Geçmiş iklim verilerini ve makine öğrenmesi yöntemlerini kullanarak aşırı yağış tahmini

Bu çalışma, 1850'den 2014'e kadar olan CMIP6 tarihsel iklim model verilerini kullanarak aşırı yağış olaylarının tahminini incelemekte ve olayları bir gün önceden tahmin etmek için hem denetimsiz hem de denetimli makine öğrenimi yaklaşımlarını kullanmaktadır. Isolation Forest, K-means, DBSCAN, Lojistik Regresyon, Naive Bayes, Karar Ağaçları, Rastgele Ormanlar, XGBoost, LightGBM ve CatBoost dahil olmak üzere çeşitli algoritmaları karşılaştırdık. Bulgularımız, özellikle hiperparametre optimizasyonlu XGBoost'un diğer yaklaşımlardan daha iyi performans gösterdiğini, 0.4433 F0.5 skoru ve 0.9109 ROC AUC değerine ulaştığını ortaya koymaktadır. Boosting algoritmaları genellikle çeşitli metrikler açısından üstün performans sergiledi. Ayrıca, hiperparametre ayarlamasının modeller üzerindeki etkisini analiz ettik ve bazı durumlarda önemli iyileştirmeler gözlemledik. Özellik önem analizi, yerel ve komşu yağış ölçümlerini en etkili tahmin ediciler olarak belirledi. Makine öğrenimi yaklaşımımız, çeşitli özelliklerin etkilerinin ve coğrafi etkilerin ölçülmesine olanak tanıyarak, aşırı yağış olaylarının arkasındaki mekanizmalar hakkında değerli bilgiler sağlamaktadır. Bu araştırma, aşırı yağış olaylarını tahmin etme yeteneğimizi geliştirmede makine öğrenimi tekniklerinin potansiyelini göstermekte, gelişmiş tahmin yeteneklerine ve altta yatan atmosferik dinamiklerin daha iyi anlaşılmasına katkıda bulunmakta, böylece değişen bir iklimde aşırı yağışların etkilerini azaltmak için daha etkili erken uyarı sistemleri ve adaptasyon stratejileri geliştirilmesine yardımcı olmaktadır.