Global spatiotemporal variation analysis and AI prediction of terrestrial high-temperature droughts
Notice bibliographique
Résumé
In recent years, the frequency and intensity of compound high-temperature drought events have significantly increased on a global scale, posing severe challenges to agricultural production and ecological environments. To elucidate the spatiotemporal variation patterns of such extreme events and enhance prediction accuracy, this study systematically analyzed the distribution patterns and evolutionary trends of terrestrial high-temperature drought events based on the Standardized Precipitation Index (SPI) and Standardized Temperature Index (STI), utilizing global multi-source observational data from 1980 to 2022. The results indicate that regions such as Brazil, West Africa, the Arabian Desert, South Asia, and Mexico exhibit particularly prominent high-temperature trends, while precipitation significantly decreases in parts of South America, South Asia, Libya, western United States, eastern Canada, and southwestern China. Additionally, the recurrence intervals of high-temperature droughts in Venezuela, Brazil, northern Russia, Iran, and southwestern China have markedly shortened. To further improve prediction accuracy, this study employed wavelet transforms in combination with three deep learning methods—Recurrent Neural Network (RNN), Gated Recurrent Unit (GRU), and Long Short-Term Memory Network (LSTM)—to develop multi-scale predictive models for SPI and STI. The results demonstrate that all three models achieved coefficients of determination (R 2 ) exceeding 0.98 for SPI and STI predictions, with mean absolute errors (MAE) below 0.036 and 0.07, root mean squared errors (RMSE) below 0.09 and 0.05, respectively, indicating high reliability in extreme event prediction. Forecasts for 2019–2026 suggest that the frequency and intensity of compound high-temperature drought events will generally continue to rise, providing critical references for subsequent climate risk assessments and agricultural disaster prevention and control.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 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 ».