Understanding the Drivers of Drought Onset and Intensification in the Canadian Prairies: Insights from Explainable Artificial Intelligence (XAI)
Notice bibliographique
Résumé
Abstract Recent advances in artificial intelligence (AI) and explainable AI (XAI) have created opportunities to better predict and understand drought processes. This study uses a machine learning approach for understanding the drivers of drought severity and extent in the Canadian Prairies from 2005 to 2019 using climate and satellite data. The model is trained on the Canadian Drought Monitor (CDM), an extensive dataset produced by expert analysis of drought impacts across various sectors that enables a more comprehensive understanding of drought. Shapley additive explanation (SHAP) is used to understand model predictions during emerging or worsening drought conditions, providing insight into the key determinants of drought. The results demonstrate the importance of capturing spatiotemporal autocorrelation structures for accurate drought characterization and elucidates the drought time scales and thresholds that optimally separate each CDM severity category. In general, there is a positive relationship between the severity of drought and the time scale of the anomalies. However, high-severity droughts are also more complex and driven by a multitude of factors. It was found that satellite-based evaporative stress index (ESI), soil moisture, and groundwater were effective predictors of drought onset and intensification. Similarly, anomalous phases of large-scale atmosphere–ocean dynamics exhibit teleconnections with Prairie drought. Overall, this investigation provides a better understanding of the physical mechanisms responsible for drought in the Prairies, provides data-driven thresholds for estimating drought severity that could improve future drought assessments, and offers a set of early warning indicators that may be useful for drought adaptation and mitigation. Significance Statement This work is significant because it identifies drivers of drought onset and intensification in an agriculturally and economically important region of Canada. This information can be used in the future to improve early warning for adaptation and mitigation. It also uses state-of-the-art machine learning techniques to understand drought, including a novel approach called SHAP probability values to improve interpretability. This provides evidence that machine learning models are not black boxes and should be more widely considered for understanding drought and other hydrometeorological phenomena.
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 | 0,001 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».