DOI:https://doi.org/10.1029/2024GL111134
主要内容：
突发性干旱是一种快速发展的极端天气事件，突然发生并迅速加剧。在亚季节时间尺度上对突发性干旱进行全球预测仍然是一个巨大的挑战。目前最先进的动态模型误差很大，在全球突发性干旱预测方面表现出较低的技能。在这里，我们开发了一个基于机器学习的框架，该框架使用气象预报作为输入，预测 1 天到 2 周的全球根区土壤湿度和突发性干旱。
主要结论：
结果表明，33% 和 24% 的全球突发性干旱开始和终止事件可以通过机器学习在 7 天的提前时间内正确预测，而最先进的动态模型的预测比例分别为 19% 和 11%。开发的机器学习模型在全球土壤湿度预测方面比动态模型有显著的改进，从而提高了空间和时间上的全球突发性干旱预报技能。提出的框架可能有利于亚季节尺度上的全球突发性干旱预测和预警。
主要图表：
图1.ECMWF 和 ML 模型在不同提前期的突发干旱预报技巧。这些技巧是根据全球平均值（南极洲除外）计算得出的，并根据突发干旱事件的数量和每个网格单元的面积加权。a HIT、b FAR 和 c ETS 指标分别基于 ECMWF 和 ML 模型预测和观察到的突发干旱事件计算得出。HIT 指标表示命中率，FAR 为误报率，ETS 为公平威胁分数。阴影区域表示 95% 置信区间，由 10,000 次引导抽样获得。展示了突发干旱开始 (FDO) 和突发干旱终止 (FDT) 的预测技巧。ML 模型的置信区间可能太小而无法在视觉上区分。
图2.突发干旱预报技能的统计分布。HIT (a)、(b)、FAR (c)、(d) 和 ETS (e)、(f) 指标用于 1-14 天的 FDO 和 FDT 事件预测。方框表示分布四分位数，方框内的水平中心线表示平均值。晶须表示统计指标的 5-95% 置信区间。箱线图是根据 ECMWF 和 ML 模型的集合平均预测生成的，全球空间分辨率为 1.5° × 1.5°。
图3.不同提前时间的突发性干旱发生预测技能的空间模式。HIT 和 ETS 指标展示了 3 天 (a)、(b)、7 天 (c)、(d) 和 10 天 (e)、(f) 提前时间。HIT 和 ETS 指标是在全球陆地（南极洲除外）以 1.5° × 1.5° 分辨率计算的。
图4.ML 和 ECMWF 之间的 RZSM 预报技巧比较。a ML 和 ECMWF 在 1-14 天提前期的 RZSM 预报技巧统计分布。b ML 和 ECMWF 在 7 天提前期的 RZSM 预报技巧差异的空间模式。异常相关系数 (ACC) 用于评估 RZSM 预报技巧。
