干ばつ予測のための新しいフュージョンベースの方法論

正確な干ばつ予測は、効果的な農業および水資源管理に必要であり、早期のリスク警告にも重要です。干ばつ予測のために様々な機械学習モデルが開発されてきました。本研究では、極端な勾配ブースティング（XGBoost）、ランダムフォレスト（RF）、およびライト勾配ブースティングマシン（LightGBM）を統合したスタッキング（ST）モデルというフュージョンベースのアンサンブルモデルを開発・テストしました。さらに、STモデルはSHapley Additive exPlanations（SHAP）アルゴリズムを使用して、変数と予測結果との関係を解釈します。提案されたSTモデルには、気象、植生、人為的要因、土地被覆、気候テレコネクションパターン、およびトポロジー特性を含む多様なデータが組み込まれています。STモデルは、12ヶ月スケールで1ヶ月先の標準化された降水蒸発指数（SPEI）を予測します。提案されたSTモデルは、ドイツのブランデンブルク州とベルリンに適用され、テストされました。結果は、STモデルが基準となる持続モデル、XGBoost、RF、LightGBMよりも優れており、2018年の各月で平均決定係数（R2）が0.845に達したことを示しています。時空間モランのI法は、STモデルが予測変数と気象干ばつ指数との統計的関係のモデリングにおいて非定常性を捉え、他の3モデル（XGBoost、RF、LightGBM）よりも優れていることを示しています。グローバル感度分析は、STモデルが前の干ばつ指数を最も敏感な環境変数の組み合わせの影響を受けることを示しています。STモデルの精度と汎用性は、干ばつおよび他の環境現象の予測に有望なアプローチであることを示しています。