困擾18億人的「全球乾旱」，被AI更準確預測了

「前所未有的乾旱緊急狀況要求採取緊急行動。」

聯合國防治荒漠化公約秘書處在《2023 年全球乾旱概況》報告中指出，因人為活動導致的乾旱已引發前所未有的緊急狀況。

來自《聯合國防治荒漠化公約》（UNCCD）的數據顯示，截至 2022 年，全球有高達 18.4 億人遭受乾旱，其中 4.7% 遭受嚴重或極端乾旱，25% 的人口面臨土地退化的風險。乾旱問題帶來的水資源短缺、糧食危機、公共衛生危機正顯著影響人類的正常生產生活，已嚴重威脅全球生態系統安全。

另外一項發表在 Science 上的研究顯示，在過去幾十年中，全球範圍的乾旱正由緩旱向驟旱轉變，驟旱或將成為全球乾旱的「新常態」。

在這一嚴峻背景下，乾旱預警的重要性毋容置疑。如今，通過氣候和土壤濕度等數據實現可靠預測的人工智能（AI）模型，正在乾旱預警領域「大展拳腳」。

日前，來自沙迦大學的研究團隊及其合作者基於決策樹（DT）、廣義線性模型（GLM）、支持向量機（SVM）、人工神經網絡（ANN）、深度學習（DL）和隨機森林（RF）6 種 AI 模型，旨在開發一種新的基於 AI 的氣象乾旱指數。經對比評估顯示，這一新指數在整體上優於傳統的乾旱指數。

例如，降雨異常幹旱指數是最佳的常規乾旱指數，與上層土壤水分的相關性最高，為 0.718，而基於 GLM 的指數與土壤上層水分的相關係數為 0.78，在乾旱預警上具有更好的表現。

這一研究結果表明，AI 是一種潛力巨大且可靠的預測方法，有助於更好地評估和緩解乾旱。

相關研究論文以「Drought prediction using artifcial intelligence models based on climate data and soil moisture」為題，已發表在 Nature 子刊 Scientifc Reports 上。

AI 如何改變乾旱監測？

乾旱作為一種由氣候變化所導致的自然災害，通常可以分為農業乾旱、水文乾旱、氣象乾旱和社會經濟乾旱，在不同時空展現出不同的嚴重程度、幅度、強度、持續時間等特徵。

乾旱指數，旨在更好地評估與分析乾旱的各個特徵，準確描繪乾旱的具體情況。常見的傳統乾旱指數主要有標準化降水指數（SPI）、標準化降水蒸散指數（SPEI）和 Palmer 乾旱嚴重程度指數（PDSI）等，但在實際應用中暴露出了投入大、計算成本高、跨地區結果不可靠等缺點。

因此，在這項工作中，研究團隊開發和評估了基於 AI 的新型乾旱指數，並將其與傳統指數進行比較，結合多個乾旱指標進行相關性分析以評估其優越性。

具體而言，他們選取位於澳州沙漠中心的愛麗絲泉作為研究區域，收集了該地點 1985 年至 2020 年 36 年間的月度氣候數據，包括降水量、最高溫度、潛在蒸發蒸騰量（PET）等作為輸入量。

此外，他們還獲取了 2005 年至 2020 年間該地區 7 個氣象站的 5 個乾旱指標：DI1：深層土壤濕度；DI2：下層土壤濕度；DI3：根區土壤濕度；DI4：上層土壤濕度；DI5：徑流。

之後，他們使用 9 個常規乾旱指數（如下圖）與基於 AI 的 6 個乾旱指數對數據進行測度，各自生成與乾旱指標的相關係數並做比較。

圖｜研究框架示意圖。9 個常規指數分別為：標準化降水指數、標準化降水蒸散指數、Palmer 乾旱嚴重程度指數、正常百分比指數（PNI）、China-Z 指數（CZI）、修正 China-Z 指數（MCZI）、降雨異常指數（RAI）、Z 得分指數（ZSI）和 RDI，用於評估乾旱的嚴重程度和持續時間（來源：該論文）

研究團隊採用的評估標準基於皮爾遜相關係數、均方根誤差（RMSE）和決定係數（R²）。在通過皮爾遜相關分析將傳統指數的結果與乾旱指標進行比較的部分，得到的相關係數表如下圖所示。

可以看到，RAI 與 DI4、DI3 和 DI2 相關性最強，係數為 0.718；PDSI 與 DI1 相關性最大，為 0.596，與 DI5 的相關性最低，為 0.543。而 SPI 的各相關性均低於 SPEI。由此看出，RAI 是所有常規乾旱指數中與乾旱指標相關性最強的指標，最適合研究區域的常規乾旱指數。

在討論基於 AI 的乾旱模型對幹旱的預測部分，他們對建立的 AI 模型進行測試，並與常規乾旱指數進行關聯。他們按升序繪製了相關性表格，研究了每個常規乾旱指數與基於 AI 的乾旱指數之間的相關性，紅色表示較低值，綠色表示較高值。結果表明，基於 DT 的指數與 RAI 的相關性最高，而 GLM 與 PDSI 的相關性最低，代表所檢驗的基於 AI 的乾旱指數能在 1 個月的時間尺度上充分預測乾旱水平，特別在研究地區。

為驗證模型性能，研究計算了各 AI 模型與乾旱指標的皮爾遜相關係數。結果顯示，所有基於 AI 的乾旱指數在乾旱指標方面表現相似，其中 DI4 指標與各 AI 指數相關性最高，DI1 與 DI5 相關性最低。

以上結果顯示，所有機器學習算法都表現出較高的測試準確性，其中 SVM 的均方根誤差最低，為 0.031，其次是 RF 和 DL，分別為 0.034 和 0.036。此外，AI 模型更好地捕捉了氣候數據與乾旱指標之間的關係，其中 DT 模型與 RAI 的相關性最高，達到了 0.972。而 GLM 在乾旱指標相關性方面表現最佳，與 DI4 的相關性係數為 0.778。總體而言，AI 模型被證明是快速且準確模擬乾旱的有效方法，為決策者提供了可靠的乾旱管理和監測工具。

然而，這項研究也存在一些局限性。例如，在 AI 模型訓練方面，即使在最理想的條件下，AI 模型的表現也只能達到與用於訓練的傳統乾旱指數相當的水平，無法超越用於訓練它的傳統指數。這表明，當前 AI 模型的表現仍受限於傳統指數的局限性。

為瞭解決這一問題，研究團隊提出了一種創新方法，使用多個最佳傳統指數的平均歸一化值作為訓練數據，提高了模型的性能，但未來的研究仍有必要擴展這些 AI 乾旱指數的應用範圍，尤其是在全球不同氣候特徵和條件的地區進行驗證，以進一步評估其適用性和魯棒性。

此外，他們指出，將氣候變化模式納入乾旱預測是未來發展的一個重要方向。通過結合氣候變化的數據，研究者可以建立長期和短期的乾旱預測系統，從而提高對未來氣候變化帶來幹旱風險的應對能力。

最後，研究團隊建議進一步探討更多的軟計算技術，從而提升乾旱監測和預測的精度。這意味著，未來的研究應著眼於探索和比較多種 AI 模型，進而為乾旱管理提供更精準和全面的解決方案。

AI 提前數月預測乾旱

無獨有偶，在另一項研究中，麻省理工學院林肯實驗室正在著手一項基於 AI 的乾旱預測項目，他們與美國宇航局噴氣推進實驗室合作，利用來自衛星的溫度和濕度數據改進乾旱監測與預報。

該項目對水資源管理、農業和野火風險評估具有重要意義。美國宇航局噴氣推進實驗室（JPL）與其他研究機構的科學家們已經證明，NASA Aqua 航天器上的大氣紅外探測儀（AIRS）提供的地表溫度和濕度數據能夠比傳統的降水或土壤濕度指標提前數月檢測到乾旱爆發。

然而，隨著 Aqua 和 AIRS 接近其使用壽命，乾旱監測面臨進一步發展的挑戰。林肯實驗室計劃通過開發專用的神經網絡算法來改進 AIRS 乾旱指標，以提高其數據質量控制和不確定性量化，確保該應用能夠持續運行，並利用更新的儀器數據和算法架構。

展望未來，AI 將繼續在乾旱預測中發揮愈加重要的關鍵作用，為應對氣候變化帶來的全球挑戰提供更精準的解決方案。

本文來自微信公眾號：學術頭條，作者：阮文韻，編輯：學術君