به نقل از نیچر، تمرکز مهم این مطالعه روی Partial Dependence Plots (PDPs) و Individual Conditional Expectation (ICE) با مقصد فهمیدن رابطه شاخص های هواشناسی و پارامترهای گوناگون آب و هوایی می بود.

کشف شاخص های هواشناسی

محققان شاخص های بارش، تبخیر و تعرق استانداردشده (SPEI) را در مقیاس های وقتی گوناگون یک، سه، شش و ۱۲ ماهه و همبستگی آن با عناصر آب و هوایی همانند بارندگی، دما، ساعات تابش آفتاب، رطوبت نسبی، شدت باد، تبخیر و بیلان آب را مورد دقت قرار دادند. این تجزیه و تحلیل ها نشانگر رابطه ای مهم بین شاخص های هواشناسی و پارامترهای آب و هوایی می بود که برخی همبستگی های مثبت و بقیه همبستگی های منفی را نشان می داد.

عوامل مهم در الگوهای پیش‌بینی خشکسالی

مقصد نهایی این مطالعه شناسایی با اهمیت ترین عوامل موثر در تهیه الگوهای پیش بینی خشکسالی است. محققان از الگوریتم های اتفاقی طبقه بندی جنگل که با منفعت گیری از اعتبارسنجی متقابل به دست آمده می بود، منفعت گیری کردند.

کارکرد این الگوریتم ها با منفعت گیری از معیارهایی همانند میانگین خطای مطلق، خطای جذر میانگین مربعات و ضریب تعیین بازدید شد. این مطالعه شامل دریافت بیلان آب، بارش، حداکثر دما و حداقل دما عناصر کلیدی موثر در الگوهای پیش بینی خشکسالی است.

خطای جذر میانگین مربعات یا انحراف جذر میانگین مربعات یا خطای جذر میانگین مربع‌ها (root-mean-square deviation (RMSD)) یا (root-mean-square error (RMSE)) تفاوت بین مقدار پیش‌بینی شده توسط مدل یا برآوردگر آماری و مقدار واقعی است. RMSD ابزار خوبی برای قیاس خطاهای پیش‌بینی توسط یک مجموعه داده‌ است و برای قیاس چند مجموعه داده کاربرد ندارد.

کارکرد الگوهای یادگیری ماشین

در بین مدل‌های گوناگون، مدل رنجر به گفتن دقیق‌ترین مدل در پیش‌بینی شاخص بارش- تبخیر و تعرق استاندارد شده (SPEI) در مقیاس‌های وقتی گوناگون ظاهر شد. این مدل توان توضیحی قابل توجهی را نشان داد و با داده های واقعی همسو می بود. کارکرد مدل‌های یادگیری ماشین با منفعت گیری از نمودارهای تیلور و نمودارهای پراکندگی برسی شد.

این مطالعه نتیجه‌گیری می‌کند که کارکرد مدل‌های پیش‌بینی خشکسالی در مقیاس‌های وقتی گوناگون متفاوت است و با برخی مدل‌ها همانند رنجر و الگوریتم جنگل اتفاقی همخوانی مشخص می کند. این نتایج توانایی مدل‌ها را برای همانند‌سازی تغییرپذیری در مناطق گوناگون مشخص می کند که مدل رنجر در زیاد تر مناطق عالی است.

در نتیجه، این مطالعه بر اهمیت یادگیری ماشینی در پیشبرد شناخت ما از الگوهای اقلیمی و تأثیرات آنها پافشاری می کند. این یک رویکرد تازه برای شناسایی و پیش‌بینی شرایط خشکسالی اراعه می‌کند که به طور بالقوه انقلابی در مدیریت خشکسالی در بنگلادش به وجود اورده است.

خشکسالی در کشورهایی که به شدت به کشاورزی متکی می باشند، خطرات زیست محیطی شدیدی تشکیل می کند که به افزایش نگرانی در رابطه امنیت غذایی می انجامد. بنگلادش به شدت در برابر تهدیدهای زیست محیطی صدمه پذیر است و خشکسالی حالت نامطمئن ۱۷۰ میلیون ساکن این سرزمین را تشدید کرده است.

با یک دوره چهل ساله (۱۹۸۱-۲۰۲۰) از داده های آب و هوا، روش های یادگیری ماشینی پیچیده (ML) برای طبقه بندی ۳۵ منطقه اقلیمی کشاورزی در شرایط خشک یا مرطوب با منفعت گیری از ۹ پارامتر آب و هوایی است که بر پایه شاخص بارش- تبخیر و تعرق استانداردشده (SPEI) تعیین می بشود، منفعت گیری شد. از بین ۲۴ الگوریتم ML، چهار روش بهتر شامل رنجر، bagEarth، ماشین بردار پشتیبان و جنگل اتفاقی (RF) برای پیش‌بینی شاخص‌های خشکسالی شناسایی شد.

الگوریتم های جنگ اتفاقی و بوروتا مشخص می کند بیلان آب، بارش، حداکثر و حداقل دما تأثیر بیشتری بر شدت و وقوع خشکسالی در سراسر بنگلادش دارند.

روال تحلیل مکانی – وقتی نشان می دهد شدت خشکسالی در طول زمان افت یافته، اما زمان برگشت افزایش یافته است. شدت خشکسالی از مناطق شمالی به مناطق مرکزی و جنوبی بنگلادش تحول کرد که تأثیر نامطلوبی بر تشکیل محصول و معیشت خانوارهای روستایی و شهری داشت؛ به این علت، این مطالعه دقیق پیامدهای مهمی برای فهمیدن پیش‌بینی خشکسالی و چگونگی افت اثرات آن دارد.

این مطالعه بر نیاز به همکاری بهتر بین ذینفعان وابسته همانند سیاست گذاران، محققان، جوامع و بازیگران محلی برای تهیه راهبردهای سازگاری موثر و افزایش نظارت بر شرایط آب و هوایی برای مدیریت دقیق خشکسالی در بنگلادش پافشاری دارد.

این یافته‌ها نشان داد بنگلادش سطوح مختلفی از خشکسالی را توانایی کرده است. دما به گفتن یک عامل حیاتی موثر بر شرایط خشکسالی با حداقل، حداکثر و میانگین دماهای فراتر از اغاز های معین که تبدیل شرایط خشکسالی شدید در بازه های وقتی گوناگون شده است، شناخته می بشود. این اطلاعات برای فهمیدن این که چطور تغییرات دما می تواند بر شدت خشکسالی تأثیر بگذارد، مورد قیمت است. علاوه بر این، مشاهده شد دوره های طویل ساعات آفتابی و مقدار رطوبت نسبی بالا نیز به شرایط خشکسالی در منطقه پشتیبانی می کند. این چنین شدت پایین باد و تبخیر و تعرق زیاد شرایط خشکسالی را تشدید می کند.

این تحقیق پیشنهاد‌های خاصی را برای پرداختن به جنبه‌های گوناگون افت خشکسالی در بنگلادش نظر می‌کند. برای ترقی مدیریت منبع های آب، از راهبردهای دفاع که سیستم‌های ذخیره، تخصیص و توزیع آب را بهبود بخشد، از جمله ساخت مخازن، ترویج بازیافت آب و برداشت آب باران و این چنین اجرای روشهای حفاظت از آب حمایتشده است.

برای بهبود انعطاف‌پذیری کشاورزی، اهمیت اتخاذ روشهای کشاورزی هوشمند اقلیمی همانند کشت انواع محصولات مقاوم به خشکی، اجرای تکنیک‌های آبیاری کارآمد، تناوب کشت، ترویج جنگل زراعی و اتخاذ روشهای مدیریت پایدار زمین پیشنهاد شده است. علاوه بر این، بر اهمیت تحکیم سیستم‌های هشدار اولیه با ادغام داده‌های اقلیمی، فناوری‌های سنجش از راه دور و تکنیک‌های مدل‌سازی پیشرفته برای بهبود دقت و زمان پیش‌بینی خشکسالی اصرار شده است. مقصد این پیشنهاد‌ها افزایش آمادگی و عکس العمل به خشکسالی از طریق گسترش مطرح‌های اضطراری خشکسالی، تشکیل چارچوب‌های نظارت و برسی خشکسالی، و اراعه حمایتمالی و فنی برای جوامع صدمه‌پذیر است.

در نهایت، این مطالعه از تدوین و اجرای سیاست‌هایی که برتری افت خطر خشکسالی و مدیریت پایدار منبع های آب را در برتری قرار خواهند داد، از جمله ادغام استراتژی‌های افت خشکسالی در برنامه‌های گسترش ملی و منطقه‌ای، تشکیل چارچوب‌های نظارتی و تخصیص منبع های مالی برای پروژه‌های تاب‌آوری به خشکسالی حمایتمی کند.