图｜在埃塞俄比亚西南部，欢快变化导致干旱加重。（起首：聚积国儿童基金会/Pouget）

“前所未有的干旱遑急气象要求取舍遑急行径。”

聚积国防治萧索化协议文牍处在《2023 年全球干旱概况》报告中指出，因东谈主为行径导致的干旱已激勉前所未有的遑急气象。

来自《聚积国防治萧索化协议》（UNCCD）的数据骄慢，戒指 2022 年，全球有高达18.4 亿东谈主遭遇干旱，其中4.7%遭遇严重或极点干旱，25%的东谈主口面对地皮退化的风险。干旱问题带来的水资源穷乏、食粮危险、人人卫生危险正显赫影响东谈主类的往常分娩生涯，已严重挟制全球生态系统安全。

另外一项发表在上的计议骄慢，在畴前几十年中，全球范围的干旱正由缓旱向骤旱升沉，骤旱或将周详球干旱的“新常态”。

在这一严峻配景下，干旱预警的紧要性毋容置疑。如今，通过欢快和泥土湿度等数据结束可靠预测的东谈主工智能（AI）模子，正在干旱预警范围“大展拳脚”。

日前，来自沙迦大学的计议团队过火调和者基于决策树（DT）、广义线性模子（GLM）、撑捏向量机（SVM）、东谈主工神经会聚（ANN）、深度学习（DL）和当场丛林（RF）6 种 AI 模子，旨在设备一种新的基于 AI 的景观干旱指数。经对比评估骄慢，这一新指数在合座上优于传统的干旱指数。

举例，降雨特殊干旱指数是最好的旧例干旱指数，与表层泥土水分的关系性最高，为 0.718，而基于 GLM 的指数与泥土表层水分的关系悉数为 0.78，在干旱预警上具有更好的发扬。

这一计议成果标明，AI 是一种后劲弘大且可靠的预测法子，有助于更好地评估关怀解干旱。

AI 怎么改换干旱监测？

干旱看成一种由欢快变化所导致的当然灾害，频繁不错分为农业干旱、水文干旱、景观干旱和社会经济干旱，在不同期空展现出不同的严重流程、幅度、强度、捏续时分等特征。

干旱指数，旨在更好地评估与分析干旱的各个特征，准确状貌干旱的具体情况。常见的传统干旱指数主要有顺序化降水指数（SPI）、顺序化降水蒸散指数（SPEI）和 Palmer 干旱严重流程指数（PDSI）等，但在本色应用中暴浮现了进入大、臆度打算本钱高、跨地区成果不行靠等污点。

因此，在这项责任中，计议团队设备和评估了基于 AI 的新式干旱指数，并将其与传统指数进行比拟，勾搭多个干旱目的进行关系性分析以评估其优胜性。

具体而言，他们及第位于澳大利亚沙漠中心的爱丽丝泉看成计议区域，网罗了该场所 1985 年至 2020 年 36 年间的月度欢快数据，包括降水量、最高温度、潜在挥发蒸腾量（PET）等看成输入量。

此外，他们还获得了 2005 年至 2020 年间该地区 7 个景观站的 5 个干旱目的：DI1：深层泥土湿度；DI2：基层泥土湿度；DI3：根区泥土湿度；DI4：表层泥土湿度；DI5：径流。

之后，他们使用 9 个旧例干旱指数（如下图）与基于 AI 的 6 个干旱指数对数据进行测度，各自生成与干旱目的的关系悉数并作念比拟。

图｜计议框架暗示图。9 个旧例指数鉴别为：顺序化降水指数、顺序化降水蒸散指数、Palmer 干旱严重流程指数、往常百分比指数（PNI）、China-Z 指数（CZI）、修正 China-Z 指数（MCZI）、降雨特殊指数（RAI）、Z 得分指数（ZSI）和 RDI，用于评估干旱的严重流程和捏续时分

计议团队接管的评估顺序基于皮尔逊关系悉数、均方根罪戾（RMSE）和决定悉数（R²）。在通过皮尔逊关系分析将传统指数的成果与干旱目的进行比拟的部分，得到的关系悉数表如下图所示。

图｜传统干旱指数与目的间皮尔逊关系悉数表。

不错看到，RAI 与 DI4、DI3 和 DI2 关系性最强，悉数为 0.718；PDSI 与 DI1 关系最大，为 0.596，与 DI5 的关系性最低，为 0.543。而 SPI 的各关系性均低于 SPEI。由此看出，RAI 是悉数旧例干旱指数中与干旱目的关系性最强的目的，最相宜计议区域的旧例干旱指数。

在计划基于 AI 的干旱模子对干旱的预测部分，他们对设备的 AI 模子进行测试，并与旧例干旱指数进行关联。他们按升序绘图了关系性表格，计议了每个旧例干旱指数与基于 AI 的干旱指数之间的关系性，红色露出较低值，绿色露出较高值。成果标明，基于 DT 的指数与 RAI 的关系性最高，而 GLM 与 PDSI 的关系性最低，代表所磨练的基于 AI 的干旱指数能在 1 个月的时分标准上充分预测干旱水平，极端在计议地区。

图｜AI 模子与旧例干旱指数的关系性。

为考据模子性能，计议臆度打算了各 AI 模子与干旱目的的皮尔逊关系悉数。成果骄慢，悉数基于 AI 的干旱指数在干旱目的方面发扬一样，其中 DI4 目的与各 AI 指数关系性最高，DI1 与 DI5 关系性最低。

图｜干旱目的与几种 AI 模子的关系性。（起首：该论文）

以上成果骄慢，悉数机器学习算法齐发扬出较高的测试准确性，其中 SVM 的均方根罪戾最低，为 0.031，其次是 RF 和 DL，鉴别为 0.034 和 0.036。此外，AI 模子更好地捕捉了欢快数据与干旱目的之间的关系，其中 DT 模子与 RAI 的关系性最高，达到了 0.972。而 GLM 在干旱目的关系性方面发扬最好，与 DI4 的关系性悉数为 0.778。总体而言，AI 模子被领路是快速且准确模拟干旱的有用法子，为决策者提供了可靠的干旱管制和监测器用。

可是，这项计议也存在一些局限性。举例，在 AI 模子西宾方面，即使在最理念念的条目下，AI 模子的发扬也只可达到与用于西宾的传统干旱指数极度的水平，无法独特用于西宾它的传统指数。这标明，刻下 AI 模子的发扬仍受限于传统指数的局限性。

为了管制这一问题，计议团队建议了一种翻新法子，使用多个最好传统指数的平均归一化值看成西宾数据，提高了模子的性能，但异日的计议仍有必要彭胀这些 AI 干旱指数的应用范围，尤其是在全球不同欢快特征和条目的地区进行考据，以进一步评估其适用性和鲁棒性。

此外，他们指出，将欢快变化模式纳入干旱预测是异日发展的一个紧要主意。通过勾搭欢快变化的数据，计议者不错设备永远和短期的干旱预测系统，从而提高对异日欢快变化带来干旱风险的粗鲁才气。

临了，计议团队建议进一步探讨更多的软臆度打算技巧，从而擢升干旱监测和预测的精度。这意味着，异日的计议应着眼于探索和比拟多种 AI 模子，进而为干旱管制提供更精确和全面的管制决议。

AI 提前数月预测干旱

忘我有偶，在另一项计议中，麻省理工学院林肯践诺室正在入部属手一项基于 AI 的干旱预测形态，他们与好意思国宇航局喷气鼓吹践诺室调和，应用来自保星的温度和湿度数据矫正干旱监测与预告。

该形态对水资源管制、农业和野火风险评估具有紧要酷爱酷爱。好意思国宇航局喷气鼓吹践诺室（JPL）与其他计议机构的科学家们依然领路，NASA Aqua 航天器上的大气红外探伤仪（AIRS）提供的地表温度和湿度数据不详比传统的降水或泥土湿度目的提前数月检测到干旱爆发。

可是，跟着 Aqua 和 AIRS 接近其使用寿命，干旱监测面对进一步发展的挑战。林肯践诺室辩论通过设备专用的神经会聚算法来矫正 AIRS 干旱目的，以提高其数据质地胁制和不细目性量化，确保该应用不详捏续运转，并应用更新的仪器数据和算法架构。

预测异日，AI 将不时在干旱预测中阐扬更加紧要的关键作用，为粗鲁欢快变化带来的全球挑战提供更精确的管制决议。

作家：阮文韵 剪辑：学术君开yun体育网