探索面向南美季节性降水预测的机器学习、深度学习与可解释AI方法
机器学习
2025-12-17 v1 人工智能
摘要
气象变量的预测因其复杂过程而具有挑战性，需要先进的模型才能实现准确性。准确的降水预测对社会至关重要。可靠的预测有助于社区减轻气候影响。鉴于人工智能(AI)的当前相关性，已将经典机器学习(ML)和深度学习(DL)技术用作动态建模的替代或补充手段。然而，纯数据驱动方法用于降水预测的可行性仍缺乏广泛调查。本研究旨在解决此问题，考虑南美2019年所有季节的降水预测，进行详细调查。所选经典ML技术包括随机森林和极端梯度提升(XGBoost)，而DL对手包括1D卷积神经网络(CNN 1D)、长短期记忆(LSTM)模型和门控循环单元(GRU)模型。我们还使用巴西全球大气模型(BAM)作为传统动态建模方法的代表。我们还依赖可解释人工智能(XAI)来提供模型行为的解释。LSTM表现出强大的预测性能，而BAM——作为传统动态模型代表——结果最差。尽管LSTM呈现更高的延迟，但在重型降水预测中最为准确。如果成本是关注点，XGBoost提供更低的延迟，同时略损失准确性。本研究的结果确认了DL模型在气候预测中的可行性，巩固了大型气象和气候预测中心的全球趋势。
引用
@article{arxiv.2512.13910,
title = {Exploring Machine Learning, Deep Learning, and Explainable AI Methods for Seasonal Precipitation Prediction in South America},
author = {Matheus Corrêa Domingos and Valdivino Alexandre de Santiago Júnior and Juliana Aparecida Anochi and Elcio Hideiti Shiguemori and Luísa Mirelle Costa dos Santos and Hércules Carlos dos Santos Pereira and André Estevam Costa Oliveira},
journal= {arXiv preprint arXiv:2512.13910},
year = {2025}
}