Vergleichende Leistung von LSTM, ANN und GAM bei der Vorhersage von Niederschlags- und Temperaturanomalien unter beschleunigter Erwärmung: Belege aus Thohoyandou, Südafrika (1990–2025)

Eine genaue Vorhersage lokaler Wetterbedingungen ist entscheidend für die Klimaanpassung und nachhaltige Planung. Diese Studie analysierte 35 Jahre (1990–2025) stündliche Temperatur- und Niederschlagsdaten aus Thohoyandou, Südafrika, um die Auswirkungen des Klimawandels zu bewerten und die Vorhersage von Anomalien zu verbessern. Explorative Analysen und die Bayes’sche Schätzung abrupten Wandels, saisonalen Wandels und Trends (BEAST) zeigten beschleunigte Erwärmungstrends von 0,025 °C pro Jahr bei Temperaturanomalien, neben stark unregelmäßigen Niederschlagsmustern, die durch extreme Ereignisse gekennzeichnet sind, anstatt durch systematische Veränderungen. Drei Modelle, künstliche neuronale Netzwerke (ANN), Long Short-Term Memory (LSTM)-Netzwerke und ein generalisiertes additives Modell (GAM), wurden zur Anomalievorhersage bewertet, wobei die Merkmalsauswahl durch LASSO-Regression geleitet wurde. Für die Temperatur schnitt das LSTM besser ab als das ANN und das GAM, mit MSE = 0,458, MAE = 0,457, MBE = 0,087 und MASE = 0,510. Bei Temperaturanomalien erzielte das LSTM-Modell die besten Ergebnisse, gefolgt von den GAM- und ANN-Modellen. Bei Niederschlagsanomalien erreichte das LSTM-Modell ebenfalls den niedrigsten Vorhersagefehler, mit MSE = 0,187, MAE = 0,111, MBE = −0,009 und MASE = 1,873; jedoch deuten MASE-Werte über 1 darauf hin, dass die Vorhersage von Niederschlag herausfordernd bleibt. Diese Ergebnisse zeigen die Fähigkeit des LSTM-Modells, mit Temperaturanomalien umzugehen, und die Schwierigkeiten bei der Modellierung von Niederschlägen. GAM schnitt in der Modellierung von Niederschlägen weniger genau, aber konstant ab.