0 引言
传统干旱监测与预测主要依赖气象站和水文站观测资料，并结合空间插值方法构建区域尺度干旱信息，进而开展干旱监测与评估（Hao et al.，2017）。然而，由于观测站点分布不均及空间插值方法存在局限，难以满足高时空分辨率连续干旱监测与预测需求（马艳敏等，2019）。相比之下，遥感技术凭借覆盖范围广、时效性强及连续观测能力突出等优势，已成为干旱监测和预测的重要手段，并在近年来得到快速发展。已有研究基于遥感资料结合驱动因子构建预测模型，实现了干旱时空变化的模拟与预测（Sharafi and Mohammadi Ghaleni，2023；王玥彤等，2024；韦余鑫等，2025）。在干旱监测与预测研究中，干旱指标的选取对结果精度具有重要影响。标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index，SPEI）基于降水量与潜在蒸散发之间的水分平衡构建，相较于标准化降水指数（Standardized Precipitation Index，SPI），其能够同时考虑降水与气温变化对干旱的综合影响，更适用于气候变化背景下干旱动态特征分析（黄瑶等，2023）。尤其在西南地区高原及地形过渡区域，受复杂地貌与季风环流共同作用，区域降水与蒸散发的年际及季节变化显著，因此SPEI能够更有效刻画区域干旱过程的时空演变特征（谢五三等，2021；Xia et al.，2024）。同时，部分学者采用长短记忆神经网络等深度学习模型开展干旱时间序列预测，在预测精度方面取得较好效果（Poornima and Pushpalatha，2019；Wu et al.，2022；Wang et al.，2023；张恒斌等，2024）。然而，此类模型更侧重时间特征提取，对空间信息表达能力相对不足，难以有效刻画复杂区域干旱演变过程中的空间耦合特征。尽管遥感技术与深度学习方法已广泛应用于干旱预测研究，但在复杂地形区域仍面临预测精度较低、驱动因子选取不完善以及干旱指数代表性有限等问题（Zhang et al.，2022；祝亚丽等，2025；Wambura，2025）。因此，构建兼顾时间序列特征与空间结构特征的耦合预测模型，并综合多源驱动因子开展干旱预测，对于提升复杂区域干旱监测与预测能力具有重要意义。
西南地区是我国干旱高发区之一，受东亚季风和南亚季风共同影响，气候背景复杂，同时地形起伏显著，区域水热条件空间差异明显。近年来，该区域先后发生2003、2005年春旱，2009年持续性干旱及2022—2023年极端干旱等典型事件（王东等，2014；王林等，2024；Ma et al.，2024）。由于区域干旱形成机制复杂，相关研究仍存在一定不足（Chen et al.，2023；闫妍等，2024；Chen et al.，2025），这也对干旱预测模型的构建提出了更高要求。因此，本文以中国西南地区为研究对象，综合多源气象因子、遥感植被指数与水热条件数据，构建卷积神经网络（Convolutional Neural Networks，CNN）与长短期记忆网络（Long Short-Term Memory，LSTM）耦合的深度学习模型，以提高区域干旱预测精度，并进一步分析2030年干旱空间分布特征，以期为西南地区干旱风险评估与生态环境管理提供科学参考。
1 数据与方法
我国西南地区（图1）主要包括广西壮族自治区、重庆市、四川省、云南省和贵州省。地理范围为21.133°N—34.317°N，97.517°E—110.183°E，区域地势起伏显著，海拔最低为-20 m，最高可达7 043 m，整体呈自西向东递减的空间格局；地貌类型复杂，包含广西丘陵、四川盆地、云贵高原及川西高原等典型地形单元；年降水量约为600~2 300 mm，空间分布差异显著，整体呈现“东部湿润、西部干旱”的特征，局地年降水量差异可达5倍以上（李强等，2020）。受复杂地形与大气环流共同影响，区域内气候类型多样，涵盖高原气候、热带季风气候及亚热带季风气候等。西南地区干旱主要发生于春、夏、秋季，具有明显季节性特征（马建华，2010）。
图1
1.1 数据来源与处理
采用标准化降水蒸散指数SPEI（Xia et al.，2024）作为气象干旱预测与评估指标。使用的CNN-LSTM模型驱动因子包括气象（7个）与非气象（7个）因子两大类，共计14个变量。其中气象因子包括降水量、平均气温、最高气温、最低气温、地表气压、风速及相对湿度，数据来源于中国科学院资源环境科学数据平台。非气象因子中的实际蒸散发、潜在蒸散发、表层土壤湿度及地表感热通量，数据来源于全球土地蒸发数据（Global Land Evaporation Amsterdam Model，GLEAM）平台（Miralles et al.，2025）；归一化植被指数（Normalized Difference Vegetation Index，NDVI）与地表温度基于谷歌地球引擎（Google Earth Engine，GEE）平台获取的Landsat遥感影像计算得到；太阳辐射总量数据同样来源于资源环境科学数据平台。上述数据从气象条件、水热过程、地表能量交换及植被变化等多个方面表征西南地区气象干旱的时空变化特征及其主控机制，从而提升模型预测能力与科学性。所有栅格数据均利用QGIS进行统一预处理，预处理包括裁剪、投影转换及重采样等，数据重采样至1 km×1 km空间分辨率，时间范围为2001—2021年，时间分辨率为逐年。
1.2 CNN-LSTM模型优化与超参数设置
针对气象干旱时间序列预测问题，构建并优化CNN-LSTM深度学习模型。该模型耦合卷积神经网络CNN与长短期记忆网络LSTM，兼顾空间特征提取能力与时间序列建模能力。CNN模块主要通过卷积层提取输入数据的局部空间特征。卷积运算通过滑动窗口对输入序列进行特征提取，并结合最大池化操作实现特征压缩与关键信息提取，从而增强模型对局部异常及空间结构变化的识别能力。LSTM属于循环神经网络（Recurrent Neural Network，RNN）的一种，能够快速精准获取时间序列的特征关系，广泛应用于时序预测领域。神经网络通过遗忘门、输入门和输出门等结构（Graves et al.，2013），有效解决传统RNN在长序列训练过程中存在的梯度消失与梯度溢出问题，从而提高模型训练稳定性与预测精度。
为进一步提升SPEI空间分布与数值预测精度，结合输入数据的时空特征，在传统单层LSTM基础上进行结构优化，构建CNN与LSTM耦合的深度神经网络模型（图2）。模型输入包括2001—2021年气象与非气象因子驱动数据及SPEI数据，其中2001—2015年数据做为训练集，2016—2021年数据做为测试集。在未来SPEI预测中，模型采用基于时间序列自回归思维的滚动递推机制，即在2022—2030年逐年预测中，将前一年预测结果作为下一年模型输入的新增数据。该方法能够充分利用模型已学习的时间演变特征，增强预测序列连续性，并有效捕捉干旱演变过程中的滞后性与累积效应，从而提高长期预测稳定性（Wang et al.，2023；Long et al.，2024）。模型训练前，所有输入数据均进行归一化处理，以提高模型收敛速度与训练稳定性。整体框架采用多层CNN-LSTM耦合框架：首先利用卷积核大小为1×3、卷积核数量为64的CNN模块提取局部空间特征，并采用ReLU激活函数增强非线性表达能力；随后通过最大池化层压缩特征维度突出关键模式。时序建模部分依次设置128单元双向LSTM层与64单元标准LSTM层，以进一步提取驱动因子的时序相关关系及时空耦合特征。为降低过拟合风险，在各层后均引入Dropout层，比例设置为0.25。输出部分包括一层32维ReLU激活的全连接层及最终回归输出层。
图2
模型训练过程中采用Adam优化器，以均方误差（Mean Squared Error，MSE）作为损失函数，训练轮数设置为100、批次大小为256，测试集划分比例为30%。
1.3 模型评价指标
使用平均绝对误差（Mean Absolute Error，MAE）与损失率（Loss）作为模型精度验证与评估主要指标。其中，MAE用于衡量模型预测值与实际值之间的平均绝对偏差，能够较准确反映模型整体预测误差水平（王春来等，2026），较低且稳定的MAE表明模型在西南地区干旱预测中具有较高精度。Loss用于表征模型训练过程中的收敛情况与拟合能力，当Loss曲线趋于平稳并稳定收敛时，表明模型在训练过程中未出现明显发散现象，能够有效学习输入特征，并在预测中具备较好稳定性。二者结合能够较全面地反映模型在时间序列学习及预测误差控制中的整体表现。此外，为进一步验证模型对干旱空间分布特征的模拟能力，选取模型预测的2021年SPEI空间分布结果与实际SPEI数据进行对比分析，以评估模型空间泛化能力与预测精度。
2 结果与分析
2.1 特征优选结果
为识别影响西南地区气象干旱的关键驱动因子，采用随机森林算法对14个因子进行特征重要性排序。模型输入包括2001—2021年各驱动因子的时序栅格数据，覆盖整个西南地区。具体方法为：基于各像元提取同期驱动因子数据及对应SPEI值，并构建时序样本数据集，随后利用随机森林模型进行训练与特征重要性计算，最终得到各因子对区域干旱的相对贡献（图3）。结果表明，NDVI与地表温度对干旱预测贡献相对较低，这主要与西南地区复杂地形条件有关，区域植被覆盖及地表温度受海拔和局部气候影响显著，导致这2个因子无法精确表征干旱变化的动态过程（高雅等，2020；陈冰锋，2024；周建琴等，2024）。相比之下，太阳辐射总量、降水量、平均气温、风速和地表气压贡献较高，其重要性占比分别约为9%~30%、8%~35%、5%~11%、5%~10%和6%~22%，表明气象因子是驱动西南地区干旱发生与演变的主要控制因素，其中降水和气压对干旱形成具有重要影响（池再香等，2018；汪福松等，2024）。此外，作为地表能量平衡的重要表征因子，太阳辐射总量在部分年份的重要性可达30%，表明太阳辐射变化能够通过影响区域地表蒸散发及水热交换过程，进一步加剧西南地区干旱的形成与演变。综合特征重要性分析结果及模型运行效率，模型输入最终选取9个驱动因子，包括太阳辐射总量、降水量、地表气压、平均气温、风速、相对湿度、实际蒸散发、地表感热通量和最低气温，这些因子覆盖气象条件与地表能量交换过程，可较全面反映区域干旱形成与演变的时空特征。
图3
图3
2001—2021年非气象因子（a）、气象因子（b）对西南地区干旱预测的相对贡献度
Fig.3
Relative contribution of non-meteorological factors (a) and meteorological factors (b) to drought prediction in Southwest China from 2001 to 2021
2.2 模型预测精度分析
图4为模型训练过程关键误差指标随训练轮次的变化。与训练初始阶段（第1轮）相比，当训练进行至第20轮时，模型损失率与MAE分别下降57.14%和42.86%，表明模型已表现出较明显的收敛趋势与较好的稳定性。当训练达到100轮后，测试集MAE稳定在0.17左右，损失率曲线趋于平稳，说明模型已完成有效收敛，并具有较强拟合能力与稳定性。
图4
图4
模型训练过程中损失率（a）与平均绝对误差（b）的变化
Fig.4
Loss (a) and MAE (b) variation during model training
进一步对训练集与测试集预测结果进行对比分析（图5）发现，模型能够较好拟合SPEI实际变化趋势。在训练阶段，预测值与观测值具有较高一致性，相关系数（R）达0.94（P<0.05）；在测试阶段（2016—2021年），模型仍能较准确再现SPEI变化趋势，表明模型具有较强泛化能力。然而，整体上模型预测值低于观测值，且在峰值年份误差相对较大，导致测试集均方根误差（Root Mean Square Error，RMSE）达0.18。该偏差主要出现在干旱快速发展或迅速缓解阶段，说明模型对极端干旱事件的响应能力存在不足。这可能与驱动因子外推过程中误差累积以及模型对极端事件敏感性有限有关（李小根等，2025）。
图5
图5
西南地区CNN-LSTM模型训练集（a）和测试集（b）SPEI预测值与观测值随时间的变化
Fig.5
The temporal variations of observed and CNN-LSTM-predicted SPEI in the training set (a) and test set (b) over Southwest China
2.3 SPEI时空特征
图6
图6
2001—2030年西南地区CNN-LSTM模型模拟SPEI随时间的变化
Fig.6
The temporal variation of CNN-LSTM-predicted SPEI over Southwest China from 2001 to 2030
图7为2021年SPEI观测值与模型预测值空间分布。模型能够较好再现西南地区SPEI空间分布特征，预测结果与观测值具有较高一致性，表明模型具有较好空间泛化能力。然而，在局地复杂区域仍存在一定偏差，且模型预测的SPEI总体略低于观测值，说明模型对部分区域干旱强度存在低估。造成该现象的原因主要包括：滚动递推预测过程中误差逐步累积、模型对极端气候事件响应能力有限，以及驱动因子在复杂地形条件下存在较强时空异质性。
图7
图7
2021年西南地区SPEI观测值（a）与CNN-LSTM模型预测值（b）空间分布
Fig.7
Spatial distributions of observed (a) and CNN-LSTM-predicted (b) SPEI over Southwest China in 2021
2030年西南地区干旱空间预测结果（图8）表明，在气候变化背景下，区域干旱范围总体呈向北扩张的趋势，且干旱程度较当前进一步增强。其中，部分区域SPEI值进一步降低，主要集中于西南地区西部，表明未来干旱风险将有所增加；而部分区域仍维持相对较高的湿润度，空间差异较为明显。未来西南地区干旱演变仍具有较强空间异质性，不同区域对气候变化的响应存在明显差异。需要指出的是，复杂地形与局部气候条件之间的耦合作用仍会对模型预测结果产生一定不确定性，尤其在NDVI与地表温度贡献较低区，模型对干旱信号的识别能力存在一定局限（马献菊等，2019；曹红华等，2026）。说明复杂地形条件下干旱演变过程具有较强非线性与空间异质性，现有模型在复杂区域的预测稳定性仍有进一步提升空间。
图8
图8
2030年西南地区CNN-LSTM模型预测SPEI空间分布
Fig.8
Spatial distribution of CNN-LSTM-predicted SPEI over Southwest China in 2030
3 讨论
尽管本文构建的CNN-LSTM模型在驱动因子变化相对稳定区域表现出较高的预测精度，但在复杂地形及局地气候变化显著区域，模型预测能力相对不足（王健顺，2024）。这既因为模型对局地气象、非气象因子变化过程刻画能力有限，也与未来时期驱动因子外推过程中误差逐渐累积密切相关（Mo et al.，2020）。尤其在山地、丘陵等地形破碎区域，干旱演变受地形-气候交互作用显著影响（Zhu et al.，2016；钱正安等，2017），而基于历史序列的驱动因子外推难以完全表征该类复杂非线性过程，从而对长期预测稳定性产生一定影响。因此，未来研究可进一步引入高分辨率地形数据，并结合采用更为稳健的驱动因子预测与外推方法，以提升模型在复杂地形环境下的适用性与预测精度（许继军等，2023）。
综上，本文综合气象与非气象驱动因子，构建CNN-LSTM深度学习模型，实现了西南地区干旱时空变化特征的模拟与预测，并在一定程度上提高了模型预测精度与泛化能力，但模型在复杂地形及局地气候差异显著区存在局限性。未来研究可进一步优化模型结构，增强时空耦合特征提取能力，并融合更多高分辨率环境数据，以进一步提升模型在复杂区域的干旱预测能力。在全球气候变化背景下，提升干旱事件精准预测能力，对保障粮食安全与区域可持续发展具有重要意义。
4 结论
本文基于CNN-LSTM深度学习模型，综合气象与非气象两类驱动因子数据，对西南地区干旱影响机制及时空演变特征进行分析，并对未来干旱空间分布格局进行预测，得到以下主要研究结论。
（1）降水、气温、风速等气象因子以及太阳辐射总量对干旱预测贡献较高，而NDVI与地表温度受复杂地形及局地气候影响较大，对干旱演变过程表征能力相对有限。综合考虑特征重要性与模型运行效率，最终选取太阳辐射总量、降水量、地表气压、平均气温、风速、相对湿度、实际蒸散发、地表感热通量及最低气温9个驱动因子用于模型构建与预测分析。
（2）模型训练结果表明，CNN-LSTM模型在西南地区干旱预测中具有较高预测精度（MAE约为0.17）与稳定性。训练过程中损失率与MAE均呈明显下降趋势并最终稳定在较低水平，模型能够有效学习干旱时空变化特征，并具有较强泛化能力。
（3）西南地区干旱变化具有明显阶段性与突发性特征，其中2028、2029年干旱状况存在一定缓解。2030年预测结果表明，气候变化背景下，区域干旱范围整体呈扩展趋势，尤其低山丘陵及平原地区干旱程度较历史期会进一步增强。
参考文献
基于温度植被干旱指数的曲靖市干旱监测研究
[J].
本研究利用MODIS归一化植被指数(NDVI)和地表温度(Ts)产品数据,构建Ts-NDVI特征空间,计算温度植被干旱指数(TVDI),分析评价云南曲靖市2010—2012年的干旱时空分布状况。结果表明,2010年曲靖市遭遇了非常严重的干旱灾害,受灾面积高达研究区总面积的80%以上,基于TVDI指数的旱情动态监测方法适合云南省曲靖干旱监测。本研究建立的温度植被干旱指数模型提高了干旱监测的实用性,在曲靖市干旱监测上具有很好的适应性,可以广泛应用到该地区干旱监测研究中,为曲靖的农业防灾减灾能力和可持续发展提供科学保障。
四川盆地西南低涡暴雨过程的短时强降水时空分布特征研究
[J].利用四川盆地1980 -2012年5 -9月123个气象观测站逐时降水资料， 对96个西南低涡暴雨短时强降水日合成， 研究了区域性西南低涡暴雨过程中短时强降水的时空分布特征。结果表明， 累计短时强降水频次和降水量较大值发生在21:00（北京时， 下同）至次日08:00， 较大值位于盆地西部和南部， 短时强降水降水量占总降水量的比例≥50%占总站次51%。短时强降水事件频次和降水量日变化上， 21:00至次日08:00为短时强降水事件主要开始时间段， 频次和降水量分别占总量73.8%和81.4%， 峰值出现在04:00。降水持续时间多在10 h以上， 10~17 h占总事件比例63.1%， 峰值出现在14 h； 空间分布上， 长持续时间（7~18 h）的短时强降水事件较大频次和降水量主要在盆地西部。盆地短时强降水事件具有明显的不对称性特征， 西部和南部降水不对称性特征较北部和东部明显。
我国气象干旱研究进展评述
[J].近几十年来，在全球变化和社会经济高速发展的影响下，全球环境问题尤为突出。其中最为严峻的问题之一是干旱的频繁发生。干旱已经成为全球性的问题，由干旱，尤其是重大干旱灾害所引起的水资源匮乏、粮食危机、生态恶化( 如荒漠化等) ，直接威胁到国家的长期粮食安全和社会稳定。针对这些问题，本文介绍了国家对干旱研究的需求和近年来在干旱研究领域的主要科技进展，提出了目前干旱研究领域存在争议的问题、以及面对国家需求应解决的关键科学问题。并对未来5 ～ 10 a该领域的发展趋势进行了简要分析。
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].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。
Recent advances in understanding multi-scale climate variability of the Asian monsoon
[J].
Multi-scale variations and future projections of dry-wet conditions over the monsoon transitional zone in east Asia: A review
[J].
Speech recognition with deep recurrent neural networks
[C]//
An overview of drought monitoring and prediction systems at regional and global scales
[J].In past decades, severe drought events have struck different regions around the world, leading to huge losses to a wide array of environmental and societal sectors. Because of wide impacts of drought, it is of critical importance to monitor drought in near–real time and provide early warning. This article provides an overview of the development of drought monitoring and prediction systems (DMAPS) at regional and global scales. After introducing drought indicators, drought monitoring (based on different data sources and tools) is summarized, along with an introduction of statistical and dynamical drought prediction approaches. The current progress of the development and implementation of DMAPS with various indicators at different temporal and/or spatial resolutions, based on the land surface modeling, remote sensing, and seasonal climate forecast, at the regional and global scales is then reviewed. Advances in drought monitoring with multiple data sources and tools and prediction from multimodel ensembles are highlighted. Also highlighted are challenges and opportunities, including near-real-time and long-term data products, indicator linkage to impacts, prediction skill improvement, and information dissemination/communication. The review of different components of these systems will provide useful guidelines and insights for the future development of effective DMAPS to aid drought modeling and management.
Thresholds of key disaster-inducing factors and drought simulation in the Xilinguole Grassland
[J].
From meteorological to agricultural drought: Propagation time and influencing factors over diverse underlying surfaces based on CNN-LSTM model
[J].
Attribution analysis of the persistent and extreme drought in southwest China during 2022-2023
[J].Southwest China experienced a severe drought during winter 2022–spring 2023. This drought mainly struck Yunnan Province and surrounding regions (21°–30° N, 97°–106° E), with precipitation deficit lasting for about 8 months from Oct 2022 to May 2023. The area-mean precipitation and surface soil moisture in the study region during the drought were both the lowest recorded for the same period since 1950. The Standardized Precipitation Evapotranspiration Index (SPEI) also reached its lowest level since 1950 at −2.76. Quantitative analysis shows that precipitation deficit and potential evapotranspiration (PET) increase contributed 71.36%, and 28.64% to the SPEI, respectively. Of the raw contribution of PET, 7.05% can in turn be attributed to the changes in precipitation. Using data from the CMIP6 Detection and Attribution Model Intercomparison Project (DAMIP), we found that anthropogenic forcing increased the likelihood of a PET anomaly such as the one during the drought by about 133 times, with a fraction of attributable risk (FAR) of 0.99 [0.98, 1.00]. For the precipitation anomaly, we obtained a FAR of 0.26 [−1.12, 0.70], suggesting that anthropogenic forcings may have little impact. The extreme drought also increased the risk of fires, with the Fire Weather Index reaching its second-highest value since 1950 and abnormally high burned areas observed by satellites.
GLEAM4: Global land evaporation and soil moisture dataset at 0.1° resolution from 1980 to near present
[J].
Multi-head CNN-LSTM with prediction error analysis for remaining useful life prediction
[C]//2020 27th Conference of Open Innovations Association (FRUCT).
Drought prediction based on SPI and SPEI with varying timescales using LSTM recurrent neural network
[J].
Enhancing drought monitoring and prediction in diverse climates by using composite drought indices
[J].
From meteorological to hydrological drought: A focus on the characterization of hydrological drought with prediction uncertainty
[J].
Drought prediction: Insights from the fusion of LSTM and multi-source factors
[J].
Dynamic-LSTM hybrid models to improve seasonal drought predictions over China
[J].
HSPEI: A 1-km spatial resolution SPEI dataset across the Chinese mainland from 2001 to 2022
[J].
Droughts across China: Drought factors, prediction and impacts
[J].
Spatial and temporal variation of drought index in a typical steep alpine terrain in Hengduan Mountains
[J].
