Dynamical systems-inspired machine learning methods for drought prediction
Notice bibliographique
Résumé
Drought is a naturally occurring phenomenon that affects millions of people and results in billions of dollars in damages each year, with impacts expected to worsen due to climate change. At the same time, definitions of drought are nebulous, and extant quantitative drought indicators suffer from short prediction horizons. One such indicator is the Normalized Vegetation Difference Index (NDVI), which measures photosynthetic activity, making it a strong proxy for vegetation density. Recent studies have identified chaotic attractors in satellite-derived NDVI time-series, suggesting a dynamical systems framework may be helpful for time-series prediction of NDVI. In this study, we compare the performance of a mechanistic model and two physics-informed machine learning methods (Sparse Identification of Nonlinear Dynamics [SINDy] and reservoir computing) on the prediction of NDVI time-series data in drought-prone regions of Kenya. We find that SINDy, a sparse polynomial modelling architecture, narrowly outperforms the other two methods with the use of precipitation data, while also retaining some of the interpretability of the mechanistic model. We also find that none of the methods perform as well in the regions in which the chaotic NDVI attractors were originally identified. We conclude by proposing more sophisticated extensions to the methods presented here, both with and without the availability of precipitation data, that draw on the existing dynamical systems and machine learning literature to enable better quantitative predictions of key drought indicators. • Interest in applications of data-driven dynamical systems is growing. • These methods could be applied to time series of vegetation data. • We compare three methods for prediction of Normalized Vegetation Difference Index (NDVI) data. • Continued development of this approach could improve drought prediction.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».