基于机器学习的加州干旱预测
机器学习
2025-02-13 v1
摘要
干旱是加州频繁且代价巨大的自然灾害，对农业生产和水资源（尤其是地下水） availability 造成严重负面影响。本研究探究了应用不同机器学习方法预测加州美国干旱监测分类（U.S. Drought Monitor）的性能。采用四种方法：卷积神经网络（CNN）、随机森林、XGBoost 和长短期记忆（LSTM）循环神经网络，并与基线持久模型进行比较。我们使用宏平均F1分数评估模型在预测严重干旱（USDM干旱类别D2或更高）时的性能。实验结果表明，LSTM模型综合表现最佳，随后依次为XGBoost、CNN和随机森林。进一步的县级评估表明，LSTM模型在干旱模式较为稳定且严重干旱更常见的县份中表现更佳，而在干旱评分迅速上升的地区表现较差。利用30周的历史数据，LSTM模型成功预测了12周的干旱评分，平均绝对误差（MAE）为0.33，相当于0至5比例尺上小于半个干旱类别。此外，LSTM模型实现了0.9的宏F1分数，表明其在严重干旱条件下的二分类准确率很高。对不同窗口大小和未来预测时限进行评估后发现，至少需要24周的数据才能获得最佳性能，较短的预测时限（尤其是小于8周）表现更佳。
引用
@article{arxiv.2502.08622,
title = {Forecasting Drought Using Machine Learning in California},
author = {Nan K. Li and Angela Chang and David Sherman},
journal= {arXiv preprint arXiv:2502.08622},
year = {2025}
}