基于長序列遙感降水融合數據集的黃河源氣象干旱特征研究

摘要 遙感降水產品可為氣象干旱精準監測提供近實時、多時空分辨率的降水數據，但其性能易受復雜地形和極端氣候的影響，基于機器學習的多源數據融合方法為提高復雜地形和偏遠地區遙感降水產品精度和干旱監測能力提供了新思路。基于此，本研究以資料稀缺的黃河源為研究區，利用隨機森林（random forest，簡稱RF）方法生成了黃河源區長序列（1983—2018年）高精度的格網降水數據集，并基于該數據集利用標準化降水指數（standardized precipitation index，簡稱SPI）和游程理論方法識別氣象干旱事件，闡明融合降水產品數據集對氣象干旱事件特征的捕獲能力。結果表明：1）基于機器學習的降水融合數據集在站點尺度性能方面優于3套原始遙感降水產品，能較理想地捕獲降水的年內和年際波動;2）黃河源降水和4個時間尺度的SPI（SPI1、SPI3、SPI6和SPI12）均呈顯著增加趨勢（通過0.05信度的顯著性檢驗），表明近36年黃河源區降水增加，氣象干旱趨緩;3）降水突變點發生在2006年，2006年前的平均干旱事件歷時長、烈度強和極值大，但2006年后干旱事件特征趨緩;空間分布上，源區西北部干旱歷時和烈度較高，東南部干旱強度和極值較高。

關鍵詞標準化降水指數;氣象干旱;融合降水;黃河源區

干旱是一種由于水分短缺而引發的極端天氣和氣候現象，具有持續時間長，影響范圍廣等特點（袁星等，2020）。它嚴重影響了自然環境和人類生活，制約著社會經濟的可持續發展（王鶯等，2022）。我國是干旱頻繁且受災嚴重的國家之一（孫博等，2023），干旱災害每年給我國造成數百萬噸的糧食減產和超過百億人民幣的經濟損失（Su et al.，2018）。氣象干旱作為傳統的干旱類型之一（姜大膀和王曉欣，2021），通常是復合干旱的第一階段（Zeng et al.，2022），研究其趨勢和規律有助于提供早期預警，預防和減輕干旱發生，也是后續研究水文干旱、農業干旱和社會經濟干旱等的基礎和保障（Zhang et al.，2016）。

為了量化干旱的嚴重程度，較為常用的方法就是構建干旱指數來表征（宋艷玲，2022）。例如：帕默爾干旱指數（Palmer drought severity index，簡稱PDSI;Palmer，1965）、標準化降水蒸散指數（standardized precipitation evapotranspiration index，簡稱SPEI;Vicente-serrano et al.，2010）和標準化降水指數ISP（standardized precipitation index，簡稱SPI;McKee et al.，1993）等。PDSI基于水量平衡原理采取降水、氣溫、土壤含水量等數據計算，物理意義比較清晰，但PDSI也存在計算復雜和時間尺度固定等局限性（Wells et al.，2004）。SPEI克服了PDSI在固定時間尺度上的不足，它通過歸一化潛在蒸散發（potential evapotranspiration，簡稱PET）和降水之間的差值來描述靈活時間尺度的干旱特征（孟鑫和智協飛，2016）。SPEI雖然相比SPI還考慮了溫度對干旱的影響，但在晝夜溫差較大的高原地區SPI的適用性更強（王作亮等，2019），相比之下，SPI由于僅需要輸入降水，且計算方法簡單、尺度靈活等特點被廣泛應用于干旱研究當中（Guttman，1999;呂純月等，2021）。

降水數據的精確性直接決定了干旱事件特征的可信度，因此提高降水的估算精度是識別干旱的先決條件。獲取的方法主要有地面雨量計觀測、降水雷達觀測和遙感衛星反演（Sun et al.，2018）。傳統的地面雨量站在地形復雜、偏遠地區分布不均，難以獲取降水連續的時空分布格局（Kidd et al.，2017）。降水雷達的維護修理成本高昂，且雷達信號容易受到復雜地形的遮擋，導致在高寒的地形復雜區域效果不佳（Xu et al.，2019）。相比之下，遙感降水產品具有覆蓋范圍較廣、精度較高和時空連續等優點，現已被廣泛應用于水文氣象的研究之中（唐國強等，2015）。然而，全球遙感降水產品眾多，它們的性能存在區域異質性（Beck et al.，2017）。復雜的地形和極端氣候都會制約遙感降水產品的精度，從而影響產品的性能（Li et al.，2023），單一的遙感降水產品在高寒、地形復雜地區的應用存在巨大挑戰（Pradhan et al.，2022）。

隨著人工智能技術的發展，機器學習的興起為多源遙感產品的性能提高提供了一個新的解決思路和方案。機器學習方法能夠彌補傳統建模運算復雜的問題，因此被廣泛應用于氣象和水文的研究之中（何慧等，2021）。比如，張娟等（2023）基于遙感產品和氣象站點數據，利用隨機森林（RF）構建綜合干旱指數，分析甘肅省農作物生長季旱情時空格局和變化規律，結果表明利用隨機森林模型監測干旱精度較高。楊軒等（2023）利用3種機器學習算法融合TRMM、GPM、CMORPH、CHIRPS、PERSIANN-CDR 5種月尺度柵格降水產品，融合產品各月均表現較高精度，其中隨機森林算法模型產品在冬季表現較優。Jiang et al.（2023）利用多元線性回歸，前饋神經網絡，隨機森林（RF）和長短期記憶模型4種機器學習模型融合衛星降水和再分析降雨產品，融合產品均減少了原始產品的誤差，其中隨機森林在暴雨條件下表現最好。綜上可知，機器學習方法在融合多源遙感降水領域表現了明顯的優勢，但是基于機器學習的遙感降水融合性能在高寒、稀缺資料地區的性能研究相對薄弱。利用機器學習融合多源降水產品數據，進而準確刻畫少資料地區的氣象干旱特征成為重要亟待解決的科學問題。

黃河源區地處青藏高原腹地，平均海拔4 000 m以上，地形復雜多樣，常年極端低溫。黃河源區生態環境脆弱，且對氣候變化和人類活動等干擾極其敏感（韓蘭英等，2021）。但是，黃河源的流域面積較小，不足整個黃河流域面積的1／4，產流量約占黃河徑流量的1／3以上，有“黃河水塔”的美譽（張成鳳等，2020）。黃河水資源的穩定性對黃河流域的經濟高質量發展和生態文明建設的實現起到決定性的作用?；诖耍狙芯窟x取3套典型長序列遙感降水產品（PERSIANN-CDR、CHIRPS v2.0、MSWEP v2.0），利用隨機森林模型（RF），開展多源遙感降水產品的數據融合研究，評估融合產品的性能，并利用標準化降水指數（SPI）和游程理論，探究黃河源區的氣象干旱的時空演變特征，可為黃河源區的干旱預警預報和水資源管理提供科學的參考依據。

1 資料和方法

1.1 研究區概況

黃河源區（95°86′～103°40′E，32°16′～36°12′N）位于青藏高原東北部，地勢西北高東南低，源區降水隨緯度增加而減少，多年平均降水量約510 mm，流域面積約為12.2×104 km2。源區內地勢高，氣候寒冷，海拔高度在2 672～ 6 065 m，區域內存在季節性和多年凍土區（Bai and Liu，2018;張成鳳等，2019;靳錚等，2020;姚秀萍等，2022）。黃河源區的氣象站點和地形高程如圖1所示。

1.2 數據來源

氣象站點數據選自黃河源及其周邊地區40個站點，該數據來自國家氣象信息中心（http：／／data.cma.cn／），時間范圍為1983—2013年。并選取了3套典型長序列遙感降水產品，包括PERSIANN-CDR、CHIRPS v2.0、MSWEP v2.0（以下簡稱PERSIANN、CHIRPS、MSWEP）。其中PERSIANN產品基于人工神經網絡提供長期的一致性較好的高分辨率降水估算，利用GridSat-B1衛星的紅外輻射作為PERSIANN模型的輸入數據，并且采取全球降水數據集GPCP產品對模式的輸出結果進行偏差校正（Ashouri et al.，2015）。MSWEP是一套全球多源加權融合的降水數據集，其融合了地面觀測數據，降水衛星和大氣再分析數據（Beck et al.，2019）。MSWEP與其他全球降水產品相比性能較優，并且在資源稀缺的干旱地區具有較好的適用性（彭振華等，2021;呂愛鋒和亓珊珊，2022）。CHIRPS是一套準全球（50°S～50°N）降水觀測資料，它基于全球超過20 000個地面雨量站數據，熱紅外觀測數據和大氣再分析數據等，提供了一套長期的、高分辨率的、多時間尺度的降水數據集（Funk et al.，2015）。為了評估的一致性，本研究空間分辨率均為0.25°×0.25°，選取的研究時段為1983—2018年。3種遙感降水產品的匯總如表1所示。

1.3 研究方法

1.3.1 標準化降水指數（SPI）

由McKee et al.（1993）研究的標準化降水指數（SPI）被廣泛用于干旱研究之中。計算SPI僅需要輸入降水，有效減少了多種變量所帶來的不確定性。SPI的計算應用于干旱研究中一般要求降水序列超過30 a，當SPI為正值表明為濕潤的氣候環境，而負值表明為干燥的氣候環境。SPI可采取靈活的時間尺度來量化干旱事件，本文選取1個月、3個月、6個月、12個月4個典型的時間尺度（SPI1，SPI3，SPI6，SPI12），結合國家氣象干旱等級（GB／T20481-2017），干旱等級的劃分如表2所示。

1.3.2 統計評價指標

為定量研究融合降水產品在黃河源區的氣象干旱性能，本研究選取了5種常用的統計評價指標，包括相關系數CC（correlation coefficients，簡稱CC）、均方根誤差ERMS（root mean square errors，簡稱RMSE）、相對偏差Bias（Bias）、Kling-Gupta系數EKG（KGE）和標準差DST（standard deviation，簡稱STD）。相關系數越高、均方根誤差越低、相對偏差越接近于0、Kling-Gupta系數越高、標準差越小表明統計性能越好，各指標的計算公式如下：

1.3.3 隨機森林

隨機森林（RF）是Breiman（2001）提出的由多個決策樹組成的機器學習算法。具有精度高、參數少、模型穩定的特點（方秀琴等，2021）。雖然決策樹作為一種非參數方法在回歸和分類問題上表現良好，但決策樹的訓練容易出現過擬合的問題。RF解決了這個問題，模型如下：

其中：YRF為隨機森林的融合結果;γ為隨機森林中決策樹的個數;X為測試集的輸入數據;fi為第i棵決策樹的預測結果。

本研究1983—2013年融合數據在黃河源的目標變量為站點降水，輸入變量為3套網格化遙感降水產品。訓練格點與站點的選取按照距離最近原則，每個格點與最近站點的距離均小于16 km，其中隨機抽樣70％的數據作為訓練集，30％的數據為驗證集。

1.3.4 Mann-Kendall檢驗

Mann-Kendall的檢驗是一種非參數方法。其優點是不需要樣本遵從一定的分布，也不受少數異常值的干擾，更適用于類型變量和順序變量，計算也比較簡便，被廣泛應用于水文氣象的趨勢分析和突變檢驗。但是Mann-Kendall檢驗不適用于檢測有多個突變點的序列（魏鳳英，2007）。

將時間序列t生成其對應的逆序列，重復上述計算過程。同時使得UBk=-UFk，如果UFk和UBk在0.05顯著水平線內（臨界值為±1.96）有交點，則交點認為是突變點。

1.3.5 游程理論與干旱特征指標

本研究通過游程理論來確定干旱事件，根據McKee et al.（1993）的研究，如果干旱指數連續多個月低于閾值，則認定其為干旱月份。本研究認為當SPI持續2個月以上小于-1時會發生一次干旱事件。統計干旱頻次N（drought events number）。選擇平均干旱歷時MDD（mean drought duration）、平均干旱烈度MDS（mean drought severity）、平均干旱強度MDI（mean drought intensity）和平均干旱極值MDP（mean drought peak）等評價指標評價融合降水捕獲黃河源的氣象干旱特征，計算公式如下：

式中：t1是干旱事件結束的時間;t0是干旱事件開始的時間；i是第i次的干旱事件;j為某次干旱事件中干旱指數;Di是第i次干旱事件的干旱歷時；Si是第i次干旱事件的干旱烈度；Ii是第i次干旱事件的干旱強度；Pi是第i次干旱事件的干旱極值。

2 結果分析

2.1 融合降水集在站點尺度的性能

圖2展示了站點降水和不同遙感降水產品，以及數據融合產品在站點尺度的散點分布。由圖可知，各降水產品均能較好地捕獲站點降水的波動（CCgt;0.89），3套原始遙感降水產品中CHIRPS產品表現最優（EKG=0.89，ERMS=19.8 mm，Bias=2.1％），其次為MSWEP產品（EKG=0.85，ERMS=19.9 mm，Bias=8.0％），表現最差的是PERSIANN產品（EKG=0.70，ERMS=25.8 mm，Bias=15.6％）;融合數據集RF相較于3套遙感降水產品擁有更好的性能（EKG=0.97，ERMS=10.7 mm，Bias=-0.9％），表明基于RF融合的降水在黃河源地區具有較好的適用性。

圖3展示了融合降水產品性能的空間分布。融合降水在站點尺度的性能總體較優（CCgt;0.93，EKGgt;0.90），表明融合降水能夠較好地捕獲站點降水的波動。由圖3b可知，融合降水的RMSE總體較低，呈現西北部低東南部高的空間分布格局。由圖3d可知，融合降水的BIAS總體較低，在源區東北部有負偏差。證明了機器學習降水融合的可行性，可用此方法估算區域降水。

利用泰勒圖展現各個降水產品與觀測值之間相關系數，標準差和均方根誤差之間的差異（Taylor，2001），各降水產品與站點降水間的距離越小表明其性能越好。由圖4a可知，在月尺度各個降水產品性能總體較優（CCgt;0.95），相對差異較小，其中融合降水數據集RF性能相對較好（CCgt;0.99）。由圖4b可知，在年尺度各降水產品的性能不如月尺度，3套原始遙感降水產品中表現最優的是CHIRPS，其次是MSWEP，PERSIANN產品相對較差。融合降水數據集RF性能相對于3套不同的遙感降水產品擁有更好的性能（CCgt;0.90），證明了融合降水數據集RF在黃河源模擬降水更接近站點降水數據。

圖5a和圖5b分別是站點降水和降水產品的年內波動及年際波動。在驗證期融合數據集RF與站點降水的年內波動最接近（EKG=0.98），3套原始的遙感降水產品中CHIRPS年內波動模擬相對較好（EKG=0.96），其次是MSWEP（EKG=0.91），PERSIANN模擬降水最差（EKG=0.81）。其中MSWEP和PERSIANN在夏季有明顯高估降水。

在驗證期融合數據集RF與站點降水的年際波動最接近（EKG=0.89），3套遙感降水產品中CHIRPS年際波動模擬相對較好（EKG=0.86），其次是MSWEP（EKG=0.73），PERSIANN模擬降水的年際波動最差（EKG=0.59）。其中MSWEP和PERSIANN有明顯高估降水。

2.2 基于融合降水數據集的黃河源降水特征

2.2.1 融合降水數據集在黃河源降水空間分布

基于訓練好的站點融合降水產品RF，按照距離逐格點匹配其最近的氣象站點，逐格點進行降水融合得到格網融合降水產品。并逐格點統計1983—2018年黃河源的月均降水量。融合降水和3套原始遙感降水產品1983—2018年在黃河源的年均降水量的空間分布如圖6所示。融合降水和3套遙感降水的空間分布總體保持一致，均能捕獲黃河源自東南向西北遞減的空間分布格局。PERSIANN產品的降水在黃河源東西部波動更大，且東南部有明顯的高估（均值49.4 mm／mon）;CHIRPS產品雖然降水均值接近融合降水數據集（均值44.9 mm／mon），但在源區西北部有著明顯低估;MSWEP產品和融合降水RF空間分布較為一致，但高估了部分格點的降水（均值46.5 mm／mon）。

2.2.2 融合降水數據集在黃河源降水突變點識別

本研究采用Mann-Kendall突變檢驗法來確定黃河源降水的突變年份。由圖7知，黃河源1983—2018年融合降水集呈顯著增加趨勢，年均降水序列UF與其逆序列UB有且僅有一個交點，此交點位于2006年左右且位于兩條0.05顯著水平線之間，此突變點有效。則黃河源降水突變年份為2006年。

2.3 融合降水數據集在黃河源氣象干旱特征

2.3.1 融合降水數據集在黃河源氣象干旱趨勢

逐格點計算1983—2018年黃河源4種時間尺度的SPI指標（SPI1、SPI3、SPI6和SPI12）。圖8展示了1983—2018年黃河源SPI變化趨勢的空間分布，其中SPI的值大于0表示該格點趨于濕潤。在4個時間尺度（SPI1、SPI3、SPI6、SPI12）1983—2018年黃河源呈現SPI增加趨勢，SPI1趨勢的格點均值為2.2×10-3，隨著時間尺度增加，SPI的增加趨勢更加突出（SPI12趨勢的格點均值為4.0×10-3），即趨于濕潤。黃河源西北部上升趨勢大于東南部，隨著時間尺度的增加，源區東西趨勢波動更大。各格點均通過了置信度為95％的顯著性檢驗，表明黃河源近36年氣象干旱趨緩。

2.3.2 融合降水數據集在黃河源氣象干旱監測空間分析

根據游程理論識別干旱頻次（N），由表3可知隨著時間尺度的增大，干旱頻次趨于減少。降水突變前（2006年）識別的干旱頻次要多于降水突變后。在短時間尺度（SPI1）上識別的干旱頻次在4個時間尺度中最多，利用SPI1分析降水突變前后的干旱特征。圖9展示了降水突變前后黃河源SPI1的干旱特征指標。由圖可知，1983—2006年黃河源SPI1的平均干旱歷時（MDD）均值為1.82，相較于2007—2018年更長，降水突變前后均呈現干旱歷時東北高西南低的空間分布格局，但降水突變后的干旱歷時波動更大。1983—2006年黃河源SPI1的平均干旱烈度（MDS）均值為2.42，相較于2007—2018年更嚴重，降水突變前呈現中部低四周高的空間分布格局，降水突變后呈現北高南低的空間分布格局。1983—2006年黃河源SPI1的平均干旱強度（MDI）均值為1.72，相較于2007—2018年略低，降水突變前后均呈現干旱歷時東北低東南高的空間分布格局，但降水突變后的源區南北干旱強度波動更大。1983—2006年黃河源SPI1的平均干旱極值（MDP）均值為1.91，相較于2007—2018年更嚴重，降水突變前呈現西南低，西北和東南高的空間分布格局，降水突變后呈現東北低、西北和東南高的空間分布格局。

3 結論與討論

3.1 結論

本研究利用隨機森林模型，開展多源遙感降水產品的數據融合研究，評估融合產品的性能，并利用標準化降水指數（SPI）和游程理論，探究黃河源區的氣象干旱的時空演變特征，結論如下：

1）融合降水數據集在站點尺度性能優于3套原始遙感降水產品，具有高相關系數，低均方根誤差，低相對偏差和高Kling-Gupta系數的特點，能夠較好地捕獲觀測降水的年內和年際波動。證明了融合降水在黃河源區有著良好的適應性。

2）融合降水數據集和3套遙感降水產品時空格局相對一致，1983—2018年黃河源降水量和各時間尺度的SPI呈現顯著增加趨勢，降水突變點在2006年。表明近36 a源區降水增加，氣象干旱趨緩。

3）2006年前黃河源SPI1的平均干旱事件歷時長、烈度強和極值大，但2006年后干旱事件特征趨緩;黃河源西北部干旱歷時和烈度較高，東南部干旱強度和極值較高。

3.2 討論

國內外學者開展機器學習對于干旱的研究與本文的側重不同。張娟等（2023）研究的隨機森林模型側重于多因子的農業干旱的研究，方秀琴等（2021）研究的隨機森林模型側重在全球不同的氣候區來建立干旱評估的模型，本文構建的隨機森林模型側重于對多源遙感降水產品的數據融合，評估融合降水集對干旱監測的性能。

本研究發現融合數據集在黃河源1983—2018年降水量呈現顯著增加趨勢，年降水量在2006年發生突變，與谷鑫鑫等（2019）、張鳴等（2023）研究結果較為一致。本研究發現融合數據集在黃河源1983—2018年SPI呈現顯著增加趨勢，與Li et al.（2024）研究結果一致，證明了近36年黃河源氣象干旱趨緩。許昕彤等（2023）評估MSWEP產品1981—2020年捕獲黃河流域氣象干旱的能力，與本研究對比低估了干旱歷時和極值，原因可能是游程理論識別干旱閾值和降水產品差異導致的不同。

雖然本研究對數據來源、研究方法等進行嚴格的質量控制，但不可避免地存在不確定性。首先，本文選擇了適用性較為廣泛的隨機森林機器學習模型，未考慮與其他的機器學習模型進行對比分析，可能會存在不確定性。其次，干旱指數僅選擇常用監測干旱指數標準化降水指數，而目前干旱指數眾多，未來會采取不同干旱指數在黃河源地區評估，提升干旱監測效果;最后，本文僅研究了黃河源氣象干旱的特征，但水文干旱等事件對黃河源的生態保護與經濟發展同樣重要，未來會考慮研究多個機器學習模型、多個干旱指數融合降水集捕獲干旱特征。

參考文獻（References）

Ashouri H，Hsu K L，Sorooshian S，et al.，2015.PERSIANN-CDR：daily precipitation climate data record from multisatellite observations for hydrological and climate studies［J］.Bull Amer Meteor Soc，96（1）：69-83.DOI：10.1175／bams-d-13-00068.1.

Bai P，Liu X M，2018.Evaluation of five satellite-based precipitation products in two gauge-scarce basins on the Tibetan Plateau［J］.Remote Sens，10（8）：1316.DOI：10.3390／rs10081316.

Beck H E，Vergopolan N，Pan M，et al.，2017.Global-scale evaluation of 22 precipitation datasets using gauge observations and hydrological modeling［J］.Hydrol Earth Syst Sci，21（12）：6201-6217.DOI：10.5194／hess-21-6201-2017.

Beck H E，Wood E F，Pan M，et al.，2019.MSWEP V2 global 3-hourly 0.1° precipitation：methodology and quantitative assessment［J］.Bull Amer Meteor Soc，100（3）：473-500.DOI：10.1175／bams-d-17-0138.1.

Breiman L，2001.Random forests［J］.Machine Learning，45（1）：5-32.

方秀琴，郭曉萌，袁玲，等，2021.隨機森林算法在全球干旱評估中的應用［J］.地球信息科學學報，23（6）：1040-1049. Fang X Q，Guo X M，Yuan L，et al.，2021.Application of random forest algorithm in global drought assessment［J］.J Geo Inf Sci，23（6）：1040-1049.（in Chinese）.

Funk C，Peterson P，Landsfeld M，et al.，2015.The climate hazards infrared precipitation with stations：a new environmental record for monitoring extremes［J］.Sci Data，2：150066.DOI：10.1038／sdata.2015.66.

谷鑫鑫，司劍華，盧素錦，等，2019.黃河源區歷史時期干濕變化特征分析［J］.江蘇農業科學，47（23）：307-312. Gu X X，Si J H，Lu S J，et al.，2019.Analysis of dry and wet change characteristics of source region of the Yellow River in historical period［J］.Jiangsu Agric Sci，47（23）：307-312.DOI：10.15889／j.issn.1002-1302.2019.23.073.（in Chinese）.

Guttman N B，1999.Accepting the standardized precipitation index：a calculation ALGORITHM［J］.J American Water Resour Assoc，35（2）：311-322.DOI：10.1111／j.1752-1688.1999.tb03592.x.

韓蘭英，張強，馬鵬里，等，2021.氣候變暖背景下黃河流域干旱災害風險空間特征［J］.中國沙漠，41（4）：225-234. Han L Y，Zhang Q，Ma P L，et al.，2021.Characteristics of drought disasters risk in the Yellow River basin under the climate warming［J］.J Desert Res，41（4）：225-234.DOI：10.7522／j.issn.1000-694X.2021.00082.（in Chinese）.

何慧，陸虹，覃衛堅，等，2021.人工神經網絡在月降水量預測業務中的研究和應用綜述［J］.氣象研究與應用，42（1）：1-6. He H，Lu H，Qin W J，et al.，2021.Research and application of artificial neural network in monthly precipitation forecast［J］.J Meteor Res Appl，42（1）：1-6.DOI：10.19849／j.cnki.CN45-1356／P.2021.1.01.（in Chinese）.

姜大膀，王曉欣，2021.對IPCC第六次評估報告中有關干旱變化的解讀［J］.大氣科學學報，44（5）：650-653. Jiang D B，Wang X X，2021.A brief interpretation of drought change from IPCC Sixth Assessment Report［J］.Trans Atmos Sci，44（5）：650-653.DOI：10.13878／j.cnki.dqkxxb.20210810007.（in Chinese）.

Jiang Q，Fan Z D，Xu Y，et al.，2023.Accuracy of conventional fusion algorithms for precipitation estimates across the Chinese mainland［J］.J Hydroinf，25（5）：1960-1978.DOI：10.2166／hydro.2023.111.

靳錚，游慶龍，吳芳營，等，2020.青藏高原三江源地區近60 a氣候與極端氣候變化特征分析［J］.大氣科學學報，43（6）：1042-1055. Jin Z，You Q L，Wu F Y，et al.，2020.Changes of climate and climate extremes in the Three-Rivers Headwaters’ Region over the Tibetan Plateau during the past 60 years［J］.Trans Atmos Sci，43（6）：1042-1055.DOI：10.13878／j.cnki.dqkxxb.20201008001.（in Chinese）.

Kidd C，Becker A，Huffman G J，et al.，2017.So，how much of the earth’s surface is covered by rain gauges？［J］.Bull Amer Meteor Soc，98（1）：69-78.DOI：10.1175／BAMS-D-14-00283.1.

Li Y Z，Zhuang J C，Bai P，et al.，2023.Evaluation of three long-term remotely sensed precipitation estimates for meteorological drought monitoring over China［J］.Remote Sens，15（1）：86.DOI：10.3390／rs15010086.

Li Y Z，Yan H W，Chen L，et al.，2024.Performance and uncertainties of five popular satellite-based precipitation products in drought monitoring for different climate regions［J］.J Hydrol，628：130562.DOI：10.1016／j.jhydrol.2023.130562.

呂愛鋒，亓珊珊，2022.遙感及再分析降水產品在缺資料干旱內陸盆地的適用性評估［J］.地球信息科學學報，24（9）：1817-1834. Lü A F，Qi S S，2022.Applicability analysis of satellite-based and reanalysis precipitation products in poorly-gauged arid inland basins［J］.J Geo Inf Sci，24（9）：1817-1834.（in Chinese）.

呂純月，管兆勇，黃埡飛，2021.1961—2018年西南地區夏季干旱變化特征及其與環流異常的聯系［J］.大氣科學學報，44（4）：573-584. Lü C Y，Guan Z Y，Huang Y F，2021.Variation characteristics of summer drought in Southwest China and its relationship with circulation anomalies from 1961 and 2018［J］.Trans Atmos Sci，44（4）：573-584.DOI：10.13878／j.cnki.dqkxxb.20210114001.（in Chinese）.

McKee T B，Doesken N J，Kleist J，1993.The relationship of drought frequency and duration to time scales［C］／／Eighth Conference on Applied Climatology.Anaheim，USA：American Meteorological Society.

孟鑫，智協飛，2016.東北地區夏季干旱的年際-年代際變化特征［J］.大氣科學學報，39（4）：562-568. Meng X，Zhi X F，2016.Interannual and interdecadal variations of drought in Northeast China［J］.Trans Atmos Sci，39（4）：562-568.DOI：10.13878／j.cnki.dqkxxb.20140317001.（in Chinese）.

Palmer W，1965.Meteorological drought［C］／／Research Paper No.45，Washington D C.

彭振華，李艷忠，余文君，等，2021.遙感降水產品在中國不同氣候區的適用性研究［J］.地球信息科學學報，23（7）：1296-1311. Peng Z H，Li Y Z，Yu W J，et al.，2021.Research on the applicability of remote sensing precipitation products in different climatic regions of China［J］.J Geo-information Sci，23（7）：1296-1311.DOI：10.12082／dqxxkx.2021.200348.（in Chinese）.

Pradhan R K，Markonis Y，Vargas Godoy M R，et al.，2022.Review of GPM IMERG performance：a global perspective［J］.Remote Sens Environ，268：112754.DOI：10.1016／j.rse.2021.112754.

宋艷玲，2022.全球干旱指數研究進展［J］.應用氣象學報，33（5）：513-526. Song Y L，2022.Global research progress of drought indices［J］.J Appl Meteor Sci，33（5）：513-526.（in Chinese）.

Su B D，Huang J L，Fischer T，et al.，2018.Drought losses in China might double between the 1.5 ℃ and 2.0 ℃ warming［J］.Proc Natl Acad Sci USA，115（42）：10600-10605.DOI：10.1073／pnas.1802129115.

孫博，王會軍，黃艷艷，等，2023.2022年夏季中國高溫干旱氣候特征及成因探討［J］.大氣科學學報，46（1）：1-8. Sun B，Wang H J，Huang Y Y，et al.，2023.Characteristics and causes of the hot-dry climate anomalies in China during summer of 2022［J］.Trans Atmos Sci，46（1）：1-8.DOI：10.13878／j.cnki.dqkxxb.20220916003.（in Chinese）.

Sun Q H，Miao C Y，Duan Q Y，et al.，2018.A review of global precipitation data sets：data sources，estimation，and intercomparisons［J］.Rev Geophys，56（1）：79-107.DOI：10.1002／2017rg000574.

唐國強，萬瑋，曾子悅，等，2015.全球降水測量（GPM）計劃及其最新進展綜述［J］.遙感技術與應用，30（4）：607-615. Tang G Q，Wan W，Zeng Z Y，et al.，2015.An overview of the global precipitation measurement （GPM） mission and it’s latest development［J］.Remote Sens Technol Appl，30（4）：607-615.DOI：10.11873／j.issn.1004-0323.2015.4.0607.（in Chinese）.

Taylor K E，2001.Summarizing multiple aspects of model performance in a single diagram［J］.J Geophys Res，106（D7）：7183-7192.DOI：10.1029／2000jd900719.

Vicente-Serrano S M，Beguería S，López-Moreno J I，2010.A multiscalar drought index sensitive to global warming：the standardized precipitation evapotranspiration index［J］.J Climate，23（7）：1696-1718.DOI：10.1175／2009jcli2909.1.

王鶯，張強，王勁松，等，2022.21世紀以來干旱研究的若干新進展與展望［J］.干旱氣象，40（4）：549-566. Wang Y，Zhang Q，Wang J S，et al.，2022.New progress and prospect of drought research since the 21st century［J］.J Arid Meteor，40（4）：549-566.DOI：10.11755／j.issn.1006-7639（2022）-04-0549.（in Chinese）.

王作亮，文軍，李振朝，等，2019.典型干旱指數在黃河源區的適宜性評估［J］.農業工程學報，35（21）：186-195. Wang Z L，Wen J，Li Z C，et al.，2019.Evaluation of suitability using typical drought index in source region of the Yellow River［J］.Trans Chin Soc Agric Eng，35（21）：186-195.DOI：10.11975／j.issn.1002-6819.2019.21.022.（in Chinese）.

魏鳳英，2007.現代氣候統計診斷與預測技術［M］.2版.北京：氣象出版社：63-66. Wei F Y，2007.The modern climate statistical diagnosis and prediction technology［M］.2nd ed.Beijing：China Meteorology Press：63-66.（in Chinese）.

Wells N，Goddard S，Hayes M J，2004.A self-calibrating palmer drought severity index［J］.J Climate，17（12）：2335-2351.DOI：10.1175／1520-0442（2004）017lt;2335：aspdsigt;2.0.co;2.

Xu F L，Guo B，Ye B，et al.，2019.Systematical evaluation of GPM IMERG and TRMM 3B42V7 precipitation products in the Huang-Huai-Hai Plain，China［J］.Remote Sens，11（6）：697.DOI：10.3390／rs11060697.

許昕彤，朱麗，呂瀟雨，等，2023.MSWEP降水產品在黃河流域氣象干旱監測中的適用性評價［J］.干旱區地理，46（3）：371-384. Xu X T，Zhu L，Lü X Y，et al.，2023.Applicability evaluation of MSWEP product for meteorological drought monitoring in the Yellow River basin［J］.Arid Land Geogr，46（3）：371-384.（in Chinese）.

楊軒，曾燕，邱新法，等，2023.基于機器學習算法的多源月尺度融合降水產品在中國區域的檢驗評估［J］.暴雨災害，42（5）：595-605. Yang X，Zeng Y，Qiu X F，et al.，2023.Examination and evaluation of multi-source monthly scale fusion precipitation product in China based on machine learning algorithm［J］.Torrential Rain Disasters，42（5）：595-605.DOI：10.12406／byzh.2023-006.（in Chinese）.

姚秀萍，謝啟玉，黃逸飛，2022.中國三江源地區降水研究的進展與展望［J］.大氣科學學報，45（5）：688-699. Yao X P，Xie Q Y，Huang Y F，2022.Advances and prospects on the study of precipitation in the Three-River-Source Region in China［J］.Trans Atmos Sci，45（5）：688-699.DOI：10.13878／j.cnki.dqkxxb.20211220001.（in Chinese）.

袁星，馬鳳，李華，等，2020.全球變化背景下多尺度干旱過程及預測研究進展［J］.大氣科學學報，43（1）：225-237. Yuan X，Ma F，Li H，et al.，2020.A review on multi-scale drought processes and prediction under global change［J］.Trans Atmos Sci，43（1）：225-237.DOI：10.13878／j.cnki.dqkxxb.20191105005.（in Chinese）.

Zeng J X，Li J X，Lu X J，et al.，2022.Assessment of global meteorological，hydrological and agricultural drought under future warming based on CMIP6［J］.Atmos Ocean Sci Lett，15（1）：100143.DOI：10.1016／j.aosl.2021.100143.

張成鳳，鮑振鑫，楊曉甜，等，2019.黃河源區水文氣象要素演變特征及響應關系［J］.華北水利水電大學學報（自然科學版），40（6）：15-19. Zhang C F，Bao Z X，Yang X T，et al.，2019.Evolution characteristics and response relationships of hydro-meteorological variables in the source region of the Yellow River［J］.J N China Univ Water Resour Electr Power（Nat Sci Ed），40（6）：15-19.DOI：10.19760／j.ncwu.zk.2019076.（in Chinese）.

張成鳳，劉翠善，王國慶，等，2020.基于Budyko假設的黃河源區徑流變化歸因識別［J］.中國農村水利水電（9）：90-94. Zhang C F，Liu C S，Wang G Q，et al.，2020.Attribution of runoff variation for the Yellow River source region based on the Budyko hypothesis［J］.China Rural Water and Hydropower（9）：90-94.（in Chinese）.

張娟，姚曉軍，李凈，等，2023.基于多源遙感數據的甘肅省農業干旱研究［J］.干旱區地理，46（1）：11-22. Zhang J，Yao X J，Li J，et al.，2023.Agricultural drought research based on multi-source remote sensing data in Gansu Province［J］.Arid Land Geography，46（1）：11-22.DOI：10.12118／j.issn.1000-6060.2022.165.（in Chinese）.

張鳴，朱奎，魯帆，等，2023.黃河源區水文要素變化及驅動因素分析［J］.人民黃河，45（10）：30-37. Zhang M，Zhu K，Lu F，et al.，2023.Analysis of changes of hydrological elements and driving factors in the source area of the Yellow River［J］.Yellow River，45（10）：30-37.DOI：10.3969／j.issn.1000-1379.2023.10.006.（in Chinese）.

Zhang Q，Han L Y，Jia J Y，et al.，2016.Management of drought risk under global warming［J］.Theor Appl Climatol，125（1）：187-196.DOI：10.1007／s00704-015-1503-1.

·ARTICLE·

Meteorological drought characteristics in the source region of the Yellow River based on long-term fused remote sensing precipitation datasets

CHENG Shuo 2，HUANG Manjie 2，YU Wenjun 2，ZHUANG Jiacheng 2，XING Yincong 2，YAN Haiwen 2，LI Yanzhong 2，ZHAO Lin3

School of Hydrology and Water Resources，Nanjing University of Information Science and Technology，Nanjing 210044，China;

2Key Laboratory of Hydrometeorological Disaster Mechanism and Warning of Ministry of Water Resources，Nanjing University of Information Science and Technology，Nanjing 210044，China;

3School of Geographical Sciences，Nanjing University of Information Science and Technology，Nanjing 210044，China

Abstract Remote sensing precipitation products provide near real-time，multi-temporal，and spatially resolved precipitation data，which are essential for accurate meteorological drought monitoring.However，their accuracy is often compromised by complex terrain and extreme climate conditions.Machine learning-based data fusion methods offer a novel solution to for enhancing the precision of remote sensing precipitation products，particularly in challenging environments.This study focuses on the source region of the Yellow River，a data-scarce area with complex topography，to develop a high-resolution gridded precipitation dataset and evaluate its utility in drought monitoring.

Using the Random Forest （RF） model，a long-term （1983—2018） high-accuracy precipitation dataset was generated by fusing multiple remote sensing precipitation products.The fused dataset was applied to identify meteorological drought events using the Standardized Precipitation Index （SPI） and run theory.Temporal and spatial characteristics of drought events were analyzed to assess dataset’s capability to capture drought dynamics.Key findings include：1） The fused precipitation dataset outperformed three individual remote sensing precipitation products （PERSIANN-CDR，MSWEP v2.0，and CHIRPS v2.0） at the station scale，exhibiting higher correlation coefficients （CC），lower root mean square errors （RMSE），reduced relative bias，and improved Kling-Gupta efficiency （KGE）.The dataset accurately captured both monthly and inter annual variations，demonstrating its adaptability to the Yellow River source region.2） Precipitation and SPI values across four temporal scales （SPI1，SPI3，SPI6，and SPI12） exhibited statistically significant increasing trends （Plt;0.05），indicating increased precipitation and a reduction meteorological drought severity over the past 36 years.3） An abrupt change in precipitation occurred in 2006.Prior to this point，the region experienced more frequent and severe droughts with longer durations，higher intensities，and greater extremes.After 2006，drought characteristics became milder.Spatially，the northwest of the source region experienced longer and more severe droughts，while the southeast exhibited higher drought intensity and extremes.

This study provides critical insights into precipitation and drought dynamics in the source region of the Yellow River，supporting efforts in meteorological drought early warning，water resource management，and regional climate adaptation.The observed increasing precipitation trend and alleviation of drought conditions are vital for developing sustainable development strategies and disaster mitigation plans.

The research underscores the potential of integrating remote sensing products with machine learning techniques to improve the accuracy and applicability of climate datasets，especially in regions with limited ground-based observations and complex topography.The fused dataset not only demonstrated enhanced accuracy but also provided a robust foundation for analyzing the spatiotemporal evolution of meteorological drought events.Future work could extend this approach to other regions and incorporate additional hydrometeorological variables for more comprehensive drought assessments.

Keywords standardized precipitation index;meteorological drought;fusion precipitation;the source region of the Yellow River

DOI：10.13878／j.cnki.dqkxxb.20240613001

（責任編輯：劉菲）