Rainfall Forecasting by Using Machine Learning Models: A Case Study of TRNC

Abstract

Rainfall forecasting is crucial to making decisions, managing irrigation resources, and agriculture, and even predicting floods. Mediterranean rain regime is effective on Turkish Republic of Northern Cyprus (TRNC). The use of machine learning methods is widespread in many fields, including engineering, agriculture, transportation, and for the prediction. Several machine learning procedures were used in this study to build daily rainfall prediction models, including Decision Trees, Random Forests, Bagging Regressions, and Stacking Regressions. Five climatic parameters, average temperature, specific humidity, relative humidity, wind speed, and wind direction datasets were compiled on daily bases from 1995 to 2022 and used as input parameters after training and test phases. A comparison between the actual rainfall data gathered from NASA and the predicted outcome rainfall data from the machine learning models were used to determine the appropriate model which was having maximum accuracy and minimum error. In order to evaluate them, the statistical measures, R2, MSE, and MAE were used. It is determined that, the two most accurate models for predicting daily rainfall as a whole of TRNC, were Stacking Regression, and Random Forest with R2, 95.66, and 95.43, MSE 0.0428 and 0.045, and MAE 0.0821 and 0.0891, respectively. By applying the similar approach, based on the selected meteorological station as a representative for each region of TRNC, two appropriate machine learning models were found to be the best two fitted models that are Stacking Regression and Bagging Regression.

ÖZ: Yağış tahmini, kararlar almak, sulama kaynaklarını ve tarımı yönetmek ve hatta selleri tahmin etmek için çok önemlidir. Kuzey Kıbrıs Türk Cumhuriyeti (KKTC) Akdeniz yağış rejimi etkisindedir. Makine öğrenimi yöntemlerinin kullanımı, mühendislik, tarım, ulaşım ve tahmin için olmak üzere birçok alanda yaygındır. Rastgele Ormanlar, Torbalama Regresyonları ve İstifleme Regresyonları dahil olmak üzere günlük yağış tahmin modelleri oluşturmak için literatürde çeşitli makine öğrenimi prosedürleri kullanılır. Beş iklim parametresi, ortalama sıcaklık, özgül nem, bağıl nem, rüzgar hızı ve rüzgar yönü veri setleri, 1995'ten 2022'ye kadar günlük olarak derlendi ve eğitim ve test aşamalarından sonra girdi parametreleri olarak kullanıldı. NASA'dan toplanan gerçek yağış verileri ile makine öğrenimi modellerinden tahmin edilen sonuç yağış verileri arasındaki karşılaştırma, maksimum doğruluk ve minimum hataya sahip uygun modeli belirlemek için kullanıldı. Bunları değerlendirmek için istatistiksel ölçümler, R 2 , MSE ve MAE kullanıldı. KKTC genelinde günlük yağış tahmininde en doğru iki modelin sırasıyla R 2 95.66 ve 95.43, MSE 0.0428 ve 0.045 ve MAE 0.0821 ve 0.0891 ile İstifleme Regresyonu ve Rastgele Orman olduğu belirlenmiştir. Benzer yaklaşım uygulanarak, temsili olarak seçilen meteoroloji istasyonuna dayalı olarak KKTC'nin her bir bölgesini temsilen seçilen meteoroloji istasyonuna dayalı olarak iki uygun makine öğrenme modelinin İstifleme Regresyonu ve Torbalama Regresyonu olduğu bulundu.