中国地质大学（武汉）地理与信息工程学院

“科研成果快报”

1. 标题

· Internal and external coupling of Gaussian mixture model and deep recurrent network for probabilistic drought forecasting.

高斯混合模型和深度循环网络的内外耦合用于概率性干旱预测

2. 成果信息

Zhu, S., Xu, Z., Luo, X. et al. Internal and external coupling of Gaussian mixture model and deep recurrent network for probabilistic drought forecasting. Int. J. Environ. Sci. Technol. (2020). https://doi.org/10.1007/s13762-020-02862-2

This work is supported by the National Natural Science Foundation of China (51809242).

3. 成果团队成员

· 朱双，博士，助理研究员，研究方向为基于水文模型、水文遥感，深度学习、大数据技术的生态环境监测与预警。

· 徐战亚，博士，副教授，硕士生导师，2017-2018年美国乔治梅森大学CSISS（空间信息科学与系统中心）访问学者。研究领域包括导航与位置服务、遥感大数据与深度学习，具体研究内容为灾害智能感知与风险诊断，应急路网动态构建与导航，基于深度学习的遥感场景识别与目标提取。发表论文30余篇，包括SCI论文10余篇，现为CCF会员。

· 罗显刚，地图制图学与地理信息工程专业博士，博士生导师，美国北德克萨斯大学访问学者。主要研究方向包括：生态环境大数据、地质灾害动态预警与人工智能、智慧水利、智慧城市与云计算等。主持、参加科研课题40余项，其中包括多项863项目、国家重大专项、重点基金等项目，在国内外专业期刊发表30多篇论文，10多个发明专利，主编或参与编写专著、教材近10本，多次获得省部级奖项。

4. 成果介绍

建立准确的干旱预报模型对于减少干旱灾害对经济和生态的破坏具有重要意义。近年来，深度神经网络在干旱预测中的竞争力表现得到了证明。然而，由于深度学习框架涉及大量的计算需求，基于随机模拟方法的干旱事件不确定性问题并没有得到有效的解决。本研究没避开一个体量重的集合概率模型，引入一个条件概率模型聚合方法用于不确定性的干旱预报。本文详细讨论、实现和评估了两种不同的聚合策略。对于外部耦合，采用条件概率模型作为确定性预测的后处理技术（GPLSTM-S1）。对于内部耦合，将条件概率模型嵌入到长短期记忆网络的内部结构中，使改进的深度学习模型在本质上具有概率性（GPLSTM-S2）。本文提出的方法在三江源头地区的实际干旱预报中得到了验证。

图1 三江源流域和水系图

本文还为干旱预报建立了三种标杆模型进行对比，自回归移动平均、广义线性回归和人工神经网络。根据预测均值和预测区间，采用四种验证方法对预测能力进行了评价。结果表明，改进后的预报模型能较好地预报干旱指数和不确定性信息，并验证了内部聚集策略在三江源区干旱概率预报中的优越性（图2）。

图2 三江源地区干旱预测结果（内部耦合结构）

根据不同干旱等级的预报决策阈值，计算预报的命中率与误报率，对干旱等级预报进行评价，如图3所示。图3分别为严重干旱、中度干旱、轻度干旱和无干旱的ROC曲线。蓝色、绿色和黄色曲线分别代表了GLM、GPLSTM-S1和GPLSTM-S2预测的ROCs。ROC曲线下面积(AUC)代表干旱等级预测的能力，曲线下面积越大，分类准确率越高。从图6中可以看出，三种模式的预测能够很好地识别严重干旱的发生和不发生。GPLSTM-S1和GPLSTM-S2的AUC高于GLM。对于每一类干旱，根据AUC最大，值的次数定义最佳预报模型GPLSTM-S2被认为是获得干旱等级预报的最佳模型。

图3 三江源地区干旱预测敏感性分析