基于 XGBoost 与干旱影响报道器的干旱影响定量评估
机器学习
2022-11-08 v1 应用统计
摘要
在气候变化下，干旱事件频率、强度与空间范围的不断增加导致更高的社会经济成本。然而，由于复杂性与数据稀缺，水文气象指标与干旱影响之间的关系尚未被很好识别。本文中，我们提出一种基于极端梯度提升模型（XGBoost）的框架，针对得克萨斯州预测多类别干旱影响，并将典型干旱指标标准化降水指数（SPI）与来自干旱影响报道器（DIR）的基于文本的影响相连接。本研究的初步结果显示，训练良好的模型在评估得克萨斯州农业、火灾、社会与公共健康、植物与野生动物以及救济、响应与限制方面的干旱影响具有出色表现。它还提供了利用所提框架通过水文气象指标评估美国干旱影响的可能性，可通过提供额外信息并提高干旱影响的更新频率来助力干旱风险管理。我们使用沙普利加性解释（SHAP）可解释性技术的解读结果揭示，指导 XGBoost 预测的规则符合关于 SPI 指标在干旱影响中作用的领域专业知识。
引用
@article{arxiv.2211.02768,
title = {Quantitative Assessment of Drought Impacts Using XGBoost based on the Drought Impact Reporter},
author = {Beichen Zhang and Fatima K. Abu Salem and Michael J. Hayes and Tsegaye Tadesse},
journal= {arXiv preprint arXiv:2211.02768},
year = {2022}
}
备注
4 pages with 2 figures and 1 table. NeurIPS workshop on Tackling Climate Change with Machine Learning, 2020