Informations et ressources scientifiques
sur le développement des zones arides et semi-arides

Titre : A machine learning framework to design basin specific drought indexes

Auteur : MIAARI, SAMI

Université de soutenance : Politecnico di Milano

Grade : Tesi di laurea Magistrale 2022

Résumé
La siccità può avere impatti molto seri sulla salute, l’agricoltura, l’economia, l’energia e l’ambiente. Monitorare e prevedere tale fenomeno e compito essenziale della politica per mitigare, adattare e ridurre rischi futuri, soprattutto per le aree caratterizzate da un’alta domanda di acqua rispetto alla disponibilità di acqua dolce. Il bacino fluviale del Nilo e una regione vulnerabile ai cambiamenti climatici e ad un elevato stress idrico dal momento che circa meta del bacino e un’area arida dove la popolazione dipende per il 93% dall’acqua dolce del fiume Nilo. Considerando che attualmente l’acqua del Nilo e enormemente utilizzata al di sopra della sua disponibilità e che il cambiamento climatico aumenta il rischio dell’insicurezza idrica e alimentare degli stati circostanti, si pone la necessita di individuare un indice per identificare l’occorrenza degli eventi di magra, che sia efficiente ed in grado di supportare i diversi decisiori ed operatori locali nella gestione delle risorse idriche. Questo studio si concentra sulla progettazione di un indice di magra specifico per il bacino del fiume Nilo, caso studio caratterizzato da un’eterogeneità climatica che varia da tropicale ad arido. Inoltre, il bacino del Nilo e frutto di discussioni internazionali per la critica gestione (finora non coordinata) delle risorse idriche tra i paesi limitrofi. La progettazione dell’indice viene effettuata attraverso l’applicazione del Framework for Index based Drought Analysis (FRIDA) sviluppato da Zaniolo et al. (2018). Il framework si basa su 3 fasi principali : recupero delle informazioni, estrazione delle caratteristiche e costruzione dell’indice. La prima consiste nella definizione della variabile target e nella raccolta dei predittori di input ; la variabile target e stata scelta come Normalized Drought Vegetation Index (NDVI), poiché l’economia dei paesi del bacino e fortemente dipendente dall’agricoltura, ciò evidenzia la caratteristica della variabile target per rilevare le siccità agricole oltre a quelle meteorologiche, mentre le variabili di previsione sono state scelte in base all’elevata correlazione con gli eventi di siccità (i.e., precipitazioni e temperatura), oltre alla portata fluviale a causa del basso flusso del fiume Nilo e all’evapotraspirazione in quanto variabile critica causata dall’elevata evaporazione soprattutto nel Lago di Nasser, mentre l’umidita del suolo e stata considerata per tenere conto dell’effetto a lungo termine di una siccità. La seconda fase e stata eseguita utilizzando Wrapper for Quasi-Equally Informative Subset Selection (W-QEISS) come strumento per l’estrazione delle caratteristiche, in base alle prestazioni relativamente migliori dei wrapper rispetto ai filtri. La terza fase di costruzione del nuovo indice e stata eseguita attraverso due diversi modelli di regressione (lineare e a reti neurali artificiali), che permettono di confrontare le prestazioni dei due modelli scelti, in modo tale che i modelli siano caratterizzati uno per la semplicità e l’altro per l’elevata accuratezza predittiva quando vengono applicati a sistemi complessi. Dai risultati ottenuti si può osservare l’importanza della suddivisione dell’area di studio del bacino in base alla risoluzione spaziale dei dati di input raccolti, in modo che la procedura garantisca il filtraggio del rumore e allo stesso tempo eviti un sistema complesso di grandi dimensioni. I risultati dello studio hanno mostrato un’ottima performance degli indici di magra specifici per il bacino nel riprodurre la variabile target, dove l’accuratezza dell’indice nel 90% dei sottobacini e risultata molto alta (nella maggior parte dei casi con un coefficiente di determinazione superiore al 85%). D’altra parte, lo studio ha fornito una conferma dell’efficienza di W-QEISS nel raggiungere l’obiettivo del framework proposto, dove si e costruito un indice di magra sulla base delle caratteristiche predittive selezionate più accurato di quello che si sarebbe ottenuto utilizzando tutti i predittori di input.

Présentation

Version intégrale (7,2 Mb)