基于海表溫度和隨機(jī)森林的珠江流域干旱預(yù)報(bào)模型研究

馮鑫 劉艷菊 童宏福 錢姝妮

摘 要：海表溫度（Sea Surface Temperature，SST）是干旱預(yù)報(bào)的主要因子之一，傳統(tǒng)預(yù)報(bào)模型主要采用固定海域 SST （如 ENSO），未從全球大范圍角度搜尋可利用的 SST信號(hào)。通過回歸分析篩選全球具有預(yù)報(bào)意義的 SST 區(qū)域，結(jié)合隨機(jī)森林算法構(gòu)建了一種氣象干旱預(yù)報(bào)新模型，以珠江流域?yàn)槔M(jìn)行應(yīng)用檢驗(yàn)。結(jié)果表明：①該模型可有效預(yù)報(bào)干旱的時(shí)空變化規(guī)律，且預(yù)見期越長(zhǎng)，預(yù)報(bào)精度相應(yīng)下降；②非汛期干旱預(yù)報(bào)準(zhǔn)確率高于汛期，沿海地區(qū)比內(nèi)陸地區(qū)有更好的預(yù)報(bào)效果；③珠江流域干旱發(fā)生可能與典型的氣候波動(dòng)有關(guān)，如厄爾尼諾南方振蕩和北大西洋振蕩。

關(guān)鍵詞：干旱預(yù)報(bào)；海表溫度；隨機(jī)森林；珠江流域

中圖分類號(hào)：TV21 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-9235（2024）05-0096-07

Drought Prediction Model of Pearl River Basin Based on SST and Machine Learning

FENG Xin1， LIU Yanju2， TONG Hongfu3， QIAN Shuni4*

（1. School of Civil Engineering and Transportation， The South China University of Technology， Guangzhou 510640， China;2. Comprehensive Technology Center of Pearl River Water Resources Commission of Ministry of Water Resources，Guangzhou 510611， China;3. Qingyuan Hydrology Sub-bureau of Guangdong Province， Qingyuan 511599， China;4. Guangzhou Water Planning Survey and Design Institute Co.， Ltd.， Guangzhou 510665， China）

Abstract： Sea surface temperature （SST） is one of the main factors for drought forecasting. Conventional forecasting models mainly use SST from fixed sea areas （e. g. ， ENSO）， without searching for available SST signals from a global large-scale perspective. Combining with the random forest algorithm， this paper constructs a new meteorological drought forecasting model through regression analysis to screen global SST areas of forecasting significance and takes the Pearl River Basin as an example for application tests. The results are as follows.① The model can effectively forecast the temporal and spatial evolution of drought， and as the forecast period becomes longer， the forecast accuracy decreases accordingly.② The accuracy of drought forecast is higher in non-flood season than in flood season， and the coastal area has a better forecast effect than the inland area.③ The occurrence of droughts in the Pearl River Basin may be related to typical climate fluctuations， such as the El Ni?o Southern Oscillation and the North Atlantic Oscillation.

Keywords： drought predication; sea surface temperature; random forest; Pearl River Basin

干旱災(zāi)害是最主要的自然災(zāi)害之一，對(duì)區(qū)域水資源、自然生態(tài)環(huán)境、農(nóng)業(yè)生產(chǎn)、社會(huì)經(jīng)濟(jì)發(fā)展等有很大的影響和破壞［1-2］。及時(shí)可靠的干旱預(yù)報(bào)可以幫助制定和實(shí)施可行的抗旱措施，從而避免和減少可能的干旱損失。干旱指數(shù)是刻畫干旱災(zāi)害的重要工具，按照干旱類型可劃分為氣象干旱指數(shù)、農(nóng)業(yè)干旱指數(shù)、水文干旱指數(shù)及社會(huì)經(jīng)濟(jì)干旱指數(shù)等。氣象干旱指數(shù)一般基于氣象因子構(gòu)建，最常用的氣象干旱指數(shù)有帕爾默干旱指數(shù)（Palmer Drought Severity Index，PDSI）［3］、標(biāo)準(zhǔn)化降水指數(shù)（Standardized Precipitation Index，SPI）［4］和標(biāo)準(zhǔn)降水蒸散指數(shù) （Standardized Precipitation Evapotranspiration Index， SPEI）［5］。其中，標(biāo)準(zhǔn)化降雨指數(shù)（SPI）是計(jì)算最簡(jiǎn)單、應(yīng)用最廣的干旱指數(shù)之一［6-8］。

目前，干旱預(yù)報(bào)模型大致可分為兩類，即動(dòng)力數(shù)值模型和統(tǒng)計(jì)模型。動(dòng)力數(shù)值模型物理機(jī)制明確，但模型結(jié)構(gòu)和參數(shù)繁多，計(jì)算量大且復(fù)雜，通常需要具備一定的專業(yè)基礎(chǔ)，并且局部地區(qū)模型預(yù)報(bào)結(jié)果存在較大的不確定性和誤差［10-11］。統(tǒng)計(jì)模型則是利用線性或非線性數(shù)理統(tǒng)計(jì)方法，通過建立預(yù)報(bào)對(duì)象（干旱）與大氣環(huán)流、海溫等預(yù)報(bào)因子之間的相互關(guān)系實(shí)現(xiàn)預(yù)報(bào)功能［12］。相比動(dòng)力數(shù)值模型，統(tǒng)計(jì)模型結(jié)構(gòu)簡(jiǎn)單、應(yīng)用簡(jiǎn)便，在某些場(chǎng)合預(yù)報(bào)效果甚至優(yōu)于動(dòng)力數(shù)值模型，得到眾多學(xué)者的青睞［13-14］。如 Ali 等［15］提出多元經(jīng)驗(yàn)?zāi)B(tài)分解模型，耦合智能算法，構(gòu)建基于 SPI 的干旱預(yù)報(bào)模型，應(yīng)用于巴基斯坦干旱預(yù)報(bào)，呈現(xiàn)了良好的預(yù)報(bào)效果。Feng等［16］運(yùn)用隨機(jī)森林，基于澳大利亞小麥產(chǎn)區(qū)的 SPI 與 ENSO 相互關(guān)系，構(gòu)建干旱預(yù)報(bào)模型。

研究表明，干旱災(zāi)害與海洋表面溫度場(chǎng)（SST）有密切聯(lián)系，因此不少學(xué)者采用 SST作為主要預(yù)報(bào)因子來建立干旱統(tǒng)計(jì)預(yù)報(bào)模型［17-19］。Funk 等［20］基于 SST 構(gòu)建了西太平洋梯度指數(shù)和中印度洋指數(shù)，建立了東非春季干旱預(yù)報(bào)模型。Liu等［21］利用標(biāo)準(zhǔn)化 SST、200 Pa 和500 Pa氣壓高度場(chǎng)，構(gòu)建了適用于中國(guó)地區(qū)的季節(jié)性干旱預(yù)報(bào)模型，基于與干旱相關(guān)的 SST，建立了大尺度和區(qū)域尺度的干旱預(yù)報(bào)模型。然而，現(xiàn)有研究對(duì) SST 的提取多數(shù)僅局限于一個(gè)或幾個(gè)海域，如 ENSO 活動(dòng)區(qū)，缺乏對(duì)其他海域的考慮，即從全球范圍內(nèi)搜尋 SST預(yù)報(bào)因子，導(dǎo)致未能充分利用 SST有用信號(hào)。另外，傳統(tǒng)的研究較少解釋 SST 與區(qū)域干旱之間的影響機(jī)制。基于全球 SST信號(hào)，構(gòu)建基于隨機(jī)森林模型的1～3個(gè)月預(yù)見期的干旱預(yù)報(bào)模型，以珠江流域作為研究區(qū)進(jìn)行論證，為干旱預(yù)報(bào)領(lǐng)域提供新的方法思路，同時(shí)為珠江流域干旱災(zāi)害防災(zāi)減災(zāi)提供支撐。

1研究區(qū)域和數(shù)據(jù)

1.1研究區(qū)概況

珠江流域位于中國(guó)東南部，是中國(guó)的第三大流域，總面積為45.4萬 km2。海拔由西南向東北逐漸降低。流域上游因喀斯特地貌廣泛分布而極易形成干旱，下游的粵港澳大灣區(qū)是重要的城市群以及重要的經(jīng)濟(jì)帶。全年平均溫度較高，多年平均氣溫為14～22℃ ， 屬亞熱帶季風(fēng)氣候。珠江流域雨量充沛，在中國(guó)屬于高位，年均降雨量為1600 mm，但雨量分布十分不均，空間差異性明顯，時(shí)間上以春夏為主，枯水期主要發(fā)生在冬季（11月至來年3月）［22］。1.2數(shù)據(jù)來源

本研究 SST數(shù)據(jù)采用美國(guó)國(guó)家海洋和大氣管理局提供的全球1?×1? 空間分辨率 COBE 海溫?cái)?shù)據(jù)集（https：//www. psl. noaa. gov）。時(shí)間跨度為1854年1月1日至2019年12月31日，共166 a數(shù)據(jù)。

本研究降水?dāng)?shù)據(jù)采用英國(guó)氣候中心（CRU）提供的珠江流域0.5?×0.5? 空間分辨率月降水量數(shù)據(jù)集（https：//sites. uea. ac. uk/cru）。時(shí)間跨度為1901年1月1日至2019年12月31日。

2研究方法

2.1標(biāo)準(zhǔn)干旱指數(shù)（SPI）

標(biāo)準(zhǔn)干旱指數(shù)（SPI）是一個(gè)標(biāo)準(zhǔn)化指數(shù)，基于當(dāng)?shù)赜炅康拈L(zhǎng)期氣候狀況，反映某觀測(cè)雨量可能出現(xiàn)的機(jī)會(huì)率。SPI指數(shù)可以在不同的時(shí)間尺度和空間尺度上使用同一個(gè)干旱指標(biāo)反映其干旱狀況，從而能較好地反映和比較干旱強(qiáng)度和持續(xù)時(shí)間等，因此得到廣泛應(yīng)用［23］。SPI 可應(yīng)用于不同的時(shí)間尺度（如3、6和12個(gè)月），以分析干旱對(duì)各種水資源需求的影響。本研究選擇3個(gè)月時(shí)間尺度的 SPI（SPI-3）作為干旱預(yù)報(bào)對(duì)象［24］。傳統(tǒng)上，SPI-3按月變化，反映過去3個(gè)月的累積降水量，適合流域尺度的研究。同時(shí)，大氣環(huán)流因子與干旱指數(shù)在3個(gè)月間隔時(shí)具有更強(qiáng)的相關(guān)性。SPI具體計(jì)算步驟［25］如下。

a）假設(shè)某時(shí)段降水量為隨機(jī)變量 x，則其 r 分布的概率密度函數(shù)為：

式中 β、γ——相關(guān)尺寸參數(shù)；Γ（γ）—— Gamma 函數(shù)。

b）對(duì) r 分布概率進(jìn)行正態(tài)標(biāo)準(zhǔn)化處理，即：

式中 t =；P——降水量 x 小于當(dāng)前 x0事件的概率，當(dāng) P >0.5時(shí)，S =1，當(dāng) P ≤0.5時(shí)， S=-1； c0=2.515517， c 1=0.802853， c2=0.010328，d 1=1.432788，d2=0.189269，d3=0.001308。

由式（2）求得最終結(jié)果即是此降水序列的 SPI。在干旱事件識(shí)別中，需要設(shè)置一個(gè)閾值來劃分時(shí)間序列中的干旱事件/月份，本研究將 SPI 閾值設(shè)置為-1，該閾值能較好地平衡極端事件的數(shù)量。

2.2隨機(jī)森林模型

隨機(jī)森林（Random Forest）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的組合分類或回歸方法，具有較高的準(zhǔn)確性和穩(wěn)定性，主要計(jì)算方法是通過對(duì)多個(gè)分類回歸樹（Classification And Regression Tree，CART）的預(yù)報(bào) 進(jìn)行組合合并，最后通過投票方式得到最終預(yù)報(bào)結(jié)果。Breiman 和 Culer 于2001年基于 Ho 提出隨機(jī)決策森林，采用自組采樣法（Bootstrap Sampling）對(duì)原始數(shù)據(jù)進(jìn)行有放回的抽樣，生成眾多分類樹，最終把分類樹組合成隨機(jī)森林。在完成所有的決策樹的構(gòu)建后，隨機(jī)森林算法使用集成策略來預(yù)測(cè)新的樣本的類別或值［26-27］。具體地，對(duì)于一個(gè)新的樣本，隨機(jī)森林將該樣本輸入到所有的決策樹中，然后統(tǒng)計(jì)每個(gè)類別的出現(xiàn)次數(shù)，最終選擇出現(xiàn)次數(shù)最多的類別作為預(yù)測(cè)結(jié)果。

在建模過程中，隨機(jī)森林所需要調(diào)整的參數(shù)較少。其中需要確定對(duì)原始數(shù)據(jù)集進(jìn)行有放回抽樣生成的子數(shù)據(jù)集個(gè)數(shù)，即決策樹的個(gè)數(shù)。決策樹太小容易欠擬合，太大不能顯著地提升模型，所以選擇適中的數(shù)值。本研究經(jīng)過參數(shù)率定，RF模型決策樹選取200，其他參數(shù)設(shè)置為默認(rèn)參數(shù)。所選取的參數(shù)已經(jīng)滿足本研究模型要求的穩(wěn)定性和預(yù)報(bào)準(zhǔn)確性。本研究 RF 算法采用 R 語言軟件中的“Random Forest ”包來驅(qū)動(dòng)預(yù)報(bào)模型。

2.3干旱預(yù)報(bào)模型構(gòu)建

在本研究中，利用 RF 算法來構(gòu)建干旱預(yù)報(bào)模型。當(dāng)預(yù)報(bào)因子與預(yù)報(bào)對(duì)象通過回歸分析進(jìn)行篩選時(shí)，它們之間的關(guān)系可能并不是線性相關(guān)的，機(jī)器學(xué)習(xí)算法可以挖掘出潛在的非線性關(guān)系，從而提高預(yù)報(bào)效果。

挑選具有預(yù)報(bào)標(biāo)準(zhǔn)降水指數(shù)能力的海溫網(wǎng)格場(chǎng)，在本研究中，需要設(shè)定一個(gè)顯著性評(píng)價(jià)水平α判 斷海溫和 SPI是否具有較好的相關(guān)性。根據(jù)皮爾遜檢驗(yàn)法，閾值的選取與數(shù)據(jù)長(zhǎng)度和顯著性水平選取相關(guān)。特別地，當(dāng)數(shù)據(jù)長(zhǎng)度為 k =90時(shí)，選取（k-1）且置信水平為95%時(shí)的α≈0.207。當(dāng)確定閾值后，計(jì)算網(wǎng)格海溫時(shí)間序列與1～3月提前期的干旱指數(shù)（SPI）的皮爾遜檢驗(yàn)值，同時(shí)按以下要求挑選海溫網(wǎng)格。

第一步，將大于海溫序列同標(biāo)準(zhǔn)干旱指數(shù)的相關(guān)系數(shù)的閾值挑選出來，并確定其在全球海溫場(chǎng)的位置。

第二步，提取所選海溫網(wǎng)格的歷時(shí)枯水期時(shí)間數(shù)據(jù)，對(duì)其檢驗(yàn)噪聲項(xiàng)。檢驗(yàn)方法為挑選無效值出現(xiàn)次數(shù)占比大于40%的網(wǎng)格，并將其剔除。

第三步，無效值的識(shí)別主要關(guān)注海溫?cái)?shù)據(jù)。同一海溫格點(diǎn)，提取的數(shù)年同月海溫?cái)?shù)值未發(fā)生變化視為無效值。

本研究在全球海溫網(wǎng)格中搜索與研究區(qū)滿足顯著相關(guān)性的單海溫因子，劃分 SPI數(shù)據(jù)集1901—1990年前90 a 為率定期，1990—2018年為檢驗(yàn)期構(gòu)建模型，利用上文所述的海溫格點(diǎn)集合數(shù)據(jù)和珠江流域 SPI干旱指數(shù)構(gòu)建基于隨機(jī)森林算法的氣象遙相關(guān)模型。

2.4 模型評(píng)價(jià)指標(biāo)

在這項(xiàng)研究中，以觀測(cè) SPI 為對(duì)照，通過對(duì)干旱預(yù)報(bào)模型預(yù)報(bào)值進(jìn)行對(duì)比分析，以評(píng)估該模型的準(zhǔn)確性和適用性。選用皮爾遜相關(guān)系數(shù) CC（Pearson Correlation Coefficient）、漏報(bào)率 MAR（Missing Alarm Rate）和誤報(bào)率 FAR（False Alarm Rate）共3種指標(biāo)作為精度評(píng)估指標(biāo)。CC 決定了預(yù)報(bào)和觀測(cè)之間的相關(guān)程度，其值為-1～1。CC 值為1表示預(yù)報(bào)和觀測(cè)之間完全正相關(guān)，而-1表示完全負(fù)相關(guān)。 CC 表示為：

式中 Xt ——觀測(cè)的數(shù)據(jù)；Yt ——預(yù)報(bào)的數(shù)據(jù)；

Xi ——觀測(cè)數(shù)據(jù)的平均值；Yi——預(yù)報(bào)數(shù)據(jù)的平均值。

MAR 反映了實(shí)際發(fā)生但被預(yù)報(bào)遺漏的干旱事件占發(fā)生干旱事件的比例；而 FAR 反映了未發(fā)生干旱事件被預(yù)報(bào)為發(fā)生干旱占發(fā)生干旱事件的比例。 MAR 和 FAR 均值越小，性能越好，表示為：

MAR =????????? （4）

FAR =????????? （5）

式中 TP——實(shí)際發(fā)生干旱最終預(yù)報(bào)結(jié)果為真的事件數(shù)量；FP——實(shí)際未發(fā)生干旱最后預(yù)報(bào)得到的結(jié)果卻為真；FN——實(shí)際發(fā)生干旱最后預(yù)報(bào)得到的結(jié)果卻為假。

3 結(jié)果與分析

3.1 模型精度評(píng)估

3.1.1 率定期精度評(píng)價(jià)

預(yù)見期1～3個(gè)月的4個(gè)季節(jié)的率定期各精度評(píng)估指標(biāo)的分布情況見表1，結(jié)果顯示：在所有時(shí)期的率定期中，干旱指數(shù)預(yù)報(bào)值和實(shí)際值擬合優(yōu)良，相關(guān)系數(shù) CC 均達(dá)到0.97以上，誤報(bào)率均在0.025左右，漏報(bào)率在0.25左右，取得了較為理想的率定效果。從不同預(yù)見期看，預(yù)見期1個(gè)月的率定期精度明顯高于其他2個(gè)月份。預(yù)見期越長(zhǎng)，預(yù)報(bào)精度相應(yīng)下降。對(duì)比各季節(jié)相關(guān)系數(shù)（CC）的率定期結(jié)果差異，夏季的模型擬合效果最優(yōu)異，CC 值達(dá)到了97.3%。其他月份稍微偏弱，CC 值均在97%附近接近于顯著相關(guān)系數(shù)。夏季模型的誤報(bào)率和漏報(bào)率均屬于最低的。綜合而言，模型率定效果優(yōu)良。

3.1.2 檢驗(yàn)期相關(guān)系數(shù)

圖1顯示了珠江流域預(yù)見期1～3個(gè)月不同季節(jié)的相關(guān)系數(shù)的空間分布模式。從空間分布上看，珠江流域的空間分布高相關(guān)性區(qū)域主要集中在流域的東南部，東部明顯高于西部，預(yù)報(bào)效果最差的網(wǎng)格出現(xiàn)在夏天的流域西北部區(qū)域。從不同預(yù)見期的角度上看，不同預(yù)見期的相關(guān)系數(shù)的空間模式相似，其中預(yù)見期1個(gè)月的預(yù)報(bào)結(jié)果具有更高的相關(guān)性，相關(guān)值比其他預(yù)見期 CC 值高出0.1左右。從不同季節(jié)的角度可以看出，春天和冬天的相關(guān)系數(shù)明顯高于夏天和秋天，高相關(guān)性的區(qū)域分更廣，相關(guān)性良好網(wǎng)格主要集中在東部。表明了春季和冬季的干旱與海面溫度的聯(lián)系更為密切。夏天的模型效果是所有季節(jié)中最低的，CC 值大多數(shù)接近-0.2，主要集中在中西部。秋天的相關(guān)系數(shù)空間模式與夏天相似但 CC值更高。綜上所述，預(yù)見期1個(gè)月預(yù)報(bào)效果最好，特別是春天和冬天的預(yù)報(bào)結(jié)果，相關(guān)系數(shù)高的網(wǎng)格占比更多。結(jié)果表明：空間上，靠近海洋的地區(qū)可能有更強(qiáng)的陸地-海洋相互作用效應(yīng)，近海地區(qū)氣候受海洋的影響比內(nèi)陸地區(qū)更明顯；時(shí)間上，流域枯水期（春天和冬天）模型預(yù)測(cè)結(jié)果更精準(zhǔn)，流域汛期（夏天和秋天）模型預(yù)測(cè)結(jié)果較差。這可能源于干旱期流域降水更容易受海洋氣候影響。

3.1.3檢驗(yàn)期錯(cuò)誤率和誤報(bào)率

圖2顯示了12個(gè)月預(yù)見期1～3個(gè)月的誤報(bào)率和漏報(bào)率箱形圖。可以發(fā)現(xiàn)，在3種預(yù)見期中，預(yù)見期1個(gè)月的預(yù)報(bào)準(zhǔn)確率最高，誤報(bào)率為20%～40%，異常數(shù)據(jù)為60%～80%。從月份角度而言，1—4月的誤報(bào)率和漏報(bào)率低于其他月份，結(jié)果在10%到20%之間。而11、12月的誤報(bào)率和漏報(bào)率則遠(yuǎn)遠(yuǎn)高于其他月份的，特別地，12月的結(jié)果在預(yù)見期1～3月的均是最差的。預(yù)報(bào)結(jié)果在春季和冬季更準(zhǔn)確。值得注意的是，預(yù)見期1～2個(gè)月的結(jié)果明顯地顯示出，1—6月上半年的誤報(bào)率低于7—12月，而這一結(jié)果并未在漏報(bào)率中體現(xiàn)。在預(yù)見期3個(gè)月結(jié)果中，所有月份的誤報(bào)率和漏報(bào)率幾乎沒有太大的差異。

3.2 SST影響干旱的可能機(jī)制

為了揭示 SST 影響干旱的物理機(jī)制，對(duì)于珠江流域，選取預(yù)見期1個(gè)月下的上中下游3個(gè)枯水期發(fā)生干旱頻率最高的中心網(wǎng)格進(jìn)行全球海面溫度場(chǎng)的相關(guān)系數(shù)結(jié)果展示，分析了全球相關(guān)海溫場(chǎng)影響珠江流域不同區(qū)域發(fā)生干旱的空間分布模式。圖3a 為下一月份影響珠江流域上游干旱的 SST 空間分布。其中，具有95%顯著負(fù)相關(guān)性的 SST 區(qū)域主要分布在 ENSO 和 IOD 活躍的赤道太平洋東部和印度洋全區(qū)。圖3b 為下一月份影響珠江流域中游干旱的 SST 空間分布。其中，顯著負(fù)相關(guān)性的海域主要分布在 ENSO 和 IOD 活躍的赤道太平洋東部和印度洋全區(qū)，顯著正相關(guān)性的海域?yàn)槟蠘O濤動(dòng)活躍區(qū)域。圖3c描述了2月份影響珠江流流域下游干旱的 SST 空間分布情況。對(duì)干旱有影響的 SST場(chǎng)主要分布在 ENSO 活躍的赤道東太平洋和南太平洋地區(qū)。綜上而言，影響珠江流域上中下游網(wǎng)格的海溫場(chǎng)在全球海域的分布較為統(tǒng)一，最為明顯的屬 ENSO。同時(shí)，模型在預(yù)見期一個(gè)月的枯水期具有更高的預(yù)報(bào)精度，所展示的全球海面溫度場(chǎng)更具代表性。結(jié)果說明本研究提出的干旱預(yù)報(bào)方法在預(yù)報(bào)因子的篩選上具有合理性。

4結(jié)論

a）以珠江流域 SPI-3作為預(yù)報(bào)對(duì)象，SST作為預(yù)報(bào)因子，利用海溫大數(shù)據(jù)和 RF 算法構(gòu)建了一種新的氣象干旱預(yù)報(bào)模型。

b）為了評(píng)估干旱預(yù)報(bào)模型的性能，將模型用于干旱事件頻發(fā)的珠江流域，對(duì)預(yù)報(bào)對(duì)象進(jìn)行預(yù)見期1～3個(gè)月的預(yù)報(bào)。結(jié)果表明，該模型在珠江流域應(yīng)用效果較好，預(yù)見期1個(gè)月預(yù)報(bào)準(zhǔn)確率比其他2個(gè) 月更高。此外，非汛期干旱預(yù)報(bào)準(zhǔn)確率高于汛期，沿海區(qū)域的預(yù)報(bào)準(zhǔn)確率高于內(nèi)陸區(qū)域，流域東部預(yù)報(bào)準(zhǔn)確率高于流域西部。

c）預(yù)報(bào)模型中篩選的全球海面溫度場(chǎng)主要來自各個(gè)典型海洋振蕩海域，表明珠江流域干旱與一些典型的氣候波動(dòng)（如 ENSO 和 NAO）之間可能存在關(guān)系。本文所提出的方法為珠江流域提供了一個(gè)有效的干旱預(yù)報(bào)方法，同時(shí)也可以應(yīng)用于其他領(lǐng)域，幫助水資源綜合管理和流域干旱風(fēng)險(xiǎn)緩解。

參考文獻(xiàn)：

［1］張青雯，崔寧博，趙祿山，等.基于相對(duì)濕潤(rùn)指數(shù)的云南省季節(jié)性干旱變化特征［J］.干旱地區(qū)農(nóng)業(yè)研究，2020，38（4）：278-284.

［2］閆昕旸，張強(qiáng)，閆曉敏，等.全球干旱區(qū)分布特征及成因機(jī)制研究進(jìn)展［J］.地球科學(xué)進(jìn)展，2019，34（8）：826-841.

［3］ PENMAN H L. Natural Evaporation from Open Water，Bare Soil and Grass［C］//Proceedings of the Royal Society of London，1948.

［4］ MCKEE T B，DOESKEN N J，KLEIST J. The Relationship ofDrought Frequency and Duration to Time Scales［C］//Eighth Conference on Applied Climatology，California，1993.

［5］ VICENTE-SERRANO S M，BEGUER?A S，L?PEZMORENO J I. Amultiscalar drought index sensitive to global warming：the standardized precipitation evapotranspiration index［J］. Journal of Climate，2010，23（7）：1696-1718.

［6］梅曉丹，李丹，田靜，等.2000－2018年黑龍江省干旱時(shí)空特征分析［J］.測(cè)繪工程，2022，31（3）：16-22.

［7］趙水霞，周泉成，王文君，等.基于 SPI指數(shù)的內(nèi)蒙古地區(qū)干濕氣候特征［J］.中國(guó)水利水電科學(xué)研究院學(xué)報(bào)（中英文），2022，20（1）：10-19.

［8］苑希民，張家銘，滕振敏.基于 SPI 指標(biāo)左江流域旱澇演變規(guī)律與趨勢(shì)預(yù)報(bào)分析［J］.水力發(fā)電，2022，48（1）：31-38.

［9］ FENG X，PORPORAT A，RODRIGUEZ-ITURBE I. Changes in rainfall seasonality in thetropics［J］. Nature Climate Change，2013，3（9）：811-815.

［10］DUTRA E，DI GIUSEPPE F，WETTERHALL F，et al. Seasonal forecasts of droughts in African basins using the Standardized Precipitation Index［J］. Hydrology and Earth System Sciences，2013，17：2359-2373.

［11］LAVERS D ， LUO L F， WOOD E F. A multiple model assessment of seasonal climate forecast skill for applications［J］. Geophysical Research Letters ，2009，36（23）. DOI：10.1029/2009GL041365.

［12］HAO Z C，SINGH V P，XIA Y L. Seasonal Drought Prediction： Advances， Challenges， and Future Prospects［J］. Reviews of Geophysics，2018，56（1）：108-141.

［13］HASTENRATH S. Recent advances in tropical climate prediction ［J］. Journal of Climate，1995，8：1519-1532.

［14］ANDERSON J，DOOL H V D，BARNSTON A，et al. Present- day capabilities of numerical and statistical models for atmosphericextratropical seasonal simulation and prediction［J］. Bulletin of the American Meteorological Society，1999，80：1349-1362.

［15］ALI M，DEO R C，MARASENI T，et al. Improving SPI-derived drought forecasts incorporating synoptic-scale climate indices in multi-phase multivariate empirical mode decomposition model hybridized with simulated annealing and kernel ridge regression algorithms［J］. Journal of Hydrology，2019，576：164-184.

［16］FENG P Y，WANG B，LUO J J，et al. Using large-scale climate drivers to forecast meteorological drought condition in growing season across the Australian wheatbelt［J］. Science of The Total Environment，2020，724. DOI：10.1016/j. scitotenv.2020.138162.

［17］施洪波，張英娟.區(qū)域氣候模式 RegCMNCC對(duì)華北冬季氣溫和降水的預(yù)報(bào)評(píng)估［J］.氣象科技，2014，42（6）：1023-1027.

［18］張人禾，殷永紅，李清泉，等.利用 ARGO 資料改進(jìn) ENSO 和我國(guó)夏季降水氣候預(yù)報(bào)［J］.應(yīng)用氣象學(xué)報(bào)，2006（5）：538-547.

［19］SCHUBERT S D，STEWART R E，WANG H L，et al. Global meteorological drought： A synthesis of cur-rent understanding with a focus on SST drivers of precipitation deficits［J］. Journal of Climate，2016，29：3989-4019.

［20］FUNK C，HOELL A，SHUKLA S，et al. Predicting East African spring droughts using Pacific and Indian Ocean sea surface temperature indices［J］. Hydrology and Earth System Sciences，2014，18（12）：4965-4978.

［21］LIU Z C，LU G H，HE H，et al. A conceptual prediction model for seasonal drought processes using atmospheric and oceanic standardized anomalies：application to regional drought processes in China［J］. Hydrology and Earth System Sciences，2018，22（1）：529-546.

［22］王兆禮，陳曉宏，李艷.珠江流域植被覆蓋時(shí)空變化分析［J］.生態(tài)科學(xué)，2006，25（4）：303-307.

［23］莊少偉，左洪超，任鵬程，等.標(biāo)準(zhǔn)化降水蒸發(fā)指數(shù)在中國(guó)區(qū)域的應(yīng)用［J］.氣候與環(huán)境研究，2013，18（5）：617-625.

［24］MCKEE T B ，DOESKEN N J，KLEIST J. The relationship of drought frequency and duration to time scales［C］//Proceedings of the 8th Conference on Applied Climatology，California，1993.

［25］GUTTMAN N B. Comparing the palmer drought index and the standardized precipitation index［J］. Journal of the American Water Resources Association，1998，34（1）：113-121.

［26］AHN H ，MOON H ，F(xiàn)AZZARI M J ，et al. Classification by ensembles from random partitions of high-dimensional data［J］. Computational Statistics & Data Analysis，2007，51（12）：6166-6179.

［27］雷震.隨機(jī)森林及其在遙感影像中應(yīng)用研究［D］.上海：上海交通大學(xué)，2012.

（責(zé)任編輯：向 飛）