Publication:

Machine Learning Methods for Characterising and Tracking Spatiotemporal Drought events Case Study: Central America Dry Corridor

La sequía es un fenómeno natural y errático que tiene un impacto generalizado y significativo en el desarrollo socioeconómico y medioambiental. El seguimiento y la evaluación temprana de la de la sequía mediante modelos de previsión permitiría articular estrategias tempranas de control y mitigación estrategias de control y mitigación tempranas, logrando así un desarrollo óptimo en la planificación y preparación para el cambio climático. Por lo tanto, esta investigación desarrolló una metodología para el análisis espacio-temporal de patrones de sequía utilizando herramientas de aprendizaje automático en el corredor seco de Centroamérica. Para ello Para ello, se definieron algunos hitos específicos. Estos incluyen: (i) Evaluar temporal y espacialmente meteorológicos y agrícolas de las sequías, (ii) Identificar y validar los resultados de los eventos espacio-temporales mediante técnicas de visión por ordenador y, por último, (iii) Implementar modelos de previsión de sequías de aprendizaje automático. aprendizaje automático de modelos de previsión de sequías. Se utilizó el conjunto de datos mensuales del ERA 5 como entrada para la estimación del índice, el análisis espacio-temporal y los modelos de previsión. y los modelos de previsión. La frecuencia de los eventos de sequía se calculó utilizando índices SPI y SPEI estandarizados para períodos de acumulación de 1,3,6,9. Sin embargo, el 3,6 permitió un análisis más realista de las condiciones de cambio estacional en el régimen hidrológico de la zona y la identificación de la teleconexión existente entre los eventos de sequía y la escala propagación. En cuanto a la dinámica espacio-temporal, se identificaron 97 eventos de sequía de mayor extensión se identificaron 97 eventos de sequía de mayor extensión, que generalmente se originan en países como Guatemala, Nicaragua y El Salvador entre períodos estacionales no mayores a 7 meses. Además, se ha comprobado la idoneidad de modelos de aprendizaje automático como SVR, RNA y aprendizaje profundo como LSTM para la previsión de índices (r2=0.80) y la dinámica de la sequía en una ventana temporal de 1 a 6 meses por delante fue verificado con un rendimiento considerable. La metodología presentada proporciona una base importante para la caracterización y de la sequía a través de la integración de modelos de seguimiento espacio-temporal y técnicas de aprendizaje automático. y técnicas de aprendizaje automático. Por lo tanto, el desarrollo metodológico puede ser adaptado como un instrumento de seguimiento y previsión, articulado a políticas de gestión y mitigación temprana. Por último, sugerimos la adaptación de variables relacionadas con el contexto orográfico, el relieve, el uso del suelo y el cambio de la cobertura del suelo cambio de la cubierta del suelo, por ejemplo, para mejorar el rendimiento de las previsiones de los modelos de previsión expuestos.