Machine Learning for Drought Analysis and Forecasting: A Critical Review of Data Fusion, Extreme-Event Sensitivity, Explainability and Generalization
Ritik Mallik · Dayal Kumar Behera · Satarupa Mohanty
综述55篇文献，比较机器学习干旱监测预报在定义、数据与验证上的差异。
系统综述2018-2026年55篇文献，比较目标定义、数据、模型、验证与可解释性
模型性能差异主要源于任务与验证设计而非算法，极端事件与泄漏防护评估仍不足。
可构建面向极端干旱的序数感知评估与抗泄漏时序验证框架，提升跨区域泛化。
系统综述机器学习干旱分析与预测，指出评估口径不一、极端事件敏感性与可解释性不足，对农业旱情监测信息化有参考价值，但属学术综述、影响面偏细分领域。
背景：机器学习正日益应用于干旱监测与预报，但各研究在干旱定义、所用数据和模型验证方式上差异很大，导致所报告的模型性能难以直接比较。目标：解释为何已报告的机器学习干旱模型性能会因定义、数据来源和验证方案的不同而变化，并评估近期研究是否充分处理了罕见的严重事件和跨域可迁移性问题。方法：综述了2018年1月至2026年8月发表的期刊论文，起始于359条发现导出记录中70条高相关性记录的子集，并通过引文追溯加以扩展。经出版商和DOI核验，最终证据基础为55篇文章：48篇原始研究和7篇综述。比较了各研究的目标定义、输入数据、模型族、验证设计、指标、类别不平衡处理、可解释性和外部测试。发现：所报告的性能随建模任务而非任何单一算法而变化：随机森林在昆士兰农业干旱制图中达到97.7%的AUC-ROC，SVM在阿尔及利亚水文干旱中达到平均R²=0.90，CatBoost堆叠模型在基于遥感的干旱监测中达到R²=0.9065。这些分数不能直接比较，因为目标、数据和验证方案不同。近期研究越来越多地测试跨产品和跨区域迁移，使用SHAP/LIME可解释性，并采用极端事件感知损失函数，然而在48篇原始研究中，严重和极端干旱的分类别报告、序数感知评估以及防泄漏的时间验证仍应用不一致。新颖性：本综述将预测准确性与罕见事件敏感性、序数干旱严重程度、防泄漏验证、可解释性、不确定性和跨域泛化等标准共同评估，这些标准在以往的机器学习干旱综述中大多缺失。关键词：干旱预报，机器学习，遥感，可解释人工智能，极端干旱