基于机器学习预测短期干旱影响以支持减缓与适应措施
机器学习
2025-12-23 v1 人工智能
摘要
干旱是一种复杂的自然灾害，影响生态系统和人类系统，常常导致重大的环境和经济损失。最近干旱的严重程度、频率和持续时间的增加凸显了有效监测和减缓策略的必要性。预测干旱影响而非仅预测干旱条件，为支持早期预警系统和主动决策提供了机会。本研究应用机器学习技术将干旱指数与历史干旱影响记录 (2005-2024) 关联起来，以生成短期影响预测。通过解决关于时间尺度和影响量化的关键概念和数据驱动挑战，本研究旨在提高在可操作 lead time 范围内的干旱影响可预测性。将干旱严重程度和覆盖率指数 (DSCI) 和蒸发应力指数 (ESI) 与来自干旱影响报告系统 (DIR) 的影响数据相结合，对进行建模和预测周度干旱影响。结果表明，Fire 和 Relief 影响的预测精度最高，其次是 Agriculture 和 Water，而对 Plants 和 Society 影响的预测显示出更大的变动性。我们使用包含 DSCI 和 ESI 的 eXtreme Gradient Boosting (XGBoost) 模型为新墨西哥州的县和州层面预测，成功在大多数影响类别中提前 8 周生成预测。该工作支持开发新墨西哥州生态干旱信息沟通系统 (EcoDri)，并展示了在类似干旱地区更广泛应用的潜力。这些发现有助于利益相关者、土地管理者和决策者制定和实施更有效的干旱减缓和适应策略。
关键词
引用
@article{arxiv.2512.18522,
title = {Prediction and Forecast of Short-Term Drought Impacts Using Machine Learning to Support Mitigation and Adaptation Efforts},
author = {Hatim M. E. Geli and Islam Omar and Mona Y. Elshinawy and David W. DuBios and Lara Prehodko and Kelly H Smith and Abdel-Hameed A. Badawy},
journal= {arXiv preprint arXiv:2512.18522},
year = {2025}
}
备注
29 pages