Advancing Spatial Drought Forecasts by Integrating an Improved Outlier Robust Extreme Learning Machine with Gridded Data: A Case Study of the Lower Mainland Basin, British Columbia, Canada
Notice bibliographique
Résumé
Droughts have extensive consequences, affecting the natural environment, water quality, public health, and exacerbating economic losses. Precise drought forecasting is essential for promoting sustainable development and mitigating risks, especially given the frequent drought occurrences in recent decades. This study introduces the Improved Outlier Robust Extreme Learning Machine (IORELM) for forecasting drought using the Multivariate Standardized Drought Index (MSDI). For this purpose, four observation stations across British Columbia, Canada, were selected. Precipitation and soil moisture data with one up to six lags are utilized as inputs, resulting in 12 variables for the model. An exhaustive analysis of all potential input combinations is conducted using IORELM to identify the best one. The study outcomes emphasize the importance of incorporating precipitation and soil moisture data for accurate drought prediction. IORELM shows promising results in drought classification, and the best input combination was found for each station based on its results. While high Area Under Curve (AUC) values across stations, a Precision/Recall trade-off indicates variable prediction tendencies. Moreover, the F1-score is moderate, meaning the balance between Precision, Recall, and Classification Accuracy (CA) is notably high at specific stations. The results show that stations near the ocean, like Pitt Meadows, have higher predictability up to 10% in AUC and CA compared to inland stations, such as Langley, which exhibit lower values. These highlight geographic influence on model performance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».