利用机器学习模型评估云特征的地域差异：以印度西北部和东北部地区为例

时间：2026年3月10日

来源：Advances in Space Research

编辑推荐：

西北与东北印度区域云特性时空异质性及机器学习预测研究，基于2002-2024年卫星数据，分析发现NW区云滴有效半径（14.26μm）、液态水含量（118.5g/m²）、光学厚度（12.72）及云分数（0.66）显著低于NE区（差异达3.83-88.76），且机器学习模型随机森林与XGBoost在预测CER方面表现最优（RMSE<1.31，R²>0.81），时空聚类显示NW区云参数呈上升趋势。

Niyati Mevada|Rohit Srivastava|Ruchita Shah|Som Sharma

印度甘地纳加尔潘迪特·迪恩达亚尔能源大学物理系

摘要

本研究通过分析约23年（2002-2024年）的观测数据，调查了印度西北部（NW）和东北部（NE）两个不同地区的云特征。在印度夏季季风期间，研究了云滴有效半径（CER）、云液态水含量（CLW）、云光学厚度（COT）和云分数（CF）等卫星反演参数。研究发现，西北部的平均CER（约14.26 µm）、CLW（约118.5 g/m²）、COT（约12.72）和CF（约0.66）较低，而东北部的这些参数平均值较高，差异分别约为3.83、88.76、5.21和0.26。统计分析表明（p值低于0.05），包括CLW、COT、CF、CER和AOD在内的所有指标在两个地区之间存在显著差异。这些差异表明，东北部地区有更多的厚云，且云滴中含有更多的液态水。本文提出了多种机器学习（ML）技术，结合统计分析来预测降雨量。研究利用ML揭示了空间异质性的特征，并得出结论：随机森林（RF）和XGBoost在预测CER方面表现更好。统计分析显示，RF和XGB在西北部和东北部的预测效果相对较好，均具有较低的均方根误差（RMSE）和较高的R²值（分别<1.31和>0.81），其中XGB表现最佳。K-means聚类分析显示，东北部的聚类紧密度较高（轮廓分数介于0.33至-0.43之间）。2002至2024年的时间序列聚类分析表明，主导聚类中心向CER和CLW较高的方向迁移。因此，ML技术在了解全球范围内的云动态方面具有重要意义。

引言

人类活动已被证明是气候变化的主要原因之一，导致降水模式不均、气温升高、冰川退缩、地下水位下降、海平面上升以及强烈气旋频发。政府间气候变化专门委员会（IPCC）指出，如果继续当前由于人类活动导致的气温上升趋势，预计到2030至2052年间全球气温将上升1.5°C（IPCC 2018）。由于地理位置和靠近海洋，人为气候变化对热带国家的影响更为严重。IPCC第五次评估报告（AR5）指出，印度夏季季风发生变化，印度洋海平面上升，喜马拉雅山脉积雪融化，洪灾频繁且强度增加（Raghavan等人，2020）。总体而言，大气湿度增加导致局部强降水事件增多（Kulkarni等人，2020）。由于降水模式（包括西南季风和东北季风）的分布不均，这对印度次大陆尤为重要，因为该国约70%的降雨来自西南季风（Sahastrabuddhe等人，2023）。此外，印度是一个以季风为主的地区，大部分居民依赖农业为生（Parthasarathy等人，1993；Gadgil，2007）。因此，有必要对印度次大陆的降雨变化进行严格分析，以了解当前天气状况和未来气候趋势。由于多种气候变量（包括降水和云特性）在空间和时间上的观测数据存在差异，最近的数据驱动方法以及利用多种数据源的气候模型在估计近期变化和预测未来参数方面越来越受欢迎。

一些研究表明，严重的气候变化（如温室气体排放和土地利用变化）会改变季风自然模式、大气环流以及海表温度（SST）的上升趋势，从而导致全球及印度及其邻近海域极端天气事件增加（Shah和Srivastava等人，2020；Ali等人，2022；Tiwari等人，2023；Lenka等人，2022）。1951年至2015年间，印度恒河平原和西高止山脉的降雨量显著减少，而印度中部的极端降雨事件增加了75%，强度超过150毫米/天（Raghavan等人，2020）。1979年至2022年间，印度西北部的夏季季风降雨量增加了约40%（Joseph等人，2024）。另一方面，印度东北部的一些地区（如阿萨姆邦和梅加拉亚邦）面临洪水，而特里普拉邦、米佐拉姆邦、曼尼普尔邦和那加兰邦等地区则缺水（Agarwal等人，2023）。Debnath等人（2022）发现印度东北部、中部和西高止山脉的日极端降雨事件增加。CMIP6模型预测印度降雨量增加，尤其是喜马拉雅山脉和东北部地区（Katzenberger等人，2020）。多项研究表明，在当前变暖情景下，季风模式在数量和强度上发生了变化，且这种变化主要发生在区域层面。通过研究云特性，可以更好地理解大气成分、云特性和降水模式的不规则性（Zheng等人，2022）。

云通过重新分配水分在水分循环中起关键作用，并影响降水模式的形成（Bangert，2012）。云由悬浮在大气中的水滴或冰晶组成，其形成受湿度、温度和大气动力学等因素的影响（Cairo等人，2024）。云通过散射、反射、吸收和发射入射和出射的太阳辐射来平衡地球的辐射平衡（Kenneth Beard，1987；Rasmussen，1995；Sui等人，2020）。气候敏感性估计的主要不确定性来源于云微物理特性的描述和云反馈机制，因为云在能量和水循环中起着至关重要的作用（Stephens，2007；IPCC，2023；Battaglia等人，2020）。2024年4月，迪拜市发生了一场由积雨云引起的强烈洪水（Shah等人，2024）。在高分辨率区域模型中使用的对流参数化方案（如Grell方案）中，云的卷入和释放速率对季风过程有重要影响，有助于计算阿拉伯海和印度次大陆西南季风槽的整体作用（Bush等人，2014；Shah和Srivastava，2018；Shah和Srivastava，2022）。因此，需要更多研究来了解不同地区和不同时间尺度上的变化。同样，也可以讨论不同地区和不同季节的云特性变化。本研究尝试从区域角度利用机器学习（ML）模型来分析云特性的变化。

作为人工智能的一个子集，ML模型具备数据排序、聚类、模式识别和趋势检测等功能（Fan等人，2019）。由于ML算法在识别非线性相关性方面表现出色，它们被广泛应用于遥感领域（Zhang等人，2024；Tang等人，2024）。近年来，ML技术在天气预报中受到关注，因为它们对输入变量的多重共线性不敏感，能够处理大量输入变量。然而，确定哪种ML技术更适合天气预报仍具有挑战性（Apaydın等人，2022）。深度学习（DL）也与ML结合使用，用于预测水文变量（Rajput等人，2023）。降雨预报是气象学领域的重要课题，有助于更好地理解降雨模式并预防灾害（Poornima和Pushpalatha，2019）。Zhao等人（2022）利用天气雷达观测数据，通过基于密度的空间聚类方法对层状云和对流云进行了分类。ML模型的集成提高了预测精度，降低了风险，并有助于气候缓解（Mosavi等人，2018；Cifuentes等人，2019；Chen等人，2020；Kashinath等人，2021；Watson-Parris，2021）。

因此，利用卫星反演数据详细分析云特性并通过ML技术进行进一步计算，对于理解区域层面的云动态和降雨模式至关重要。本研究旨在：（i）了解印度次大陆西北部（NW）和东北部（NE）两个地区的云特性在区域、时间和纵向上的变化；（ii）检测并预测过去23年（2002-2024年）6月至9月期间云特性的变化；（iii）确定最适合计算云特性的ML模型。

研究区域

印度是一个依赖季风的北热带国家，研究不同地区对于理解不规则的降水模式至关重要。因此，本研究选择了北半球的两个地区：（a）西北部（NW）和（b）东北部（NE）。这两个地区具有相同的纬度和经度，但经度不同，以便了解区域纵向差异。

西北部和东北部地区的云特性

云的形成和动态对全球降水模式有重要影响。从地理和时间角度评估降水模式时，季风期间云特性的变化至关重要。本研究分析了2002至2024年间印度西北部和东北部地区云特性的变化，揭示了这两个降水差异显著的地区的云特性随时间的变化情况。

总结

降水在全球水循环中起着重要作用，同时具有地理意义。人为气候变化对依赖季风的地区（如印度）的农业活动产生了重大影响。云在重新分配水分和生成降水方面至关重要，因此对分析和理解全球及区域降水模式至关重要。

未引用的参考文献

Ali等人，2019；Falga和Wang，2022；GMAO，2015；Katzenberger等人，2021；Levine和Turner，2011；Painemal和Zuidema，2011；Pekel，2020；Shah和Srivastava，2020；Stephens和Kummerow，2007；Zhang和Wang，2024。

CRediT作者贡献声明

Niyati Mevada：概念化、数据整理、正式分析、研究方法、项目管理、软件使用、资源获取、验证、可视化。Rohit Srivastava：概念化、正式分析、资金筹集、研究方法、项目管理、监督、验证、可视化、写作——审阅与编辑。Ruchita Shah：数据整理、正式分析、研究方法、写作——审阅与编辑。Som Sharma：概念化。