تهیه الگوهای پیش‌بینی خشکسالی با بهره‌گیری از یادگیری ماشینی

به گزارش نیچر، تمرکز اصلی این مطالعه روی Partial Dependence Plots (PDPs) و Individual Conditional Expectation (ICE) با هدف درک رابطه شاخص های هواشناسی و پارامترهای مختلف آب و هوایی بود.

کشف شاخص های هواشناسی

محققان شاخص های بارش، تبخیر و تعرق استانداردشده (SPEI) را در مقیاس های زمانی مختلف یک، سه، شش و ۱۲ ماهه و همبستگی آن با عناصر آب و هوایی مانند بارندگی، دما، ساعات تابش آفتاب، رطوبت نسبی، سرعت باد، تبخیر و بیلان آب را مورد توجه قرار دادند. این تجزیه و تحلیل ها نشانگر رابطه ای مهم بین شاخص های هواشناسی و پارامترهای آب و هوایی بود که برخی همبستگی های مثبت و بقیه همبستگی های منفی را نشان می داد.

عوامل مهم در الگوهای پیش‌بینی خشکسالی

هدف نهایی این مطالعه شناسایی مهمترین عوامل موثر در تهیه الگوهای پیش بینی خشکسالی است. محققان از الگوریتم های تصادفی طبقه بندی جنگل که با استفاده از اعتبارسنجی متقابل به دست آمده بود، استفاده کردند.

عملکرد این الگوریتم ها با استفاده از معیارهایی مانند میانگین خطای مطلق، خطای جذر میانگین مربعات و ضریب تعیین بررسی شد. این مطالعه شامل دریافت بیلان آب، بارش، حداکثر دما و حداقل دما عناصر کلیدی موثر در الگوهای پیش بینی خشکسالی است.

خطای جذر میانگین مربعات یا انحراف جذر میانگین مربعات یا خطای جذر میانگین مربع‌ها (root-mean-square deviation (RMSD)) یا (root-mean-square error (RMSE)) تفاوت میان مقدار پیش‌بینی شده توسط مدل یا برآوردگر آماری و مقدار واقعی است. RMSD ابزار خوبی برای مقایسه خطاهای پیش‌بینی توسط یک مجموعه داده‌ است و برای مقایسه چند مجموعه داده کاربرد ندارد.

عملکرد الگوهای یادگیری ماشین

در بین مدل‌های مختلف، مدل رنجر به عنوان دقیق‌ترین مدل در پیش‌بینی شاخص بارش- تبخیر و تعرق استاندارد شده (SPEI) در مقیاس‌های زمانی مختلف ظاهر شد. این مدل توان توضیحی قابل توجهی را نشان داد و با داده های واقعی همسو بود. عملکرد مدل‌های یادگیری ماشین با استفاده از نمودارهای تیلور و نمودارهای پراکندگی ارزیابی شد.

این مطالعه نتیجه‌گیری می‌کند که عملکرد مدل‌های پیش‌بینی خشکسالی در مقیاس‌های زمانی مختلف متفاوت است و با برخی مدل‌ها مانند رنجر و الگوریتم جنگل تصادفی همخوانی نشان می‌دهد. این نتایج توانایی مدل‌ها را برای شبیه‌سازی تغییرپذیری در مناطق مختلف نشان می‌دهد که مدل رنجر در بیشتر مناطق عالی است.

در نتیجه، این مطالعه بر اهمیت یادگیری ماشینی در پیشبرد شناخت ما از الگوهای اقلیمی و تأثیرات آنها تأکید می کند. این یک رویکرد جدید برای شناسایی و پیش‌بینی شرایط خشکسالی ارائه می‌کند که به طور بالقوه انقلابی در مدیریت خشکسالی در بنگلادش ایجاد کرده است.

خشکسالی در کشورهایی که به شدت به کشاورزی متکی هستند، خطرات زیست محیطی شدیدی ایجاد می کند که به افزایش نگرانی در مورد امنیت غذایی می انجامد. بنگلادش به شدت در برابر تهدیدهای زیست محیطی آسیب پذیر است و خشکسالی وضعیت نامطمئن ۱۷۰ میلیون ساکن این کشور را تشدید کرده است.

با یک دوره چهل ساله (۱۹۸۱-۲۰۲۰) از داده های آب و هوا، روش های یادگیری ماشینی پیچیده (ML) برای طبقه بندی ۳۵ منطقه اقلیمی کشاورزی در شرایط خشک یا مرطوب با استفاده از ۹ پارامتر آب و هوایی است که بر اساس شاخص بارش- تبخیر و تعرق استانداردشده (SPEI) تعیین می شود، استفاده شد. از میان ۲۴ الگوریتم ML، چهار روش بهتر شامل رنجر، bagEarth، ماشین بردار پشتیبان و جنگل تصادفی (RF) برای پیش‌بینی شاخص‌های خشکسالی شناسایی شد.

الگوریتم های جنگ تصادفی و بوروتا نشان می‌دهد بیلان آب، بارش، حداکثر و حداقل دما تأثیر بیشتری بر شدت و وقوع خشکسالی در سراسر بنگلادش دارند.

روند تحلیل مکانی - زمانی نشان می دهد شدت خشکسالی در طول زمان کاهش یافته، اما زمان بازگشت افزایش یافته است. شدت خشکسالی از مناطق شمالی به مناطق مرکزی و جنوبی بنگلادش تغییر کرد که تأثیر نامطلوبی بر تولید محصول و معیشت خانوارهای روستایی و شهری داشت؛ بنابراین، این مطالعه دقیق پیامدهای مهمی برای درک پیش‌بینی خشکسالی و چگونگی کاهش اثرات آن دارد.

این مطالعه بر نیاز به همکاری بهتر بین ذینفعان مربوطه مانند سیاست گذاران، محققان، جوامع و بازیگران محلی برای تهیه راهبردهای سازگاری موثر و افزایش نظارت بر شرایط آب و هوایی برای مدیریت دقیق خشکسالی در بنگلادش تأکید دارد.

این یافته‌ها نشان داد بنگلادش سطوح مختلفی از خشکسالی را تجربه کرده است. دما به عنوان یک عامل حیاتی موثر بر شرایط خشکسالی با حداقل، حداکثر و میانگین دماهای فراتر از آستانه های معین که منجر به شرایط خشکسالی شدید در بازه های زمانی مختلف شده است، شناخته می شود. این اطلاعات برای درک اینکه چگونه تغییرات دما می تواند بر شدت خشکسالی تأثیر بگذارد، ارزشمند است. علاوه بر این، مشاهده شد دوره های طولانی ساعات آفتابی و میزان رطوبت نسبی بالا نیز به شرایط خشکسالی در منطقه کمک می کند. همچنین سرعت پایین باد و تبخیر و تعرق زیاد شرایط خشکسالی را تشدید می کند.

این تحقیق توصیه‌های خاصی را برای پرداختن به جنبه‌های مختلف کاهش خشکسالی در بنگلادش پیشنهاد می‌کند. برای ارتقای مدیریت منابع آب، از راهبردهای دفاع که سیستم‌های ذخیره، تخصیص و توزیع آب را بهبود بخشد، از جمله ساخت مخازن، ترویج بازیافت آب و برداشت آب باران و همچنین اجرای شیوه‌های حفاظت از آب حمایت شده است.

برای بهبود انعطاف‌پذیری کشاورزی، اهمیت اتخاذ شیوه‌های کشاورزی هوشمند اقلیمی مانند کشت انواع محصولات مقاوم به خشکی، اجرای تکنیک‌های آبیاری کارآمد، تناوب کشت، ترویج جنگل زراعی و اتخاذ شیوه‌های مدیریت پایدار زمین توصیه شده است. علاوه بر این، بر اهمیت تقویت سیستم‌های هشدار اولیه با ادغام داده‌های اقلیمی، فناوری‌های سنجش از راه دور و تکنیک‌های مدل‌سازی پیشرفته برای بهبود دقت و زمان پیش‌بینی خشکسالی تاکید شده است. هدف این توصیه‌ها افزایش آمادگی و واکنش به خشکسالی از طریق توسعه طرح‌های اضطراری خشکسالی، ایجاد چارچوب‌های نظارت و ارزیابی خشکسالی، و ارائه حمایت مالی و فنی برای جوامع آسیب‌پذیر است.

در نهایت، این مطالعه از تدوین و اجرای سیاست‌هایی که اولویت کاهش خطر خشکسالی و مدیریت پایدار منابع آب را در اولویت قرار می‌دهند، از جمله ادغام استراتژی‌های کاهش خشکسالی در برنامه‌های توسعه ملی و منطقه‌ای، ایجاد چارچوب‌های نظارتی و تخصیص منابع مالی برای پروژه‌های تاب‌آوری به خشکسالی حمایت می کند.