Resumo

MELCHOR VARELA, Javier Alejandro  e  RAMIREZ HERNANDEZ, Joseph Isaac. Prediction of hydrological drought by the Standardized Precipitation Evapotranspiration Index in Chihuahua, Mexico, using machine learning algorithms. Atmósfera [online]. 2024, vol.38, 53355.  Epub 07-Out-2024. ISSN 0187-6236.  https://doi.org/10.20937/atm.53355.

A pesar de ser muy común que el territorio de Chihuahua, Chihuahua, México, experimente sequía, sus consecuencias continúan impactando severamente a la población sin previo aviso. El aprendizaje automático ha demostrado tener una importante capacidad para predecir series temporales, y el índice estandarizado de evapotranspiración y precipitación (SPEI, por su sigla en inglés) se perfila como el indicador de sequía más preciso. En este estudio, se desarrollaron modelos predictivos utilizando redes neuronales artificiales (ANN), memoria a largo y corto plazo (LSTM) y regresión de vectores de soporte (SVR) para estimar el SPEI. Se consideraron escalas temporales de 12 (SPEI 12) y 24 meses (SPEI 24) para el periodo 1901-2020 en el territorio mencionado. Esto se hizo para simular el comportamiento de los ciclos de sequía y mejorar la capacidad de anticipar las consecuencias. Los índices de precisión utilizados para evaluar los modelos fueron el error cuadrático medio (MSE), el error absoluto medio (MAE), el error de sesgo medio (MBE), el coeficiente de determinación (R2) y el coeficiente de Kendall. En total, se realizaron 956 experimentos con los tres métodos, variando parámetros como el número de neuronas, el kernel y el grado del polinomio, entre otros. Se seleccionaron los dos mejores modelos para cada método y los resultados promedio revelaron MSE = 0.0051, MAE = 0.0537, MBE = 0.0218, R2 = 0.8495 y coeficiente de Kendall = 0.7592 para SPEI 12, y MSE = 0.0024, MAE = 0.0375, MBE = 0.0162, R2 = 0.9218 y coeficiente de Kendall = 0.8558 para SPEI 24.

Palavras-chave : SPEI; ANN; LSTM; SVR; drought; Mexico.

        · resumo em Inglês     · texto em Inglês     · Inglês ( pdf )