Aplicación de algoritmos de aprendizaje automático en la predicción de eventos de lluvia extrema en Ruanda
Autores: Kagabo, James; Kattel, Giri Raj; Kazora, Jonah; Shangwe, Charmant Nicolas; Habiyakare, Fabien
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Aplicación de algoritmos de aprendizaje automático en la predicción de eventos de lluvia extrema en Ruanda
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Precipitación
Ciclo hidrológico
Predicción de lluvias
Aprendizaje automático
LSTM
Clima extremo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
La precipitación es un componente esencial del ciclo hidrológico que afecta directamente la vida humana. Una detección precisa y temprana de un futuro evento de lluvia puede ayudar a prevenir pérdidas sociales, ambientales y económicas. Los métodos tradicionales para la predicción precisa de la lluvia han fallado debido a su debilidad para cuantificar las condiciones climáticas no lineales, ya que implican la predicción numérica del tiempo utilizando radar para resolver complejas ecuaciones matemáticas basadas en datos meteorológicos contemporáneos. Este estudio tiene como objetivo desarrollar un modelo de pronóstico de lluvia preciso utilizando aprendizaje automático (ML), y este modelo se centra en la memoria a largo y corto plazo (LSTM) para mejorar la precisión de la predicción de lluvia. En los últimos años, los algoritmos de aprendizaje automático (ML) han surgido como herramientas poderosas para predecir fenómenos meteorológicos extremos en todo el mundo. Por ejemplo, la memoria a largo y corto plazo (LSTM) es un modelo de pronóstico que estima de manera efectiva la cantidad de precipitación basada en datos históricos. Analizamos 85,470 piezas de datos diarios de lluvia desde 1983 hasta 2021 recopilados de cada una de las cuatro estaciones sinópticas en Ruanda (Kigali Aero, Ruhengeri Aero, Kamembe Aero y Gisenyi Aero). Se aplicaron algoritmos avanzados de ML, incluidos redes neuronales convolucionales (CNN), unidades recurrentes con compuertas (GRU) y LSTM, para predecir eventos de lluvia extrema. LSTM supera a CNN y GRU con una precisión del 99.7%, 99.8% y 99.7%. La capacidad de LSTM para filtrar el ruido mostró patrones importantes al manejar irregularidades en los datos de lluvia para mejorar los resultados de pronóstico. Nuestros resultados tienen implicaciones significativas para la preparación ante desastres y los esfuerzos de mitigación de riesgos en Ruanda, donde los desastres naturales frecuentes, incluidos las inundaciones, representan un desafío. Nuestra investigación también demuestra la superioridad de los algoritmos de ML basados en LSTM para predecir eventos de lluvia extrema, destacando su potencial para mejorar la resiliencia y las estrategias de preparación ante riesgos de desastres en Ruanda.
Descripción
La precipitación es un componente esencial del ciclo hidrológico que afecta directamente la vida humana. Una detección precisa y temprana de un futuro evento de lluvia puede ayudar a prevenir pérdidas sociales, ambientales y económicas. Los métodos tradicionales para la predicción precisa de la lluvia han fallado debido a su debilidad para cuantificar las condiciones climáticas no lineales, ya que implican la predicción numérica del tiempo utilizando radar para resolver complejas ecuaciones matemáticas basadas en datos meteorológicos contemporáneos. Este estudio tiene como objetivo desarrollar un modelo de pronóstico de lluvia preciso utilizando aprendizaje automático (ML), y este modelo se centra en la memoria a largo y corto plazo (LSTM) para mejorar la precisión de la predicción de lluvia. En los últimos años, los algoritmos de aprendizaje automático (ML) han surgido como herramientas poderosas para predecir fenómenos meteorológicos extremos en todo el mundo. Por ejemplo, la memoria a largo y corto plazo (LSTM) es un modelo de pronóstico que estima de manera efectiva la cantidad de precipitación basada en datos históricos. Analizamos 85,470 piezas de datos diarios de lluvia desde 1983 hasta 2021 recopilados de cada una de las cuatro estaciones sinópticas en Ruanda (Kigali Aero, Ruhengeri Aero, Kamembe Aero y Gisenyi Aero). Se aplicaron algoritmos avanzados de ML, incluidos redes neuronales convolucionales (CNN), unidades recurrentes con compuertas (GRU) y LSTM, para predecir eventos de lluvia extrema. LSTM supera a CNN y GRU con una precisión del 99.7%, 99.8% y 99.7%. La capacidad de LSTM para filtrar el ruido mostró patrones importantes al manejar irregularidades en los datos de lluvia para mejorar los resultados de pronóstico. Nuestros resultados tienen implicaciones significativas para la preparación ante desastres y los esfuerzos de mitigación de riesgos en Ruanda, donde los desastres naturales frecuentes, incluidos las inundaciones, representan un desafío. Nuestra investigación también demuestra la superioridad de los algoritmos de ML basados en LSTM para predecir eventos de lluvia extrema, destacando su potencial para mejorar la resiliencia y las estrategias de preparación ante riesgos de desastres en Ruanda.