多样性和复杂模式（Xu等人，2015年）。
机器学习越来越多地能够识别高容量、多维气候数据集中的复杂非线性关系和潜在模式。通过学习这些隐藏的依赖关系，机器学习技术在干旱预测的准确性和可靠性方面显著优于传统的统计和基于物理的模型，尤其是在气候变异性高的情况下。随后，越来越多的应用将机器学习模型（如支持向量机（SVM）、RNN、长短期记忆网络（LSTM）、双向LSTM和卷积神经网络-LSTM模型）应用于环境预测，也适用于气候预测和干旱监测。SVM通过输入降水、温度和湿度特征到干旱严重程度指数中，在预测干旱方面显示出潜力（Roodposhti等人，2017年）。在大多数情况下，支持向量机可以应用于高维数据和非线性回归，因此适用于干旱预测。长短期记忆网络和循环神经网络因具有捕捉时间相关性的潜力而被广泛用于时间序列预测（Hewamalage等人，2021年）。LSTM模型在干旱预测中起着关键作用，因为它存储了长时间内发生的信息，因此可以存储降雨和温度的季节性和年际变化。双向LSTM改进了LSTM，它可以双向读取信息（Yin等人，2020年），从而提高了时间模式的识别能力。CNN-LSTM模型结合了卷积特征学习和LSTM的序列学习能力，非常有效地识别时空模式（Long等人，2024年）。这些模型提高了预测能力，并提供了关于干旱发生因素的信息，从而指导政策制定。
标准化降水指数的简单性和灵活性使其成为监测干旱的有效工具之一。它基于降水数据，并在多个时间尺度上标准化降水不足，以便可以轻松比较不同气候区域的结果。最近的研究表明，SPI在机器学习驱动的框架中可用于预测不同气候条件下的干旱强度和发生情况（Fooladi等人，2021年）。研究表明，基于SPI的干旱预测模型结合机器学习算法在准确性和确定性方面比传统方法具有某些优势。这使得SPI成为重要的干旱预测工具，特别是在像巴基斯坦这样的降雨模式难以预测的地区，这是一个巨大的挑战。
尽管全世界关于基于机器学习的气候和干旱预测模型的研究非常多，但在巴基斯坦，特别是在气候变化的影响方面，相关研究仍然非常有限。此外，SPI指数和周期性在预测模型中的应用也尚未得到广泛研究。本研究将通过使用高度发达的机器学习模型（P-T、SVM、RNN、LSTM、BiLSTM和CNN-LSM）来填补这些空白，利用SPI模型预测巴基斯坦的干旱，并评估其在确定气候条件下的干旱动态方面的效果。本文旨在探讨机器学习在巴基斯坦干旱预测中的作用，特别是在气候变化方面。因此，通过回答以下重要研究问题来填补干旱检测和管理方面的空白：（i）分析不同气候分类如何影响干旱的关键特征，包括强度、频率、发生和持续时间；（ii）评估最先进的机器学习和深度学习模型在预测巴基斯坦多尺度干旱条件方面的有效性；（iii）研究时间滞后输入和气候周期性如何影响多个时间尺度上的干旱预测性能。
巴基斯坦地形多样，包括干旱的沙漠、肥沃的平原、高原和山脉。它位于北纬23°至37°和东经60°至77°之间，由于地形位置和海拔变化，气候条件差异很大。因此，巴基斯坦面临气候相关问题的可能性较大，干旱并不是最近才出现的情况。干旱在该国造成了严重的后果。
图2、图3、图4和图5显示了根据不同时间尺度（1个月、3个月、6个月、9个月、12个月）的SPI值，巴基斯坦不同气候区域的气象干旱强度、频率、干旱发生情况和干旱期。这些地图展示了中度和严重干旱的趋势；严重干旱用红色标记，较轻微的干旱用较浅的颜色标记。不同气候区域的空间模式各不相同：
本文通过结合多尺度标准化降水指数（SPI）、基于K?ppen-Geiger分类的传统气候分区和最先进的深度学习，为巴基斯坦生成可操作的高分辨率干旱情报，从而为气候信息服务做出贡献。与传统的降水测量方法相比，该系统可以产生具有1至12个月时间延迟的功能性气候信息，使机构能够据此采取行动。
本文在干旱动态预测方面做出了很大贡献，巴基斯坦是一个极易受到气候极端影响的国家。通过使用K?ppen-Geiger气候分类、多尺度标准化降水指数（SPI）和更先进的机器学习模型（包括RNN、BiLSTM和CNN-LSTM），本文对干旱的强度、频率、持续时间和空间异质性研究提出了重大创新。
Huaibin Wei：监督、资源管理、项目管理和资金获取。
Shan-e-hyder Soomro：写作 - 审稿与编辑、初稿撰写、验证、方法论、数据管理、概念化。
Caihong Hu：监督。
Sana Nazli：写作 - 审稿与编辑、验证、软件应用、正式分析、数据管理。
Jiali Guo：监督。
Nishan-E-Hyder Soomro：写作 - 审稿与编辑、正式分析。
Muhammad Waseem Boota：写作 - 审稿与编辑。
Hewamalage等人，2021年；Deepthi和Sivakumar，2022年；Fernández等人，2023年；Wan和Zhou，2024年；Yao等人。
数据将按需提供。
本文不包含任何作者进行的涉及人类参与者的研究。
在准备本手稿时，作者使用了AI来辅助英语编辑，因为没有任何作者是英语母语者。在获得这种帮助后，作者彻底审查和编辑了内容，以确保最终版本的准确性和完整性。
本工作得到了国家自然科学基金（编号51979107、51909091）和河南省科技项目（编号252102521018）的支持。
? 作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
中国华北水电大学管理与经济学院，郑州 450046。
