DOI: https://doi.org/10.1038/s41598-026-35173-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41513755
تاريخ النشر: 2026-01-09
المؤلف: Rukiye Uzun Arslan وآخرون
الموضوع الرئيسي: التنبؤ الهيدرولوجي باستخدام الذكاء الاصطناعي
نظرة عامة
تقدم هذه الورقة البحثية إطار عمل متعدد المراحل لتعلم الآلة معزز بتقنيات الذكاء الاصطناعي القابل للتفسير (XAI) للتنبؤ باتجاهات درجات الحرارة باستخدام بيانات الأرصاد الجوية من زونغولداق، تركيا. يدمج الإطار طرقًا مثل تحليل المكونات الرئيسية (PCA) لتقليل الأبعاد، ونمذجة الانحدار المستقر، وSHapley Additive exPlanations (SHAP) لتحقيق دقة تنبؤ عالية مع الحفاظ على شفافية النموذج. تجد الدراسة أن الانحدار الخطي والانحدار الجبلي يؤدون باستمرار بشكل أفضل، حيث يظهرون أدنى معدلات خطأ وأعلى قيم معامل التحديد عبر كل من مجموعات البيانات الخاصة بالتحقق المتقاطع والاختبار. بالإضافة إلى ذلك، فإن تعزيز التدرج والانحدار باستخدام الدعم المتجه يحققان نتائج تنافسية.
تقلل تطبيقات PCA بشكل فعال من التعقيد البعدي مع تقليل فقدان المعلومات، مما يعزز كفاءة النموذج. تكشف التحليلات باستخدام SHAP وأهمية التبديل أن مكونات رئيسية معينة تؤثر بشكل كبير على تنبؤات النموذج، مما يبرز أهمية القابلية للتفسير في تطبيقات الذكاء الاصطناعي. تظهر النتائج أن الإطار المقترح يوازن بنجاح بين الدقة والقدرة على التفسير، مما يجعله أداة قوية لاتخاذ القرارات البيئية المتعلقة باتجاهات المناخ. قد توسع الأبحاث المستقبلية هذا النهج من خلال تطبيقه على مناطق مناخية متنوعة، ودمج متغيرات أرصاد جوية إضافية، ودمج تقنيات نمذجة أكثر تقدمًا.
مقدمة
تسلط مقدمة الورقة البحثية الضوء على القضية الملحة لتغير المناخ، مع التأكيد على تأثيراته الواسعة على النظم البيئية، وموارد المياه، والزراعة، وصحة الإنسان، والأنشطة الاقتصادية على مستوى العالم. تحدد العوامل الناتجة عن الإنسان، مثل انبعاثات غازات الدفيئة وإزالة الغابات، كمساهمين رئيسيين في الاحتباس الحراري، مما يستلزم اتباع نهج شامل للتخفيف من تغير المناخ على مستويات مختلفة. تُعرض محافظة زونغولداق في تركيا كدراسة حالة، توضح ضعف المنطقة بسبب خصائصها الجغرافية والاقتصادية الفريدة، والتي تتفاقم بفعل ارتفاع درجات الحرارة، وهطول الأمطار غير المنتظم، وزيادة الأحداث الجوية القاسية.
لمعالجة هذه التحديات، تدعو الورقة إلى إجراء تحليل مناخي مفصل مصمم خصيصًا لزونغولداق، وهو أمر ضروري لتطوير استراتيجيات التكيف الفعالة لحماية البيئة المحلية والاقتصاد. أدت تعقيدات تحليل بيانات المناخ إلى اعتماد تقنيات تعلم الآلة (ML)، التي تقدم مزايا في نمذجة معلمات المناخ من خلال إدارة مجموعات بيانات كبيرة وعالية الأبعاد بشكل فعال وتحديد العلاقات غير الخطية بين المتغيرات. ومع ذلك، يؤكد المؤلفون على أن الدقة التنبؤية العالية في نماذج تعلم الآلة يجب أن تكون مصحوبة بالشفافية والقابلية للتفسير، خاصة في فهم تأثير العوامل المختلفة على التنبؤات. تؤكد هذه الحاجة إلى الوضوح على أهمية الذكاء الاصطناعي القابل للتفسير (XAI) في علوم المناخ، مما يضمن أن تكون عمليات اتخاذ القرار في نماذج تعلم الآلة مفهومة وقيمة علميًا.
طرق
يتضمن الإطار المنهجي لهذه الدراسة عدة مكونات رئيسية: استخدام مجموعة بيانات أرصاد جوية، معالجة بيانات منهجية، تقليل الأبعاد من خلال تحليل المكونات الرئيسية (PCA)، وتدريب وتقييم نماذج الانحدار. بالإضافة إلى ذلك، فإن دمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) هو جانب حاسم من المنهجية. توضح مخطط بياني (الشكل 1) سير العمل الكامل، موضحة التسلسل والترابطات بين هذه المراحل، مما يوفر نظرة شاملة على النهج البحثي المستخدم في الدراسة.
النتائج
تقدم الدراسة إطار عمل متعدد المراحل لتعلم الآلة يستخدم تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) للتنبؤ باتجاهات درجات الحرارة بناءً على بيانات الأرصاد الجوية من محافظة زونغولداق في منطقة البحر الأسود الغربي في تركيا. يتكون الإطار من ثلاثة مكونات رئيسية: تقليل الأبعاد باستخدام تحليل المكونات الرئيسية (PCA)، نمذجة الانحدار مع التحقق المتقاطع (CV)، وتحليل القابلية للتفسير من خلال طرق XAI. قلل PCA بشكل فعال مجموعة الميزات مع الاحتفاظ بـ 95% من التباين الكلي، وتم تقسيم مجموعة البيانات إلى مجموعات تدريب (80%) واختبار (20%) لضمان تطوير نموذج قوي.
خلال مرحلة النمذجة، تم استخدام نهج CV ذو 5 طيات لتقييم أداء خوارزميات الانحدار المختلفة، بما في ذلك الانحدار الخطي، والانحدار الجبلي، ولasso، وElasticNet، وK-Nearest Neighbors (KNN)، والانحدار باستخدام الدعم المتجه (SVR)، وMulti-Layer Perceptron (MLP)، وأشجار القرار (DT)، وتعزيز التدرج (GB)، والغابة العشوائية (RF). تم تقييم النماذج باستخدام مقاييس أداء متعددة لكل من مجموعات البيانات التدريبية والاختبار، مما يظهر قدرتها على التعميم وكفاءة التعلم. أدى دمج منهجيات XAI، وخاصة تحليل SHAP وترتيب الأهمية بالتبديل، إلى تعزيز كبير في قابلية تفسير النتائج، مما يوفر رؤى حول مساهمات الميزات ويحسن الشفافية في عملية التنبؤ. بشكل عام، لم يزد هذا الإطار الشامل من دقة التنبؤ فحسب، بل عمق أيضًا فهم العوامل الجوية الأساسية التي تؤثر على اتجاهات درجات الحرارة.
المناقشة
تقدم الدراسة إطار عمل شامل لتعلم الآلة (ML) يدمج تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) للتنبؤ باتجاهات درجات الحرارة في زونغولداق، تركيا. من خلال استخدام تقليل الأبعاد عبر تحليل المكونات الرئيسية (PCA)، تبسط البحث مجموعة البيانات بشكل فعال مع الاحتفاظ بـ 95% من تباينها، مما يعزز أداء النموذج. أظهرت نماذج الانحدار الخطي، وخاصة الانحدار الخطي (LR) والانحدار الجبلي، دقة تنبؤية متفوقة، محققة أدنى معدلات خطأ وأعلى درجات R² عبر كل من مجموعات البيانات الخاصة بالتحقق المتقاطع والاختبار. في المقابل، أظهرت نماذج مثل أشجار القرار، وLasso، وElasticNet أداءً ضعيفًا بشكل ملحوظ.
تكشف التحليلات أن المكون الرئيسي الأول (PC1) هو العامل الأكثر تأثيرًا في تنبؤات النموذج، مرتبط إيجابيًا بمتغيرات درجات الحرارة ومرتبط سلبًا بمقاييس سرعة الرياح. تؤكد هذه النتيجة على فعالية PCA في توضيح الهيكل الأساسي لبيانات الأرصاد الجوية مع الحفاظ على نزاهة التنبؤ. يعزز استخدام تحليلات SHAP وأهمية التبديل من قابلية تفسير النموذج، مما يوفر رؤى حول عمليات اتخاذ القرار ويعزز الثقة في النتائج. تسلط الدراسة الضوء على أهمية نهج النمذجة الشفاف في علوم المناخ وتقترح أن الأبحاث المستقبلية يمكن أن تستفيد من دمج نماذج السلاسل الزمنية لتحسين قدرات التنبؤ على المدى القصير.
DOI: https://doi.org/10.1038/s41598-026-35173-6
PMID: https://pubmed.ncbi.nlm.nih.gov/41513755
Publication Date: 2026-01-09
Author(s): Rukiye Uzun Arslan et al.
Primary Topic: Hydrological Forecasting Using AI
Overview
This research paper introduces a multi-stage machine learning framework enhanced by explainable artificial intelligence (XAI) techniques to predict temperature trends using meteorological data from Zonguldak, Turkey. The framework integrates methods such as Principal Component Analysis (PCA) for dimensionality reduction, stable regression modeling, and SHapley Additive exPlanations (SHAP) to achieve high prediction accuracy while maintaining model transparency. The study finds that Linear Regression and Ridge Regression consistently perform best, exhibiting the lowest error rates and highest coefficient of determination values across both cross-validation and test datasets. Additionally, Gradient Boosting and Support Vector Regression yield competitive results.
The application of PCA effectively reduces dimensional complexity while minimizing information loss, enhancing model efficiency. The analyses using SHAP and permutation significance reveal that specific principal components significantly influence the model’s predictions, underscoring the importance of interpretability in AI applications. The findings demonstrate that the proposed framework successfully balances accuracy and explainability, making it a robust tool for environmental decision-making regarding climate trends. Future research may expand this approach by applying it to various climate regions, incorporating additional meteorological variables, and integrating more advanced modeling techniques.
Introduction
The introduction of the research paper highlights the pressing issue of climate change, emphasizing its widespread impacts on ecosystems, water resources, agriculture, human health, and economic activities globally. It identifies human-induced factors, such as greenhouse gas emissions and deforestation, as primary contributors to global warming, necessitating a comprehensive approach to climate change mitigation at various levels. The province of Zonguldak in Turkey is presented as a case study, illustrating the region’s vulnerability due to its unique geographical and economic characteristics, which are exacerbated by rising temperatures, erratic rainfall, and increased severe weather events.
To address these challenges, the paper advocates for detailed climate analysis tailored to Zonguldak, which is essential for developing effective adaptation strategies to safeguard the local environment and economy. The complexity of climate data analysis has led to the adoption of machine learning (ML) techniques, which offer advantages in modeling climate parameters by effectively managing large, high-dimensional datasets and identifying non-linear relationships among variables. However, the authors stress that high predictive accuracy in ML models must be complemented by transparency and interpretability, particularly in understanding the influence of various factors on predictions. This need for clarity underscores the importance of explainable artificial intelligence (XAI) in climate science, ensuring that the decision-making processes of ML models are comprehensible and scientifically valuable.
Methods
The methodological framework of this study involves several key components: the utilization of a meteorological dataset, systematic data preprocessing, dimensionality reduction through Principal Component Analysis (PCA), and the training and evaluation of regression models. Additionally, the integration of Explainable Artificial Intelligence (XAI) techniques is a crucial aspect of the methodology. A schematic diagram (Figure 1) illustrates the complete workflow, detailing the sequence and interconnections among these stages, thereby providing a comprehensive overview of the research approach employed in the study.
Results
The study presents a multi-stage machine learning framework that employs Explainable Artificial Intelligence (XAI) techniques to predict temperature trends based on meteorological data from Zonguldak province in Turkey’s Western Black Sea Region. The framework consists of three main components: dimensionality reduction using Principal Component Analysis (PCA), regression modeling with cross-validation (CV), and interpretability analysis through XAI methods. PCA effectively reduced the feature set while retaining 95% of the total variance, and the dataset was divided into training (80%) and testing (20%) subsets to ensure robust model development.
During the modeling phase, a 5-fold CV approach was utilized to evaluate the performance of various regression algorithms, including Linear Regression, Ridge, Lasso, ElasticNet, K-Nearest Neighbors (KNN), Support Vector Regression (SVR), Multi-Layer Perceptron (MLP), Decision Trees (DT), Gradient Boosting (GB), and Random Forest (RF). The models were assessed using multiple performance metrics for both training and test datasets, demonstrating their generalization capability and learning efficiency. The incorporation of XAI methodologies, specifically SHAP analysis and permutation importance ranking, significantly enhanced the interpretability of the results, providing insights into feature contributions and improving the transparency of the forecasting process. Overall, this comprehensive framework not only increased forecasting accuracy but also deepened the understanding of the underlying meteorological factors influencing temperature trends.
Discussion
The study introduces a comprehensive machine learning (ML) framework that integrates explainable artificial intelligence (XAI) techniques to forecast temperature trends in Zonguldak, Turkey. By employing dimensionality reduction through Principal Component Analysis (PCA), the research effectively simplifies the dataset while retaining 95% of its variance, thus enhancing model performance. Linear regression models, particularly Linear Regression (LR) and Ridge Regression, demonstrated superior predictive accuracy, achieving the lowest error rates and highest R² scores across both cross-validation and test datasets. In contrast, models such as Decision Trees, Lasso, and ElasticNet exhibited significantly poorer performance.
The analysis reveals that the first principal component (PC1) is the most influential factor in the model’s predictions, positively correlated with temperature variables and negatively associated with wind speed metrics. This finding underscores the effectiveness of PCA in elucidating the underlying structure of the meteorological data while maintaining predictive integrity. The use of SHAP and permutation importance analyses further enhances the interpretability of the model, providing insights into the decision-making processes and reinforcing confidence in the results. The study highlights the importance of transparent modeling approaches in climate science and suggests that future research could benefit from integrating time series models for improved short-term forecasting capabilities.