Prediction of rainfall for prevention using ARIMA models, Bayesian Optimization, and XGBoost Model.
Article Sidebar
Main Article Content
Abstract
This study focuses on providing a statistical model for precipitation at the Meteorological Station of the Universidad Politécnica Estatal del Carchi, Tulcán canton, with the purpose of improving the forecasting capacity and resilience of the regional agricultural sector. Consequently, this work analyzes the vulnerabilities caused by meteorological variations in different regions of Ecuador and highlights the importance of agriculture in this context. For this purpose, a statistical model combining ARIMA method, Bayesian optimization and XGBoost models is proposed to predict rainfall behavior. On the basis of the results obtained in the study, we can predict the adjacent behavior of rainfall in a temporal margin that goes up to the month of December of the year 2024. This constitutes an essential resource for the choice of more favorable decisions and thus benefit the agricultural area in the ability to adapt to unfavorable climatic events.
Downloads
Article Details
Section
Authors retain the copyright of their works and grant the journal IDEAS the right of first publication. Articles are published under the Creative Commons Attribution–NonCommercial–NoDerivatives 4.0 International License (CC BY-NC-ND 4.0), which allows reading, downloading, copying, distributing, and sharing the content for non-commercial purposes, provided that proper credit is given to the author(s) and the original publication in the journal, without making modifications or creating derivative works. The journal IDEAS does not charge fees for submission, processing, or publication of manuscripts and guarantees open access to its contents.
How to Cite
References
Bulti, E.; Abebe, T.: A review of flood modeling methods for urban pluvial flood application. Modeling Earth Systems and Environment, vol. 14, No. 6, pp. 1293-1302 ( 2020) DOI: https://doi.org/10.1007/s40808-020-00803-z
Huang, Y.: Nature‐based solutions for urban pluvial flood risk management. Wiley Interdisciplinary Reviews Water, vol. 6, No. 4, pp. 121-146 (2020)
Poveda, G.: La hidroclimatología de colombia una síntesis desde la escala inter decadal hasta la escala diurna. Revista de la Academia Colombiana de Ciencias Exactas, Físicas y Naturales, vol. 28, No. 107, pp. 255-272 (2023) DOI: https://doi.org/10.18257/raccefyn.28(107).2004.1991
Nasca, L.: Efectos de la invasión del ligustrum, Ligustrum lucidum, sobre la dinámica hidráulica de los Yungas del noroeste argentino. Silvicultura, vol. 35, No 5, pp. 195- 215 (2014) DOI: https://doi.org/10.4067/S0717-92002014000200007
Zahermand, S.; Vafaeian, M.; Bazyar, M.: Análisis de las propiedades físicas y químicas de suelos contaminados con hidrocarburos oleosos, Revista de investigación de ciencias de la tierra, vol. 24, No 5, pp. 163-168 (2020)
Cardoso, M.; Marcuzzo, M.; Barros, J.: Clasificación Climática de Köppen-Geiger para el Estado de Goiás y el Distrito Federal. Minutas geográficas, vol. 5, No. 6, pp. 122-151 (2015)
Cunha, A.; Martins, D.: Clasificación climática para los municipios de botucatu y são manuel, Revista Cientifica Sinopsis, vol. 14, No. 3, pp. 75-92 (2018) 8. Acworth, R.: Comprensión de los sistemas conectados de aguas superficiales y subterráneas mediante el análisis de Fourier de las fluctuaciones diarias y subdiarias de la carga, Revista de hidrogeología, vol. 23, No. 6, pp. 143-159 (2015)
Fileccia, A.: Utilizar las fluctuaciones del nivel del agua en respuesta a los cambios de la marea terrestre y la presión barométrica para medir las propiedades hidrogeológicas in situ de un acuífero sobrecargado en un yacimiento de carbón, Revista de Hidrogeología, vol. 26, No. 14, pp. 1465-1479 (2020)
Kamp, G.; Schmidt, R.:Revisión: Carga de humedad: la información oculta en los registros de pozos de observación de aguas subterráneas, Revista de Hidrogeología, vol. 32, No. 25, pp. 2225-2233 (2017)
Kaushik, I.; Singh, S.: Seasonal ARIMA Model for Forecasting of Monthly Rainfall and Temperature, J. Environ. Res. Dev., pp. 506-514 (2008)
Mashin, M.; Begum, M.: Modeling Rainfall in Dhaka Division of Bangladesh Using Time Series, ResearchGate, Vol. 1, No.5, pp. 67-73 (2012) 13. Lai, Y.; Dzombak, D.: Use of the Autoregressive Integrated Moving Average (ARIMA) Model to Forecast Near-term Regional Temperature and Precipitation, Weather and Forecasting (2020)
Nusyirwan, L.; Afriani, F.: Forecasting Monthly Rainfall Using Arima Seasonal Method: Case Study: Rainfall in West Lampung Regency, International Journal of Statistics and Applications, vol. 12, No. 4, pp. 83-86 (2022)
Bora, S.; Hazarika, A.: Rainfall Time Series Forecasting using ARIMA Model, 2023 International Conference on Artificial Intelligence and Applications (ICAIA) Alliance Technology Conference (ATCON-1) (2023) DOI: https://doi.org/10.1109/ICAIA57370.2023.10169493
Zhao, J.; Chen, R.; Xin, H.: Rainfall study based on ARIMA-RBF combined model, in 5th International Symposium on Big Data and Applied Statistics (ISBDAS 2022), Journal of Physics: Conference Series (2022) DOI: https://doi.org/10.1088/1742-6596/2294/1/012029
Shumway,H.; Stoffer, S.: Time Series Analysis and Its Applications: With R Examples, 4th ed. Davis, CA: Springer Nature (2017) DOI: https://doi.org/10.1007/978-3-319-52452-8
Smith, J.: Predicción de precipitaciones mensuales mediante modelos ARIMA, Revista de Meteorología y Climatología Aplicadas, vol. 5, No. 6, pp. 55-73 (2018)
Anwar, M.; Winarno, E.; Hadikurniawati, W.: Rainfall prediction using Extreme Gradient Boosting," Journal of Physics: Conference Series. Annual Conference on Science and Technology (ANCOSET 2020), (2021) DOI: https://doi.org/10.1088/1742-6596/1869/1/012078
Barrera, L.; Oyedele, M.; Akinosho, T.; Davila, L.: Rainfall prediction: A comparative analysis of modern machine learning algorithms for time-series forecasting, Machile Learning with Applications, (2022)
Poola, K.; Sekhar, H. Prediction of rainfall by using estreme gradient boost (XG boost) in Vishakapattanam area, Andhra Pradesh, International Journal of Statistics and Applied Mathematics, vol. 6, No. 3, pp. 83-86 (2021)
Liyew, M.; Melese, A.: Machine learning techniques to predict daily rainfall amount, Journal of Big Data, vol. 8, No. 153, p. 11 (2021) DOI: https://doi.org/10.1186/s40537-021-00545-4
Wang, Q.: Optimización bayesiana para el ajuste de parámetros del modelo XGBoost en la predicción de lluvias, Investigación de recursos hídricos, vol. 6, No. 2, pp. 91- 112 (2017)
Li, C.; Shang, H.: Optimización bayesiana para el ajuste de parámetros del modelo XGBoost en la predicción de lluvias, Investigación de recursos hídricos, vol. 5, No. 6, pp. 67-82 (2020)
Chen, L.; Zhang, Y.: Predicción de lluvia integrada utilizando ARIMA, optimización bayesiana y modelo XGBoost, Revista de Hidrología, vol. 7, No. 4, pp. 145-176, (2019)
Rahman, A.; Mahmudul, H.:Modeling and Forecasting of Carbon Dioxide Emissions in Bangladesh Using Autoregressive Integrated Moving Average (ARIMA) Models, Technology Sylhet, Vol.7 No.4, pp. 12-22 (2017)
Paredes, F.; Guevara, E.; Barbosa, H.; Uzcátegui, C. et al.: Tendencia de la precipitación estacional e influencia de El Niño-Oscilación Austral sobre la ocurrencia de extremos pluviométricos en la cuenca del lago de Valencia, Venezuela, Tecnología y Ciencias del Agua, vol. 6, No. 6, pp. 33-48 (2015)
INAMHI.: Boletín Agrometereológico Mensual, Instituto Nacional de Meteorología e Hidrología, Quito, (2017)
Santillán, K. y Zamora, B.: Análisis Climático y de Dambio Climático en el Distrito Metropolitano de Quito, Universidad Politécnica Salesiana sede Quito, Quito, (2021)