Predicción climática mensual utilizando redes neuronales convolucionales profundas y memoria a largo y corto plazo

El cambio climático afecta el crecimiento de las plantas, la producción de alimentos, los ecosistemas, el desarrollo socioeconómico sostenible y la salud humana. Se proponen diferentes modelos de inteligencia artificial para simular los parámetros climáticos de la ciudad de Jinan en China, que incluyen la red neuronal artificial (ANN), la red neuronal recurrente (RNN), la red neuronal de memoria a largo y corto plazo (LSTM), la red neuronal convolucional profunda (CNN) y CNN-LSTM. Estos modelos se utilizan para predecir seis factores climáticos mensualmente. Los datos climáticos de 72 años (1 de enero de 1951 al 31 de diciembre de 2022) utilizados en este estudio incluyen la temperatura atmosférica media mensual, la temperatura mínima atmosférica extrema, la temperatura máxima atmosférica extrema, la precipitación, la humedad relativa promedio y las horas de luz solar. Las series temporales de datos con un retraso de 12 meses se utilizan como señales de entrada para los modelos. La eficiencia de los modelos propuestos se examina utilizando diversos criterios de evaluación, a saber, el error absoluto medio, el error cuadrático medio (RMSE) y el coeficiente de correlación (R). El resultado del modelado indica que el modelo híbrido CNN-LSTM propuesto logra una mayor precisión que otros modelos comparados. El modelo híbrido CNN-LSTM reduce significativamente el error de pronóstico en comparación con los modelos para el paso de tiempo de un mes. Por ejemplo, los valores de RMSE de los modelos ANN, RNN, LSTM, CNN y CNN-LSTM para la temperatura atmosférica media mensual en la etapa de pronóstico son 2.0669, 1.4416, 1.3482, 0.8015 y 0.6292 °C, respectivamente. Los hallazgos de las simulaciones climáticas muestran el potencial de los modelos CNN-LSTM para mejorar la predicción climática. La predicción climática contribuirá a la prevención y reducción de desastres meteorológicos, así como al control de inundaciones y resistencia a la sequía.