Development of a random-forest-copula-factorial analysis (RFCFA) method for predicting propagation between meteorological and hydrological drought
Notice bibliographique
Résumé
<p indent="0mm">In the context of global climate warming, the propagation of meteorological drought (MD) may aggravate the devastating impact of hydrological drought (HD) on water security and sustainable development. There are challenges in accurately predicting the propagation of drought and effectively quantifying the effects of uncertainty, especially in data-deficient regions. In this study, a novel method called RFCFA is developed through integrating random forest (RF), copula, and factorial analysis (FA) into a general framework as well as applied to the Aral Sea Basin (a typical arid and data-scarce basin in Central Asia) under considering the impact of climate change. Several findings can be summarized: (1) the projected future drought propagation probability of ASB is 39.2%, which is about 8% higher than historical level; (2) drought propagation is mainly affected by mean climate condition, catchment characteristics (i.e., elevation, LUCC, and slope), and human activities (i.e., irrigation and reservoir operation); (3) the lower propagation probability in spring is expected under SSP1-2.6 due to increased snow meltwater, and the drought propagation probability in autumn is the highest (reaching 45.4%) under the influence of reservoir operation; (4) the combined effects of meteorological conditions and agricultural irrigation can lead to a higher probability of future propagation in the upper river basin in summer. Findings are valuable for predicting drought propagation risk, revealing main factors and inherent uncertainties, as well as providing support for drought management and disaster prevention.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».