Drought, being one the most complex natural hazards, has a significant impact on society. To mitigate the impact and risk, it is crucial to be able to forecast drought, which is a challenging task. Nowadays, with technology innovations, large amounts of remote sensing data is available on the cloud. Meanwhile,machine learning and data-driven techniques have proven to be reliable data processing methods in a number of fields. In this study, the author aims to predict agricultural drought in Sweden with machine learning (ML) models. Several ML models, including random forest, decision tree, linear regression, support vector machine, ARIMA, ANN, and CNN, are employed to find out the best performing model. Seven hypothesized factors are used and tested with RFE for features analysis. Three data arrangement methods are explored for the best possible way to arrange the dataset. In the result section, the author concludes that soil moisture is the most important feature, ARIMA and random forest models are the most reliable algorithms, and the temporal method is more suitable for short-term predicting. / Torka, som är en av de mest komplexa naturliga riskerna, har en betydande inverkan på samhället. För att mildra påverkan och risken är det avgörande att kunna förutse torka, vilket är en utmanande uppgift. Nuförtiden, med tekniska innovationer, finns stora mängder fjärranalysdata tillgänglig på molnet. Under tiden har maskininlärning och datadrivna tekniker visat sig vara tillförlitliga databehandlingsmetoder inom ett antal områden. I denna studie syftar författaren till att förutsäga jordbrukstorka i Sverige med modeller för maskininlärning (ML). Flera ML-modeller, inklusive slumpmässig skog, beslutsträd, linjär regression, stödvektormaskin, ARIMA, ANN och CNN, används för att ta reda på den bästa modellen. Sju hypotesfaktorer används och testas med RFE för funktionsanalys. Tre dataarrangemangsmetoder utforskas för bästa möjliga sätt att ordna datamängden. I resultatavsnittet drar författaren slutsatsen att markfuktighet är den viktigaste egenskapen, ARIMA och slumpmässiga skogsmodeller är de mest tillförlitliga algoritmerna, och den tidsmässiga metoden är mer lämpad för korttidsförutsägelse.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-317268 |
| Date | January 2022 |
| Creators | Kan, Jung-ching |
| Publisher | KTH, Hållbar utveckling, miljövetenskap och teknik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-ABE-MBT ; 22616 |
Page generated in 0.0026 seconds