基于机器学习的干旱预测,使用埃塞俄比亚的Palmer干旱严重程度指数和TerraClimate数据
Tadele Melese1,2, Gizachew Assefa3, Baye Terefe4
1Department of Natural Resource Management, College of Agriculture and Environmental Science, Bahir Dar University, Bahir Dar, Ethiopia.
在埃塞俄比亚,准确的干旱预测至关重要. 机器学习模型,特别是随机森林模型,在使用气候数据对干旱严重程度的分类方面表现强,有助于水资源管理和农业规划.
科学领域:
- 环境科学 环境科学
- 气候科学 气候科学
- 数据科学数据科学数据科学
背景情况:
- 埃塞俄比亚面临着显著的气候变化和干旱易感性.
- 准确的干旱预测对于水资源管理和农业规划至关重要.
研究的目的:
- 使用机器学习模型对帕尔默干旱严重程度指数 (PDSI) 进行分类.
- 评估TerraClimate数据上的各种分类器,用于埃塞俄比亚的干旱预测.
主要方法:
- 使用的物流回归,SVM,KNN,决策树,随机森林,梯度提升,天真贝斯,AdaBoost和XGBoost.
- 针对数据不平衡,使用混合再采样方法 (upsampling和SMOTE).
- 通过网格搜索和交叉验证进行超参数调整.
主要成果:
- 随机森林获得了最高的精度 (71.18%),F1得分 (0.71),和ROC AUC (0.9000).
- 梯度提升和SVM也表现出强的表现 (ROC AUC为0.8982和0.8681).
- SHAP分析确定了土壤水分,降水和蒸汽压力赤字作为关键预测因素.
结论:
- 集体学习模型,特别是随机森林,对于干旱严重程度的分类是有效的.
- 对于复杂的气候数据,机器学习比传统的时间序列模型 (ARIMA) 有优势.
- 这些发现支持埃塞俄比亚的干旱预警系统和气候弹性.
更多相关视频
06:35Semi-High Throughput Screening for Potential Drought-tolerance in Lettuce Lactuca sativa Germplasm Collections
Published on: April 17, 2015
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
相关概念视频
Responses to Drought and Flooding
What is Climate?
Precipitation and Co-precipitation
Global Climate Change
Precipitation Processes
Adaptations that Reduce Water Loss
