在巴西不同气候区域中使用机器学习技术进行月降水量和空气温度预测

摘要 了解和量化遥相关模式的真实效应以及效应在气候上观察到的响应时间是气候预测模型面临的主要挑战。因此，机器学习方法具有巨大的潜力来弥补这一差距，支持传统的气候模型。考虑到气候预测的重要性及其潜在的社会经济影响，应用了五种不同的机器学习技术来预测巴西不同气候区域的月降水量和空气温度，即：多重线性回归（MLR）、弹性网正则化（EN）、随机森林（RF）、XGBoost（XGB）和支持向量机（SVM）。模型使用了每月的遥相关指数以及在地方气象站测量的滞后温度和降水数据。数据涵盖1979年至2022年，分为训练（34年）和测试（10年）阶段。还进行了平稳性和诊断测试，以识别模型中的潜在拟合故障。总体而言，所有技术在训练阶段表现良好，尤其是基于统计指标的XGB和RF技术。在测试阶段，MLR模型在温度估计方面表现优于其他模型，而在降水估计方面未能识别出最佳技术。本研究展示了在气候特征各异的地点使用多种机器学习技术来估计气象变量的潜力。