DOI: https://doi.org/10.19139/soic-2310-5070-3030
تاريخ النشر: 2026-01-27
المؤلف: Suci Astutik وآخرون
الموضوع الرئيسي: تحليل البيانات المكانية والبيانية
نظرة عامة
تدرس هذه الدراسة أنماط هطول الأمطار في شرق جاوة باستخدام نماذج بايزيان الشرطية التلقائية (BCAR)، وتحديداً نماذج الشرطية التلقائية الجوهرية (ICAR) ومواصفات Leroux CAR، لأخذ في الاعتبار التباين المكاني العالي في المنطقة. تم إجراء تقدير المعلمات عبر طرق سلسلة ماركوف مونت كارلو (MCMC)، مع تحليل بيانات هطول الأمطار الشهرية من سبتمبر 2022 إلى فبراير 2023. تكشف النتائج أنه خلال موسم الأمطار، لا تؤثر معظم المتغيرات المناخية، بما في ذلك درجة الحرارة والرطوبة، بشكل كبير على هطول الأمطار، بينما يظهر الرياح تأثيرًا إيجابيًا خلال موسم الانتقال. يتفوق نموذج ICAR على نموذج Leroux CAR في دقة التنبؤ، كما يتضح من القيم المنخفضة لجذر متوسط مربع الخطأ (RMSE) (62.0 مم لموسم الانتقال و60.1 مم لموسم الأمطار)، بينما ينتج نموذج Leroux CAR قيم RMSE أعلى (حوالي 73-74 مم).
تؤكد الدراسة على أهمية التأثيرات المكانية في تفسير تباين هطول الأمطار، حيث يشير نموذج Leroux CAR إلى معلمة اعتماد مكاني مستقرة (حوالي $\rho = 0.39-0.40$). على الرغم من قوة النماذج، تم ملاحظة قيود مثل فترات موثوقة واسعة لبعض المتغيرات المشتركة ومشكلات التعدد الخطي المحتملة، مما يشير إلى أن المتغيرات التفسيرية الإضافية وإطار بايزي مكاني زمني كامل يمكن أن يعزز دقة التنبؤ. بشكل عام، بينما يُفضل نموذج ICAR للتنبؤ، يجب أن تأخذ الاختيار بين النماذج في الاعتبار الأهداف المحددة لنمذجة هطول الأمطار في شرق جاوة، سواء من أجل الدقة أو الاستدلال المكاني.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية النمذجة الإحصائية في فهم الظواهر البيئية المعقدة، وخاصة هطول الأمطار. غالبًا ما تكافح الطرق التقليدية مثل الانحدار الكلاسيكي والنماذج المكانية (مثل SAR وSEM) مع التباين المكاني العالي وعدم اليقين بسبب الافتراضات التقييدية، مما يجعل تقدير الاحتمالية القصوى (MLE) أقل فعالية عندما يتم انتهاك الطبيعية والتجانس. بالمقابل، يقدم النموذج البايزي، وخاصة من خلال نموذج الشرطية التلقائية (CAR)، نهجًا مرنًا يدمج المعرفة السابقة ويعكس بشكل فعال الاعتماد المكاني والتغيرات المحلية في البيانات المكانية. تهدف هذه الدراسة إلى تطبيق ومقارنة نماذج CAR البايزية، وتحديداً نماذج ICAR وLeroux CAR، لتحليل أنماط هطول الأمطار المكانية في شرق جاوة، إندونيسيا، خلال فترة لا نينا.
تؤكد الأبحاث على الدور الحاسم لتباين هطول الأمطار، المتأثر بالديناميات المناخية، في تفاقم الكوارث الهيدرومناخية في إندونيسيا. على الرغم من التقدم في نمذجة هطول الأمطار باستخدام تقنيات إحصائية وتعلم الآلة المختلفة، لا تزال تطبيقات نماذج CAR البايزية محدودة في هذا السياق. تهدف الدراسة إلى تقييم أداء النماذج المكانية مقابل نموذج الانحدار الخطي غير المكاني التقليدي، مع التركيز على الملخصات اللاحقة، والفترات الموثوقة، وإجراءات دقة التنبؤ مثل RMSE. من خلال إظهار مزايا دمج الهيكل المكاني، تهدف النتائج إلى تعزيز الأساليب المنهجية لبيانات الهيدرومناخ في إندونيسيا وتقديم رؤى عملية لاستراتيجيات التكيف المناخي وإدارة موارد المياه.
طرق
تحدد قسم “الطرق” في ورقة البحث الإجراءات التجريبية المستخدمة للتحقيق في فرضية البحث. تم تصميم التجارب لتقييم المتغيرات ذات الاهتمام بشكل منهجي، باستخدام بيئة خاضعة للرقابة لتقليل التأثيرات الخارجية. تم تفصيل منهجيات محددة، بما في ذلك اختيار العينة، وتقنيات جمع البيانات، والتحليلات الإحصائية، لضمان إمكانية إعادة إنتاج النتائج وموثوقيتها.
تم تحليل النتائج التي تم الحصول عليها من التجارب بدقة، مما كشف عن أنماط وارتباطات هامة تدعم الفرضيات الأولية. قدمت الطرق الإحصائية المطبقة، مثل تحليل الانحدار واختبار الفرضيات، أدلة قوية على الاستنتاجات المستخلصة. بشكل عام، تسهم النتائج التجريبية في تقديم رؤى قيمة حول سؤال البحث، مما يبرز فعالية المنهجيات المستخدمة.
نتائج
تكشف نتائج الدراسة عن رؤى هامة حول التنبؤات المكانية لهطول الأمطار الشهرية في شرق جاوة باستخدام نموذجين: نموذج Leroux Bayesian Conditional Autoregressive (BCAR) ونموذج Integrated Conditional Autoregressive (ICAR). خلال موسم الانتقال، يشير نموذج Leroux BCAR إلى تباين مكاني كبير، مع توقع هطول أمطار أعلى في المناطق الجبلية الوسطى والشرقية، مثل مالانغ وبلitar، بسبب التأثيرات الأوروجرافية. على العكس من ذلك، تظهر المناطق الساحلية الشمالية مثل سورابايا هطول أمطار أقل، متماشية مع الظروف الجافة النموذجية. في موسم الأمطار (ديسمبر-فبراير)، يتوقع نموذج Leroux BCAR توزيعًا أكثر تجانسًا لهطول الأمطار عبر شرق جاوة، مما يعكس خصائص المناخ الموسمي الاستوائي.
بينما يظهر نموذج ICAR أنماطًا مشابهة بشكل عام، فإنه يلتقط تباينات محلية أكثر حدة، خاصة في موسم الانتقال، حيث يبرز اختلافات ملحوظة بين المناطق الداخلية الأكثر رطوبة والمناطق الساحلية الأكثر جفافًا. كميًا، يظهر نموذج ICAR دقة تنبؤ متفوقة مع قيم جذر متوسط مربع الخطأ (RMSE) أقل تبلغ 62.0 مم و60.1 مم لموسمي الانتقال والأمطار، على التوالي، مقارنةً بقيمة RMSE لنموذج Leroux BCAR البالغة 73.5 مم و73.9 مم. على الرغم من RMSE الأعلى، يقدم نموذج Leroux BCAR تنبؤات مكانية أكثر سلاسة، مما يمكن أن يكون مفيدًا لرسم خرائط هطول الأمطار الإقليمية. تؤكد النتائج على وجود توازن بين دقة التنبؤ والتماسك المكاني، مع آثار على إدارة موارد المياه وتقييم مخاطر الفيضانات في شرق جاوة. يجب أن تهدف الأبحاث المستقبلية إلى دمج متغيرات إضافية وإطارات مكانية زمنية لتعزيز موثوقية النموذج وقابليته للتطبيق.
مناقشة
في قسم المناقشة، تبرز الأبحاث تطبيق التحليل البايزي ومختلف نماذج الشرطية التلقائية (CAR) لتقييم أنماط هطول الأمطار المكانية في شرق جاوة، إندونيسيا. يسمح التحليل البايزي، الذي يستفيد من نظرية بايز، بإدماج المعرفة السابقة وتوليد توزيعات لاحقة تعكس عدم اليقين في المعلمات. تستخدم الدراسة نموذج الشرطية التلقائية (CAR) ومتغيراته، بما في ذلك نموذج الشرطية التلقائية الجوهرية (ICAR) ونموذج Leroux CAR البايزي، لالتقاط الاعتماد المكاني في بيانات هطول الأمطار بشكل فعال. يقدم نموذج Leroux CAR معلمة تلطيف مكاني، $\rho$، التي توازن بين عدم الاعتماد المكاني وICAR النقي، مما يعزز استقرار النموذج، خاصة في سيناريوهات البيانات النادرة.
تشير النتائج إلى أن الاعتماد المكاني له أهمية كبيرة في أنماط هطول الأمطار، مع قيم $\rho$ المقدرة حول 0.40 عبر مواسم مختلفة، مما يشير إلى تباين مكاني معتدل. يكشف التحليل أنه على الرغم من أن ليس كل المتنبئين المناخيين ذوي دلالة إحصائية، فإن النموذج يلتقط بشكل فعال التباين المكاني في هطول الأمطار، خاصة خلال موسم الأمطار عندما يظهر الغطاء السحابي كمتنبئ مهم. كما تؤكد الدراسة على أهمية تشخيص النموذج، مثل مخططات التتبع والفترات الموثوقة، لتقييم التقارب وجودة الملاءمة في الأطر البايزية. بشكل عام، تسلط الأبحاث الضوء على فائدة نماذج CAR البايزية في الدراسات المناخية، خاصة لفهم العلاقات المكانية في بيانات هطول الأمطار، مع الإشارة أيضًا إلى التحديات التي تطرحها التعدد الخطي بين المتنبئين.
DOI: https://doi.org/10.19139/soic-2310-5070-3030
Publication Date: 2026-01-27
Author(s): Suci Astutik et al.
Primary Topic: Spatial and Panel Data Analysis
Overview
This study investigates rainfall patterns in East Java using Bayesian Conditional Autoregressive (BCAR) models, specifically the Intrinsic Conditional Autoregressive (ICAR) and Leroux CAR specifications, to account for the region’s high spatial variability. Parameter estimation was performed via Markov Chain Monte Carlo (MCMC) methods, analyzing monthly rainfall data from September 2022 to February 2023. The findings reveal that during the rainy season, most climatic variables, including temperature and humidity, do not significantly affect rainfall, while wind shows a positive influence during the transition season. The ICAR model outperforms the Leroux CAR model in predictive accuracy, evidenced by lower Root Mean Square Error (RMSE) values (62.0 mm for the transition season and 60.1 mm for the rainy season), whereas the Leroux CAR model yields higher RMSE values (approximately 73-74 mm).
The study emphasizes the importance of spatial effects in explaining rainfall variability, with the Leroux CAR model indicating a stable spatial dependence parameter (approximately $\rho = 0.39-0.40$). Despite the robustness of the models, limitations such as wide credible intervals for certain covariates and potential multicollinearity issues were noted, suggesting that additional explanatory variables and a fully spatio-temporal Bayesian framework could enhance predictive accuracy. Overall, while the ICAR model is favored for prediction, the choice between models should consider the specific objectives of rainfall modeling in East Java, whether for accuracy or spatial inference.
Introduction
The introduction of the research paper highlights the significance of statistical modeling in understanding complex environmental phenomena, particularly rainfall. Traditional methods such as classical regression and spatial models (e.g., SAR and SEM) often struggle with high spatial heterogeneity and uncertainty due to restrictive assumptions, making Maximum Likelihood Estimation (MLE) less effective when normality and homoscedasticity are violated. In contrast, the Bayesian paradigm, particularly through the Conditional Autoregressive (CAR) model, offers a flexible approach that incorporates prior knowledge and effectively captures spatial dependence and local variations in areal data. This study aims to apply and compare Bayesian CAR models, specifically the ICAR and Leroux CAR models, for analyzing spatial rainfall patterns in East Java, Indonesia, during the La Niña period.
The research underscores the critical role of rainfall variability, influenced by climate dynamics, in exacerbating hydrometeorological disasters in Indonesia. Despite advancements in rainfall modeling using various statistical and machine learning techniques, the application of Bayesian CAR models remains limited in this context. The study intends to evaluate the performance of spatial models against a conventional non-spatial linear regression model, focusing on posterior summaries, credible intervals, and predictive accuracy measures such as RMSE. By demonstrating the advantages of incorporating spatial structure, the findings aim to enhance methodological approaches to hydrometeorological data in Indonesia and provide practical insights for climate adaptation and water resource management strategies.
Methods
The “Methods” section of the research paper outlines the experimental procedures employed to investigate the research hypothesis. The experiments were designed to systematically assess the variables of interest, utilizing a controlled environment to minimize external influences. Specific methodologies, including sample selection, data collection techniques, and statistical analyses, were detailed to ensure reproducibility and reliability of the findings.
The results obtained from the experiments were rigorously analyzed, revealing significant patterns and correlations that support the initial hypotheses. The statistical methods applied, such as regression analysis and hypothesis testing, provided robust evidence for the conclusions drawn. Overall, the experimental results contribute valuable insights into the research question, highlighting the effectiveness of the methodologies used.
Results
The results of the study reveal significant insights into the spatial predictions of monthly rainfall in East Java using two models: the Leroux Bayesian Conditional Autoregressive (BCAR) model and the Integrated Conditional Autoregressive (ICAR) model. During the transition season, the Leroux BCAR model indicates considerable spatial heterogeneity, with higher rainfall predicted in the central and eastern mountainous regions, such as Malang and Blitar, due to orographic effects. Conversely, northern coastal areas like Surabaya exhibit lower rainfall, consistent with typical dry conditions. In the rainy season (December-February), the Leroux BCAR model predicts a more uniform rainfall distribution across East Java, reflecting the characteristics of tropical monsoon climates.
The ICAR model, while showing similar overall patterns, captures sharper local contrasts, particularly in the transition season, where it highlights pronounced differences between wetter inland areas and drier coastal zones. Quantitatively, the ICAR model demonstrates superior predictive accuracy with lower Root Mean Square Error (RMSE) values of 62.0 mm and 60.1 mm for the transition and rainy seasons, respectively, compared to the Leroux BCAR model’s RMSE of 73.5 mm and 73.9 mm. Despite its higher RMSE, the Leroux BCAR model offers smoother spatial predictions, which can be beneficial for regional rainfall mapping. The findings underscore a tradeoff between predictive accuracy and spatial coherence, with implications for water resource management and flood risk assessment in East Java. Future research should aim to incorporate additional variables and spatio-temporal frameworks to enhance model reliability and applicability.
Discussion
In the discussion section, the research highlights the application of Bayesian analysis and various conditional autoregressive (CAR) models to assess spatial rainfall patterns in East Java, Indonesia. Bayesian analysis, leveraging Bayes’ theorem, allows for the incorporation of prior knowledge and the generation of posterior distributions that reflect parameter uncertainty. The study employs the Conditional Autoregressive Model (CAR) and its variants, including the Intrinsic Conditional Autoregressive (ICAR) model and the Bayesian Leroux CAR model, to effectively capture spatial dependencies in rainfall data. The Leroux CAR model introduces a spatial smoothing parameter, $\rho$, which balances between no spatial dependence and pure ICAR, enhancing model stability, particularly in sparse data scenarios.
The findings indicate that spatial dependence is significant in rainfall patterns, with the estimated $\rho$ values around 0.40 across different seasons, suggesting moderate spatial autocorrelation. The analysis reveals that while not all climatic predictors are statistically significant, the model effectively captures spatial variability in rainfall, particularly during the rainy season when cloud cover emerges as a significant predictor. The study also emphasizes the importance of model diagnostics, such as trace plots and credible intervals, to evaluate convergence and goodness of fit in Bayesian frameworks. Overall, the research underscores the utility of Bayesian CAR models in climatological studies, particularly for understanding spatial relationships in rainfall data, while also noting the challenges posed by multicollinearity among predictors.