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

Technische Samenvatting: Regressiegebaseerde Voorspelling en Analyse van Neerslaggegevens voor Zware Regenval en Droogte bij het Sikta Weerstation, District Banke, Nepal

Probleemstelling
De rurale ontwikkeling in Nepal is sterk afhankelijk van de landbouw, aangezien meer dan 80% van de bevolking op het platteland woont. De planning van de landbouw en het beheer van waterbronnen worden echter ernstig uitgedaagd door onvoorspelbare weerpatronen, specifweg droogte en perioden met zware regenval. Het district Banke, gelegen in de Terai-regio, wordt geconfronteerd met toenemende klimaatvariabiliteit, waarbij neerslagpatronen zowel in seizoensgebondenheid als in volume grilliger zijn geworden. Hoewel eerdere studies de verbanden tussen meteorologische en hydrologische droogte hebben onderzocht, is er een kritieke behoefte aan regio-specifieke, datagestuurde strategieën om deze omstandigheden te monitoren en aan te passen. Het primaire doel van dit onderzoek is het aanpakken van de moeilijkheid bij het voorspellen van neerslag in het gebied van het Sikta Weerstation in het district Banke, met als doel een prognosemethode te identificeren die in staat is om ten minste 60% nauwkeurigheid te bereiken, aangezien voorspellingen onder deze drempelwaarde schadelijke gevolgen kunnen hebben voor de planning.

Methodologie
Het onderzoek maakt gebruik van een uitgebreide data-analytische benadering die gecentreerd is rond de dataset van het Sikta Weerstation, die maandelijkse en jaarlijkse neerslaggegevens beslaat van 1993 tot 2023. De dataset bevat seizoensgebonden onderverdelingen (JF, MAM, JJAS, OND) en wordt geanalyseerd met behulp van Python.

De kernmethodologie omvat een vergelijkende evaluatie van vijf regressiegebaseerde machine learning-modellen om de optimale aanpak te bepalen voor het voorspellen van neerslag en droogteomstandigheden:

1. Lineaire Regressie: Modelleert de relatie tussen afhankelijke en onafhankelijke variabelen door de gemiddelde kwadratische fout (MSE) te minimaliseren.
2. Lasso Regressie (L1-regularisatie): Integreert een strafterm om coëfficiënten te verkleinen, wat effectief fungeert als selectie van kenmerken door bepaalde coëfficiënten tot nul te reduceren.
3. Ridge Regressie (L2-regularisatie): Introduceert een strafterm om schattingen te stabiliseren in aanwezigheid van multicollineariteit, waardoor een hoge variantie in voorspellingen wordt voorkomen.
4. Elastic Net Regressie: Combineert L1- en L2-regularisatie om gecorreleerde meteorologische voorspellers te verwerken terwijl tegelijkertijd kenmerkselectie plaatsvindt.
5. XGBoost (Extreme Gradient Boosting): Een ensemble learning-methode die meerdere zwakke beslisbomen combineert om een sterk voorspellend model te creëren, bekend om zijn snelheid en efficiëntie bij grote datasets.

De workflow omvat datacleaning, Exploratieve Data Analyse (EDA) om patronen te identificeren, deseasonalisatie van neerslaggegevens, en de toepassing van zowel classificatie- als regressietechnieken. De prestaties van de modellen worden strikt geëvalueerd met behulp van de correlatiecoëfficiënt (R), de gemiddelde absolute fout (MAE) en de wortel van de gemiddelde kwadratische fout (RMSE).

Belangrijkste Resultaten
De studie vergeleek de prestaties van de vijf modellen tegenover historische neerslaggegevens. De analyse toonde aan dat hoewel alle modellen variërende mate van inzicht boden, het XGBoost regressiemodel de hoogste nauwkeurigheid demonstreerde bij het voorspellen van neerslagpatronen en potentiële droogteomstandigheden.

Visuele en statistische evaluaties, inclusief verwarringsmatrices en foutmetrieken (MAE en RMSE), bevestigden de superioriteit van XGBoost ten opzichte van de Lineaire, Lasso, Ridge en Elastic Net modellen voor deze specifieke dataset. Het model slaagde erin de niet-lineaire interacties te vangen die inherent zijn aan de neerslaggegevens, met name voor het JJAS-moessonseizoen (juni–september), dat de hoogste gemiddelde neerslag vertoont.

Betekenis en Claims
Het artikel stelt dat de voorgestelde weervoorspellingsstrategie, gebruikmakend van het XGBoost regressiemodel, een significante verbetering biedt voor de agrarische planning en het beheer van waterbronnen in ruraal Nepal. Door zware regenval en droogtecondities nauwkeurig te voorspellen, suggereert de studie dat lokale belanghebbenden zich beter kunnen voorbereiden op klimaatgerelateerde risico's.

Verder benadrukt de analyse een praktische toepassing voor parametrische verzekering. De studie stelt dat de geïdentificeerde triggerpunten en neerslagdrempels boeren in Banke in staat stellen om deel te nemen aan laagkosten parametrische verzekeringsregelingen (mogelijk onder de 50 cent). Onder dit kader zouden boeren automatisch claims ontvangen wanneer specifieke neerslagcondities (droogte- of overstromingsdrempels) worden bereikt, waardoor economische verliezen worden beperkt zonder dat complexe schadevergoedingen nodig zijn.

Uiteindelijk concludeert het onderzoek dat het inzetten van dergelijke voorspellende data-analyse cruciaal is voor het ondersteunen van duurzame rurale ontwikkeling in Nepal, door historische weergegevens te transformeren naar actiegerichte inzichten voor klimaatadaptatie.