This paper presents a new tree-based model, namely Fuzzy Random Forest (FRF), for one month ahead Standardized Precipitation Evapotranspiration Index (SPEI) classification and prediction with a noteworthy application in ungauged catchments. The proposed FRF model uses global SPEI dataset as the meteorological drought quantifier and applies a fuzzy inference system to extract fuzzified and crisp SPEI values for an ungauged catchment. The evolved crisp series is then transformed into the polynomial label vector of extremely wet, wet, near normal, dry, and extremely dry categories. In the end, the state-of-the-art random forest algorithm was used to classify and predict the label vector using the lagged SPEI series of the selected global grid points. To demonstrate the development and verification process of the FRF model, the global SPEI-6 values for the period of 1961–2015 were retrieved from four global grid points around the Central Antalya Basin, Turkey. The new model was trained and validated using 70% and 30% of the data sets, respectively. The performance of the new model was examined in terms of total accuracy, misclassification, and Kappa statistics and cross-validated with the fuzzy decision tree model developed as the benchmark in this study. The results showed the promising performance of the FRF for drought classification and prediction with outstanding efficiency for extremely wet and dry events classification. According to the Kappa statistic, the proposed FRF model is 25% more accurate than the benchmark FDT model.

中文翻译：

---

一种用于未测量流域气象干旱分类和预测的新型模糊随机森林模型

本文提出了一种新的基于树的模型，即模糊随机森林 (FRF)，在标准化降水蒸散指数 (SPEI) 分类和预测之前一个月，在未测量的集水区中具有显着的应用。所提出的 FRF 模型使用全球 SPEI 数据集作为气象干旱量化器，并应用模糊推理系统为未测量的集水区提取模糊和清晰的 SPEI 值。然后将进化出的脆系列转化为极湿、潮湿、接近正常、干燥和极干类别的多项式标签向量。最后，使用最先进的随机森林算法，使用所选全局网格点的滞后 SPEI 系列对标签向量进行分类和预测。为了演示 FRF 模型的开发和验证过程，从土耳其安塔利亚中部盆地周围的四个全球网格点检索 1961-2015 年期间的全球 SPEI-6 值。新模型分别使用 70% 和 30% 的数据集进行了训练和验证。在总准确度、错误分类和 Kappa 统计方面检查了新模型的性能，并与作为本研究基准开发的模糊决策树模型进行了交叉验证。结果表明 FRF 在干旱分类和预测方面具有良好的性能，在极端潮湿和干燥事件分类方面具有出色的效率。根据 Kappa 统计，所提出的 FRF 模型比基准 FDT 模型准确度高 25%。新模型分别使用 70% 和 30% 的数据集进行了训练和验证。在总准确度、错误分类和 Kappa 统计方面检查了新模型的性能，并与作为本研究基准开发的模糊决策树模型进行了交叉验证。结果表明 FRF 在干旱分类和预测方面具有良好的性能，在极端潮湿和干燥事件分类方面具有出色的效率。根据 Kappa 统计，所提出的 FRF 模型比基准 FDT 模型准确度高 25%。新模型分别使用 70% 和 30% 的数据集进行了训练和验证。在总准确度、错误分类和 Kappa 统计方面检查了新模型的性能，并与作为本研究基准开发的模糊决策树模型进行了交叉验证。结果表明 FRF 在干旱分类和预测方面具有良好的性能，在极端潮湿和干燥事件分类方面具有出色的效率。根据 Kappa 统计，所提出的 FRF 模型比基准 FDT 模型准确度高 25%。结果表明 FRF 在干旱分类和预测方面具有良好的性能，在极端潮湿和干燥事件分类方面具有出色的效率。根据 Kappa 统计，所提出的 FRF 模型比基准 FDT 模型准确度高 25%。结果表明 FRF 在干旱分类和预测方面具有良好的性能，在极端潮湿和干燥事件分类方面具有出色的效率。根据 Kappa 统计，所提出的 FRF 模型比基准 FDT 模型准确度高 25%。