Abstract The atmospheric water supply and demand dynamics determine a region’s potential water resources. The hydrologic ratios, such as, aridity index, evaporation ratio and runoff coefficients are useful indicators to quantify the atmospheric water dynamics at watershed to regional scales. In this study, we developed a modeling framework using a machine learning approach to predict hydrologic ratios for watersheds located in contiguous United States (CONUS) by utilizing a set of climate, soil, vegetation, and topographic variables. Overall, the proposed modeling framework is able to simulate the hydrologic ratios at watershed scale with a considerable accuracy. The concept of non-parametric elasticity was applied to study the potential influence of the estimated hydrologic ratios on various drought characteristics (resilience, vulnerability, and exposure) for river basins located in CONUS. Spatial sensitivity of drought indicators to hydrologic ratios suggests that an increase in hydrologic ratios may result in augmentation of magnitude of drought indicators in majority of the river basins. Aridity index seems to have higher influence on drought characteristics in comparison to other hydrologic ratios. It was observed that the machine learning approach based on random forests algorithm can efficiently estimate the spatial distribution of hydrologic ratios provided sufficient data is available. In addition to that, the non-parametric based elasticity approach can identify the potential influence of hydrologic ratios on spatial drought characteristics.

中文翻译：

---

美国本土干旱恢复力-脆弱性-暴露于水文比率的敏感性

摘要 大气水资源供需动态决定了一个地区的潜在水资源。干旱指数、蒸发比和径流系数等水文比率是量化流域到区域尺度的大气水动态的有用指标。在这项研究中，我们使用机器学习方法开发了一个建模框架，通过利用一组气候、土壤、植被和地形变量来预测位于美国本土 (CONUS) 的流域的水文比率。总体而言，所提出的建模框架能够以相当高的精度模拟流域尺度的水文比率。应用非参数弹性的概念来研究估计的水文比率对各种干旱特征（恢复力、脆弱性、和暴露）适用于位于 CONUS 的流域。干旱指标对水文比率的空间敏感性表明，水文比率的增加可能导致大多数流域干旱指标的幅度增加。与其他水文比率相比，干旱指数似乎对干旱特征的影响更大。据观察，如果有足够的数据，基于随机森林算法的机器学习方法可以有效地估计水文比率的空间分布。除此之外，基于非参数的弹性方法可以识别水文比率对空间干旱特征的潜在影响。干旱指标对水文比率的空间敏感性表明，水文比率的增加可能导致大多数流域干旱指标的幅度增加。与其他水文比率相比，干旱指数似乎对干旱特征的影响更大。据观察，如果有足够的数据，基于随机森林算法的机器学习方法可以有效地估计水文比率的空间分布。除此之外，基于非参数的弹性方法可以识别水文比率对空间干旱特征的潜在影响。干旱指标对水文比率的空间敏感性表明，水文比率的增加可能导致大多数流域干旱指标的幅度增加。与其他水文比率相比，干旱指数似乎对干旱特征的影响更大。据观察，如果有足够的数据，基于随机森林算法的机器学习方法可以有效地估计水文比率的空间分布。除此之外，基于非参数的弹性方法可以识别水文比率对空间干旱特征的潜在影响。与其他水文比率相比，干旱指数似乎对干旱特征的影响更大。据观察，如果有足够的数据，基于随机森林算法的机器学习方法可以有效地估计水文比率的空间分布。除此之外，基于非参数的弹性方法可以识别水文比率对空间干旱特征的潜在影响。与其他水文比率相比，干旱指数似乎对干旱特征的影响更大。据观察，如果有足够的数据，基于随机森林算法的机器学习方法可以有效地估计水文比率的空间分布。除此之外，基于非参数的弹性方法可以识别水文比率对空间干旱特征的潜在影响。