水文氣候學中的極端事件（如高溫、幹旱🦻🏻💆🏿、暴雨及寒潮等）往往具有時空運動特征多樣（局地生消/跨區域演進）🥖、形態不規則🥾、跨季節以及生消時刻不一👂🏻、強度變化復雜等多種特征🧔🏻‍♀️。然而，對這些極端事件的精準識別，可提供反映真實變化的大量極端事件樣本，也是後續機理分析的可靠基礎。

針對上述極端事件的精準識別問題，Atmospheric and Oceanic Science Letters近日在線發表了題為“3D DBSCAN detection and parameter sensitivity of the 2022 Yangtze river summertime heatwave and drought”研究論文。我系博士後劉臻晨為論文第一作者，周文教授為通訊作者，合作者為國家氣候中心袁媛研究員👋。文章借助非監督學習中經典的DBSCAN（基於密度的噪聲應用空間聚類）算法🌎，發展了在三維空間（經度-緯度-時間）內進行目標事件識別和參數敏感性分析的研究方案；針對2022年長江全域高溫伏秋旱事件，成功識別本次天氣尺度極端熱浪和季節尺度極端氣象幹旱事件的早期信號和時空演變過程🧑‍⚕️。同時，也進行了相關DBSCAN關鍵參數✳️🪝、維數比等特征敏感性分析，對理解識別結果🦸🏿‍♀️🦵🏼、算法在其他場景運用也頗有幫助。

具體而言，基於3D DBSCAN算法的事件識別的主要原理與步驟🏄🏿‍♀️、貢獻與展望🔵、其他應用👨🏼‍🏫、代碼共享等部分進行闡述👨🏿‍🦳：

主要原理：

在考慮時空演變的情況下，極端事件相對應的、符合一定閾值條件的三維（經度-緯度-時間）離散格點往往呈現高密度的空間聚集特征👵。例如🧑🏻‍🔬，逐日🕯、1°×1°空間分辨率下的日最高氣溫大於95%閾值的三維格點指標集🎂，於2022年8月中下旬在長江全域呈現高密度聚集特征。那麽🧑🏽‍🚒，這些高密度聚集的三維格點就會被DBSCAN算法識別為一個高密度聚集點簇，即為初步識別的極端高溫事件。

識別步驟😭：

具體為4步：①基於3D DBSCAN算法的三維空間內高密度格點聚類🧚🏻‍♂️，由此完成考慮時空變化的極端事件初步識別；②考慮事件影響面積和歷時的客觀篩選，以期選取高強度長歷時大範圍的極端事件；③離散極端格點的周邊中等強度格點再融合🙍🏿，用於補充①中由於特定閾值格點聚類引起的極端信號空間不連續的特征；④搜尋與目標區域和時段重合的事件。這是由於DBSCAN算法本身為非監督學習，所得點簇時空落區不定；因而需要通過計算與目前區域與時段的重合度🚘，實現對所需事件的提取。

主要貢獻：

DBSCAN本身算法簡單，且scikit-learn提供相應的調用包（通用框架易於維護），維數拓展性好🕯🤛，且解決主要問題所需要的參數少。本論文的主要貢獻在於🛷：①完善了一套基於機器學習算法的🎙、考慮時空協同變化信息的極端事件客觀識別框架🎮，其主觀參數少💡🛌🏽，“抓大放小”🧘🏽‍♀️。②提供了基於DBSCAN關鍵參數min_samples🥸、維數比dimensional scale（longitude-latitude-time）的參數敏感性分析參考方案🧚🏼‍♂️，為其他場景應用和理解識別結果提供參考。

後續展望：

針對“事件演變過程中的分消和聚合”問題，在本論文中，利用DBSCAN算法中的點簇密度大小來控製，進行簡單處理。然而，這部分值得深究：一是因為它在自然界真實存在（如2012年美國大平原幹旱演變過程後期🥗，幹旱過程分東西兩部分別發展），另一方面因為它也是點簇識別追蹤的重要技術問題。

其他應用：

3D DBSCAN算法本質是三維空間中的“去噪聲”提取研究對象的過程。除此以外🍚，它還可以用於研究對象（如大氣河、反氣旋、海洋中尺度渦等）的追蹤識別，也可以為“旱澇急轉”🙆🏿、“暖北極/冷歐亞”等機理研究提供大量更為時空分辨率精細的研究樣本。

代碼共享：

3D DBSCAN算法示例程序代碼鏈接：https://pan.baidu.com/s/1MCChQT1aNL_BlKh8C-hEgw，提取碼👯‍♂️：camd。如有使用，直接標註🐕‍🦺、引用本篇論文即可。如遇技術問題或其他相關探討🤙🏽，歡迎直接聯系作者，增進交流⚱️。

圖1. 基於3D DBSCAN算法識別所得的2022年夏季長江全域極端高溫事件的時空分布特征。（a）極端高溫事件在極值時刻的空間分布；（b）極端高溫事件的所有受熱格點、僅陸地受熱格點的面積大小的時程演變🧥；（c）極端高溫信號的質心軌跡的空間演變；（d）同期標準化距平強度的時間演變👩🏿‍🔬💷。