干ばつ予測のための予測変数と目的変数の結合ウェーブレット分解
Joint wavelet decomposition of predictors and target variables for drought forecasting (原題)
Eliana Vivas, Chengyan Ji, Lelys Bravo de Guenni
🤖 gxceed AI 要約
日本語
本論文は、漏れのないウェーブレットベースの干ばつ予測手法を提案。移動ウィンドウ内でウェーブレット変換を適用し、将来情報の使用を防止。76年間のイリノイ州の干ばつデータを用いて評価し、RMSEで最大26.5%改善。周波数成分と干ばつ進展の関連を解釈可能にする。
English
This paper proposes a leakage-free wavelet-based drought forecasting method that applies wavelet transforms within moving windows to avoid future information leakage. Evaluated on 76 years of Illinois drought data, it improves RMSE by up to 26.5% and provides interpretable insights into scale-dependent drought dynamics.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
日本では気候変動に伴う干ばつリスクが農業や水資源管理で関心が高まっている。本手法は予測精度向上に寄与するが、日本のデータでの検証は未実施。
In the global GX context
Globally, drought forecasting is critical for climate adaptation. This method improves accuracy and interpretability, relevant for regions facing increased drought risk under climate change.
👥 読者別の含意
🔬研究者:A novel wavelet decomposition approach for drought prediction that prevents data leakage and enhances interpretability of multi-scale climate interactions.
📄 抄録（日本語訳）
抄録 我々は、競争力のある予測性能と予測因子とターゲット変数間の関係の解釈可能性の向上の両方を可能にする、リークフリーのウェーブレットベースの干ばつ予測手法を提案する。標準的な時系列分解アプローチとは異なり、ウェーブレット変換は過去の値の移動ウィンドウ内で適用され、モデル訓練中の将来情報の使用を防ぐ。本手法は、局所的および大規模な気候予測因子を複数の時間スケールにわたって統合し、米国イリノイ州の76年間の干ばつデータを用いて評価される。予測性能は、RMSE、SMAPE、MASE、R²、および方向精度（DA）を用いて評価され、季節ブートストラップ信頼区間で計算された不確実性も含まれる。提案モデルは、ナイーブおよび単変量ウェーブレットのベースラインを頻繁に上回り、複数のベンチマーク手法と比較して、多様なシナリオにおいてRMSEで最大26.5%、SMAPEで4.95%の改善と、より高い方向精度を達成する。予測因子とターゲット変数の両方を分解することにより、本手法は異なる周波数成分が干ばつ進行とどのように関連するかを特徴づけるのに役立ち、水文気候相互作用のより解釈可能な表現と、干ばつプロセスのスケール依存動態に関する追加の洞察を提供する。
AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。
📄 Abstract（原文）
Abstract We propose a leakage-free wavelet-based methodology for drought prediction that enables both competitive forecasting performance and improved interpretability of predictor–target relationships. Unlike standard time-series decomposition approaches, the wavelet transform is applied within moving windows of the past values, preventing the use of future information during model training. The method merges local and large-scale climate predictors across multiple temporal scales and is evaluated using 76 years of drought data from Illinois, USA. Predictive performance is assessed using RMSE, SMAPE, MASE, R 2 , and directional accuracy (DA), including uncertainty calculated with seasonal bootstrap confidence intervals. The proposed model frequently outperforms naïve and univariate wavelet baselines, achieving improvements of up to 26.5% in RMSE and 4.95% in SMAPE and higher directional accuracy in diverse scenarios compared to several benchmark methods. Through decomposing both predictors and target variables, the methodology helps characterize how different frequency components are associated with drought evolution, providing a more interpretable representation of hydroclimatic interactions and additional insights into the scale-dependent dynamics of drought processes.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.1038/s41598-026-58430-0first seen 2026-07-02 05:29:18
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。