Comparison of Machine Learning Methods for Monthly Rainfall Forecasting Using k-Nearest Neighbors, Random Forest, and Artificial Neural Networks
本研究对比了 k-最近邻算法、随机森林和人工神经网络在针对邦加勿里岛潘卡林庞每月降水量预测方面的表现，并发现基于 MAE、RMSE 和 R² 等评估指标，随机森林的性能优于其他两种算法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
降雨是气候系统的脉搏，是一股塑造了从我们餐桌上的食物到城市安全等一切事物的力量。它是农民的重要资源，当降雨过量时也可能成为一种潜在的灾害，然而，准确预测一个月内究竟会降下多少雨量仍然是气象学中最困难的挑战之一。与河流平稳的流动或潮汐规律的涨落不同，降雨是混沌且高度非线性的，这意味着它并不遵循简单的、直线型的模式。在像印度尼西亚这样的热带地区，天气受海洋环流、季风和局部地理因素的复杂混合驱动，这种不可预测性更加显著。为了理解这种混沌，科学家们转向了机器学习——这是计算机科学的一个分支，其中的算法通过学习历史数据来发现隐藏的模式。这些数字工具并不依赖于僵化的规则，而是通过研究成千上万次的过去天气观测记录来推测未来可能发生的情况，为解决预测降雨这一古老问题提供了新途径。
在最近一项针对邦加勿里岛潘卡兰平岸德帕提·阿米尔气象站的研究中，研究人员旨在观察三种流行的机器学习方法中，哪一种最适合预测月降水量。由气象气候地学国立学院的 Mico Maulana 和 Giarno 领导的研究小组收集了从 2015 年到 2024 年共十年的天气数据。他们考察了影响降雨的多种因素，包括前几个月的降水量、平均气温、空气湿度以及每日日照时长。利用这些信息，他们训练了三种不同类型的计算机模型：一种寻找相似过去天气模式的模型；一种构建决策树群体进行结果投票的模型；以及一种模仿人类大脑通过层级连接处理信息的方式的模型。其目标并非发明一种新的降雨预测方法，而是对比这些现有工具，以观察哪一个能最准确地预报这个特定热带群岛的天气。
研究人员将数据分为两部分，使用前八年的数据来教导模型，并使用最后两年的数据来测试它们。随后，他们使用检查预测值与实际降水量接近程度的标准工具来衡量结果。研究结果揭示了一个明显的赢家。那个构建了决策树群体的模型，即被称为“随机森林”（Random Forest）的模型，被证明是最有效的。它成功解释了大约 60% 的月降水量变化，其预测误差平均约为 76 毫米。该模型在捕捉旱季和雨季的起伏变化方面表现尤为出色，且不会被极端天气事件所干扰。相比之下，那个模仿大脑的模型，即被称为“人工神经网络”（Artificial Neural Network）的模型，表现最差。它仅解释了约 30% 的降水变率，并产生了显著较大的误差，经常在强降雨期间预测过高，而在干旱时期预测过低。第三种模型仅仅是寻找相似的过去天气模式，其表现处于中间水平，解释了大约 49% 的变率，但往往会抹平数据的峰值和谷值，从而错过了一些最剧烈的降雨事件。
研究表明，对于这个特定区域和类型的数据，这种将许多简单的决策者组合成单个稳健系统的做法优于所测试的其他方法。研究人员指出，神经网络之所以表现挣扎，可能是因为该数据集虽然有价值，但对于如此复杂的系统而言规模相对较小，难以进行有效学习。然而，基于决策树的模型却表现出色，它通过平均许多个独立决策树的结果，有助于避免对数据中的噪声过度反应，并提供了更稳定的预测。尽管没有模型是完美的，且最佳结果仍有改进空间，但这项研究为热带岛屿地区的气象学家提供了实用的路线图。它表明，在处理有限的历史记录时，一种聚合了许多简单数据视角的集成方法（ensemble method），比试图强迫一个复杂的类脑系统在较少信息量下工作更为可靠。这一洞察有助于完善用于保护社区和管理资源的工具，在这些降雨既不可预测又至关重要的地区。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。