Una metodología novedosa basada en fusión para la predicción de sequías

La predicción precisa de sequías es necesaria para la gestión efectiva de recursos agrícolas y hídricos y para la alerta temprana de riesgos. Se han desarrollado varios modelos de aprendizaje automático para la predicción de sequías. Este trabajo desarrolló y probó un modelo de conjunto basado en fusión, a saber, el modelo de apilamiento (ST), que integra el aumento extremo de gradientes (XGBoost), pronóstico aleatorio (RF) y máquina de aumento de gradientes ligero (LightGBM) para la predicción de sequías. Además, el modelo ST emplea el algoritmo SHapley Additive exPlanations (SHAP) para interpretar la relación entre variables y resultados de predicción. Se incorporaron datos de múltiples fuentes que abarcan patrones meteorológicos, de vegetación, antrópicos, de uso del suelo, patrones de teleconexión climática y características topológicas en el modelo ST propuesto. El modelo ST pronostica el índice de evapotranspiración de precipitación estandarizada (SPEI) a un plazo de un mes a escala de 12 meses. El modelo ST propuesto se aplicó y se probó en los estados federales alemanes de Brandeburgo y Berlín. Los resultados muestran que el modelo ST superó al modelo de persistencia de referencia, XGBboost, RF y LightGBM, alcanzando un valor promedio del coeficiente de determinación (R2) de 0.845 en cada mes de 2018. El método de Moran’s I espaciotemporal indica que el modelo ST captura la no estacionariedad en la modelización de la asociación estadística entre predictores y el índice de sequía meteorológica y supera a los otros tres modelos (es decir, XGBoost, RF y LightGBM). El análisis de sensibilidad global indica que el modelo ST se ve influenciado por una combinación de variables ambientales, siendo las más sensibles los índices de sequía anteriores. La precisión y versatilidad del modelo ST indican que este es un enfoque prometedor para la predicción de sequías y otros fenómenos ambientales.