长江流域季节干旱系列研究：事件识别－局地诊断－海温强迫－季节预测
作者简介：殷浩，现工作于长江科学院，本科、博士均毕业于河海大学水文专业。曾在《Journal of Hydrology》、《Journal of Hydrology: Regional Studies》、《International Journal of Climatology》等期刊发表多篇论文。
主要研究方向：干旱形成机制分析与时空预测，包括但不限于气象干旱、水文干旱等。从因果分析和物理模式两方面发现和验证机制，以机器学习/深度学习实现中长期或超长期的时空预测。
联系方式：2951379874@qq.com
引文链接：（+doi）
Yin H, Wu Z, He H. Interpreting seasonal droughts over the Yangtze River Basin utilizing anomalies of local-scale atmospheric circulation[J]. Journal of Hydrology: Regional Studies, 2025, 58: 102231, doi: https://doi.org/10.1016/j.ejrh.2025.102231
Yin H, Fowler H J, Blenkinsop S, et al. ENSO and IOD contributions to seasonal meteorological droughts over the Yangtze River basin[J]. International Journal of Climatology, 2023, 43(16): 8120-8136, https://doi.org/10.1002/joc.8311
Wu Z, Yin H, He H, et al. Dynamic-LSTM hybrid models to improve seasonal drought predictions over China[J]. Journal of Hydrology, 2022, 615: 128706, doi: https://doi.org/10.1016/j.jhydrol.2022.128706
关键词：季节干旱 三维识别 局地诊断 海温强迫 季节预测
简介：季节尺度气象干旱历时长、范围广，形成机制复杂，干旱预测不确定性较大，成果可用性仍需提高。针对以上问题，以近年来干旱频发的长江流域为研究对象，从干旱事件三维识别、同期局地过程诊断、前期异常海温强迫和季节预测精度提升等方面开展季节干旱形成机制与智能预测研究。主要内容和结论如下：（1）基于三维DBSCAN方法精准识别出1971～2022年长江流域共发生43场季节干旱事件。（2）引入了可解释的人工智能ExplainAI框架诊断了同期局地过程对长江流域季节干旱的影响，定量分析了对流层100～925hPa比湿、垂直风速、水平散度和相对涡度对同期SPI3的贡献。考虑了以上四种局地因子的随机森林模型可以较好的模拟长江流域季节干旱的时空演变。（3）探明并验证了特定位相的ENSO和IOD会显著增强长江流域季节干旱及干旱加重的时空分布，主要在EP El Ni?o + pIOD发展年8月、CP El Ni?o发展年10月和衰退年4月的川渝地区，EP La Ni?a年1月的长江中下游。（4）构建了动力－统计模型，以ECMWF SEAS5模式输出的季节预测产品驱动LSTM模型提高中国九大干旱分区未来0～90天干旱预测。
图1. 基于三维DBSCAN识别的2011年长江流域季节干旱的时空演变
（识别流程：输入数据是1971年1月1日～2022年12月31日全国逐日0.5°×0.5°网格SPI3数据集。SPI3≤-1.0的网格视为干旱网格，也是三维DBSCAN聚类算法的输入，而大于-1.0的网格被忽略。干旱陆地覆盖范围必须达到20万km2，认为发生了大范围干旱；同时因为研究关注的是季节干旱，所以筛选出来干旱事件持续时间至少需要超过60天。）
图2. 特征重要性（MFI）排名前3的动力因子的空间分布
（使用随机森林模型构建了动力因子－同期同网格SPI3统计模型。在长江流域中下游，大致以长江干流为界，以南和以北分别是中层的垂直风速和低层的相对涡度对同期SPI3最为重要。在长江上游，中低层的相对涡度大多是最重要的动力特征，但对于模拟当地的SPI3重要性有限。）
图3. 长江流域各水文气候分区典型城市动力因子重要性（MFI）和累积局部效应（ALE）
（南昌地区600hPa和650hPa的垂直风速对SPI3最为重要，说明了当中层垂直风速正异常（下沉）时，SPI3减小，趋于干旱；武汉地区最重要的动力因子为900hPa的相对涡度，随着涡度由负转正逐渐增大，在北半球表现为低层反气旋向气旋过渡，SPI3逐渐增大，趋于湿润。）
图4. 在ENSO和IOD事件期间，长江流域四个水文气候区干旱面积显著增加的日期。从1970年到2022年，只统计发生3次以上的ENSO/IOD事件。
（在CP El Ni?o发展年的10月和衰退年的4月，II区（川渝地区）的干旱面积显著增加；在EP El Ni?o + pIOD的发展年的I区（高原区）在9、10月和II区在8月的干旱面积有所增加。此外，I区在发展年7月，III和IV区（长江中下游）在1月受到EP La Ni?a的显著影响，干旱加重。）
图5. EP El Ni?o + pIOD年8月和CP El Ni?o年10月海温及其激发的环流异常。
（EP El Ni?o + pIOD发展年的8月，海温异常在赤道西印度洋、印太暖池和中东太平洋呈现显著的“正－负－正”结构。这种异常的海温模式强烈抑制了赤道东印度洋和印度太平洋暖池的对流，导致青藏高原南部降水严重不足，并通过局部经向环流的发展在青藏高原上空建立了正压反气旋和导致了青藏高原南部的负异常的非绝热加热，有利于西北太平洋上空的低层气旋和中国东北部的正压气旋的发展。）
图6. LBM模拟的EP El Ni?o + pIOD在8月和CP El Ni?o在10月强迫的低层大气环流异常。
（EP El Ni?o和pIOD导致从孟加拉湾到南海的海平面气压负异常，增大了与东亚陆地之间的气压差，引起了从陆地吹向海洋的异常偏北风，与长江中下游及其以东太平洋的气旋环流异常相对应，在北半球表现为正涡度。）
图7. 动力-统计模型（D-LSTM）和动力模式（SEAS5, CFSv2, CMCC35）在全国9大干旱分区在预见期0～90天SPI3实测值与观测值之间的相关系数。
（在1个月或更短的预见期，SEAS5预测技巧强于D-LSTM模型。当预见期超过30天时，在大多数地区D-LSTM模型的表现都要优于动力模式。）
图8. D-LSTM和SEAS在全国9大干旱分区不同季节下SPI3实测值与观测值之间的相关系数。
（两个模型在上半年的表现都不如下半年。在东北、西南和西藏，D-LSTM模型在夏季的表现远好于SEAS5，但在冬季的表现不佳。不过在其他地区，当预见期超过30天时，D-LSTM模型在所有季节的表现都更出色。此外，在春季和夏季，D-LSTM模型仍然可靠，而SEAS5往往在这两个季节失去预测技巧。）
图9. 9大干旱分区不同预见期下干旱发生预测准确率的条形图。
（当预见期超过30天时，D-LSTM模型对干旱的预测效果优于SEAS5，尤其是在60天之后，意味着D-LSTM模型能够更好地预测季节尺度上的干旱发生。与SEAS5模型相比，当预见期从31-60天延长到61-90天时，D-LSTM模型的准确率下降幅度较小。）
（总结）揭示长江流域季节干旱形成机制，提高预测精度，对保障长江流域水安全，促进长江经济带绿色发展具有重要意义。