Comparison of Machine Learning Methods for Monthly Rainfall Forecasting Using k-Nearest Neighbors, Random Forest, and Artificial Neural Networks
Cette étude compare les k plus proches voisins, les forêts aléatoires et les réseaux de neurones artificiels pour la prévision des précipitations mensuelles à Pangkalpinang et conclut que la forêt aléatoire surpasse les deux autres algorithmes selon des mesures d'évaluation telles que l'MAE, la RMSE et le R².
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La pluie est le battement de cœur du système climatique, une force qui façonne tout, de la nourriture dans nos assiettes à la sécurité de nos villes. C'est une ressource vitale pour les agriculteurs et un danger potentiel lorsqu'elle arrive en excès, pourtant, prédire exactement la quantité qui tombera au cours d'un mois donné reste l'un des défis les plus difficiles de la météorologie. Contrairement au flux régulier d'un fleuve ou à la montée prévisible de la marée, la pluie est chaotique et hautement non linéaire, ce qui signifie qu'elle ne suit pas de schémas simples et rectilignes. Dans les régions tropicales comme l'Indonésie, où le temps est régi par un mélange complexe de courants océaniques, de moussons et de géographie locale, cette imprévisibilité est encore plus prononcée. Pour donner un sens à ce chaos, les scientifiques se sont tournés vers l'apprentissage automatique, une branche de l'informatique où des algorithmes apprennent à partir de données historiques pour trouver des modèles cachés. Ces outils numériques ne reposent pas sur des règles rigides mais étudient des milliers d'observations météorologiques passées pour deviner ce qui pourrait arriver ensuite, offrant ainsi une nouvelle façon de s'attaquer au problème ancestral de la prévision des pluies.
Dans une étude récente axée sur la station météorologique Depati Amir à Pangkalpinang, des chercheurs ont cherché à déterminer laquelle de trois méthodes populaires d'apprentissage automatique fonctionne le mieux pour prédire la pluviométrie mensuelle. L'équipe, dirigée par Mico Maulana et Giarno de l'École d'État de Météorologie, de Climatologie et de Géophysique, a rassemblé dix années de données météorologiques, s'étendant de 2015 à 2024. Ils ont examiné divers facteurs qui influencent la pluie, notamment la quantité de pluie tombée les mois précédents, la température moyenne de l'air, le taux d'humidité de l'air et la durée d'ensoleillement quotidien. En utilisant ces informations, ils ont entraîné trois types différents de modèles informatiques : un qui recherche des schémas météorologiques passés similaires, un qui construit une foule d'arbres de décision pour voter sur le résultat, et un qui imite la façon dont le cerveau humain traite l'information à travers des couches de connexions. Le but n'était pas d'inventer une nouvelle façon de prédire la pluie, mais de comparer ces outils existants pour voir lequel pourrait prévoir le plus précisément le temps dans cet archipel tropical spécifique.
Les chercheurs ont divisé leurs données en deux parties, utilisant les huit premières années pour enseigner aux modèles et les deux dernières années pour les tester. Ils ont ensuite mesuré les résultats à l'aide d'outils standards qui vérifient la proximité entre les prédictions et la pluie réelle tombée. Les résultats ont révélé un vainqueur clair. Le modèle qui construit une foule d'arbres de décision, connu sous le nom de Forêt Aléatoire (Random Forest), s'est avéré être le plus efficace. Il a réussi à expliquer environ 60 % des variations de la pluviométrie mensuelle, produisant des prédictions qui, en moyenne, présentaient un écart d'environ 76 millimètres. Ce modèle était particulièrement doué pour capturer les hauts et les bas des saisons humides et sèches sans être perturbé par les événements météorologiques extrêmes. En revanche, le modèle qui imite le cerveau, appelé Réseau de Neurones Artificiels, a été celui qui a le plus éprouvé de difficultés. Il n'a expliqué qu'environ 30 % de la variabilité de la pluie et a commis des erreurs nettement plus importantes, prévoyant souvent trop haut lors des fortes pluies et trop bas pendant les périodes sèches. Le troisième modèle, qui cherche simplement des schémas météorologiques passés similaires, s'est classé au milieu, expliquant environ 49 % de la variabilité, mais avait tendance à lisser les pics et les creux des données, manquant ainsi certains des événements de pluie les plus intenses.
L'étude suggère que pour cette région spécifique et ce type de données, l'approche qui combine de nombreux décideurs simples en un système unique et robuste est supérieure aux autres méthodes testées. Les chercheurs ont noté que le réseau de neurones a probablement eu du mal car l'ensemble de données, bien que précieux, était relativement petit pour qu'un système aussi complexe puisse apprendre efficacement. Le modèle basé sur les arbres de décision, cependant, a prospéré en faisant la moyenne des résultats de nombreux arbres individuels, ce qui l'a aidé à éviter de surréagir au bruit des données et lui a permis de fournir une prévision plus stable. Bien qu'aucun modèle ne soit parfait, et que le meilleur résultat laisse encore une marge d'erreur, l'étude fournit une feuille de route pratique pour les météorologues des régions insulaires tropicales. Elle indique que lorsqu'on travaille avec des archives historiques limitées, une méthode d'ensemble qui agrège de multiples vues simples des données est plus fiable que d'essayer de forcer un système complexe semblable à un cerveau à fonctionner avec une quantité d'informations plus restreinte. Cette analyse aide à affiner les outils utilisés pour protéger les communautés et gérer les ressources dans des zones où la pluie est aussi imprévisible qu'essentielle.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.