利用CNN-TQWT和元启发式算法混合模型提升干旱预测能力：以挪威为例

《Scientific Reports》：Enhancing drought forecasting with CNN-TQWT and metaheuristic hybrids: evidence from Norway

　　

摘要

干旱是最具破坏性的自然灾害之一，对生态系统、经济和社会造成严重影响。虽然干旱通常具有灾难性后果，但其影响因地区而异，甚至在极地地区也可能出现意想不到的结果。因此，准确的预测对于气候适应和资源规划至关重要。本研究分析了1970年至2025年间挪威四个城市（卑尔根、克里斯蒂安桑、奥斯陆和特罗姆瑟）的月降水量数据。计算了标准化降水指数（SPI12）值，并将其作为基于卷积神经网络（CNN）的预测模型的输入数据。为了提高模型性能，将CNN框架与随机森林（RF）以及优化技术（遗传算法GA和粒子群优化PSO）相结合，同时还采用了信号分解方法，如变分模态分解（VMD）和可调Q因子小波变换（TQWT）。测试了四种输入配置，结果表明，CNN-TQWT混合模型在所有研究地点的表现均优于其他方法，这凸显了它们在多种气候条件下进行可靠干旱预测的潜力。具体而言，最有效的模型分别为： 卑尔根：CNNTQWTM03（R = 0.9732，NSE = 0.9231） 克里斯蒂安桑：CNNTQWTM03（R = 0.9879，NSE = 0.9568） 奥斯陆：CNNTQWTM02（R = 0.9727，NSE = 0.9172） 特罗姆瑟：CNNTQWTM01（R = 0.9777，NSE = 0.9395）。 研究结果强调了TQWT分解方法在所有站点中的高准确性，表明该方法有助于决策者制定有效的农业和水资源管理政策。此外，这些发现还将为干旱应对和发展规划的制定提供支持。通过为前瞻性规划提供技术基础，这些结果将有助于通过更具韧性的管理策略减轻干旱的影响。