La FAO y el gobierno de Timor-Leste construyeron un índice de sequía estacional corregido con XGBoost que activó el primer protocolo de Acción Anticipatoria del país en octubre de 2023, coincidiendo con las condiciones de sequía observadas en más del 80% de los casos (2011–2022) en cinco municipios de alto riesgo.
80%+
Tasa de coincidencia con las condiciones de sequía observadas (prueba retrospectiva, 2011-2022)
0.82
Puntuación Heidke, condiciones sin sequía (horizonte de 3 meses)
0.65-0.68
Puntuación Heidke, sequía moderada (horizonte de 3 meses)
40%
Disminución de la producción de maíz en el evento comparable de El Niño de 2016
57%
Disminución de la producción de arroz en el evento comparable de El Niño de 2016
Details
Maturity
Scaling
Promoter
Food and Agriculture Organization of the UN (FAO) Timor-Leste, with Timor-Leste's Ministry of Agriculture, Livestock, Fisheries and Forestry and National Directorate of Meteorology and Geophysics
Period
2023–2026 (AA protocol activated Oct 2023; ASIS portal launched May 2026)
En 2023, el Ministerio de Agricultura, Ganadería, Pesca y Silvicultura de Timor-Leste y la Dirección Nacional de Meteorología y Geofísica, en colaboración con la FAO, construyeron un Índice Combinado de Sequía (CDI) para activar el primer protocolo formal de Acción Anticipatoria del país frente a la sequía agrícola. El índice combina el Índice de Precipitación Estandarizado, un índice de anomalía de humedad del suelo, un índice de salud de la vegetación e indicadores de El Niño/Dipolo del Océano Índico.
Activities
Un modelo de regresión XGBoost, entrenado con datos mensuales de 1993 a 2023 (n=369, división entrenamiento/prueba 70/30), corrige el sesgo de las previsiones estacionales de precipitación de ECMWF SEAS5 para los municipios del país con escasez de datos. El protocolo de Acción Anticipatoria se activó formalmente en octubre de 2023 durante un evento de El Niño, cubriendo cinco municipios de alto riesgo: Baucau, Covalima, Liquiçá, Viqueque y Oé-Cusse Ambeno.
Results
Las pruebas retrospectivas con registros de 2011-2022 mostraron que el CDI coincidió con las clasificaciones de sequía observadas basadas en la humedad del suelo más del 80 % de las veces, con puntuaciones Heidke de 0,82 para condiciones sin sequía y de 0,65-0,68 para sequía moderada con un horizonte de tres meses (descendiendo a 0,33-0,46 para categorías más leves). Un evento comparable de El Niño en 2016 había reducido la producción de maíz y arroz de Timor-Leste en un 40 % y un 57 % respectivamente, en un país donde el 79 % de los hogares dependen de la producción agrícola.
Conclusions
El documento técnico de la FAO de 2024 es franco sobre las limitaciones del sistema: no existían observaciones históricas terrestres de precipitación o humedad del suelo en los municipios piloto, lo que obligó a depender de datos satelitales sustitutos (CHIRPS), y el modelo 'requerirá pruebas, revisiones y calibraciones periódicas.' Las normas de los donantes que exigen declaraciones formales de desastre antes de liberar fondos se señalan como un obstáculo estructural. En mayo de 2026, el gobierno y la FAO lanzaron un portal sucesor, el Agricultural Stress Index System (ASIS), financiado por el Fondo Verde para el Clima, ampliando el monitoreo de la sequía a todo el país.
Implementation
Indicative cost
Medium (€50k–€500k)
Time to results
Medium (1–3 years)
Staffing & skills
Timor-Leste Ministry of Agriculture, Livestock, Fisheries and Forestry (MALFF), National Directorate of Meteorology and Geophysics, FAO technical team, Civil Protection Authority
Conditions for success
Multi-institutional collaboration between government ministries and FAO
Bias-correction of seasonal forecasts (ECMWF SEAS5) via machine learning for data-sparse regions
Sustained funding pathway (Green Climate Fund) for the successor system
Common failure modes
No historical ground-based rainfall or soil-moisture observations existed in pilot municipalities, forcing reliance on satellite (CHIRPS) proxies rather than ground truth
Donor rules requiring formal disaster declarations before Anticipatory Action funds can be released are a structural bottleneck
Model requires regular testing, revision and calibration per FAO authors
Where it fits
Governance type
national government with UN agency technical assistance
Scale
subnational pilot (5 of 13 municipalities) scaling to national
Income level
lower-middle-income
Data sources
Where this practice's information was retrieved from, and when.
Mongolia's National Statistics Office piloted satellite-and-drone machine-learning models in Arkhangai province, identifying large livestock with 81.6% accuracy and traditional ger …
Statistics Sierra Leone and the GRID3 partnership use machine-learning building-footprint detection on satellite imagery to map population at 1-hectare resolution, …