Published October 31, 2023
| Version v1
Publication
Open
Machine learning models development for accurate multi-months ahead drought forecasting: Case study of the Great Lakes, North America
Creators
- 1. National University of Malaysia
- 2. King Fahd University of Petroleum and Minerals
Description
The Great Lakes are critical freshwater sources, supporting millions of people, agriculture, and ecosystems. However, climate change has worsened droughts, leading to significant economic and social consequences. Accurate multi-month drought forecasting is, therefore, essential for effective water management and mitigating these impacts. This study introduces the Multivariate Standardized Lake Water Level Index (MSWI), a modified drought index that utilizes water level data collected from 1920 to 2020. Four hybrid models are developed: Support Vector Regression with Beluga whale optimization (SVR-BWO), Random Forest with Beluga whale optimization (RF-BWO), Extreme Learning Machine with Beluga whale optimization (ELM-BWO), and Regularized ELM with Beluga whale optimization (RELM-BWO). The models forecast droughts up to six months ahead for Lake Superior and Lake Michigan-Huron. The best-performing model is then selected to forecast droughts for the remaining three lakes, which have not experienced severe droughts in the past 50 years. The results show that incorporating the BWO improves the accuracy of all classical models, particularly in forecasting drought turning and critical points. Among the hybrid models, the RELM-BWO model achieves the highest level of accuracy, surpassing both classical and hybrid models by a significant margin (7.21 to 76.74%). Furthermore, Monte-Carlo simulation is employed to analyze uncertainties and ensure the reliability of the forecasts. Accordingly, the RELM-BWO model reliably forecasts droughts for all lakes, with a lead time ranging from 2 to 6 months. The study's findings offer valuable insights for policymakers, water managers, and other stakeholders to better prepare drought mitigation strategies.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تعد البحيرات العظمى مصادر مهمة للمياه العذبة، حيث تدعم ملايين الأشخاص والزراعة والنظم الإيكولوجية. ومع ذلك، فقد أدى تغير المناخ إلى تفاقم حالات الجفاف، مما أدى إلى عواقب اقتصادية واجتماعية كبيرة. وبالتالي، فإن التنبؤ الدقيق بالجفاف لعدة أشهر أمر ضروري للإدارة الفعالة للمياه والتخفيف من هذه الآثار. تقدم هذه الدراسة مؤشر مستوى مياه البحيرة الموحد متعدد المتغيرات (MSWI)، وهو مؤشر جفاف معدل يستخدم بيانات مستوى المياه التي تم جمعها من عام 1920 إلى عام 2020. تم تطوير أربعة نماذج هجينة: دعم انحدار المتجهات مع تحسين الحيتان البيضاء (SVR - BWO)، والغابة العشوائية مع تحسين الحيتان البيضاء (RF - BWO)، وآلة التعلم المتطرف مع تحسين الحيتان البيضاء (ELM - BWO)، والدردار المنتظم مع تحسين الحيتان البيضاء (RELM - BWO). وتتوقع النماذج حدوث جفاف قبل ستة أشهر في بحيرة سوبيريور وبحيرة ميشيغان- هورون. ثم يتم اختيار النموذج الأفضل أداءً للتنبؤ بموجات الجفاف للبحيرات الثلاث المتبقية، والتي لم تشهد موجات جفاف شديدة في السنوات الخمسين الماضية. تظهر النتائج أن دمج BWO يحسن دقة جميع النماذج الكلاسيكية، لا سيما في التنبؤ بالجفاف والنقاط الحرجة. من بين النماذج الهجينة، يحقق نموذج RELM - BWO أعلى مستوى من الدقة، متجاوزًا كلا النموذجين الكلاسيكي والهجين بهامش كبير (7.21 إلى 76.74 ٪). علاوة على ذلك، يتم استخدام محاكاة مونتي كارلو لتحليل أوجه عدم اليقين وضمان موثوقية التوقعات. وفقًا لذلك، يتنبأ نموذج RELM - BWO بشكل موثوق بالجفاف لجميع البحيرات، مع مهلة زمنية تتراوح من 2 إلى 6 أشهر. تقدم نتائج الدراسة رؤى قيمة لصانعي السياسات ومديري المياه وأصحاب المصلحة الآخرين لإعداد استراتيجيات التخفيف من حدة الجفاف بشكل أفضل.Translated Description (French)
Les Grands Lacs sont des sources d'eau douce essentielles, qui soutiennent des millions de personnes, l'agriculture et les écosystèmes. Cependant, le changement climatique a aggravé les sécheresses, entraînant des conséquences économiques et sociales importantes. Des prévisions de sécheresse précises sur plusieurs mois sont donc essentielles pour une gestion efficace de l'eau et l'atténuation de ces impacts. Cette étude présente l'indice de niveau d'eau du lac normalisé multivarié (MSWI), un indice de sécheresse modifié qui utilise les données sur le niveau d'eau recueillies de 1920 à 2020. Quatre modèles hybrides sont développés : Support Vector Regression with Beluga Whale Optimization (SVR-BWO), Random Forest with Beluga Whale Optimization (RF-BWO), Extreme Learning Machine with Beluga Whale Optimization (ELM-BWO) et Regularized ELM with Beluga Whale Optimization (RELM-BWO). Les modèles prévoient des sécheresses jusqu'à six mois à l'avance pour le lac Supérieur et le lac Michigan-Huron. Le modèle le plus performant est ensuite sélectionné pour prévoir les sécheresses pour les trois lacs restants, qui n'ont pas connu de sécheresses graves au cours des 50 dernières années. Les résultats montrent que l'intégration du BWO améliore la précision de tous les modèles classiques, en particulier dans la prévision du retournement de la sécheresse et des points critiques. Parmi les modèles hybrides, le modèle RELM-BWO atteint le plus haut niveau de précision, dépassant les modèles classiques et hybrides par une marge significative (7,21 à 76,74 %). De plus, la simulation Monte-Carlo est utilisée pour analyser les incertitudes et assurer la fiabilité des prévisions. En conséquence, le modèle RELM-BWO prévoit de manière fiable des sécheresses pour tous les lacs, avec un délai d'exécution allant de 2 à 6 mois. Les résultats de l'étude offrent des informations précieuses aux décideurs, aux gestionnaires de l'eau et aux autres parties prenantes pour mieux préparer les stratégies d'atténuation de la sécheresse.Translated Description (Spanish)
Los Grandes Lagos son fuentes críticas de agua dulce, que sustentan a millones de personas, la agricultura y los ecosistemas. Sin embargo, el cambio climático ha empeorado las sequías, lo que ha tenido importantes consecuencias económicas y sociales. Por lo tanto, el pronóstico preciso de sequías para varios meses es esencial para la gestión eficaz del agua y la mitigación de estos impactos. Este estudio presenta el Índice Estandarizado Multivariante del Nivel de Agua de los Lagos (MSWI, por sus siglas en inglés), un índice de sequía modificado que utiliza datos del nivel del agua recopilados desde 1920 hasta 2020. Se desarrollan cuatro modelos híbridos: Support Vector Regression with Beluga whale optimization (SVR-BWO), Random Forest with Beluga whale optimization (RF-BWO), Extreme Learning Machine with Beluga whale optimization (ELM-BWO) y Regularized ELM with Beluga whale optimization (RELM-BWO). Los modelos pronostican sequías con hasta seis meses de anticipación para el Lago Superior y el Lago Michigan-Huron. Luego se selecciona el modelo de mejor rendimiento para pronosticar las sequías para los tres lagos restantes, que no han experimentado sequías severas en los últimos 50 años. Los resultados muestran que la incorporación de la BWO mejora la precisión de todos los modelos clásicos, particularmente en la predicción del cambio de sequía y los puntos críticos. Entre los modelos híbridos, el modelo RELM-BWO alcanza el más alto nivel de precisión, superando tanto a los modelos clásicos como a los híbridos por un margen significativo (7.21 a 76.74%). Además, se emplea la simulación de Montecarlo para analizar las incertidumbres y garantizar la fiabilidad de las previsiones. En consecuencia, el modelo RELM-BWO pronostica de forma fiable las sequías para todos los lagos, con un plazo de ejecución que oscila entre 2 y 6 meses. Los hallazgos del estudio ofrecen información valiosa para los responsables de la formulación de políticas, los administradores del agua y otras partes interesadas para preparar mejor las estrategias de mitigación de la sequía.Files
journal.pone.0290891&type=printable.pdf
Files
(5.8 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:298942f84bd7fb55174ea49e66144df4
|
5.8 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تطوير نماذج التعلم الآلي للتنبؤ الدقيق بالجفاف قبل عدة أشهر: دراسة حالة للبحيرات العظمى، أمريكا الشمالية
- Translated title (French)
- Développement de modèles d'apprentissage automatique pour des prévisions de sécheresse précises sur plusieurs mois : étude de cas des Grands Lacs, Amérique du Nord
- Translated title (Spanish)
- Desarrollo de modelos de aprendizaje automático para pronósticos de sequía precisos para varios meses: estudio de caso de los Grandes Lagos, América del Norte
Identifiers
- Other
- https://openalex.org/W4388041486
- DOI
- 10.1371/journal.pone.0290891
References
- https://openalex.org/W1516916808
- https://openalex.org/W1964386488
- https://openalex.org/W1990338756
- https://openalex.org/W2000548672
- https://openalex.org/W2007592554
- https://openalex.org/W2008404657
- https://openalex.org/W2010059576
- https://openalex.org/W2020728250
- https://openalex.org/W2039049978
- https://openalex.org/W2040204706
- https://openalex.org/W2050700668
- https://openalex.org/W2081652617
- https://openalex.org/W2111072639
- https://openalex.org/W2113429172
- https://openalex.org/W2128882956
- https://openalex.org/W2141412323
- https://openalex.org/W2154852616
- https://openalex.org/W2164709595
- https://openalex.org/W2170538126
- https://openalex.org/W2220720087
- https://openalex.org/W2339581915
- https://openalex.org/W2552690540
- https://openalex.org/W2765106898
- https://openalex.org/W2771600062
- https://openalex.org/W2774547596
- https://openalex.org/W2791081216
- https://openalex.org/W2791283728
- https://openalex.org/W2802958163
- https://openalex.org/W2884932540
- https://openalex.org/W2888945543
- https://openalex.org/W2890434949
- https://openalex.org/W2913182941
- https://openalex.org/W2953497047
- https://openalex.org/W2953717279
- https://openalex.org/W2968534262
- https://openalex.org/W2974734896
- https://openalex.org/W2980588987
- https://openalex.org/W2980655104
- https://openalex.org/W2981903015
- https://openalex.org/W2990102924
- https://openalex.org/W3000391877
- https://openalex.org/W3000468717
- https://openalex.org/W3004343334
- https://openalex.org/W3012299384
- https://openalex.org/W3013562509
- https://openalex.org/W3027118700
- https://openalex.org/W3031380647
- https://openalex.org/W3033116995
- https://openalex.org/W3037022480
- https://openalex.org/W3037310288
- https://openalex.org/W3047100943
- https://openalex.org/W3087374608
- https://openalex.org/W3091440512
- https://openalex.org/W3097312306
- https://openalex.org/W3111808594
- https://openalex.org/W3117825695
- https://openalex.org/W3119659100
- https://openalex.org/W3122293130
- https://openalex.org/W3122877666
- https://openalex.org/W3127973357
- https://openalex.org/W3135049088
- https://openalex.org/W3136420364
- https://openalex.org/W3137429615
- https://openalex.org/W3146236410
- https://openalex.org/W3156351908
- https://openalex.org/W3163979265
- https://openalex.org/W3164032920
- https://openalex.org/W3168186466
- https://openalex.org/W3171474608
- https://openalex.org/W3193642949
- https://openalex.org/W3199284438
- https://openalex.org/W4206282396
- https://openalex.org/W4206450477
- https://openalex.org/W4210573520
- https://openalex.org/W4213003514
- https://openalex.org/W4220754112
- https://openalex.org/W4220833499
- https://openalex.org/W4221084999
- https://openalex.org/W4229016301
- https://openalex.org/W4229079263
- https://openalex.org/W4281477317
- https://openalex.org/W4281685917
- https://openalex.org/W4281687867
- https://openalex.org/W4283319158
- https://openalex.org/W4283759498
- https://openalex.org/W4284977234
- https://openalex.org/W4285992970
- https://openalex.org/W4289278167
- https://openalex.org/W4293570286
- https://openalex.org/W4296041436
- https://openalex.org/W4298080221
- https://openalex.org/W4308077988
- https://openalex.org/W4308705277
- https://openalex.org/W4313065894
- https://openalex.org/W4313506826
- https://openalex.org/W4313531911
- https://openalex.org/W4313856901
- https://openalex.org/W4318447340
- https://openalex.org/W4319020257
- https://openalex.org/W4367595640