Regenvorhersagemodell unter Verwendung von Methoden des maschinellen Lernens: Fallstudie Terengganu, Malaysia

Regen spielt eine wichtige Rolle bei der Verwaltung des Wasserstandes im Stausee. Die unvorhersehbare Menge an Regen aufgrund des Klimawandels kann entweder zu einem Überlauf oder zu Trockenheit im Stausee führen. In dieser Studie wurden mehrere Modelle und Methoden angewendet, um die Niederschlagsdaten in Tasik Kenyir, Terengganu, vorherzusagen. Die vergleichende Studie konzentrierte sich auf die Entwicklung und den Vergleich mehrerer Modelle des maschinellen Lernens (ML), die Bewertung verschiedener Szenarien und Zeiträume sowie die Vorhersage von Niederschlägen mit zwei verschiedenen Methoden. Die für diese Forschung verwendeten Daten bestehen aus dem Durchschnittsniederschlag von 10 Stationen im Forschungsgebiet unter Verwendung des Thiessen-Polygons zur Gewichtung der Stationsfläche und der projizierten Niederschläge. Das Vorhersagemodell verwendet vier verschiedene ML-Algorithmen, nämlich Bayessche lineare Regression (BLR), Boosted Decision Tree Regression (BDTR), Decision Forest Regression (DFR) und Neural Network Regression (NNR). Auf der anderen Seite wurde der Niederschlag auf verschiedenen Zeiträumen mit verschiedenen ML-Algorithmen vorhergesagt, wobei Methode 1 (M1): Vorhersage von Niederschlägen mit der Autokorrelationsfunktion (ACF) und Methode 2 (M2): Vorhersage von Niederschlägen mit projizierten Fehlern verwendet wurden. Bei M1 ist die beste Regression für ACF BDTR, da sie den höchsten Bestimmtheitsmaß, R2, nach der Feinabstimmung der Hyperparameter aufweist. Die Ergebnisse zeigen Koeffizienten zwischen 0,5 und 0,9 mit den höchsten Werten in den einzelnen Szenarien für täglich (0,9739693), wöchentlich (0,989461), 10-tägig (0,9894429) und monatlich (0,9998085). In M2 zeigen die Gesamtleistungen der Modelle, dass Normalisierung mithilfe von LogNormal im Allgemeinen gute Ergebnisse in jeder Kategorie liefert, außer für 10 Tage, wobei BDTR und DFR die akzeptabelsten Ergebnisse im Vergleich zu NNR und BLR sind. Es wird geschlossen, dass zwei verschiedene Methoden mit unterschiedlichen Szenarien und unterschiedlichen Zeitrahmen angewendet wurden, und M1 eine deutlich höhere Genauigkeit als M2 mit BDTR-Modellierung zeigt.