Comparison of Machine Learning Methods for Monthly Rainfall Forecasting Using k-Nearest Neighbors, Random Forest, and Artificial Neural Networks
Deze studie vergelijkt k-Nearest Neighbors, Random Forest en Artificial Neural Networks voor de voorspelling van maandelijkse neerslag in Pangkalpinang en stelt vast dat Random Forest de andere twee algoritmen overtreft op basis van evaluatiemetrieken zoals MAE, RMSE en R².
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Regenval is de hartslag van het klimaatsysteem, een kracht die alles vormgeeft, van het voedsel op onze tafels tot de veiligheid van onze steden. Het is een vitale hulpbron voor boeren en een potentieel gevaar wanneer het in overmaat arriveert, maar het precies voorspellen hoeveel er in een gegeven maand zal vallen, blijft een van de moeilijkste uitdagingen in de meteorologie. In tegenstelling tot de gestage stroom van een rivier of het voorspelbare stijgen van het getij, is regen chaotisch en hoogst niet-lineair, wat betekent dat het geen eenvoudige, rechte patronen volgt. In tropische regio's zoals Indonesië, waar het weer wordt gedreven door een complexe mix van oceaanstromingen, moessons en lokale geografie, is deze onvoorspelbaarheid nog eens uitgesproken. Om orde te scheppen in deze chaos, hebben wetenschappers zich gericht op machine learning, een tak van de informatica waarbij algoritmen leren van historische gegevens om verborgen patronen te vinden. Deze digitale hulpmiddelen vertrouwen niet op rigide regels, maar bestuderen in plaats daarvan duizenden eerdere weerwaarnemingen om te raden wat er vervolgens zou kunnen gebeuren, wat een nieuwe manier biedt om het eeuwenoude probleem van het voorspellen van regen aan te pakken.
In een recente studie gericht op de Depati Amir Meteorologische Station in Pangkalpinang, onderzochten onderzoekers welke van drie populaire machine learning-methoden het beste werkt voor het voorspellen van de maandelijkse neerslag. Het team, geleid door Mico Maulana en Giarno van de State College of Meteorology Climatology and Geophysics, verzamelde tien jaar aan weergegevens, reikend van 2015 tot 2024. Ze keken naar een verscheidenheid aan factoren die regen beïnvloeden, waaronder de hoeveelheid regen die in voorgaande maanden viel, de gemiddelde luchttemperatuur, hoe vochtig de lucht was en hoe lang de zon elke dag scheen. Met behulp van deze informatie trainden ze drie verschillende soorten computermodellen: één die zoekt naar vergelijkbare eerdere weerpatronen, één die een menigte van beslissingsbomen bouwt om over de uitkomst te stemmen, en één die de manier nabootst waarop een menselijk brein informatie verwerkt via lagen van verbindingen. Het doel was niet om een nieuwe manier uit te vinden om regen te voorspellen, maar om deze bestaande hulpmiddelen te vergelijken om te zien welk model het meest nauwkeurig het weer in deze specifieke tropische archipel kon voorspellen.
De onderzoekers verdeelden hun gegevens in twee delen, waarbij ze de eerste acht jaar gebruikten om de modellen te onderwijzen en de laatste twee jaar om ze te testen. Vervolgens maten ze de resultaten met standaardinstrumenten die controleren hoe dicht de voorspellingen bij de werkelijke regenval lagen. De bevindingen lieten een duidelijke winnaar zien. Het model dat een menigte van beslissingsbomen bouwde, bekend als Random Forest, bleek het meest effectief. Het slaagde erin ongeveer 60 procent van de veranderingen in de maandelijkse neerslag te verklaren, met voorspellingen die gemiddeld ongeveer 76 millimeter afweken. Dit model was bijzonder goed in het vastleggen van de op en neer gaande bewegingen van de natte en droge seizoenen zonder in de war te raken door extreme weersomstandigheden. In contrast hiermee presteerde het model dat het brein nabootst, genaamd een Artificial Neural Network, het minst goed. Het verklaarde slechts ongeveer 30 procent van de variabiliteit in neerslag en maakte aanzienlijk grotere fouten, waarbij het vaak te hoog schatte tijdens hevige regen en te laag tijdens droge periodes. Het derde model, dat simpelweg zocht naar vergelijkbare patronen uit het verleden, presteerde in het midden door ongeveer 49 procent van de variabiliteit te verklaren, maar had de neiging om de pieken en dalen in de gegevens af te vlakken, waardoor het sommige van de meest intense regenbuien miste.
De studie suggereert dat voor deze specifieke regio en dit type gegevens, de aanpak die veel eenvoudige besluitvormers combineert tot één robuust systeem, superieur is aan de andere geteste methoden. De onderzoekers merkten op dat het neurale netwerk waarschijnlijk moeite had omdat de dataset, hoewel waardevol, relatief klein was voor een dergelijk complex systeem om effectief van te leren. Het beslissingsboom-gebaseerde model bloeide echter op door de resultaten van veel individuele bomen te middelen, wat het hielp om niet overdreven te reageren op de ruis in de gegevens en een stabielere voorspelling te bieden. Hoewel geen enkel model perfect is, en het beste resultaat nog steeds ruimte laat voor verbetering, biedt de studie een praktische routekaart voor meteorologen in tropische eilandregio's. Het geeft aan dat wanneer men werkt met beperkte historische registers, een ensemble-methode die de resultaten van vele eenvoudige inzichten in de gegevens samenvoegt, betrouwbaarder is dan proberen een complex brein-achtig systeem te laten werken met een kleinere hoeveelheid informatie. Dit inzicht helpt bij het verfijnen van de instrumenten die worden gebruikt om gemeenschappen te beschermen en middelen te beheren in gebieden waar de regen even onvoorspelbaar als essentieel is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.