干旱事件的频率和强度日益增加——水资源显著减少的时期——是气候变化最令人担忧的影响之一。监测和检测这些事件对于减轻其对社会的影响至关重要。然而，传统的干旱指数往往无法准确检测这些影响，因为它们主要关注单一前兆。在本研究中，我们利用机器学习算法定义了一种新的数据驱动、基于影响的干旱指数，以植被健康指数为目标，后者是直接评估植被状态的卫星信号。我们首先应用新颖的降维方法，允许对与降水、温度、雪和湖泊相关的特征进行可解释的空间聚合。然后，我们通过过滤特征选择选择最有信息量且不冗余的特征。最后，考虑到样本数量小和保持可解释性的目标，采用线性监督学习方法。实验设置集中在波河流域的十个子流域，但目的在于设计一种可在大规模上应用的基于机器学习的工作流程.
Bonetti 等 (Mon,) 研究了这个问题.