图｜在埃塞俄比亚西南部，气候变化导致干旱加剧。（来源：联合国儿童基金会/Pouget）
“前所未有的干旱紧急状况要求采取紧急行动。”
联合国防治荒漠化公约秘书处在《2023 年全球干旱概况》报告中指出，因人为活动导致的干旱已引发前所未有的紧急状况。
来自《联合国防治荒漠化公约》（UNCCD）的数据显示，截至 2022 年，全球有高达 18.4 亿人遭受干旱，其中 4.7% 遭受严重或极端干旱，25% 的人口面临土地退化的风险。干旱问题带来的水资源短缺、粮食危机、公共卫生危机正显著影响人类的正常生产生活，已严重威胁全球生态系统安全。
另外一项发表在 Science 上的研究显示，在过去几十年中，全球范围的干旱正由缓旱向骤旱转变，骤旱或将成全球干旱的“新常态”。
在这一严峻背景下，干旱预警的重要性毋容置疑。如今，通过气候和土壤湿度等数据实现可靠预测的人工智能（AI）模型，正在干旱预警领域“大展拳脚”。
日前，来自沙迦大学的研究团队及其合作者基于决策树（DT）、广义线性模型（GLM）、支持向量机（SVM）、人工神经 *** （ANN）、深度学习（DL）和随机森林（RF）6 种 AI 模型，旨在开发一种新的基于 AI 的气象干旱指数。经对比评估显示，这一新指数在整体上优于传统的干旱指数。
例如，降雨异常干旱指数是更佳的常规干旱指数，与上层土壤水分的相关性更高，为 0.718，而基于 GLM 的指数与土壤上层水分的相关系数为 0.78，在干旱预警上具有更好的表现。
这一研究结果表明，AI 是一种潜力巨大且可靠的预测 *** ，有助于更好地评估和缓解干旱。
相关研究论文以“Drought prediction using artifcial intelligence models based on climate data and soil moisture”为题，已发表在 Nature 子刊 Scientifc Reports 上。
AI 如何改变干旱监测？
干旱作为一种由气候变化所导致的自然灾害，通常可以分为农业干旱、水文干旱、气象干旱和社会经济干旱，在不同时空展现出不同的严重程度、幅度、强度、持续时间等特征。
干旱指数，旨在更好地评估与分析干旱的各个特征，准确描绘干旱的具体情况。常见的传统干旱指数主要有标准化降水指数（SPI）、标准化降水蒸散指数（SPEI）和 Palmer 干旱严重程度指数（PDSI）等，但在实际应用中暴露出了投入大、计算成本高、跨地区结果不可靠等缺点。
因此，在这项工作中，研究团队开发和评估了基于 AI 的新型干旱指数，并将其与传统指数进行比较，结合多个干旱指标进行相关性分析以评估其优越性。
具体而言，他们选取位于澳大利亚沙漠中心的爱丽丝泉作为研究区域，收集了该地点 1985 年至 2020 年 36 年间的月度气候数据，包括降水量、更高温度、潜在蒸发蒸腾量（PET）等作为输入量。
此外，他们还获取了 2005 年至 2020 年间该地区 7 个气象站的 5 个干旱指标：DI1：深层土壤湿度；DI2：下层土壤湿度；DI3：根区土壤湿度；DI4：上层土壤湿度；DI5：径流。
之后，他们使用 9 个常规干旱指数（如下图）与基于 AI 的 6 个干旱指数对数据进行测度，各自生成与干旱指标的相关系数并做比较。
图｜研究框架示意图。9 个常规指数分别为：标准化降水指数、标准化降水蒸散指数、Palmer 干旱严重程度指数、正常百分比指数（PNI）、China-Z 指数（CZI）、修正 China-Z 指数（MCZI）、降雨异常指数（RAI）、Z 得分指数（ZSI）和 RDI，用于评估干旱的严重程度和持续时间（来源：该论文）
研究团队采用的评估标准基于皮尔逊相关系数、均方根误差（RMSE）和决定系数（R²）。在通过皮尔逊相关分析将传统指数的结果与干旱指标进行比较的部分，得到的相关系数表如下图所示。
图｜传统干旱指数与指标间皮尔逊相关系数表。（来源：该论文）
可以看到，RAI 与 DI4、DI3 和 DI2 相关性最强，系数为 0.718；PDSI 与 DI1 相关更大，为 0.596，与 DI5 的相关性更低，为 0.543。而 SPI 的各相关性均低于 SPEI。由此看出，RAI 是所有常规干旱指数中与干旱指标相关性最强的指标，最适合研究区域的常规干旱指数。
在讨论基于 AI 的干旱模型对干旱的预测部分，他们对建立的 AI 模型进行测试，并与常规干旱指数进行关联。他们按升序绘制了相关性表格，研究了每个常规干旱指数与基于 AI 的干旱指数之间的相关性，红色表示较低值，绿色表示较高值。结果表明，基于 DT 的指数与 RAI 的相关性更高，而 GLM 与 PDSI 的相关性更低，代表所检验的基于 AI 的干旱指数能在 1 个月的时间尺度上充分预测干旱水平，特别在研究地区。
图｜AI 模型与常规干旱指数的相关性。（来源：该论文）
为验证模型性能，研究计算了各 AI 模型与干旱指标的皮尔逊相关系数。结果显示，所有基于 AI 的干旱指数在干旱指标方面表现相似，其中 DI4 指标与各 AI 指数相关性更高，DI1 与 DI5 相关性更低。
图｜干旱指标与几种 AI 模型的相关性。（来源：该论文）
以上结果显示，所有机器学习算法都表现出较高的测试准确性，其中 SVM 的均方根误差更低，为 0.031，其次是 RF 和 DL，分别为 0.034 和 0.036。此外，AI 模型更好地捕捉了气候数据与干旱指标之间的关系，其中 DT 模型与 RAI 的相关性更高，达到了 0.972。而 GLM 在干旱指标相关性方面表现更佳，与 DI4 的相关性系数为 0.778。总体而言，AI 模型被证明是快速且准确模拟干旱的有效 *** ，为决策者提供了可靠的干旱管理和监测工具。
然而，这项研究也存在一些局限性。例如，在 AI 模型训练方面，即使在最理想的条件下，AI 模型的表现也只能达到与用于训练的传统干旱指数相当的水平，无法超越用于训练它的传统指数。这表明，当前 AI 模型的表现仍受限于传统指数的局限性。
为了解决这一问题，研究团队提出了一种创新 *** ，使用多个更佳传统指数的平均归一化值作为训练数据，提高了模型的性能，但未来的研究仍有必要扩展这些 AI 干旱指数的应用范围，尤其是在全球不同气候特征和条件的地区进行验证，以进一步评估其适用性和鲁棒性。
此外，他们指出，将气候变化模式纳入干旱预测是未来发展的一个重要方向。通过结合气候变化的数据，研究者可以建立长期和短期的干旱预测系统，从而提高对未来气候变化带来干旱风险的应对能力。
最后，研究团队建议进一步探讨更多的软计算技术，从而提升干旱监测和预测的精度。这意味着，未来的研究应着眼于探索和比较多种 AI 模型，进而为干旱管理提供更精准和全面的解决方案。
AI 提前数月预测干旱
无独有偶，在另一项研究中，麻省理工学院林肯实验室正在着手一项基于 AI 的干旱预测项目，他们与美国宇航局喷气推进实验室合作，利用来自卫星的温度和湿度数据改进干旱监测与预报。
该项目对水资源管理、农业和野火风险评估具有重要意义。美国宇航局喷气推进实验室（JPL）与其他研究机构的科学家们已经证明，NASA Aqua 航天器上的大气红外探测仪（AIRS）提供的地表温度和湿度数据能够比传统的降水或土壤湿度指标提前数月检测到干旱爆发。
然而，随着 Aqua 和 AIRS 接近其使用寿命，干旱监测面临进一步发展的挑战。林肯实验室计划通过开发专用的神经 *** 算法来改进 AIRS 干旱指标，以提高其数据质量控制和不确定性量化，确保该应用能够持续运行，并利用更新的仪器数据和算法架构。
展望未来，AI 将继续在干旱预测中发挥愈加重要的关键作用，为应对气候变化带来的全球挑战提供更精准的解决方案。
发表评论