Modelando la Sequía a Corto Plazo para el SPEI en la China Continental Usando el Modelo XGBoost
Autores: Zeng, Fanchao; Gao, Qing; Wu, Lifeng; Rao, Zhilong; Wang, Zihan; Zhang, Xinjian; Yao, Fuqi; Sun, Jinwei
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Modelando la Sequía a Corto Plazo para el SPEI en la China Continental Usando el Modelo XGBoost
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Predicción de sequías
Asignación de recursos hídricos
Productividad agrícola
Estabilidad del ecosistema
Series temporales SPEI
Modelo XGBoost
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
La predicción precisa de sequías es crucial para optimizar la asignación de recursos hídricos, salvaguardar la productividad agrícola y mantener la estabilidad del ecosistema. Este estudio desarrolla un marco metodológico para la predicción de sequías a corto plazo utilizando series temporales de SPEI (1979-2020) y evalúa tres modelos predictivos: (1) un modelo base de XGBoost (XGBoost1), (2) una variante de XGBoost optimizada por características que incorpora análisis de correlación de Pearson (XGBoost2), y (3) un modelo mejorado CPSO-XGBoost que integra optimización de enjambre de partículas híbrida con mecanismos duales de selección de características binarias y ajuste de parámetros. Los hallazgos clave revelan patrones de predicción espaciotemporales: las dependencias a escala temporal muestran que todos los modelos exhiben una capacidad limitada en SPEI-1 (R: 0.32-0.41, RMSE: 0.68-0.79) pero logran una mejora progresiva en la precisión, alcanzando su punto máximo en SPEI-12 donde CPSO-XGBoost obtiene un rendimiento óptimo (R: 0.85-0.90, RMSE: 0.33-0.43) con una reducción de error del 18.7-23.4% en comparación con las líneas base. Regionalmente, las zonas húmedas (Sur de China/Centro-Sur) demuestran la máxima precisión en SPEI-12 (R ~ 0.90, RMSE < 0.35), mientras que las regiones áridas (Desierto del Noroeste/Plataforma Qinghai-Tíbet) muestran una mejora dramática de SPEI-1 (R < 0.35, RMSE > 1.0) a SPEI-12 (R > 0.85, reducción de RMSE > 52%). El análisis de densidad de probabilidad multivariada confirma la robustez del modelo a través de una mejor captura de interacciones no lineales entre la atmósfera y la tierra y la reducción de incertidumbres en la parametrización mediante optimización de inteligencia de enjambre. La superioridad de CPSO-XGBoost proviene de la optimización sinérgica: la selección de características de enjambre de partículas binarias mejora la relevancia de la entrada mientras que el ajuste adaptativo de parámetros mejora la eficiencia computacional, abordando colectivamente los desafíos de variabilidad climática en diversos terrenos. Estos hallazgos establecen un marco computacional avanzado para sistemas de alerta temprana de sequías, proporcionando apoyo crítico para la gestión del agua resiliente al clima y la mitigación de riesgos agrícolas a través de predicciones espaciotemporales adaptativas.
Descripción
La predicción precisa de sequías es crucial para optimizar la asignación de recursos hídricos, salvaguardar la productividad agrícola y mantener la estabilidad del ecosistema. Este estudio desarrolla un marco metodológico para la predicción de sequías a corto plazo utilizando series temporales de SPEI (1979-2020) y evalúa tres modelos predictivos: (1) un modelo base de XGBoost (XGBoost1), (2) una variante de XGBoost optimizada por características que incorpora análisis de correlación de Pearson (XGBoost2), y (3) un modelo mejorado CPSO-XGBoost que integra optimización de enjambre de partículas híbrida con mecanismos duales de selección de características binarias y ajuste de parámetros. Los hallazgos clave revelan patrones de predicción espaciotemporales: las dependencias a escala temporal muestran que todos los modelos exhiben una capacidad limitada en SPEI-1 (R: 0.32-0.41, RMSE: 0.68-0.79) pero logran una mejora progresiva en la precisión, alcanzando su punto máximo en SPEI-12 donde CPSO-XGBoost obtiene un rendimiento óptimo (R: 0.85-0.90, RMSE: 0.33-0.43) con una reducción de error del 18.7-23.4% en comparación con las líneas base. Regionalmente, las zonas húmedas (Sur de China/Centro-Sur) demuestran la máxima precisión en SPEI-12 (R ~ 0.90, RMSE < 0.35), mientras que las regiones áridas (Desierto del Noroeste/Plataforma Qinghai-Tíbet) muestran una mejora dramática de SPEI-1 (R < 0.35, RMSE > 1.0) a SPEI-12 (R > 0.85, reducción de RMSE > 52%). El análisis de densidad de probabilidad multivariada confirma la robustez del modelo a través de una mejor captura de interacciones no lineales entre la atmósfera y la tierra y la reducción de incertidumbres en la parametrización mediante optimización de inteligencia de enjambre. La superioridad de CPSO-XGBoost proviene de la optimización sinérgica: la selección de características de enjambre de partículas binarias mejora la relevancia de la entrada mientras que el ajuste adaptativo de parámetros mejora la eficiencia computacional, abordando colectivamente los desafíos de variabilidad climática en diversos terrenos. Estos hallazgos establecen un marco computacional avanzado para sistemas de alerta temprana de sequías, proporcionando apoyo crítico para la gestión del agua resiliente al clima y la mitigación de riesgos agrícolas a través de predicciones espaciotemporales adaptativas.