Machine Learning Methods for Characterising and Tracking Spatiotemporal Drought events Case Study: Central America Dry Corridor

Abstract

Drought is a natural, erratic phenomenon that has a widespread and significant impact on socioeconomic and environmental development. The early monitoring and evaluation of drought through forecasting models would allow the articulation of early control and mitigation strategies, thus achieving an optimal development in planning and preparation for climate change. Therefore, this research developed a methodology for spatiotemporal analysis of drought patterns using automatic learning tools in the dry corridor of Central America. To this end, some specific milestones were defined. These include: (i) To assess temporal and spatial meteorological and agricultural droughts events, (ii) Identifying and validate results of the spatiotemporal events using computer vision techniques and finally (iii) Implementing machine learning drought forecasting models. ERA 5 monthly land average dataset was used as input for index estimation, spatiotemporal analysis and forecasting models. The frequency of drought events was calculated using standardized SPI and SPEI indices for accumulation periods of 1,3,6,9. However, 3,6 allowed a more realistic analysis of the seasonal change conditions in the hydrological regime of the area and the identification of the existing teleconnection between drought events and scale propagation. Regarding the spatiotemporal dynamics, 97 drought events of greater extension were identified, which are generally originated in countries such as Guatemala, Nicaragua, and El Salvador between seasonal periods not longer than 7 months. Additionally, the suitability of automatic learning models such as SVR, ANN and deep learning such as LSTM for index forecasting (r2=0.80) and drought dynamics in a temporal window of 1 to 6 months ahead was verified with considerable performance. The presented methodology provides an important basis for drought characterization and forecasting through the integration of spatiotemporal tracking models and machine learning techniques. Therefore, the methodological development can be adapted as an instrument for monitoring and forecasting, articulated to management and early mitigation policies. Finally, we suggest adapting variables related to the orographic context, relief, land use and land cover change, for instance, to improve the forecasting performance of the exposed forecasting models.

La sequía es un fenómeno natural y errático que tiene un impacto generalizado y significativo en el desarrollo socioeconómico y medioambiental. El seguimiento y la evaluación temprana de la de la sequía mediante modelos de previsión permitiría articular estrategias tempranas de control y mitigación estrategias de control y mitigación tempranas, logrando así un desarrollo óptimo en la planificación y preparación para el cambio climático. Por lo tanto, esta investigación desarrolló una metodología para el análisis espacio-temporal de patrones de sequía utilizando herramientas de aprendizaje automático en el corredor seco de Centroamérica. Para ello Para ello, se definieron algunos hitos específicos. Estos incluyen: (i) Evaluar temporal y espacialmente meteorológicos y agrícolas de las sequías, (ii) Identificar y validar los resultados de los eventos espacio-temporales mediante técnicas de visión por ordenador y, por último, (iii) Implementar modelos de previsión de sequías de aprendizaje automático. aprendizaje automático de modelos de previsión de sequías. Se utilizó el conjunto de datos mensuales del ERA 5 como entrada para la estimación del índice, el análisis espacio-temporal y los modelos de previsión. y los modelos de previsión. La frecuencia de los eventos de sequía se calculó utilizando índices SPI y SPEI estandarizados para períodos de acumulación de 1,3,6,9. Sin embargo, el 3,6 permitió un análisis más realista de las condiciones de cambio estacional en el régimen hidrológico de la zona y la identificación de la teleconexión existente entre los eventos de sequía y la escala propagación. En cuanto a la dinámica espacio-temporal, se identificaron 97 eventos de sequía de mayor extensión se identificaron 97 eventos de sequía de mayor extensión, que generalmente se originan en países como Guatemala, Nicaragua y El Salvador entre períodos estacionales no mayores a 7 meses. Además, se ha comprobado la idoneidad de modelos de aprendizaje automático como SVR, RNA y aprendizaje profundo como LSTM para la previsión de índices (r2=0.80) y la dinámica de la sequía en una ventana temporal de 1 a 6 meses por delante fue verificado con un rendimiento considerable. La metodología presentada proporciona una base importante para la caracterización y de la sequía a través de la integración de modelos de seguimiento espacio-temporal y técnicas de aprendizaje automático. y técnicas de aprendizaje automático. Por lo tanto, el desarrollo metodológico puede ser adaptado como un instrumento de seguimiento y previsión, articulado a políticas de gestión y mitigación temprana. Por último, sugerimos la adaptación de variables relacionadas con el contexto orográfico, el relieve, el uso del suelo y el cambio de la cobertura del suelo cambio de la cubierta del suelo, por ejemplo, para mejorar el rendimiento de las previsiones de los modelos de previsión expuestos.