贵州省两次气象干旱对比分析及基于机器学习的干旱预测模型建立

doi:10.11755/j.issn.1006-7639-2024-05-0671

摘要/Abstract

摘要：

对比分析贵州省主汛期（6—9月）不同干旱事件的特征，有助于提升贵州省短期气候预测技术。基于贵州省84个气象台站降水资料，分析贵州省1981—2023年2次严重干旱事件的时空演变特征，并利用再分析数据揭示事件成因，比较两者差异；同时结合国家气候中心130项气候指数和机器学习方法对贵州省干旱事件进行建模。结果表明，贵州省主汛期降水量呈明显年代际变化特征，2011、2022年在拉尼娜背景下降水最少；2011年贵州省大范围干旱的主要原因是西太平洋副热带高压（简称“西太副高”）偏东及低层南海地区气旋式环流异常，导致水汽条件差；2022年在热带印度洋偶极子负位相影响下，西太副高异常偏大、偏西、偏强，南亚高压偏强、偏东，气温异常偏高，中国南方地区低层为反气旋式环流异常，水汽条件差并伴随持续高温，导致贵州省干旱加剧。通过机器学习的26种算法建立贵州省干旱预测模型，其中Linear SVC模型的预测效果最好，检验评估表明，该模型对贵州省2011、2022年的干旱有较好的预测能力。

关键词: 贵州干旱, 大气环流, 拉尼娜事件, 机器学习

Abstract:

Comparative analysis of different drought events occurring in Guizhou Province during the flood season (from June to September) is significant for improving the short-term climate prediction techniques. Based on the precipitation data from 84 meteorological stations in Guizhou Province, the spatial and temporal evolution characteristics of two severe drought events in Guizhou Province during the period of 1981—2023 were characterized statistically, and the causes of the two drought events were revealed using reanalyzed data, and the differences were compared. At the same time, combined with 130 climate indexes of the National Climate Center and machine learning method, the drought event in Guizhou Province was modeled. The results show that the precipitation in flood season in Guizhou Province presented significant inter-decadal variability, and the precipitation was least under the La Niña background in 2011 and 2022. Poor water vapor conditions in flood season in 2011 under the joint influence of the Western Pacific Subtropical High moving to the east and the cyclonic circulation anomalies over the lower South China Sea region led to a widespread drought in Guizhou Province. In 2022, affected by the negative phase of the Tropical Indian Ocean Dipole (TIOD), the Western Pacific Subtropical High was abnormally large, strong and westward, the South Asian High was strong and eastward, the temperature was abnormally high, and there was an anticyclonic circulation anomaly at the lower level over the southern China, and the water vapor conditions were poor and accompanied by continuous high temperature, which resulted in the persistence of the drought in Guizhou Province. Twenty-six algorithms of machine learning were used to build a drought prediction model for Guizhou Province, among which the Linear SVC model had the best prediction effect. The test and evaluation show that this model had a good prediction ability for 2011 and 2022 drought in Guizhou Province.

Key words: drought in Guizhou Province, atmospheric circulation, La Niña event, machine learning

中图分类号:

P461

王玥彤, 何东坡, 李忠燕, 王烁, 陈早阳. 贵州省两次气象干旱对比分析及基于机器学习的干旱预测模型建立[J]. 干旱气象, 2024, 42(5): 671-682.

WANG Yuetong, HE Dongpo, LI Zhongyan, WANG Shuo, CHEN Zaoyang. Analysis of two meteorological drought events in Guizhou Province and establishment of drought prediction model based on machine learning[J]. Journal of Arid Meteorology, 2024, 42(5): 671-682.

图/表 13

参考文献 33

[1]	蔡怡亨, 李帅, 张强, 等, 2023. 1997—2021年四川省干旱时空变化特征分析[J]. 干旱气象, 41(2): 241-250. DOI
[2]	陈军, 李小兰, 喻义军, 等, 2016. 贵州旱涝变化特征及其与西太平洋副高和海温的联系[J]. 干旱气象, 34(3): 440-447. DOI
[3]	陈晓平, 陈易旺, 施建华, 2020. 基于机器学习的降雨量雷达回波数据建模与预测[J]. 南京信息工程大学学报:自然科学版, 12(4): 483-494.
[4]	池再香, 杜正静, 陈忠明, 等, 2012. 2009—2010年贵州秋、冬、春季干旱气象要素与环流特征分析[J]. 高原气象, 31(1): 176-184.
[5]	国家气候中心, 中国气象局预报与网络司, 中国气象局兰州干旱气象研究所, 2017. 气象干旱等级:GB/T 20481—2017[S]. 北京: 中国标准出版社.
[6]	何慧根, 张驰, 吴遥, 等, 2023. 重庆夏季高温干旱特征及其对拉尼娜事件的响应[J]. 干旱气象, 41(6): 873-883.
[7]	胡学平, 王式功, 许平平, 等, 2014. 2009—2013年中国西南地区连续干旱的成因分析[J]. 气象, 40(10): 1 216-1 229.
[8]	黄荣辉, 刘永, 王林, 等, 2012. 2009年秋至2010年春我国西南地区严重干旱的成因分析[J]. 大气科学, 36(3): 443-457.
[9]	黎玥君, 郭品文, 2017. 基于BP神经网络的浙北夏季降尺度降水预报方法的应用[J]. 大气科学学报, 40(3): 425-432.
[10]	李伟光, 易雪, 侯美亭, 等, 2012. 基于标准化降水蒸散指数的中国干旱趋势研究[J]. 中国生态农业学报, 20(5): 643-649.
[11]	李忆平, 王劲松, 李耀辉, 2015. 2009/2010年中国西南区域性大旱的特征分析[J]. 干旱气象, 33(4): 537-545. DOI
[12]	李韵婕, 任福民, 李忆平, 等, 2014. 1960—2010年中国西南地区区域性气象干旱事件的特征分析[J]. 气象学报, 72(2): 266-276.
[13]	卢维肖, 周易, 杨元建, 等, 2024. 基于WRF和随机森林的臭氧短期预报模型研究:以青岛为例[J]. 环境生态学, 6(3): 84-92.
[14]	苗春生, 何东坡, 王坚红, 等, 2017. 基于C4.5算法的长江中下游地区夏季降水预测模型研究及应用[J]. 气象科学, 37(2): 256-264.
[15]	沈皓俊, 罗勇, 赵宗慈, 等, 2020. 基于LSTM网络的中国夏季降水预测研究[J]. 气候变化研究进展, 16(3): 263-275.
[16]	王芬, 张娇艳, 谷晓平, 等, 2017. 西太平洋副热带高压不同特征指数与贵州夏季降水的关系[J]. 暴雨灾害, 36(4): 348-356.
[17]	王劲松, 郭江勇, 周跃武, 等, 2007. 干旱指标研究的进展与展望[J]. 干旱区地理, 30(1): 60-65.
[18]	王素萍, 张存杰, 李耀辉, 等, 2014. 基于标准化降水指数的1960—2011年中国不同时间尺度干旱特征[J]. 中国沙漠, 34(3): 827-834. DOI
[19]	王莺, 张强, 王劲松, 等, 2022. 21世纪以来干旱研究的若干新进展与展望[J]. 干旱气象, 40(4): 549-566. DOI
[20]	王玥彤, 张娇艳, 何东坡, 等, 2020. 贵州省旱涝急转时空特征与大气环流异常的联系[J]. 高原山地气象研究, 40(4): 41-46.
[21]	许丹, 龙俐, 张东海, 等, 2023. 基于MCI干旱综合指数的贵州省干旱时空分布及灾情变化特征[J]. 干旱气象, 41(6): 897-909.
[22]	严小冬, 李扬, 夏阳, 等, 2019. 1961—2016年贵州省持续性干旱特征及成因分析[J]. 中低纬山地气象, 43(3): 1-7.
[23]	杨金虎, 张强, 王劲松, 等, 2015. 近60年来西南地区旱涝变化及极端和持续性特征认识[J]. 地理科学, 35(10): 1 333-1 340.
[24]	尹晗, 李耀辉, 2013. 我国西南干旱研究最新进展综述[J]. 干旱气象, 31(1): 182-193. DOI
[25]	于浩慧, 周长艳, 陈超, 等, 2023. 2021年7—8月四川盆地高温热浪大气环流背景及影响分析[J]. 干旱气象, 41(6): 923-932
[26]	张红丽, 张强, 刘骞, 等, 2016. 中国南方和北方气候干燥程度的变化特征及差异性分析[J]. 高原气象, 35(5): 1 339-1 351.
[27]	张蕾, 姚叶青, 苗开超, 等, 2023. 基于FY-4A卫星和随机森林算法的西藏山南市雷电短临预报方法[J]. 气象科技, 51(6): 867-878.
[28]	张强, 2022. 科学解读“2022年长江流域重大干旱”[J]. 干旱气象, 40(4): 545-548. DOI
[29]	张强, 潘学标, 马柱国, 等, 2009. 干旱[M]. 北京: 气象出版社.
[30]	BREIMAN L, 2001. Random forests[J]. Machine Learning, 45(1): 5-32.
[31]	HAM Y G, KIM J H, LUO J J, et al, 2019. Deep learning for multi-year ENSO forecasts[J]. Nature, 573(7775): 568-572.
[32]	HASTIE T, TIBSHIRANI R, FRIEDMAN J, 2009. The elements of statistical learning: Data mining, inference, and prediction[M]. 2nd edition. New York: Springer.
[33]	ZHANG W, LEUNG Y, CHAN J C L, 2013. The analysis of tropical cyclone tracks in the western north Pacific through data mining. part II: Tropical cyclone landfall[J]. Journal of Applied Meteorology and Climatology, 52(6): 1 417-1 432.

名称
AdaBoost Classifier	Extra Trees Classifier	Linear SVC	Ridge Classifier
Bagging Classifier	Gaussian NB	Logistic Regression	Ridge Classifier CV
Bernoulli NB	KNeighbors Classifier	Nearest Centroid	SGD Classifier
Calibrated Classifier CV	Label Propagation	Passive Aggressive Classifier	SVC
Decision Tree Classifier	Label Spreading	Perceptron	XGB Classifier
Dummy Classifier	LGBM Classifier	Quadratic Discriminant Analysis
Extra Tree Classifier	Linear Discriminant Analysis	Random Forest Classifier

名称
AdaBoost Classifier	Extra Trees Classifier	Linear SVC	Ridge Classifier
Bagging Classifier	Gaussian NB	Logistic Regression	Ridge Classifier CV
Bernoulli NB	KNeighbors Classifier	Nearest Centroid	SGD Classifier
Calibrated Classifier CV	Label Propagation	Passive Aggressive Classifier	SVC
Decision Tree Classifier	Label Spreading	Perceptron	XGB Classifier
Dummy Classifier	LGBM Classifier	Quadratic Discriminant Analysis
Extra Tree Classifier	Linear Discriminant Analysis	Random Forest Classifier

干旱时段	季节	持续时间/月	累计降水量距平百分率/%	平均降水量距平百分率/%
1984年1—3月	冬春	3	-125.3	-41.8
1986年12月—1987年4月	冬春	5	-201.3	-40.3
1988年3—7月	春夏	4	-159.7	-31.9
1988年10月—1989年1月	秋冬	4	-202.9	-50.7
1995年10月—1996年2月	秋冬	5	-164.1	-32.8
1998年11月—1999年3月	秋冬春	5	-168.9	-33.7
2009年7月—2010年3月	夏秋冬春	9	-397.5	-44.2
2011年1—9月	冬春夏秋	9	-371.9	-41.3
2017年10—12月	秋冬	3	-125.0	-41.6
2020年11月—2021年1月	冬	3	-127.2	-42.4
2022年7月—2023年2月	夏秋冬	9	-376.9	-47.1

干旱时段	季节	持续时间/月	累计降水量距平百分率/%	平均降水量距平百分率/%
1984年1—3月	冬春	3	-125.3	-41.8
1986年12月—1987年4月	冬春	5	-201.3	-40.3
1988年3—7月	春夏	4	-159.7	-31.9
1988年10月—1989年1月	秋冬	4	-202.9	-50.7
1995年10月—1996年2月	秋冬	5	-164.1	-32.8
1998年11月—1999年3月	秋冬春	5	-168.9	-33.7
2009年7月—2010年3月	夏秋冬春	9	-397.5	-44.2
2011年1—9月	冬春夏秋	9	-371.9	-41.3
2017年10—12月	秋冬	3	-125.0	-41.6
2020年11月—2021年1月	冬	3	-127.2	-42.4
2022年7月—2023年2月	夏秋冬	9	-376.9	-47.1

月份	影响因子排名
月份	1	2	3	4	5
1月	欧亚纬向环流（-2）	北大西洋—欧洲区极涡强度（-1）	北半球副高脊线位置（-3）	北大西洋涛动（North Atlantic Oscillation，NAO）（-3）	850 hPa东太平洋信风（-1）
2月	Niño Z区海表温度距平（Niño Z SSTA）（-1）	热带南大西洋海温（Tropical Southern Atlantic SST，TSA SST ）（-1）	太平洋—北美遥相关（Pacific/North American Pattern，PNA）（-3）	北大西洋海温三极子（North Atlantic Triple，NAT）（-2）	西风漂流区海温（-3）
3月	Niño Z区 SSTA（-2）	极地—欧亚遥相关型（-1）	西风漂流区海温（-2）	大西洋欧洲区极涡面积（-3）	西风漂流区海温（-2）
4月	850 hPa东太平洋信风（-1）	太平洋区极涡强度（-3）	西风漂流区海温（-2）	AO（-1）	黑潮区海温（-2）
5月	北美区极涡强度（-2）	大西洋欧洲区极涡面积（-2）	北半球极涡中心经向位置（-1）	西太平洋暖池强度（-1）	东亚槽位置（-1）
6月	TIOD（-2）	印度洋全区一致海温模态（Indian Ocean Basin-Wide，IOBW）（-2）	850 hPa东太平洋信风（-3）	850 hPa东太平洋信风（-2）	NAT（-2）
7月	AO（-1）	东亚槽位置（-1）	NAT（-3）	北大西洋副高北界（-3）	北太平洋遥相关（-1）
8月	AO（-2）	东亚槽位置（-2）	850 hPa西太平洋信风（-1）	东亚槽强度（-2）	亚洲经向环流（-2）
9月	东亚槽位置（-3）	东亚槽强度（-3）	亚洲纬向环流（-2）	欧亚纬向环流（-2）	亚洲纬向环流（-3）
10月	北美—北大西洋副高北界（-1）	西太平洋副高脊线（-2）	东亚槽位置（-3）	北大西洋—欧洲环流W型（-2）	北半球极涡面积（-1）
11月	北美—北大西洋副高北界（-2）	西太平洋副高脊线（-1）	北大西洋—欧洲环流 W型（-3）	AO（-3）	西太平洋副高脊线（-3）
12月	北半球极涡中心强度（-1）	北大西洋副高北界（-1）	北太平洋副高北界（-1）	东大西洋—西俄罗斯遥相关型（-2）	东亚槽位置（-1）