IAESONLINEIAESONLINE

Indonesian Journal of Electrical Engineering and Informatics (IJEEI)Indonesian Journal of Electrical Engineering and Informatics (IJEEI)

Prediksi kekeringan sangat penting untuk pengelolaan sumber daya air yang efisien, khususnya di wilayah yang rentan kekeringan seperti Rajshahi, Bangladesh. Studi ini mengusulkan pendekatan baru untuk kuantifikasi dan prediksi kondisi kekeringan di Rajshahi, Bangladesh, dengan menggunakan model pembelajaran mesin dan Indeks Evapotranspirasi Presipitasi Standar (SPEI) sebagai indikator kekeringan. Data meteorologis bulanan (temperatur, presipitasi, kelembapan, kecepatan angin, jumlah jam sinar matahari, tutupan awan, potensial evapotranspirasi, dan keseimbangan air klimatik) dari tahun 1965 hingga 2022 dipakai. Model pembelajaran mesin dikembangkan dengan mengenkripsi indikator kekeringan SPEI secara numerik dan mengklasifikasikannya ke dalam kategori kondisi kekeringan. Model hybrid, seperti Multi-Model Drought Forecaster (92% akurasi) dan Drought Anticipation Super Model (96% akurasi), menunjukkan peningkatan signifikan dalam prediksi kekeringan di Rajshahi, Bangladesh. Temuan ini mendukung strategi pengelolaan kekeringan yang lebih efektif di daerah rentan iklim.

Studi ini menyimpulkan bahwa model pembelajaran mesin hybrid, khususnya Drought Anticipation Super Model dengan akurasi 96%, memberikan prediksi kekeringan yang lebih akurat di Rajshahi, Bangladesh.Integrasi data klimatik dan teknik pembelajaran mesin efektif dalam mengukur kekeringan di daerah rentan iklim.Studi ini juga menyarankan pentingnya penelitian lanjutan untuk optimasi model dengan data tambahan seperti kelembapan tanah dan citra satelit.

Penelitian lanjutan dapat fokus pada pengembangan model kekeringan dengan memasukkan parameter baru seperti kelembapan tanah dan data citra satelit untuk meningkatkan akurasi prediksi. Selain itu, evaluasi performa model di wilayah lain dengan kondisi iklim berbeda bisa menguji kegeneralisasian pendekatan ini. Studi lebih lanjut juga perlu mengusulkan struktur model ensemble yang lebih kompleks untuk menangani variasi temporal dan spasial kekeringan secara lebih efisien.

  1. RETRACTED: An evaluation of machine learning and deep learning models for drought prediction using weather... doi.org/10.3233/JIFS-212748RETRACTED An evaluation of machine learning and deep learning models for drought prediction using weather doi 10 3233 JIFS 212748
  2. Assessment of candidate distributions for SPI/SPEI and sensitivity of drought to climatic variables in... doi.org/10.1002/joc.6081Assessment of candidate distributions for SPI SPEI and sensitivity of drought to climatic variables in doi 10 1002 joc 6081
  3. An Ensemble Learning Approach for Drought Analysis and Forecasting in Central Bangladesh - Hossain -... doi.org/10.1155/adme/4904248An Ensemble Learning Approach for Drought Analysis and Forecasting in Central Bangladesh Hossain doi 10 1155 adme 4904248
  4. Meteorological Drought Index Mapping in Bangladesh Using Standardized Precipitation Index during 1981–2010... doi.org/10.1155/2017/4642060Meteorological Drought Index Mapping in Bangladesh Using Standardized Precipitation Index during 1981yAAAe2010 doi 10 1155 2017 4642060
  1. #penerapan model pembelajaran kooperatif#penerapan model pembelajaran kooperatif
  2. #cloud computing#cloud computing
Read online
File size712.6 KB
Pages16
Short Linkhttps://juris.id/p-3qA
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test