基于大规模空间因果网络的深度学习模型在长江流域干旱预测中的应用
开发准确的大规模干旱预测模型具有挑战性，因为干旱动态受到复杂的时空相关模式的影响，同时还受到人类活动和全球气候变化的叠加效应的影响。尽管深度学习的最新进展已经产生了有效的干旱预测模型，但许多模型在捕捉大规模区域的异质性空间联系方面仍存在不足。在本研究中，我们提出了一个新的大规模干旱预测框架，该框架考虑了空间异质性，并利用通过动态干旱分析识别出的严重农业事件的干旱中心所划分的区域之间的因果网络。利用预定义的因果网络，我们采用了最先进的深度学习算法——时空图卷积网络（STGCN）模型，并结合递归多步预测策略，预测长江流域（YRB）的基于根区土壤湿度（RZSM）的干旱指数（DIs）长达四周。结果表明，与气象干旱事件相比，相应的农业干旱开始时间更晚，受影响面积更小，但强度更大。所提出的模型在干旱预测中表现出稳健的预测性能，测试数据集上长江流域空间周农业DIs的平均均方根误差（RMSE）为0.45，R²值为0.66。应用STGCN结合递归多步预测策略显著提高了预测性能，平均R²值提高了0.15，RMSE降低了0.1，尤其是在前三周的改进最为显著（R²分别提高了0.32、0.24和0.09）。这些发现强调了纳入空间相关性的重要性，并展示了STGCN方法在大规模农业干旱预测中的优势，为大规模流域的水资源管理提供了信息支持。图1 长江流域及其地形分布图
图2 2022年极端干旱事件在长江流域的空间—时间演变.
图3 1981—2022年期间的模型性能以及全年不同周次的表现图4 1981—2022年期间4周提前预测在不同月份的空间分布图5 1981—2022年期间随机选择的节点的计算SSI与预测SSI的散点图干旱事件的动态特征：农业干旱（通过标准化土壤湿度指数SSI衡量）比气象干旱（通过标准化降水指数SPI衡量）开始时间更晚、结束时间更早，但持续时间更长、强度更大。农业干旱和气象干旱在空间和时间演变轨迹上存在显著差异，农业干旱的演变方向主要受土壤水势影响，表现为从下游向上游移动。
因果网络的有效性：通过因果网络连接的区域在干旱预测中表现出优越性。因果网络能够捕捉区域之间的时空依赖性，显著提高了干旱预测的准确性。因果网络的度分布呈现幂律分布，表明存在一些高连接性的节点（即“枢纽”），这些节点在干旱传播中可能起到关键作用。
STGCN模型的性能：时空图卷积网络（STGCN）结合递归多步预测策略在长江流域的干旱预测中表现出色，平均均方根误差（RMSE）为0.45，决定系数（R²）为0.66。与直接使用STGCN相比，递归多步预测策略显著提高了前三周的预测性能（R²分别提高了0.32、0.24和0.09），但在四周预测时性能略有下降，表明递归策略可能导致误差累积。
时空预测的不确定性：模型在夏季（4月至9月）的预测性能下降，这可能与夏季极端干旱事件的频率增加有关。模型仅考虑了降水和根区土壤湿度，未纳入温度等其他气候因子，可能是导致夏季预测性能下降的原因之一。数据集的不平衡（极端干旱样本较少）也限制了模型对极端事件的预测能力。
Dai, H., Xiong, L., Ma, Q., & Duan, Z. (2025). Deep learning model for drought prediction based on large-scale spatial causal network in the Yangtze River Basin. Journal of Hydrology, 654, 132808. https://doi.org/10.1016/j.jhydrol.2025.132808
