Advanced spatial–temporal drought mapping using machine learning and object-based methods

doi:10.1007/s11069-026-08256-w

2026-06-01

PRE

Ali Nasiri Khiavi

Mohammad Tavoosi

Alban Kuriqi *

DOI：10.1007/s11069-026-08256-w

原文链接

原文求助

摘要

En 中文

尽管传统干旱指数被广泛使用，但准确捕捉干旱的时空动态仍具挑战性，尤其是在植被-气候相互作用高度复杂的半干旱地区。因此，本研究旨在对干旱进行空间建模和时间序列分析，并在伊朗塔勒甘流域比较应用机器学习算法（MLAs）和基于对象的方法。首先，选定了包括改进型叶绿素吸收比指数改进版（MCARI2）、水分胁迫指数（MSI）、归一化差分雪指数（NDSI）、归一化差分植被指数（NDVI）、雷达植被指数（RVI）、土壤和大气抗性植被指数（SARVI）、土壤调节植被指数（SAVI）、植被状况指数（VCI）和水指数（WI）在内的干旱条件指数。计算指数后，在Python中实现了包括支持向量回归（SVR）、随机森林（RF）、K近邻（KNN）、简单线性回归（SLR）和支持向量机（SVM）在内的机器学习算法。基于对象的方法使用植被覆盖指数，包括温度状况指数（TCI）、植被健康指数（VHI）和VCI，进行空间和时序干旱调查。结果显示，在MLAs中，SVR算法被选为最优，其MAE、MSE、RMSE和AUC值分别为0.29、0.15、0.30和0.93。基于SVR算法的空间变化分析表明，研究区域约19.84%处于无干旱类别，而低度和中度干旱类别分别占16.97%和22.35%。最终，干旱图中的最高值对应于最高干旱类别，约40.85%。使用基于对象的方法监测时序干旱变化也显示，2001—2022年间TCI、VHI和VCI三个指数均呈现显著趋势。机器学习算法（MLAs）与基于对象方法的比较表明，MLAs能提供更清晰、更易解释的干旱空间模式表征。这种增强的可解释性有助于识别关键干旱易发区，并支持水资源管理者与政策制定者进行更明智、基于证据的决策。

Keyword:

AI-based drought assessment

Drought risk mapping

Environmental monitoring

Hydroclimatic variability

Vegetation indices