Remote Sensing and Machine Learning for Drought Assessment: The Role of Aerodynamic Drivers in Ceará, Brazil

方法

Google Earth Engine平台TerraClimate数据，随机森林

发现

12个月累计降水最重要，风速影响超过最高温，凸显空气动力学因素。

机会点

可将风速等空气动力学驱动因子引入干旱预警与灌溉决策模型，弥补半干旱区数据稀缺。

本研究旨在利用云计算并整合随机森林机器学习模型，构建巴西塞阿拉州帕尔默干旱严重程度指数（Palmer Drought Severity Index）的时空模型。本研究依托Google Earth Engine平台，选用TerraClimate数据集，选取的时间区间为1994年至2024年。模型的决定系数（R²）达到0.72，均方根误差为1.27，表明其能够捕捉该地区的非线性动态特征。变量重要性分析表明，12个月累积降水量是主要预测因子（26.08%），其次是土壤湿度（14.75%）。此外，风速（13.04%）的影响程度高于最高温度（8.19%），凸显了空气动力学因素在该地区干旱动态中的相关性。在空间分布上，结果估计该州约8.7%的领土，尤其是Inhamuns地区以及Irauçuba市荒漠化核心区，面临极端或严重干旱脆弱性状况。这些发现表明，数据驱动模型为评估数据稀缺的半干旱地区提供了一种稳健且可扩展的替代方案。