संक्षेप: मशीन लर्निंग (ML) ने सूखा अनुसंधान में एक प्रमुख उपकरण के रूप में उभरकर पिछले 20 वर्षों में इसके अनुप्रयोगों में तेजी से वृद्धि की है। जबकि कई समीक्षाओं ने विशेष ML तरीकों और उनके पूर्वानुमान और निगरानी में उपयोग का वर्णन किया है, प्रवृत्तियों, खामियों और उभरती चुनौतियों का एक समग्र आकलन अभी भी अनपोषित है। यहाँ, हम सूखा विज्ञान में ML के विकास को मानचित्रित करने के लिए दो दशकों की साहित्यिक सामग्री का विश्लेषण करते हैं। हमें 2013 के बाद से तेजी से वृद्धि मिली है, जो मुख्य रूप से पूर्वानुमान और निगरानी अध्ययनों द्वारा संचालित है, जबकि प्रभाव मूल्यांकन और समझने योग्य कृत्रिम बुद्धिमत्ता (XAI) कम खोजे गए हैं। भौगोलिक विश्लेषण सूखा-प्रवण क्षेत्रों जैसे अफ्रीका और दक्षिण अमेरिका में महत्वपूर्ण खामियों को उजागर करता है। क्षेत्र उन्नत ML आर्किटेक्चर को धीरे-धीरे अपनाता है और बड़े डेटा सेट का सीमित उपयोग करता है, साथ ही कोड और डेटा साझा करने में बाधाओं के चलते पुनरुत्पादन की चुनौतियाँ हैं। इन मुद्दों का समाधान ML-आधारित सूखा जोखिम प्रबंधन और जलवायु अनुकूलन में प्रगति के लिए महत्वपूर्ण है।
Ascenso et al. (बुध,) ने इस प्रश्न का अध्ययन किया।