DOI: https://doi.org/10.1038/s41598-024-77687-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39537701
تاريخ النشر: 2024-11-13
المؤلف: Owais Ali Wani وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تؤكد ورقة البحث على الحاجة الملحة للتنبؤ الدقيق بالأمطار، لا سيما في جبال الهيمالايا الشمالية الغربية، حيث يعتمد حوالي 60% من الأراضي الزراعية على أمطار الرياح الموسمية. تسلط الدراسة الضوء على قيود طرق النمذجة التقليدية في هذه المنطقة، داعيةً إلى استخدام خوارزميات التعلم الآلي (ML) والتعلم العميق (DL) المتقدمة، مثل الغابة العشوائية (RF)، والانحدار باستخدام دعم المتجهات (SVR)، والشبكات العصبية الاصطناعية (ANN)، ومجموعة متنوعة من الشبكات العصبية المتكررة (RNNs). تكشف النتائج أن طرق DL، وخاصة الشبكات العصبية طويلة المدى قصيرة المدى ثنائية الاتجاه (LSTM)، تتفوق بشكل كبير على تقنيات ML التقليدية وتقنيات السلاسل الزمنية، مثل المتوسط المتحرك التكاملي الذاتي الانحدار (ARIMA)، في دقة التنبؤ بالأمطار، كما تقاس بواسطة الجذر التربيعي لمتوسط الخطأ التربيعي (RMSE) ومتوسط الخطأ المطلق (MAE).
بالإضافة إلى التنبؤ بالأمطار، تقدم الدراسة تحليلًا شاملاً لأنماط درجات الحرارة عبر ارتفاعات مختلفة، كاشفةً عن تباين كبير يتأثر بالارتفاع. تشير درجات الحرارة القصوى والدنيا المتوسطة عبر مواقع مختلفة إلى تعقيد أنظمة المناخ في المنطقة. يعزز دمج بيانات درجات الحرارة الخاصة بالارتفاع في نماذج التنبؤ من دقة توقعات الأمطار من خلال أخذ عوامل مثل استقرار الغلاف الجوي ومحتوى الرطوبة في الاعتبار. تختتم الورقة بالقول إنه بينما تظهر النماذج المتقدمة المعتمدة على البيانات وعدًا في تحسين التنبؤ بالأمطار، يجب أن تأخذ التنفيذ العملي في الاعتبار جودة البيانات، ومتطلبات الحوسبة، وإمكانية الإفراط في التكيف لضمان توقعات موثوقة في سياق تقلب المناخ وإدارة الموارد في النظم البيئية الجبلية.
الطرق
في هذه الدراسة، تم اختيار منطقة جبال الهيمالايا الشمالية الغربية في الهند كمنطقة دراسة حالة، مركزها تقريبًا عند خط عرض 33° 5′ 24′′ شمالًا وخط طول 74° 47′ 24′′ شرقًا. تم إنشاء التمثيل الجغرافي لمنطقة الدراسة باستخدام QGIS 3.30.0، مع تسليط الضوء على ستة محطات أرصاد جوية موزعة عبر تدرج ارتفاعي. كانت مجموعة البيانات الأساسية، المستمدة من إدارة الأرصاد الجوية الهندية (IMD)، تشمل سجلات يومية لدرجات الحرارة القصوى والدنيا والأمطار على مدى فترة 40 عامًا (1980-2020).
شملت معالجة البيانات عدة خطوات حاسمة لضمان سلامة مجموعة البيانات وقابليتها للاستخدام في التحليل اللاحق. في البداية، تم معالجة القيم المفقودة والقيم الشاذة، حيث تم استبدال الإدخالات المفقودة بـ ‘غير متوفر’ (N.A.). بعد ذلك، تم ترميز المتغيرات الفئوية، وتم تحديد السمات ذات الصلة الضرورية لتنبؤ الأمطار. تم تقسيم مجموعة البيانات النهائية إلى مجموعات تدريب (80%) واختبار (20%)، مما أعدها لإدخال النموذج والتحليل.
المناقشة
تستكشف الدراسة التنبؤ بالأمطار باستخدام مزيج من التعلم الآلي (ML)، والتعلم العميق (DL)، ومنهجيات السلاسل الزمنية، مع استخدام خوارزميات متنوعة بما في ذلك الشبكات العصبية الاصطناعية (ANN)، والانحدار باستخدام دعم المتجهات (SVR)، والغابة العشوائية (RF)، والشبكات العصبية المتكررة (RNN)، وذاكرة طويلة المدى قصيرة المدى (LSTM)، ووحدات متكررة مغلقة (GRU)، والمتوسط المتحرك التكاملي الذاتي الانحدار (ARIMA)، وTBATS. تم تقييم النماذج بناءً على مقاييس الأداء مثل الجذر التربيعي لمتوسط الخطأ التربيعي (RMSE) ومتوسط الخطأ المطلق (MAE)، مما يكشف أن نماذج DL، وخاصة LSTM وBidirectional LSTM، تفوقت على نماذج ML التقليدية ونماذج السلاسل الزمنية في التنبؤ بالأمطار عبر تدرجات ارتفاعية مختلفة في جبال الهيمالايا الشمالية الغربية. تسلط النتائج الضوء على أهمية دمج بيانات الأرصاد الجوية الخاصة بالارتفاع واستخدام تقنيات النمذجة المتقدمة لتعزيز دقة التنبؤ في البيئات الجبلية المعقدة.
أشار تحليل أنماط درجات الحرارة والأمطار عبر ارتفاعات مختلفة إلى تباين كبير، وهو أمر حاسم لفهم ديناميات المناخ المحلي. وجدت الدراسة أن تدرجات الحرارة تؤثر مباشرة على استقرار الغلاف الجوي وتكوين الهطول، مما يؤثر بدوره على توقعات الأمطار. يمكن أن يُعزى الأداء المتفوق لنماذج DL إلى قدرتها على التقاط العلاقات غير الخطية المعقدة والاعتمادات الزمنية في البيانات، والتي كافحت نماذج ML التقليدية ونماذج السلاسل الزمنية لتحقيقها. تسهم هذه الأبحاث في تحسين التخطيط الزراعي واستراتيجيات التكيف مع المناخ من خلال توفير توقعات أكثر دقة للأمطار، مما يدعم في النهاية اتخاذ قرارات أفضل استجابةً لتقلب المناخ.
DOI: https://doi.org/10.1038/s41598-024-77687-x
PMID: https://pubmed.ncbi.nlm.nih.gov/39537701
Publication Date: 2024-11-13
Author(s): Owais Ali Wani et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
The research paper emphasizes the critical need for accurate rainfall prediction, particularly in the North-Western Himalayas, where approximately 60% of agricultural land relies on monsoon rainfall. The study highlights the limitations of traditional modeling methods in this region, advocating for the use of advanced machine learning (ML) and deep learning (DL) algorithms, such as random forest (RF), support vector regression (SVR), artificial neural networks (ANN), and various recurrent neural networks (RNNs). The findings reveal that DL methods, especially bi-directional long short-term memory (LSTM) networks, significantly outperform traditional ML and time series techniques, such as autoregressive integrated moving average (ARIMA), in predicting rainfall accuracy, as measured by root mean squared error (RMSE) and mean absolute error (MAE).
In addition to rainfall prediction, the study provides a comprehensive analysis of temperature patterns across different altitudes, revealing significant variability influenced by altitude. The mean maximum and minimum temperatures across various locations indicate the complexity of the region’s climatic systems. The integration of altitude-specific temperature data into predictive models enhances rainfall forecast accuracy by accounting for factors such as atmospheric stability and moisture content. The paper concludes that while advanced data-driven models show promise for improving rainfall forecasting, practical implementation must consider data quality, computational demands, and the potential for overfitting to ensure reliable predictions in the context of climate variability and resource management in mountainous ecosystems.
Methods
In this study, the North-Western Himalayan region of India was selected as the case study area, specifically centered at approximately 33° 5′ 24′′ N latitude and 74° 47′ 24′′ E longitude. The geographical representation of the study area was created using QGIS 3.30.0, highlighting six meteorological stations distributed across an altitudinal gradient. The primary dataset, sourced from the Indian Meteorological Department (IMD), included daily records of maximum and minimum temperatures and rainfall over a 40-year period (1980-2020).
The data preprocessing involved several critical steps to ensure the dataset’s integrity and usability for subsequent analysis. Initially, missing values and outliers were addressed, with missing entries replaced by ‘not available’ (N.A.). Following this, categorical variables were encoded, and relevant attributes essential for rainfall prediction were identified. The final dataset was partitioned into training (80%) and testing (20%) sets, preparing it for model input and analysis.
Discussion
The study investigates rainfall prediction using a combination of machine learning (ML), deep learning (DL), and time series methodologies, employing various algorithms including Artificial Neural Networks (ANN), Support Vector Regression (SVR), Random Forest (RF), Recurrent Neural Networks (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), Autoregressive Integrated Moving Average (ARIMA), and TBATS. The models were evaluated based on performance metrics such as Root Mean Square Error (RMSE) and Mean Absolute Error (MAE), revealing that DL models, particularly LSTM and Bidirectional LSTM, outperformed traditional ML and time series models in predicting rainfall across different altitudinal gradients in the North-Western Himalayas. The findings highlight the importance of integrating altitude-specific meteorological data and employing advanced modeling techniques to enhance predictive accuracy in complex mountainous environments.
The analysis of temperature and rainfall patterns across various altitudes indicated significant variability, which is crucial for understanding local climate dynamics. The study found that temperature gradients directly influence atmospheric stability and precipitation formation, thereby affecting rainfall predictions. The superior performance of DL models can be attributed to their ability to capture complex non-linear relationships and temporal dependencies in the data, which traditional ML and time series models struggled to achieve. This research contributes to improved agricultural planning and climate adaptation strategies by providing more accurate rainfall forecasts, ultimately supporting better decision-making in response to climate variability.