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

Résumé Technique : Prédiction et analyse des données de précipitations par régression pour les fortes pluies et la sécheresse de la station météorologique de Sikta, district de Banke, Népal

Énoncé du problème
Le développement rural au Népal dépend fortement de l'agriculture, avec plus de 80 % de la population résidant dans les zones rurales. Cependant, la planification agricole et la gestion des ressources en eau sont gravement mises au défi par l'imprévisibilité des modèles météorologiques, spécifiquement les sécheresses et les épisodes de fortes précipitations. Le district de Banke, situé dans la région du Terai, est confronté à une variabilité climatique croissante, où les modèles de précipitations sont devenus erratiques tant en termes de saisonnalité que de volume. Bien que des études antérieures aient exploré les liens entre les sécheresses météorologiques et hydrologiques, il existe un besoin critique de stratégies spécifiques à la région, fondées sur les données, pour surveiller et s'adapter à ces conditions. L'objectif principal de cette étude est de répondre à la difficulté de prédire les précipitations dans la zone de la station météorologique de Sikta, dans le district de Banke, en visant l'identification d'une méthode de prévision capable d'atteindre une précision d'au moins 60 %, car des prédictions inférieures à ce seuil pourraient avoir des effets préjudiciables pour la planification.

Méthodologie
La recherche utilise une approche complète d'analyse de données centrée sur l'ensemble de données de la station météorologique de Sikta, couvrant les précipitations mensuelles et annuelles de 1993 à 2023. L'ensemble de données comprend des décompositions saisonnières (JF, MAM, JJAS, OND) et est analysé à l'aide de Python.

La méthodologie centrale implique une évaluation comparative de cinq modèles de régression basés sur l'apprentissage automatique afin de déterminer l'approche optimale pour prévoir les précipitations et les conditions de sécheresse :

1. Régression Linéaire : Modélise la relation entre les variables dépendantes et indépendantes en minimisant l'erreur quadratique moyenne (MSE).
2. Régression Lasso (Régularisation L1) : Incorpore un terme de pénalité pour réduire les coefficients, effectuant ainsi une sélection de caractéristiques en réduisant certains coefficients à zéro.
3. Régression Ridge (Régularisation L2) : Introduit un terme de pénalité pour stabiliser les estimations en présence de multicolinéarité, empêchant une variance élevée dans les prédictions.
4. Régression Elastic Net : Combine les régularisations L1 et L2 pour gérer les prédicteurs météorologiques corrélés tout en effectuant une sélection de caractéristiques.
5. XGBoost (Extreme Gradient Boosting) : Une méthode d'apprentissage d'ensemble qui combine plusieurs arbres de décision faibles pour créer un modèle prédictif robuste, notée pour sa rapidité et son efficacité avec de grands ensembles de données.

Le flux de travail comprend le nettoyage des données, l'analyse exploratoire des données (EDA) pour identifier les modèles, la désaisonnalisation des données de précipitations, et l'application de techniques de classification et de régression. La performance des modèles est rigoureusement évaluée à l'aide du coefficient de corrélation (R), de l'erreur absolue moyenne (MAE) et de l'erreur quadratique moyenne (RMSE).

Résultats Clés
L'étude a comparé la performance des cinq modèles par rapport aux données historiques de précipitations. L'analyse a révélé que, bien que tous les modèles fournissent divers degrés d'aperçu, le modèle de régression XGBoost a démontré la plus haute précision dans la prédiction des modèles de précipitations et des conditions de sécheresse potentielles.

Les évaluations visuelles et statistiques, incluant les matrices de confusion et les mesures d'erreur (MAE et RMSE), ont confirmé la supériorité de XGBoost par rapport aux modèles Linéaire, Lasso, Ridge et Elastic Net pour cet ensemble de données spécifique. Le modèle a réussi à capturer les interactions non linéaires inhérentes aux données de précipitations, particulièrement pour la saison de la mousson JJAS (juin-septembre), qui présente les précipitations moyennes les plus élevées.

Signification et Revendications
L'article affirme que la stratégie de prédiction météorologique proposée, utilisant le modèle de régression XGBoost, offre une amélioration significative pour la planification agricole et la gestion des ressources en eau au Népal rural. En prévoyant avec précision les fortes pluies et les conditions de sécheresse, l'étude suggère que les acteurs locaux peuvent mieux se préparer aux risques induits par le climat.

De plus, l'analyse met en évidence une application pratique pour l'assurance paramétrique. L'étude postule que les points de déclenchement identifiés et les seuils de précipitations peuvent permettre aux agriculteurs de Banke de souscrire à des programmes d'assurance paramétrique à faible coût (potentiellement inférieurs à 50 cents). Sous ce cadre, les agriculteurs recevraient des indemnisations automatiquement lorsque des conditions de précipitations spécifiques (seuils de sécheresse ou d'inondation) sont atteintes, atténuant ainsi les pertes économiques sans nécessiter d'évaluations de pertes complexes.

Enfin, la recherche conclut que le déploiement de telles analyses de données prédictives est crucial pour soutenir un développement rural durable au Népal, transformant les données météorologiques historiques en informations exploitables pour l'adaptation climatique.