水文气候科学中的极端事件往往具有空间运动多样、跨季节以及生消时刻不一等复杂特征，而精准识别这些极端事件又是后续机理研究的重要前提。本研究借助非监督机器学习中经典的DBSCAN（基于密度的噪声应用空间聚类）算法，发展了在三维空间（经度-纬度-时间，3D）内进行目标事件识别和参数敏感性分析的研究方案。该方法利用极端事件在3D空间中的离散格点值呈现高密度性的特征，通过“1）基于3D DBSCAN算法的高密度格点聚类-2）考虑事件影响面积和历时的客观筛选-3）离散极端格点的周边中等强度格点再融合-4）搜寻与目标区域和时段重合的事件”这四个步骤，实现目标事件的客观识别，并对其空间传播、生命周期、强度演变等特征进行提取，亦进行了DBSCAN相关的参数敏感性的详细分析。该方法能成功捕获2022年长江全域高温伏秋旱事件和早期信号，也可在海洋热浪事件识别、典型尼诺尼娜事件的客观提取中得到有效应用。

        特别地，在2022年长江全域高温伏秋旱事件识别中的应用表明，本次天气尺度极端热浪和季节尺度重旱事件的产生发展、空间传播模式不同。天气尺度热浪信号自6月底从北太平洋向西南方向延伸，直至8月中旬覆盖长江全域；季节重旱信号于7月中旬从孟加拉湾陆面区域向东北向延伸，直至9月中旬覆盖长江全域。本研究论文发表在AOSL机器学习专刊，DOI链接为 https://doi.org/10.1016/j.aosl.2022.100324。