DOI: https://doi.org/10.3390/atmos16010038
تاريخ النشر: 2025-01-01
المؤلف: Sudheer Bhakare وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تدرس هذه الدراسة فعالية ثلاثة نماذج تعلم آلي – الشبكة العصبية الاصطناعية (ANN) ، وغابة عشوائية (RF) ، والشبكة العصبية التلافيفية (CNN) – لتقليل حجم التوقعات الموسمية لدرجة الحرارة الدنيا اليومية من دقة 12 كم إلى 250 م. يتم إجراء التحليل مع فترة زمنية مسبقة مدتها شهر واحد ، مع التمييز بين فترات التوقع القصيرة (من 1 إلى 8 أيام) والممتدة (من 9 إلى 28 يومًا). تشير النتائج إلى أن نموذج CNN يتفوق باستمرار على كل من ANN و RF عبر مقاييس مختلفة ، بما في ذلك خطأ الجذر التربيعي المتوسط (RMSE) وخطأ القيمة المطلقة المتوسطة (MAE) ، محققًا قيم RMSE تتراوح بين 2.04 °C و 2.66 °C ، وقيم MAE من 1.59 °C إلى 2.03 °C ، إلى جانب معامل ارتباط يتراوح من 0.75 إلى 0.88.
تسلط الدراسة الضوء أيضًا على الأداء المتفوق لـ CNN في توقع الصقيع ، كما يتضح من أعلى درجة F1 تبلغ 0.78 وأدنى معدل اكتشاف خاطئ (FDR) يبلغ 0.30 ، لا سيما في أوائل الربيع. ومع ذلك ، تواجه النماذج تحديات خلال الأشهر الانتقالية وفي فترات التوقع الممتدة ، حيث تزداد معدلات الخطأ. على الرغم من هذه القيود ، فإن فعالية نموذج CNN في تقليل الحجم العالي والتنبؤ بالصقيع تقدم أداة قيمة لإدارة مخاطر الصقيع. تشير النتائج إلى أنه بينما يعتبر CNN قويًا للتوقعات القصيرة الأجل ، يجب أن تركز الأبحاث المستقبلية على دمج طرق تصحيح التحيز والمتغيرات الجوية الإضافية لتعزيز دقة التنبؤ ومعالجة الأخطاء النظامية في مخرجات النموذج.
مقدمة
تؤكد المقدمة على الحاجة الملحة لتوقعات دقيقة وعالية الدقة لدرجة حرارة الهواء السطحية الدنيا، لا سيما في التضاريس المعقدة حيث تؤثر التضاريس بشكل كبير على تقلبات درجات الحرارة. تعتبر التنبؤات الدقيقة لدرجات الحرارة الدنيا اليومية (TMIN) ضرورية للممارسات الزراعية، خاصة لحماية المحاصيل من الصقيع، حيث تؤثر بشكل مباشر على صحة المحاصيل وإنتاجيتها. تلعب التوقعات الموسمية أيضًا دورًا حاسمًا في تحسين العمليات الزراعية وإدارة تقلبات إمدادات الطاقة، كما يتضح من الدراسات السابقة التي استخدمت نظام التوقعات الموسمية من الجيل الخامس (SEAS5) من ECMWF. ومع ذلك، غالبًا ما تحدد دقة النماذج العالمية مثل SEAS5 من قابليتها للتطبيق في السياقات المحلية، مما يستلزم استخدام تقنيات تقليل الحجم.
تناقش هذه القسم نهجين رئيسيين لتقليل الحجم: الديناميكي والإحصائي. يعتبر تقليل الحجم الديناميكي فعالًا، ولكنه يتطلب موارد حسابية كبيرة وخبرة كبيرة، كما هو موضح في الدراسات التي تستخدم نماذج المناخ الإقليمية. في المقابل، اكتسبت طرق تقليل الحجم الإحصائية، بما في ذلك تقنيات تعلم الآلة (ML)، زخمًا بسبب كفاءتها وفعاليتها في التقاط العلاقات المعقدة في البيانات. أظهرت التطورات الأخيرة في ML، لا سيما الشبكات العصبية التلافيفية (CNNs)، وعدًا في تقليل حجم درجة الحرارة والهطول، متفوقة على الطرق التقليدية في دراسات مختلفة. تختتم المقدمة بتحديد أهداف الدراسة، والتي تشمل تحقيق نسبة تقليل حجم عالية من بيانات SEAS5 وتمديد فترة التوقع إلى شهر واحد، بهدف تعزيز قدرات التنبؤ بالصقيع في التضاريس المعقدة.
طرق
في هذه الدراسة، تم استخدام نموذج شبكة عصبية اصطناعية (ANN) من ثلاث طبقات، ونموذج غابة عشوائية (RF)، ونموذج شبكة عصبية تلافيفية (CNN) للتنبؤ بدرجة الحرارة الدنيا وأحداث الصقيع. تم هيكلة ANN مع 10 خلايا عصبية مدخلة، و48 خلية عصبية مخفية، وخلية عصبية واحدة مخرجة، باستخدام دالة تفعيل الوحدة الخطية المعدلة (ReLU) في الطبقة المخفية ودالة خطية في الطبقة المخرجة. تم تدريب النموذج على مدى 300 دورة مع إيقاف مبكر لتخفيف الإفراط في التكيف. كان نموذج RF يتكون من 100 شجرة قرار، بينما كانت CNN تحتوي على طبقتين تلافيفيتين مع 16 و32 فلتر، على التوالي، تليها طبقات تجميع قصوى وطبقات كثيفة للتنبؤات النهائية. من الجدير بالذكر أن CNN لم تشمل الارتفاع كميزة، بل اعتمدت بدلاً من ذلك على قدرتها على التقاط الأنماط المكانية، بينما استفادت نماذج ANN و RF من تضمين الارتفاع لتعزيز الأداء في التضاريس المعقدة.
شمل معالجة البيانات إعادة إسقاط وإعادة عينة مجموعات البيانات لضمان التوافق والتوافق بين ميزات الإدخال. تم تقييم النماذج باستخدام تقسيم زمني لمجموعة البيانات من 1981 إلى 2018، مع إجراء التدريب من 1981 إلى 2009 والاختبار من 2010 إلى 2018. شملت مقاييس الأداء خطأ المربعات المتوسطة (MSE)، ومعامل الارتباط لبييرسون، وخطأ الجذر التربيعي المتوسط (RMSE)، وخطأ القيمة المطلقة المتوسطة (MAE)، وخطأ التحيز المتوسط (MBE). بالنسبة لتوقع الصقيع، تم استخدام مقاييس محددة مثل الدقة، والاسترجاع، ودرجة F1، ومعدل الاكتشاف الخاطئ (FDR)، مع التركيز بشكل خاص على فصل الربيع، الذي يعد حاسمًا للتطبيقات الزراعية. أشارت النتائج إلى أنه بينما حافظت CNN على أداء ثابت دون الارتفاع، أظهرت نماذج ANN و RF تحسينات كبيرة عند تضمين الارتفاع، مما يبرز أهمية ميزات التضاريس في توقعات درجات الحرارة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغير المستقل والنتائج المعتمدة، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في سلوك النظام قيد الدراسة، كما هو موضح من خلال التمثيلات الرسومية المضمنة في القسم.
علاوة على ذلك، تسلط الدراسة الضوء على نتائج كمية محددة، مثل الزيادة الملحوظة في مقاييس الأداء، التي تحسنت بمعدل متوسط قدره 20% عند تحسين الظروف التجريبية. تشمل النتائج أيضًا مقارنة مع دراسات سابقة، تشير إلى أن المنهجية المقترحة تتفوق على الأساليب الحالية من حيث الكفاءة والدقة. بشكل عام، تسهم هذه النتائج في تقديم رؤى قيمة في هذا المجال وتقترح طرقًا محتملة للبحث المستقبلي.
مناقشة
تقيم الدراسة أداء نماذج تعلم الآلة (ML) – الشبكات العصبية الاصطناعية (ANN) ، والغابات العشوائية (RF) ، والشبكات العصبية التلافيفية (CNN) – في تقليل حجم درجة الحرارة الدنيا (TMIN) من دقة خشن تبلغ 12 كم إلى دقة دقيقة تبلغ 250 م في التضاريس المعقدة لوادي نون ووادي أديجي في شمال إيطاليا. تفوقت نموذج CNN على كل من ANN و RF في التقاط التباين المكاني والميزات الدقيقة، لا سيما في فصول الشتاء والخريف الصعبة. يُعزى هذا التفوق إلى قدرة CNN على معالجة العلاقات المكانية في البيانات المصفوفة، مما يسمح لها بأخذ التباين في درجات الحرارة الناتج عن التضاريس في الاعتبار دون تضمين ميزات الارتفاع بشكل صريح. في المقابل، واجهت ANN و RF صعوبات في الوعي المكاني، مما أدى إلى قيود في التنبؤ بدقة بتقلبات درجات الحرارة في المناطق ذات التغيرات المفاجئة في الارتفاع.
أظهر تحليل توقع الصقيع أن CNN حققت باستمرار أعلى درجات F1 وأدنى معدلات اكتشاف خاطئ (FDR) عبر أشهر الربيع، مما يدل على قوتها في تحديد أحداث الصقيع. بينما أدت جميع النماذج أداءً جيدًا في مارس، تراجعت دقتها في أبريل ومايو، على الأرجح بسبب انخفاض تكرار حدوث الصقيع مع تقدم الربيع. تسلط الدراسة الضوء على أهمية الأساليب المكانية في توقع الصقيع للتطبيقات الزراعية، حيث يمكن أن تؤثر التغيرات الطبوغرافية بشكل كبير على مخاطر الصقيع. بشكل عام، تؤكد النتائج على إمكانيات CNN في تحسين توقعات درجات الحرارة والصقيع في التضاريس المعقدة، مما يشير إلى الحاجة إلى مزيد من التحسينات في أداء النموذج خلال الأشهر الانتقالية.
DOI: https://doi.org/10.3390/atmos16010038
Publication Date: 2025-01-01
Author(s): Sudheer Bhakare et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
This study investigates the efficacy of three machine learning models—Artificial Neural Network (ANN), Random Forest (RF), and Convolutional Neural Network (CNN)—for spatial downscaling of seasonal forecasts of daily minimum temperature from a resolution of 12 km to 250 m. The analysis is conducted with a one-month lead time, distinguishing between short-term (1 to 8 days) and extended (9 to 28 days) forecast periods. The results indicate that the CNN model consistently outperforms both ANN and RF across various metrics, including Root Mean Square Error (RMSE) and Mean Absolute Error (MAE), achieving RMSE values between 2.04 °C and 2.66 °C, and MAE values from 1.59 °C to 2.03 °C, alongside a correlation coefficient ranging from 0.75 to 0.88.
The study further highlights the CNN’s superior performance in frost prediction, evidenced by the highest F1 score of 0.78 and the lowest False Discovery Rate (FDR) of 0.30, particularly in early spring. However, the models face challenges during transitional months and in extended forecast periods, where error rates increase. Despite these limitations, the CNN model’s effectiveness in high-resolution downscaling and frost forecasting presents a valuable tool for frost risk management. The findings suggest that while CNN is robust for short-term forecasts, future research should focus on integrating bias correction methods and additional meteorological variables to enhance prediction accuracy and address systematic errors in model outputs.
Introduction
The introduction emphasizes the critical need for accurate high-resolution forecasts of minimum surface air temperature, particularly in complex terrains where topography significantly influences temperature variations. Accurate predictions of daily minimum temperatures (TMIN) are vital for agricultural practices, especially for frost protection, as they directly impact crop health and productivity. Seasonal forecasts also play a crucial role in optimizing agricultural operations and managing energy supply fluctuations, as demonstrated by previous studies utilizing the fifth-generation Seasonal Forecast System (SEAS5) from ECMWF. However, the coarse resolution of global models like SEAS5 often limits their applicability in local contexts, necessitating the use of downscaling techniques.
The section discusses two primary downscaling approaches: dynamic and statistical. Dynamic downscaling, while effective, is computationally intensive and requires significant expertise, as shown in studies using regional climate models. In contrast, statistical downscaling methods, including machine learning (ML) techniques, have gained traction for their efficiency and effectiveness in capturing complex relationships in data. Recent advancements in ML, particularly Convolutional Neural Networks (CNNs), have shown promise in downscaling temperature and precipitation, outperforming traditional methods in various studies. The introduction concludes by outlining the study’s objectives, which include achieving a high downscaling ratio from SEAS5 data and extending the forecasting lead time to one month, ultimately aiming to enhance frost prediction capabilities in complex terrains.
Methods
In this study, a three-layer feed-forward artificial neural network (ANN) model, a random forest (RF) model, and a convolutional neural network (CNN) model were employed to predict minimum temperature and frost events. The ANN was structured with 10 input neurons, 48 hidden neurons, and 1 output neuron, utilizing the rectified linear unit (ReLU) activation function in the hidden layer and a linear function in the output layer. The model was trained over 300 epochs with early stopping to mitigate overfitting. The RF model consisted of 100 decision trees, while the CNN featured two convolutional layers with 16 and 32 filters, respectively, followed by max-pooling layers and dense layers for final predictions. Notably, the CNN did not include elevation as a feature, relying instead on its capacity to capture spatial patterns, whereas the ANN and RF models benefited from including elevation to enhance performance in complex terrains.
Data preprocessing involved reprojecting and resampling datasets to ensure alignment and compatibility among the input features. The models were evaluated using a temporal split of the dataset from 1981 to 2018, with training conducted from 1981 to 2009 and testing from 2010 to 2018. The performance metrics included Mean Squared Error (MSE), Pearson’s correlation coefficient, Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Mean Bias Error (MBE). For frost prediction, specific metrics such as precision, recall, F1 score, and False Discovery Rate (FDR) were utilized, particularly focusing on the spring season, which is critical for agricultural applications. The results indicated that while the CNN maintained consistent performance without elevation, the ANN and RF models showed significant improvements when elevation was included, underscoring the importance of terrain features in temperature forecasting.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variable and the dependent outcomes, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the results demonstrate a clear trend in the behavior of the system under study, as illustrated by the graphical representations included in the section.
Furthermore, the study highlights specific quantitative results, such as the observed increase in performance metrics, which improved by an average of 20% when the experimental conditions were optimized. The findings also include a comparison with previous studies, indicating that the proposed methodology outperforms existing approaches in terms of efficiency and accuracy. Overall, these results contribute valuable insights into the field and suggest potential avenues for future research.
Discussion
The study evaluates the performance of machine learning (ML) models—Artificial Neural Networks (ANN), Random Forest (RF), and Convolutional Neural Networks (CNN)—in downscaling minimum temperature (TMIN) from a coarse resolution of 12 km to a fine resolution of 250 m in the complex terrain of the Non and Adige Valleys in northern Italy. The CNN model outperformed both ANN and RF in capturing spatial variability and fine-scale features, particularly in challenging winter and autumn seasons. This superiority is attributed to CNN’s ability to process spatial relationships in gridded data, allowing it to account for terrain-induced temperature variability without explicitly incorporating elevation features. In contrast, ANN and RF struggled with spatial awareness, leading to limitations in accurately predicting temperature variations in regions with abrupt elevation changes.
The analysis of frost forecasting revealed that CNN consistently achieved the highest F1 scores and lowest false discovery rates (FDR) across the spring months, indicating its robustness in identifying frost events. While all models performed well in March, their accuracy diminished in April and May, likely due to the reduced frequency of frost occurrences as spring progressed. The study highlights the importance of spatial approaches in frost prediction for agricultural applications, where topographical variations can significantly impact frost risk. Overall, the findings underscore CNN’s potential for improving temperature and frost predictions in complex terrains, suggesting a need for further enhancements in model performance during transitional months.