机器学习集成用于稳健的实时干旱监测与早期预警系统

《Geomatics, Natural Hazards and Risk》:Machine learning integration for robust real-time drought monitoring and early warning systems

【字体: 大 中 小 】 时间:2026年08月28日 来源:Geomatics, Natural Hazards and Risk 4.5

编辑推荐:

  本研究提出了一种KNN–LSTM融合框架,用于基于6个月和12个月尺度的标准化降水指数(SPI)进行长期气象干旱预报。研究人员利用安卡拉省六个站点1971–2022年的月降水量数据计算SPI,并通过自相关函数(ACF)和偏自相关函数(PACF)选取滞后特征。K

  
本研究提出了一种KNN–LSTM融合框架,用于基于6个月和12个月尺度的标准化降水指数(SPI)进行长期气象干旱预报。研究人员利用安卡拉省六个站点1971–2022年的月降水量数据计算SPI,并通过自相关函数(ACF)和偏自相关函数(PACF)选取滞后特征。KNN模块检索历史相似情景,LSTM模块对非线性时间依赖性进行建模。模型输出通过梯度提升回归器(GBR)作为元学习器进行组合,以生成最终的混合预报结果。采用均方根误差(RMSE)、平均绝对误差(MAE)、对称平均绝对百分比误差(sMAPE)和纳什-苏特克利夫效率(NSE)评估模型性能。在所有站点和两种SPI时间尺度上,混合框架均持续优于单一模型,RMSE降低超过60%,NSE值接近或高于0.95,表明与观测值具有极好的一致性。此外,采用迪博尔德-马里亚诺(Diebold-Mariano)检验对预报精度进行正式比较。混合模型在预测精度上显著优于KNN和LSTM(p<10?4),为所提出集成方法的稳健性和有效性提供了有力证据。这些结果表明,将基于相似性的检索与深度序列学习相结合,可为业务化干旱预测提供一个可靠且可推广的框架,有效捕捉半干旱地区的长期持续性特征。
论文解读:基于KNN–LSTM融合框架的长期气象干旱预报研究

干旱可被严格界定为水文气候随机过程的一种长记忆游走现象,对农业、粮食安全、生态系统、经济、水资源和人类活动具有广泛影响。气象干旱作为干旱的最早表现形式,是驱动后续各类干旱发生与传播的主要机制,因此改进气象干旱的监测与预报对于及时预警和风险减缓至关重要。标准化降水指数(Standardised Precipitation Index, SPI)因仅需降水数据、计算简便且支持多尺度分析,成为应用最广泛的干旱指标之一。然而,降水序列的变异性、非线性和时间依赖性使得传统单一模型难以实现高精度的中长期SPI预报。尽管机器学习方法已被证明能够改善干旱预测,但现有研究仍缺乏在站点尺度上构建简约集成框架并对其预报改进进行正式统计显著性检验的实践。

针对这一空白,研究人员以土耳其安卡拉省为研究区域,使用1971–2022年六个气象站点的月降水数据,计算6个月和12个月累积尺度的SPI(SPI-6和SPI-12),提出了一种融合K近邻(K-Nearest Neighbours, KNN)与长短期记忆网络(Long Short-Term Memory, LSTM)的混合预报框架。在该框架中,KNN模块通过滞后SPI特征空间中的相似性检索历史相似态,LSTM模块捕捉非线性时间依赖,梯度提升回归器(Gradient Boosting Regressor, GBR)作为元学习器对两个基模型的输出进行非线性融合,生成最终混合预报。研究采用均方根误差(RMSE)、平均绝对误差(MAE)、对称平均绝对百分比误差(sMAPE)和纳什-苏特克利夫效率(Nash-Sutcliffe Efficiency, NSE)评估模型性能,并利用迪博尔德-马里亚诺(Diebold-Mariano, DM)检验对混合模型与单一模型的预报精度差异进行统计显著性检验。

研究结果表明:在SPI-6尺度上,混合模型的RMSE降至0.19–0.22,相比LSTM(0.51–0.64)和KNN(0.55–0.70)显著降低;MAE低于0.18,相对LSTM降低约60%,相对KNN降低超过65%;sMAPE降至33%–48%,而LSTM和KNN通常为61%–95%。在SPI-12尺度上,性能提升更为显著,混合模型的RMSE介于0.1405–0.1850,NSE全部超过0.96,其中克孜勒贾哈马姆站达到0.9789。DM检验显示,所有站点和两种时间尺度上,混合模型相对KNN和LSTM的预报改进均具有统计学显著性(p<0.0001)。此外,SPI-6和SPI-12时间序列分析揭示了安卡拉省干旱的时空异质性,西部和西南部站点(如纳勒汗和波拉特勒)表现出最持久和强烈的干旱特征,而混合模型在捕捉这些长期持续性动态方面表现优异。研究还通过MAE/RMSE比值分析表明,混合模型的误差缩减并非仅由少数极端值抑制所致,而是残差分布的广泛收缩。这些发现证实,将基于相似性的检索与深度序列学习相结合,并通过梯度提升进行融合,为半干旱地区长期气象干旱预报提供了一种稳健且可推广的框架,尤其适用于SPI-12尺度,该尺度下持续性和多季节记忆特征最为显著。

讨论部分指出,混合模型在保留SPI构建方式不变的前提下,显著提升了对最优条件均值预测器的近似精度。与传统仅使用全局误差指标的干旱预报研究不同,本研究引入阈值加权损失函数和游程特征(干旱历时和烈度)来评估预报对干旱事件发生、持续和强度的再现能力。DM检验在全局损失和阈值加权损失下均获显著性结果,为混合模型的优越性提供了正式统计证据。研究还指出,该框架具有传感器无关性,可将站点降水替换为网格化卫星降水产品(如CHIRPS、GPM),并扩展加入植被、地表温度和土壤湿度等地球观测(Earth Observation, EO)协变量,从而支持空间显式的干旱预报。局限方面,研究仅使用六个站点、仅基于降水的SPI定义、未考虑降水趋势的非平稳性,以及缺乏概率预报层,这些均为未来研究指明了方向。

研究结论为:通过KNN、BiLSTM-GRU与GBR融合的混合架构,在安卡拉省六个站点上对SPI-6和SPI-12的预报精度相比独立KNN和LSTM模型实现了统一且显著提升,RMSE和MAE降低约60%以上,NSE通常达到或超过0.95,DM检验的p值低于10?4,证明该混合策略在半干旱环境长期干旱预报中具有稳健性和泛化能力。该框架可作为地球观测驱动干旱监测系统中的有效预报层,为业务化早期预警提供有力支持。
相关新闻
生物通微信公众号
微信
新浪微博

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