Regression based Prediction and Analysis of Rainfall Data for Heavy Rainfall and Drought of Sikta Weather Station-Banke District Nepal

Resumen Técnico: Predicción y Análisis de Datos de Precipitación Basados en Regresión para Lluvias Intensas y Sequías de la Estación Meteorológica de Sikta, Distrito de Banke, Nepal

Planteamiento del Problema
El desarrollo rural en Nepal depende fuertemente de la agricultura, con más del 80% de la población residiendo en zonas rurales. Sin embargo, la planificación agrícola y la gestión de los recursos hídricos se ven gravemente desafiadas por patrones climáticos impredecibles, específicamente las sequías y los eventos de lluvias intensas. El distrito de Banke, ubicado en la región de Terai, enfrenta una creciente variabilidad climática, donde los patrones de precipitación se han vuelto erráticos tanto en estacionalidad como en volumen. Si bien estudios previos han explorado los vínculos entre las sequías meteorológicas e hidrológicas, existe una necesidad crítica de estrategias regionales basadas en datos para monitorear y adaptarse a estas condiciones. El objetivo principal de este estudio es abordar la dificultad de predecir la precipitación en el área de la estación meteorológica de Sikta, en el distrito de Banke, con el fin de identificar un método de pronóstico capaz de alcanzar al menos un 60% de precisión, ya que las predicciones por debajo de este umbral podrían tener efectos perjudiciales para la planificación.

Metodología
La investigación utiliza un enfoque integral de análisis de datos centrado en el conjunto de datos de la estación meteorológica de Sikta, que abarca la precipitación mensual y anual desde 1993 hasta 2023. El conjunto de datos incluye desgloses estacionales (JF, MAM, JJAS, OND) y es analizado utilizando Python.

La metodología central consiste en una evaluación comparativa de cinco modelos de aprendizaje automático basados en regresión para determinar el enfoque óptico para pronosticar las condiciones de lluvia y sequía:

1. Regresión Lineal: Modela la relación entre variables dependientes e independientes minimizando el Error Cuadrático Medio (MSE).
2. Regresión Lasso (Regularización L1): Incorpora un término de penalización para reducir los coeficientes, realizando efectivamente una selección de características al reducir algunos coeficientes a cero.
3. Regresión Ridge (Regularización L2): Introduce una penalización para estabilizar las estimaciones ante la presencia de multicolinealidad, evitando una alta varianza en las predicciones.
4. Regresión Elastic Net: Combina la regularización L1 y L2 para manejar predictores meteorológicos correlacionados mientras realiza la selección de características.
5. XGBoost (Extreme Gradient Boosting): Un método de aprendizaje de conjunto que combina múltiples árboles de decisión débiles para crear un modelo predictivo fuerte, destacado por su velocidad y eficiencia con grandes conjuntos de datos.

El flujo de trabajo incluye la limpieza de datos, el Análisis Exploratorio de Datos (EDA) para identificar patrones, la desestacionalización de los datos de precipitación y la aplicación de técnicas tanto de clasificación como de regresión. El rendimiento del modelo se evalúa rigurosamente mediante el Coeficiente de Correlación (R), el Error Absoluto Medio (MAE) y la Raíz del Error Cuadrático Medio (RMSE).

Resultos Clave
El estudio comparó el rendimiento de los cinco modelos frente a los datos históricos de precipitación. El análisis reveló que, si bien todos los modelos proporcionaron diversos grados de información, el modelo de regresión XGBoost demostró la mayor precisión en la predicción de los patrones de precipitación y las posibles condiciones de sequía.

Las evaluaciones visuales y estadísticas, incluyendo matrices de confusión y métricas de error (MAE y RMSE), confirmaron la superioridad de XGBoost sobre los modelos Lineal, Lasso, Ridge y Elastic Net para este conjunto de datos específico. El modelo capturó con éxito las interacciones no lineales inherentes a los datos de precipitación, particularmente para la temporada de monzón JJAS (junio–septiembre), que presenta la mayor precipitación promedio.

Significancia y Reivindicaciones
El artículo sostiene que la estrategia de predicción meteorológica propuesta, utilizando el modelo de regresión XGBoost, ofrece una mejora significativa para la planificación agrícola y la gestión de los recursos hídricos en el Nepal rural. Al pronosticar con precisión las lluvias intensas y las condiciones de sequía, el estudio sugiere que las partes interesadas locales pueden prepararse mejor para los riesgos inducidos por el clima.

Además, el análisis destaca una aplicación práctica para el seguro paramétrico. El estudio postula que los puntos de activación identificados y los umbrales de precipitación pueden permitir que los agricultores en Banke se inscriban en esquemas de seguros paramétricos de bajo costo (potencialmente por debajo de los 50 centavos). Bajo este marco, los agricultores recibirían indemnizaciones automáticamente cuando se cumplan condiciones de precipitación específicas (umbrales de sequía o inundación), mitigando así las pérdidas económicas sin la necesidad de evaluaciones de pérdidas complejas.

En última instancia, la investigación concluye que el despliegue de este tipo de analítica de datos predictivos es crucial para apoyar el desarrollo rural sostenible en Nepal, transformando los datos meteorológicos históricos en información accionable para la adaptación climática.