[论文解读] Prediction of short and long-term droughts using artificial neural networks and hydro-meteorological variables

Yousef Hassanzadeh, Mohammadvaghef Ghazvinian+3 more|arXiv (Cornell University)|Jun 3, 2020

Hydrology and Drought Analysis参考文献 16被引用 14

一句话总结

本研究提出一种基于人工神经网络（ANNs）的机器学习方法，通过整合气象水文变量（降水量、风速、湿度、日照时数）与3、6、12、24和48个月尺度的标准化降水指数（SPI），预测伊朗大不里士的短期和长期干旱。结果表明，将所有气象水文变量纳入模型可显著提高各时间尺度的SPI预测精度，其中采用完整输入集的模型表现最佳。

ABSTRACT

Drought is a natural creeping threat with numerous damaging effects in various aspects of human life. Accurate drought prediction is a promising step in helping policy makers to set drought risk management strategies. To fulfill this purpose, choosing appropriate models plays an important role in predicting approach. In this study, different models of Artificial Neural Network (ANN) are employed to predict short and long-term of droughts by using Standardized Precipitation Index (SPI) at different time scales, including 3, 6, 12, 24 and 48 months in Tabriz city, Iran. To this end, different combination of calculated SPI and time series of various hydro-meteorological variables, such as precipitation, wind velocity, relative humidity and sunshine hours for years 1992 to 2010 are used to train the ANN models. In order to compare the models performances, some well-known measures, namely RMSE, Mean Absolute Error (MAE) and Correlation Coefficient (CC) are utilized in the present study. The results illustrate that the application of all hydro-meteorological variables significantly improves the prediction of SPI at different time scales.

研究动机与目标

• 开发适用于伊朗大不里士的可靠干旱预测模型，以支持干旱风险管理。
• 评估人工神经网络（ANNs）在多时间尺度干旱预测中的有效性。
• 评估纳入多种气象水文变量对干旱预测精度的影响。
• 通过RMSE、MAE和CC等标准指标比较不同输入配置下的模型性能。

提出的方法

• 本研究以3、6、12、24和48个月时间尺度的标准化降水指数（SPI）作为干旱预测的目标变量。
• 使用1992年至2010年期间的气象水文时间序列数据（降水量、风速、相对湿度、日照时数）作为输入特征。
• 将不同组合的这些变量输入多种ANN架构，为每个SPI时间尺度训练模型。
• 采用三种统计指标评估模型性能：均方根误差（RMSE）、平均绝对误差（MAE）和相关系数（CC）。
• 基于所有时间尺度上RMSE和MAE最低、CC最高的标准，确定最佳模型配置。
• 比较不同输入集合的模型，以分离各气象水文变量对预测精度的贡献。

实验结果

研究问题

• RQ1 人工神经网络能否有效利用气象水文变量在伊朗大不里士预测短期和长期干旱？
• RQ2 纳入多种气象水文变量如何影响基于SPI的干旱预测精度？
• RQ3 在不同时间尺度（3–48个月）下，哪种输入变量组合能提供最准确的干旱预测？
• RQ4 标准性能指标（RMSE、MAE、CC）如何随不同输入配置和时间尺度而变化？

主要发现

• 将所有气象水文变量——降水量、风速、相对湿度和日照时数——全部纳入模型，可显著提高所有时间尺度的SPI预测精度。
• 采用完整输入变量集的模型实现了最低的RMSE和MAE以及最高的CC，表明其预测性能更优。
• 预测精度随时间尺度变化，长期干旱（如48个月SPI）的预测结果比短期干旱更稳定、更准确。
• 在所有时间尺度上，当使用全部变量时，相关系数（CC）值最高，表明预测具有一致性。
• 本研究证实，ANNs能够有效建模气象水文变量与干旱指数之间的复杂非线性关系。
• 结果表明，在大不里士等干旱和半干旱地区，多变量输入模型对可靠长期干旱风险评估至关重要。