文摘

干旱是一种最多方面的水文现象,影响几个因素如土壤水分、地表径流,重要的水资源短缺。因此,监测和评估干旱出现基于一个干旱指数是不够的。当前的研究发展multiscalar加权合并的干旱指数(MWADI)合并多个干旱指数。MWADI主要是基于归一化平均后验概率(ADPPs)的依赖。这些ADPPs获得贝叶斯网络(bn)的马尔可夫链蒙特卡罗模拟(密度)。结果表明,MWADI更多相关标准化降水指数(SPI)和温度标准化降水指数(SPTI)。提出,MWADI综合干旱特征不同的multiscalar干旱指数减少个人干旱指标的不确定性和提供全面的干旱评估。

1。介绍

干旱已经复杂的性质和缓慢的发病特点,严重影响了行业在全球范围内(1]。干旱的漏洞在很多方面不同于其他自然灾害(2]。干旱的突然神秘的特性使它最昂贵的和最难理解的危害3]。美国气象协会分类干旱为四类包括气象、水文、农业和社会经济(4,5]。每个干旱类别有不同的原因和后果6,7]。例如,由于缺乏降水发生气象干旱。它显著影响生态等各种行业,农业产品和工业产品(8]。它会导致严重的环境和社会经济问题在区域和全球尺度上9,10]。气象干旱可以触发与气候灾害如污染和热浪11]。精确的干旱监测干旱需要可靠的信息,评估,和以证据为基础的决策(12]。此外,干旱指数发挥活力的作用,为准确识别风险评估干旱发生,严重程度和空间范围(13]。

干旱指标的量化干旱持续时间、严重程度和空间范围(14,15]。各种基于单个和多个气候干旱指标参数开发对干旱监测和评估特征(16]。广泛使用的干旱指数—帕尔默干旱强度指数(PDSI) [17),表面供水指数(SWSI) (8,18],标准化降水指数(SPI) [19),有效的干旱指数(EDI) (20.),标准化降水和蒸散指数(SPEI) [21),而温度标准化降水指数(SPTI) [22]。此外,SPI是最著名的干旱指数提出的世界气象组织(WMO)。然而,干旱指数的选择和计算依赖于输入数据相关的可用性气候指标(23]。此外,由于hydroclimatic参数的复杂性,传统的气象干旱指标不能获得完整的信息准确的干旱特征(24]。

个人干旱指数有一定的缺陷严重程度评估干旱(25]。大量的水文过程的复杂性取决于多个降水等气候因素,温度和土壤水分蒸发蒸腾损失总量(26]。单一的干旱指数不能考虑某些drought-induced原因,导致干旱评估不准确(27]。然而,很少的组合和混合的干旱指数曾被观察到在最近几十年(28]。植被干旱响应指数(VegDRI)是一个最好的综合干旱指标的例子基于SPI, PDSI和归一化植被指数(29日]。许多干旱指数使用线性组合构造,主成分分析和熵权方法通过考虑一个标准化的干旱指数之间的线性关系30.]。然而,无论哪一类型的干旱,许多影响因素之间的交互环境中应该考虑干旱监测。一般来说,干旱与多个气象和气候变量(31日]。因此,基于强大的概率结构的综合干旱指标可以提供更准确的信息对干旱监测和评估干旱。

贝叶斯网络(bn)强大的概率图形模型,明确捕获已知随机变量之间的依赖结构干旱指数(DIs)和概率等通过有向无环图(无进取心的人)32]。bn在各领域的广泛应用,即,计算机科学33),业务分析(34),农业(35)、遗传学(36),和环境科学37,38]。bn是适当的方法来估计气候变化的影响和干旱风险评估(39]。研究人员使用了BN算法在不同领域开发新框架。例如,它用于洪水预测(40)和预测之间的依赖结构健康状况和有害污染物(41]。Shin et al。(2020) bn来繁殖的水文干旱的关系在不同的时间间隔。阿维拉和Ballari42bn)用于开发新的均匀气候带指数。评估最新的文献表明,bn新兴的气象和气候研究。潜在的概率图形模型基于bn干旱评估和开发新的综合干旱指标可能有所帮助。由于干旱缓慢进化的现象,一个健壮的空间和时间之间的关系存在干旱指数(43]。因此,他们可以使用bn合并相结合的优势几个干旱指数。

目前的研究旨在开发一个综合干旱指标改善干旱的监测和评估。为此,当前研究使用BN理论合成干旱监测的特点三个标准化的干旱指标,包括SPI SPEI, SPTI。拟议的框架基于贝叶斯网络理论也集成了几个季节的季节性组件隔离干旱指数。它提供了一个科学依据的有效缓解干旱计划(44]。此外,吉尔吉特-伯尔蒂斯坦省被选中来验证当前的研究。

2。材料和方法

2.1。数据描述和研究区域

6天气测量气象监测站已经选定,包括Astore,布吉,Chilas,吉尔吉特,Gupis,斯卡。月度时间序列数据的降水和温度(最大和最小)被用来开发MWADI。输入数据为47岁,从1970年到2016年一直从卡拉奇获得数据处理中心(KDPC)通过巴基斯坦气象部门(PMD)。空间分布地图和位置信息的选择气象监测站的吉尔吉特-伯尔蒂斯坦省图所示1。研究区位于北纬34.5125°N - 37.0826°之间和72.508°E - 77.01°E经度。研究区地形的特点是海拔较高的山区。GB的省份包括印度河上游集水区及其主要支流。源GB是典型的大陆季风降水的夏天和冬天西方萧条。GB省的平均年降雨量为231.5英寸。然而,该地区的降水时空分布不均匀。平均平均年降水量在这些选定的气象站明显不同,如表所示1。根据上述特点,地形、水文、地貌、该地区的气候分为不同的类别。选定的气象站的气候分类给出表格的最后一列1。这些气候分类被称为Kӧppen气候分类45]。Koppen [46)任何地区的气候分为五个类别,进一步划分为子类。根据Koppen分类、Astore的气候被认为是humid-continental,吉尔吉特和布吉是寒冷的沙漠,而Chilas Gupis,斯卡被归类为寒冷半干旱。空间变量的描述性统计(经度,纬度和海拔)和气象变量(降水和最小和最大温度)在表1。它包括平均值和标准偏差(SD)的平均年降水量选定的气象站。它提供了不同特性的最小和最大温度。


图1
研究地区的地图和气象站的分布。
表1
年平均气象变量的描述性统计(降水和最小和最大温度),区域空间特征和气候(Kӧppen分类)。
2.2。简要描述Multiscalar标准化的干旱指标

标准化的干旱指数(sdi)扮演一个充满活力的角色在干旱风险评估和水资源的可持续发展9]。因此,定义干旱干旱强度特有的特性,持续时间,和模式是非常重要的21]。因此,多路定标器的干旱指标,如SPI, SPEI, SPTI,选择开发MWADI hydroclimatic作为输入变量。标准化降水指数(SPI)是应用最广泛的干旱指数应用于区域和全球的研究。世界气象组织(WMO)批准了SPI气象干旱(47]。这是一个概率,空间不变的一种不同类型的干旱指标分析(48]。SPI利用只有降水和继承的能力在不同的时间尺度计算(49]。蒸散标准化降水指数(SPEI)是一个气候的水平衡变体SPI基于降水和潜在蒸散。它拥有multiscalar SPI的能力考虑简单的数学过程,并利用温度变化。计算过程SPEI后跟指南中提供的50]。温度标准化降水指数(SPTI)是另一个multiscalar干旱选为输入的气候指标计划的框架。的计算程序SPTI很像SPI和SPEI。

上述干旱指标标准化,即。,cumulative distribution function (CDF) values of a normal probability distribution. For any time scale, the zero value of SDIs (the SPI, the SPEI, and the SPTI) stated that there is no deviation from the average precipitation. A positive value indicates that the precipitation is higher than the average precipitation. In contrast, a negative value of drought shows that precipitation is smaller than the average precipitation.

2.3。季节性的干旱指数

使用季节性干旱预测综合干旱指标有利于淡水资源管理和生态保护51]。季节性干旱指数的隔离可以计算混合和综合干旱指标进行精确的干旱特征(52,53]。季节性气候预测通常范围从几个星期到一年但在每月的规模(主要是选择54),因为不同的水文和气候研究是基于月度定义季节性指数(55,56]。同样,当前研究背书每月的季节性干旱指数定义为输入变量。

2.4。贝叶斯网络(bn)

贝叶斯网络(bn)概率图形结构模型可以描述简明条件依赖性在一组随机变量通过有向无环图(DAG) [57]。DAG由边缘节点代表随机变量和弧或量化的条件依赖性的随机变量(节点)39,58]。边的方向或弧代表随机变量之间的因果关系,如果没有连接节点通过一些弧,他们被认为是条件独立的。条件独立的节点允许bn有效地表示复杂的概率分布(59]。随机变量之间的因果关系(节点)被定义为基于先验信息或条件概率统计学上观察到的相关性(60]。每个节点拥有表示状态或水平61年]。bn构造的识别结构随机变量之间的依赖。bn的学习数据推理和决策是基于马尔可夫链蒙特卡罗(密度)算法62年,63年)使用一种改进pmmh取样器(64年,65年]。

在贝叶斯网络理论,学习贝叶斯网络的一些观察到的数据集E的后验概率网络 可以计算使用贝叶斯法则。 在哪里 观测数据获得的边际似然函数是 , 是之前DAG的密度, 是规范化的因素。然后,感兴趣的任何假设的后验概率可以通过平均计算所有网络。贝叶斯学习的详细描述,贝叶斯模型平均方法,和边际后的特征(边缘),[66年]。

2.5。提出了贝叶斯网络的广义加权框架方案合并多个干旱指数

本研究的主要目的是引入贝叶斯网络新的加权方案合并多个季节性干旱指数来开发一个新的综合干旱指标。这项研究的核心部分是基于三个标准化干旱指数(SPI, SPEI, SPTI)和贝叶斯网络程序。已经讨论了这些方法的细节部分2。2和2。3。一个拟议的框架示意图如图2。进一步暗示和执行框架的组成不同的阶段,如下。


图2
拟议的框架的图形表示。

阶段1。sdi的选择、计算(SPI, SPEI, SPTI):干旱指数的选择可以影响获得的干旱监测信息,其区域范围和持续时间。大多数的sdi是有针对性和继承了复杂性。因此,单个和多个气象变量基于干旱指数(SPI, SPEI, SPTI)被选择在当前的研究中,和他们的计算过程简要描述的部分2。2。

阶段2。sdi的季节性隔离:在此阶段,完整的时间序列数据集已经计算sdi分离对每个月个月通过考虑季节的季节性,形成时间(56,67年]。这些季节性干旱指数视为结构性bn的输入变量。

阶段3。bn的含义来获得药剂数量(重量):目前的研究的关键目标是估计的概率依赖结构季节性标准化干旱指数(SPI, SPEI, SPTI)在每个选定的气象站。边缘的边缘后验概率特性(节点/变量)是通过马尔可夫链蒙特卡罗(密度)近似模拟。获得三个独立模型模拟运行在每个时间序列数据集获得收敛,和边缘后验概率是平均。边缘后验概率描述输入变量之间的依赖结构(季节性sdi)。
让 是候选人的名单标准化的指数和干旱 的时间序列数据 季(月)有关 在任何个人气象站SDI,t指数和显示时间 。这一步的目的是计算药剂数量被用作正常化提出框架的重量来计算新的季节性干旱指数合成合并。节点的实现 和边定义如下: 方程(2)描述每个季节的相对重要性SDI通过边缘后验概率,也可以定义为依赖概率。获得一个运行的模型模拟了以下结果: 平均依赖概率(ADP)获得一个单一的模型模拟 季节性SDI用 这是定义如下: 大平均概率(GADP)的依赖 SDI用 ,最后通过平均获得所有三个模型模拟,和数学上定义如下: 这些大概率是平均依赖的实际概率相对重要性sdi在每个气象站。此外,这些被认为是药水数量来计算权重正常化 定义如下: 在哪里 中定义的是该模型的参数估计方程(6)。这些参数估计通过bn分析评估的概率依赖结构密度模拟。

第四阶段。该模型得到的执行季节性MWADI:
在此阶段,定义了一个概率模型,从不同的sdi综合信息。介体等在众多的研究中,随机模型用来结合干旱特征不同的干旱指数(68年- - - - - -70年]。但bn结构概率和强大的图形算法产生依赖概率随机变量利用每一点的信息(40,63年,71年]。因此,本研究提出了一个概率模型中定义方程(7)综合信息来自季节性multiscalar标准化干旱指数。 在哪里 的一个线性组合吗 。的线性组合是一个数学方法结合不同的干旱指数来综合气象干旱特征相关的信息。最创新的特点 是通过概率计算重量(参数)bn结构获得使用模型模拟。权重计算使用bn定义不同的干旱指标的作用。该模型中定义方程(7在季节性)结果 (Jan-Dec)在每个车站使用概率权重或参数与不同的干旱指标。在获得季节性 (Jan-Dec),所有12次系列数据集将获得最终的相结合 。算法的结果是一个全面multiscalar加权合并干旱指数(MWADI)。

3所示。结果与讨论

干旱指数的最新发展强调将完整的信息容易获得在标准化的干旱指标。因此,三个multiscalar标准化的干旱指数(SPI, SPEI, SPTI)一直作为输入指标构建MWADI求婚。所涉及的主要步骤的建设和发展MWADI解释和执行序列。

3.1。选择和评估的输入变量(sdi)

SPI, SPEI, SPTI估计使用他们的输入气象变量完整长度的时间序列数据的降水和温度(最小和最大)选定的气象站。这些干旱指数计算使用参数化方法通过选择合适的概率分布(50]。贝叶斯信息准则(BIC)已经被用于确定适当的分配使用传播R包(间谍,2014)。这些sdi的详细计算过程中可以看到在这些选定的气象站(66年]。之后,这些数据集的sdi进一步季节性(月度)定义隔离集成季节性组件。在这项研究中,六个气象站已经选定,36季节性数据集在每个车站已经形成了。因此,216季节性数据集作为输入变量获得执行模型模拟。

3.2。bn的估计参数的含义(正常化的重量)

贝叶斯网络理论被应用到每月分离各种干旱指数的时间序列数据(SPI, SPEI, SPTI)计算其相对重要性通过依赖概率结构。BN-based密度模拟进行使用季节性sdi在每个选定的气象站。bn解决节点之间的因果关系(变量)通过熟练的技艺。在这项研究中,季节性sdi视为节点和弧的方向显示了水文因果关系(条件依赖性)节点之间(sdi)。获得三个独立模型模拟运行进行月度时间序列数据集分离的SPI, SPEI,与200000年SPTI迭代获得实验结果。边际为每个模拟运行后验概率或依赖概率得到使用方程(2所有12个赛季(Jan-Dec)在每个车站。平均依赖概率(adp)计算使用方程(4)。此外,adp通过这些独立的模拟运行时没有取得多少变异,显示密度模拟运行的一致性和收敛。为更精确的结果,方程(5)计算平均大依赖概率(GADPs)平均adp为所有三个模拟运行。表2和3包括平均边际后验概率已经命名的三个模拟运行adp, GADPs气象站为1月和2月的季节。这些GADPs显示季节性sdi的相对重要性(SPI, SPEI, SPTI)。的GADPs SPI、SPEI和SPTI 1月0.9907,0.6528,和0.6620,分别显示了SPI Astore站的主导地位。在布吉站,这些结果是0.7245,0.6429,和0.9184,分别。这里,SPTI主导其他指标,表明sdi的相对重要性大大一站一站的不同。

表2
贝叶斯网络大平均依赖概率( )sdi的第一季(1)气象监测站。
表3
贝叶斯网络大平均依赖概率( )2月的sdi站。

此外,我们在季节性检查的概率相对重要性sdi (SPI, SPEI, SPTI)。2月的GADPs赛季Astore车站是0.9814,0.6643,和0.6829,分别。GADPs跨季节的比较表明,Astore车站,SPI的统治地位依然存在。在布吉站2月的季节,这些概率是0.8510,0.6119,和0.7608,分别描述优势改变了从SPTI SPI。的空间和季节变化条件相关性不同的sdi如图3。它表明sdi有明显的季节性和空间相关性气象站。GADPs(概率相对重要性)根据方程(sdi的进一步规范化6)获得的最终药剂数量算法作为该模型的参数的估计。结果所有的12个赛季(Jan-Dec)和所有选定站在桌子上4。为便于理解,表示的实验结果提出了只有特定的季节;然而,其他季节的结果可以相应地提出。


图3
空间和季节性的主导地位不同的sdi (SPI, SPEI, SPTI)。
表4
估计参数( )该模型的气象监测站(Jan-Dec)为所有季节。
3.3。该模型的执行

该模型中定义方程(7MWADI),是一个线性组合的三个multiscalar标准化干旱指数的权重(参数)计算使用概率结构bn。这些估计参数模型的结果对所有季节(Jan-Dec)选择电台展示在表4。该模型的结果也是一个特定的季节的季节性MWADI每个气象站。后计算季节性MWADIs (Jan-Dec),第十二次系列那么种族隔离来获取一个名为MWADI的结果。这个过程是在每个气象站获取MWADI重复。该算法的结果是一个季节性集成multiscalar合并干旱指数(MWADI)任何个人气象站。MWADI和输入sdi可以计算在不同时间尺度监测干旱条件,但为了方便起见,结果一个月的时间尺度。

验证实验进行了评估干旱程度的准确性的MWADI通过比较计数情节,散点图,时序图,和相关系数。数据4- - - - - -6显示季节性的散点图与SPI MWADI SPEI,所有季节的SPTI Jan-Dec Astore站。MWADI高度相关,这些干旱指标,应用和相关测试,发现MWADI与所有其他SDI在显著相关 值< 0.001。图7表明MWADI略少与SPEI而与SPI和SPTI强烈相关。MWADI之间的总体相关系数值和其他sdi (SPI, SPEI, SPTI)是0.93,0.84,和0.98,分别。相关结果MWADI之间的相关系数和其他所有季节sdi选择电台展示在表5。MWADI和其他气象sdi之间牢固的关系,反映了MWADI可以更精确地监视和气象干旱的特点。


图4
散点图和相关系数R值之间的季节性MWADI SPI, SPEI, SPTI Astore(提醒)。

图5
散点图和相关系数R值之间的季节性MWADI SPI, SPEI, SPTI Astore(五月到八月)。

图6
散点图和相关系数R值之间的季节性MWADI SPI, SPEI, SPTI Astore (September-December)。

图7
与其他sdi MWADI相关图表(SPI, SPEI, SPTI) Astore站。
表5
相关系数(r) 所有季节气象监测站 。

干旱发生频率是干旱特征的重要因素之一。干旱严重程度划分为七个互斥的类别。几项研究已经支持这些分类(19,21,72年,73年]。比较不同的干旱MWADI和其他类别特征的sdi提出了数块,如图8。不同干旱类别的频率显著不同的SDI和似乎很不确定。因为不同的干旱指数给干旱特征相关矛盾的结果。此外,不准确的干旱特征可能会误导干旱减灾决策者。随着MWADI合成不同的气候和气象特征sdi (SPI, SPEI, SPTI),通过MWADI干旱特征被认为是更可靠。它减少了不确定性的干旱特征通过不同的干旱指标。接近正常(NN)干旱类有一个比例显著高于其他极端类。极端干旱和极端湿类数的比例相对较低但仍可能是灾难性的生态系统有关。


图8
数块MWADI-1, SPI-1、SPEI-1 SPTI-1站。

的时间行为MWADI和其他sdi (SPI, SPEI, SPTI) Astore站如图9。SPI, SPEI, SPTI被用来描述短期和长期的干旱。图示显示了进化和终止在1970 - 2016年的干燥和潮湿的条件。红色的峰值和补丁显示同样干旱的严重程度和持续时间;一些蓝色的峰值代表几高降水事件产生湿法术导致山洪暴发事件。MWADI, SPI, SPTI显示类似的干旱趋势从1970年到2016年,说明这些指标之间的高相关。这个图形的证据也澄清了变异在定义干旱MWADI和其他sdi分类。的时间行为MWADI所有选定的一个月时间尺度气象监测站是呈现在图10。这些统计和图形结果表明MWADI的主要优势是它的概率图形特性描述和分析干旱。bn的概率结构是基于气候和气象指标之间的因果关系,通过概率结构综合干旱指标计算和图形算法减少了不确定性。新开发的MWADI包括各种特征继承了它的多个输入multiscalar气象指标。MWADI可以很容易地实现显示在高阶时间尺度干旱。的时间行为MWADI在6个月和12个月时间尺度提出了数字11和12同时进行。然而,拟议中的MWADI可以很容易地通过使用更多的hydroclimatic广义和农业水文和农业干旱评估指标作为输入变量。干旱是一个反复出现的威胁与生态系统,造成淡水资源问题。贝叶斯网络MWADI似乎更有前途等干旱特征,以应对各种挑战。


图9
时间的情节比较MWADI-1 SPI-1, SPEI-1, SPTI-1 Astore站。

图10
时间的行为MWADI站在一个月的时间尺度。

图11
时间行为的MWADI站在6个月的时间尺度。

图12
时间的行为MWADI站在12个月的时间尺度。

目前的研究使用SPI, SPEI, SPTI作为输入指标。这些气象指标是基于降水和月平均温度,它定义了MWADI的限制。该指数的范围可以通过使用更多的输入指标基于增强土壤水分和遥感数据。同样,不同干旱指数可以综合使用替代随机和介体等多元算法和主成分分析(PCA),被认为是未来的发展方向。

4所示。结论

使用一个单一的干旱指数提供了干旱等级评价的相关信息不足。由于复杂的性质和广泛的干旱的影响,应用单个索引为干旱创造了不确定性评估和监测。因此,一个新的全面的过程需要减少干旱评价的不确定性。在这方面,目前的研究提出了一个新的框架,称为multiscalar加权合并干旱指数(MWADI),来自多个干旱指数的综合信息。MWADI主要是基于ADPPs。此外,这些ADPPs基于贝叶斯网络(bn)的蒙特卡罗马尔可夫链模拟(密度)。的MWADI相不同干旱指数和旱灾不确定性帮助决策者理解。旱情严重程度和发作MWADI估计的比较和验证时间情节,情节,和相关图表。此外,MWADI结果与SPI相比,SPEI, SPTI估计干旱事件(影响)。MWADI的相关结果显示与SPI和SPTI积极的关系。 Therefore, the MWADI can capture small changes in drought patterns and comprehensive drought risk assessment at the selected climatic zone.

数据可用性

二级数据用于验证该方法可从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者扩展他们的感谢院长以来哈立德国王大学科研经费申请这项工作通过大量研究项目资助数量(RGP.2/23/44)。和本研究支持通过Sattam。本。阿卜杜阿齐兹王子大学资助(项目编号(PSAU / 2023 / R / 1444)。