近日，我院任立良教授研究团队在《Hydrology and Earth System Sciences》上发表题为“Analysis of flash droughts in China using machine learning”的论文。

骤发干旱是近年来全球不同地区频繁发生的极端事件，与传统干旱缓慢、蠕变的水分累积亏缺现象显著不同，骤旱通常不足1个月便可使土壤含水量从正常或偏涝状态骤减至重度甚至极端干旱状态。因爆发异常迅速、预测难度高，严重威胁农业生产、粮食安全和生态环境。该文借助旱情初期土壤含水量的下降特性，识别了中国区域历史骤旱事件，并基于机器学习算法构建旱情变化速率与多种气象因子异常之间的线性和非线性关系，进而探讨利用气象条件模拟骤旱的可行性。结果表明，从骤发干旱与缓慢干旱的模拟结果来看，骤旱的精度要明显高于缓慢干旱；对比不同机器学习模型，随机森林模型结果表现最优；从水热驱动机制来看，降水 (P) 负异常和潜在蒸散发 (PET) 正异常对骤旱的权重显著高于缓慢干旱，二者在新疆和西南地区对于驱动骤旱发生的复合作用有所不同。

该研究联合了荷兰瓦赫宁根大学Adriaan J. Teuling教授，受到了国家自然科学联合基金(U2243203)、中央高校基础科研业务费专项基金(B200204029， B200203054) 和江苏省研究生科研与实践创新计划 (KYCX20_0468) 等项目的支持。

论文链接：Linqi Zhang, Yi Liu*, Liliang Ren*, Adriaan J. Teuling, Ye Zhu, Linyong Wei, Linyan Zhang, Shanhu Jiang, Xiaoli Yang, Xiuqin Fang, Hang Yin. Hydrology and Earth System Sciences, 26, 3241–3261, 2022. https://doi.org/10.5194/hess-26-3241-2022.

图1  北京地区2001年秋季干旱事件开始过程及其气象异常特征

图2  三种机器学习算法模拟土壤含水量下降速率 (RI) 与实际RI的绝对误差空间分布和相对误差统计

图3  干旱开始前后 (T_0-7 ~ T₀₊₇) 降水 (P) 和潜在蒸散发(PET) 异常对骤发干旱和缓慢干旱的权重