A STUDY OF THE STANDARDIZED PRECIPITATION INDEX (SPI) AND MACHINE LEARNING TECHNIQUES FOR DROUGHT PREDICTION IN THE STATE OF PARAÍBA, BRAZIL

• Published in: RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218 Vol. 5; no. 10; p. e5105736
• Main Authors: Vieria dos Santos, Jefferson, Farias Felipe, Viviane, Fialho Morais Xavier, Erika, Almeida de Oliveira, Tiago, Silva Jale, Jader, Alves Xavier Junior, Silvio Fernando
• Format: Journal Article
• Language: Portuguese
• Published: 07.10.2024
• ISSN: 2675-6218; 2675-6218
• DOI: 10.47820/recima21.v5i10.5736

This study aimed to identify and analyze droughts in Paraíba, using the Standardized Precipitation Index (SPI) and machine learning algorithms for predicting SPI for the subsequent years (2020-2021) at six rainfall stations distributed across the mesoregions of Paraíba. The Precipitation data were downloaded from the Global Precipitation Climatology Centre (GPCC) and the National Oceanic and Atmospheric Administration (NOAA) database, covering the period from 1991 to 2019. Three machine learning algorithms were selected based on their ability to fit historical SPI data: Extra Trees Regressor, Gradient Boosting Regressor, and Random Forest Regressor. The applied machine learning models yielded satisfactory results, with the Extra Trees Regressor consistently producing the highest R² value across all stations, indicating high data explainability. The predictions were analyzed to determine their accuracy and reliability, providing valuable insights into precipitation variability and drought occurrence in different mesoregions of Paraíba. In conclusion, this study contributed to understanding climate variability and its implications in Paraíba, offering valuable insights into drought occurrence and the importance of adaptive approaches to mitigate adverse impacts. The application of SPI and machine learning techniques proved effective in analyzing and predicting precipitation, providing an objective approach to characterizing drought and rainfall intensity in specific regions. This study aimed to identify and analyze droughts in Paraíba, using the Standardized Precipitation Index (SPI) and machine learning algorithms for predicting SPI for the subsequent years (2020-2021) at six rainfall stations distributed across the mesoregions of Paraíba. The Precipitation data were downloaded from the Global Precipitation Climatology Centre (GPCC) and the National Oceanic and Atmospheric Administration (NOAA) database, covering the period from 1991 to 2019. Three machine learning algorithms were selected based on their ability to fit historical SPI data: Extra Trees Regressor, Gradient Boosting Regressor, and Random Forest Regressor. The applied machine learning models yielded satisfactory results, with the Extra Trees Regressor consistently producing the highest R² value across all stations, indicating high data explainability. The predictions were analyzed to determine their accuracy and reliability, providing valuable insights into precipitation variability and drought occurrence in different mesoregions of Paraíba. In conclusion, this study contributed to understanding climate variability and its implications in Paraíba, offering valuable insights into drought occurrence and the importance of adaptive approaches to mitigate adverse impacts. The application of SPI and machine learning techniques proved effective in analyzing and predicting precipitation, providing an objective approach to characterizing drought and rainfall intensity in specific regions. Este estudio tuvo como objetivo identificar y analizar las sequías en Paraíba, utilizando el Índice Estandarizado de Precipitación (SPI) y algoritmos de aprendizaje automático para predecir el SPI para los años subsiguientes (2020-2021) en seis estaciones pluviométricas distribuidas por las mesorregiones de Paraíba. Los datos de precipitación fueron descargados del Centro de Climatología de Precipitación Global (GPCC) y de la base de datos de la Administración Nacional Oceánica y Atmosférica (NOAA), cubriendo el período de 1991 a 2019. Se seleccionaron tres algoritmos de aprendizaje automático en función de su capacidad para ajustar los datos históricos del SPI: Extra Trees Regressor, Gradient Boosting Regressor y Random Forest Regressor. Los modelos de aprendizaje automático aplicados produjeron resultados satisfactorios, con el Extra Trees Regressor presentando consistentemente el mayor valor de R² en todas las estaciones, lo que indica una alta explicabilidad de los datos. Las predicciones se analizaron para determinar su precisión y confiabilidad, proporcionando valiosas ideas sobre la variabilidad de la precipitación y la ocurrencia de sequías en diferentes mesorregiones de Paraíba. En conclusión, este estudio contribuyó a la comprensión de la variabilidad climática y sus implicaciones en Paraíba, ofreciendo valiosas ideas sobre la ocurrencia de sequías y la importancia de enfoques adaptativos para mitigar impactos adversos. La aplicación del SPI y de técnicas de aprendizaje automático resultó eficaz para analizar y predecir la precipitación, proporcionando un enfoque objetivo para caracterizar la sequía y la intensidad de la lluvia en regiones específicas. Objetivou-se neste estudo identificar e analisar as secas na Paraíba, utilizando o Índice Padronizado de Precipitação (SPI) e técnicas de modelagem com algoritmos de machine learning para prever o SPI para os anos subsequentes (2020-2021) em seis estações pluviométricas distribuídas nas mesorregiões da Paraíba. Os dados de precipitação foram obtidos a partir do Global Precipitation Climatology Centre (GPCC) e da base de dados da National Oceanic and Atmospheric Administration (NOAA), abrangendo o período de 1991 a 2019. Foram selecionados três algoritmos de machine learning com base em sua capacidade de ajuste aos dados históricos de SPI: Extra Trees Regressor, Gradient Boosting Regressor e Random Forest Regressor. Os modelos de machine learning aplicados apresentaram resultados satisfatórios, com destaque para o Extra Trees Regressor, que consistentemente produziu o maior valor de R² em todas as estações, indicando uma alta explicabilidade dos dados. As previsões foram analisadas para determinar sua precisão e confiabilidade, fornecendo insights valiosos sobre a variabilidade da precipitação e a ocorrência de secas nas diferentes mesorregiões da Paraíba. Em conclusão, este estudo contribuiu para a compreensão da variabilidade climática e de suas implicações na Paraíba, fornecendo insights valiosos sobre a ocorrência de secas e a importância de abordagens adaptativas para mitigar impactos adversos. A aplicação do SPI e técnicas de machine learning mostrou-se eficaz na análise e previsão da precipitação, oferecendo uma abordagem objetiva para caracterizar a intensidade das secas e chuvas em determinadas regiões.