A support vector machine based drought index for regional drought analysis
Notice bibliographique
Résumé
The increased global warming has increased the likelihood of recurrent drought hazards. Potential links between the frequency of extreme weather events and global warming have been suggested by earlier research. The spatial variability of meteorological factors over short distances can cause distortions in conclusions or limit the scope of drought analysis in a particular region when extreme values predominate. Therefore, it is challenging to make trustworthy judgments regarding the spatiotemporal characteristics of regional drought. This study aims to improve the quality and accuracy of regional drought characterization and the process of continuous monitoring. The new drought indicator presented in this study is called the Support Vector Machine based drought index (SVM-DI). It is created by adding different weights to an SVM-based X-bar chart that is displayed with regional precipitation aggregate data. The SVM-DI application site is located in Pakistan's northern area. Using the Pearson correlation coefficient for pairwise comparison, the study compares the SVM-DI and the Regional Standard Precipitation Index (RSPI). Interestingly, compared to RSPI, SVM-DI shows more pronounced regional characteristics in its correlations with other meteorological stations, with a significantly lower Coefficient of Variation. These results confirm that SVM-DI is a useful tool for regional drought analysis. The SVM-DI methodology offers a unique way to reduce the impact of extreme values and outliers when aggregating regional precipitation data.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 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) | 0,014 | 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 ».