Desentrañando la Variación de la Sequía Utilizando Métodos de Aprendizaje Automático en Seis Ciudades Capitales de Australia
Autores: Yang, Wenjing; Doulabian, Shahab; Shadmehri Toosi, Amirhossein; Alaghmand, Sina
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Desentrañando la Variación de la Sequía Utilizando Métodos de Aprendizaje Automático en Seis Ciudades Capitales de Australia
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Comprensión
Proyección
Sequía
Cambio climático
Aprendizaje automático
Australia
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Entender y proyectar la sequía, especialmente frente al cambio climático, es crucial para evaluar sus riesgos inminentes. Sin embargo, las causas de la sequía son multifacéticas. A medida que el paradigma de la investigación ambiental se inclina hacia el aprendizaje automático (ML) para las predicciones, nuestra investigación contrastó múltiples técnicas de ML para simular el Índice de Evapotranspiración de Precipitación Estandarizado (SPEI) de 2009 a 2022, utilizando varios métodos de evapotranspiración potencial (PET). Nuestro enfoque principal fue Australia, el continente habitado más seco del mundo. Dadas las dificultades con la interpretación de modelos de ML, se emplearon valores SHAP (SHapley Additive exPlanations) para descifrar las variaciones del SPEI y evaluar la importancia relativa de la precipitación (Prec) y el PET en seis ciudades clave de Australia. Nuestros hallazgos revelaron que, si bien diferentes métodos de PET resultaron en valores medios distintos, sus tendencias se mantuvieron consistentes. Después de la Sequía del Milenio, Australia experimentó varios eventos de sequía. Las discrepancias del SPEI basadas en métodos de PET fueron mínimas en regiones húmedas como Brisbane y Darwin. Sin embargo, para las ciudades áridas, el SPEI impulsado por la ecuación de Priestley-Taylor difería notablemente de otros métodos. La regresión de Ridge fue la más hábil para reflejar los cambios del SPEI entre los modelos de ML evaluados. Además, el explicador SHAP discernió que las variables climáticas relacionadas con el PET tenían un mayor impacto en el SPEI en ciudades más secas, mientras que en ciudades húmedas, la Prec era más influyente. Notablemente, la investigación enfatizó el papel del CO en la influencia de la dinámica de la sequía en ciudades húmedas. Estos conocimientos son invaluables para mejorar las estrategias de mitigación de la sequía y refinar los modelos predictivos. Tales revelaciones son cruciales para los interesados que buscan mejorar la predicción y gestión de la sequía, especialmente en regiones propensas a la sequía como Australia.
Descripción
Entender y proyectar la sequía, especialmente frente al cambio climático, es crucial para evaluar sus riesgos inminentes. Sin embargo, las causas de la sequía son multifacéticas. A medida que el paradigma de la investigación ambiental se inclina hacia el aprendizaje automático (ML) para las predicciones, nuestra investigación contrastó múltiples técnicas de ML para simular el Índice de Evapotranspiración de Precipitación Estandarizado (SPEI) de 2009 a 2022, utilizando varios métodos de evapotranspiración potencial (PET). Nuestro enfoque principal fue Australia, el continente habitado más seco del mundo. Dadas las dificultades con la interpretación de modelos de ML, se emplearon valores SHAP (SHapley Additive exPlanations) para descifrar las variaciones del SPEI y evaluar la importancia relativa de la precipitación (Prec) y el PET en seis ciudades clave de Australia. Nuestros hallazgos revelaron que, si bien diferentes métodos de PET resultaron en valores medios distintos, sus tendencias se mantuvieron consistentes. Después de la Sequía del Milenio, Australia experimentó varios eventos de sequía. Las discrepancias del SPEI basadas en métodos de PET fueron mínimas en regiones húmedas como Brisbane y Darwin. Sin embargo, para las ciudades áridas, el SPEI impulsado por la ecuación de Priestley-Taylor difería notablemente de otros métodos. La regresión de Ridge fue la más hábil para reflejar los cambios del SPEI entre los modelos de ML evaluados. Además, el explicador SHAP discernió que las variables climáticas relacionadas con el PET tenían un mayor impacto en el SPEI en ciudades más secas, mientras que en ciudades húmedas, la Prec era más influyente. Notablemente, la investigación enfatizó el papel del CO en la influencia de la dinámica de la sequía en ciudades húmedas. Estos conocimientos son invaluables para mejorar las estrategias de mitigación de la sequía y refinar los modelos predictivos. Tales revelaciones son cruciales para los interesados que buscan mejorar la predicción y gestión de la sequía, especialmente en regiones propensas a la sequía como Australia.