Modelado Predictivo de Eventos de Pronóstico de Clima Extremo: un Enfoque LSTM

Para una variedad de industrias, incluyendo la agricultura, la gestión de recursos hídricos y el pronóstico de inundaciones, la predicción precisa de la lluvia es crucial. El objetivo de este trabajo de investigación es mejorar el sistema de pronóstico de lluvia mediante el sistema basado en memoria a largo y corto plazo (LSTM). El LSTM utilizado en el estudio mencionado realizó predicciones utilizando variables de entrada meteorológicas como temperatura, humedad y lluvia. Numerosos elementos afectan el rendimiento de la red LSTM, como el tipo y volumen de datos, la idoneidad de la arquitectura del modelo y la optimización de hiperparámetros. El conjunto de datos utilizado para el entrenamiento del modelo abarca desde enero de 2015 hasta diciembre de 2021 e incluye datos de lluvia recolectados de la Estación de Investigación Agrícola Zonal (ZARS), Parque Shenda, Kolhapur. Antes del entrenamiento del modelo, los datos de entrada pasan por un minucioso procesamiento previo. Este procesamiento previo implica la corrección de datos, lograda a través de promedios móviles, seguida de métodos de escalado y normalización de características. Estos pasos son cruciales para alinear el conjunto de datos con las capacidades únicas del modelo LSTM. El conjunto de datos total tiene un valor de R al cuadrado (R2) de 0.23517 y un valor de error cuadrático medio (MSE) de 92.1839, según los resultados simulados. Estas métricas afirman el robusto rendimiento del modelo LSTM, sugiriendo una alta probabilidad de predicciones precisas de lluvia, particularmente en escenarios no lineales y complejos. Los tomadores de decisiones en pronósticos de inundaciones, agricultura y gestión de recursos hídricos encontrarán útil el conocimiento recopilado de este estudio. Ellos enfatizan lo crucial que es utilizar técnicas de vanguardia como LSTM para aumentar la precisión del pronóstico de lluvia y guiar la planificación estratégica en las industrias asociadas.