巴基斯坦干旱分析：基于卫星数据的机器学习方法
机器学习
2025-06-06 v1
摘要
干旱是巴基斯坦面临的普遍环境挑战，影响农业、社会经济稳定和粮食安全，由于其独特的地理和人为脆弱性。传统干旱指数，如标准降水指数（SPI）和帕尔默干旱严重度指数（PDSI），常常忽视关键因素，如土壤湿度和温度，限制了其分辨率。此外，当前应用于干旱预测的机器学习模型在巴基斯坦语境下研究不足，缺乏对卫星数据在多个地区的全面集成。为此，我们提出一种以卫星数据为驱动的机器学习框架，用于对巴基斯坦38个地区的干旱进行分类。使用K-means 和贝叶斯高斯混合等无监督算法进行聚类，随后采用KNN、随机森林、决策树和朴素贝叶斯等分类模型，框架整合了2012-2024年的气象数据（湿度、土壤湿度、温度）。该方法成功地将干旱严重度分类为不同层次。然而，它在不同地区显示出显著的干旱脆弱性差异，这突显了机器学习模型在识别和预测干旱条件方面的潜力。
引用
@article{arxiv.2506.04696,
title = {Enhanced Drought Analysis in Bangladesh: A Machine Learning Approach for Severity Classification Using Satellite Data},
author = {Tonmoy Paul and Mrittika Devi Mati and Md. Mahmudul Islam},
journal= {arXiv preprint arXiv:2506.04696},
year = {2025}
}