Integração de aprendizado de máquina e sensoriamento remoto para previsão de índice de seca: Um framework para gerenciamento de crise de recursos hídricos

Uma seca é um evento complexo caracterizado por baixa precipitação e tem implicações negativas para sistemas agrícolas e hidrológicos, bem como para a vida comunitária. Um índice meteorológico de seca comum usado para monitoramento de seca e gerenciamento de recursos hídricos é o Índice de Precipitação E evapotranspiração Padronizada (SPEI). O uso do SPEI pode ajudar a prever o início da seca e estimar a severidade da seca. O objetivo desta pesquisa é avaliar a precisão dos modelos de aprendizado de máquina na estimativa do índice SPEI-1 (um mês) em climas semiáridos. Para alcançar esse objetivo, os dados serão analisados usando parâmetros de sensoriamento remoto, um banco de dados mundial e informações de estações meteorológicas. O SPEI-1 foi previsto em Tabriz, Irã, entre 1990 e 2022 usando técnicas de perceptron de múltiplas camadas (MLP) e florestas aleatórias (RF) combinadas com métodos de algoritmo genético (GA). Os parâmetros utilizados são temperatura média do ar, umidade relativa média, precipitação mensal, velocidade do vento, horas ensolaradas, bem como o índice de precipitação padrão de um mês (SPI-1) (a partir de dados de solo), produtos de precipitação diária de satélites chamados PERSIANN (PRC-PR) (a partir de sensoriamento remoto) e dados do SPEIbase (a partir de bancos de dados globais). Os resultados sugerem que o uso de características de sensoriamento remoto por satélite e bancos de dados globais aumentou significativamente a precisão e a eficiência dos modelos de previsão. Com base no modelo GA-RF com um R2 de 0.992 e um RMSE de 0.124, ele apresenta o melhor desempenho entre todos os modelos no Cenário 1. Ao combinar parâmetros de sensoriamento remoto, este estudo apresenta uma abordagem inovadora para prever o índice SPEI e demonstra suas capacidades na gestão e mitigação de secas.