A Machine Learning Framework for Predicting and Understanding the Canadian Drought Monitor
Notice bibliographique
Résumé
Abstract Drought is a costly natural disaster that impacts economies and ecosystems worldwide, so monitoring drought and communicating its impacts to individuals, communities, industry, and governments is important for mitigation, adaptation, and decision‐making. This research describes a novel machine learning framework to predict and understand the Canadian Drought Monitor (CDM). This fully automated approach is trained on nearly two decades of expert analysis and would assist the comprehensive monitoring of drought impacts without the continued requirement of ground support, a benefit in many data‐limited areas across the country. The framework also integrates the Shapley Additive Explanation (SHAP) variable importance metric to provide insight into drought dynamics in near real‐time, demonstrating its usefulness for understanding the value of different data sets for drought assessments and dispelling the commonly held misconception that machine learning models are not useful for inference. The results demonstrate that the model can effectively predict the CDM maps and realistically capture the evolution of drought events over time. A SHAP analysis found that the Prairie drought of 2015 was related to a strong El Niño event that reduced water supply to a region already facing long‐term water deficits, and the subsequent reduction in groundwater availability was detected by the Gravity Recovery and Climate Experiment satellite. Overall, this research shows strong potential to streamline the CDM methodology, integrate scientific insight into operations in near real‐time using SHAP values, and provide an avenue to retrospectively extend the CDM for evaluating current and future drought events in a historical context.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».