Forecasting drought across Canada using a hybrid machine learning approach: a national perspective for adaptations and early warning systems

方法

FAEMD分解、edRVFL网络与EVO优化，基于24站74年气象数据。

发现

该框架在1-3个月预见期均最优，相关系数达0.999、0.980、0.906。

机会点

可将该混合分解-深度学习框架迁移至农业干旱与作物产量耦合预警，并探索多源遥感数据融合。

干旱是加拿大的主要自然灾害，在该国多样的气候和地理区域造成了显著的社会经济影响。本研究提出了一种混合预测框架，将快速自适应经验模态分解（FAEMD）、集成深度随机向量函数链接（edRVFL）网络和能量谷优化器（EVO）相结合，用于对非平稳水文时间序列进行建模。利用加拿大24个气象站74年（1951—2024年）的气象数据，我们首先识别出历史干旱状况中存在显著的空间变异性和非平稳趋势。随后，采用所提出的FAEMD-edRVFL-EVO框架对1个月、2个月和3个月预见期的标准化降水蒸散指数（SPEI 12）进行预测，并与极端梯度提升、随机森林和k近邻算法的独立及混合实现进行了比较。FAEMD-edRVFL-EVO始终取得最佳性能，1个月、2个月和3个月预测的相关系数中位数分别为0.999、0.980和0.906。在气候复杂的地区，尤其是加拿大西部和北部，性能依然强劲。通过有效分离非平稳信号，本应用研究表明，该集成流程为在日益增加的气候不确定性下进行大规模干旱预测和预警提供了一种可扩展、准确且计算高效的实用解决方案。