Machine learning based precipitation modeling using multi satellite data for climate resilient water resource management in Bundelkhand India
Pavan Kumar · Megha Paul · Prashant K. Srivastava 等 11 人
用多源卫星数据和机器学习预测印度半干旱区降水，XGBoost优于CNN。
CNN与XGBoost，输入LST、湿度、风速等卫星变量，可解释性分析。
XGBoost预测最佳（R²=0.77），土壤湿度、地表温度、大气水汽最关键。
可迁移至其他数据稀缺区，融合多源遥感与可解释AI提升水文预报。
基于多源卫星遥感与可解释机器学习构建降水预测框架，方法对比与结论可靠，对半干旱缺数据区水资源管理有参考价值，但属区域性学术成果，公共影响有限。
利用卫星遥感提供的空间连续气候数据可以改进降水建模；然而，整合来自不同传感器的异构变量以及理解机器学习结果仍然是重大难题。本研究提出了一种基于多源气候参数的卫星驱动机器学习降水预测系统。因变量为降水，模型输入为卫星衍生的预测因子，包括地表温度、大气湿度、地表气压、风速、相对湿度、土壤湿度和时间指标。研究采用了两种先进的机器学习模型——卷积神经网络（CNN）和极端梯度提升（XGBoost），以捕捉降水与气候因子之间的多尺度和非线性交互作用。使用标准统计指标评估模型性能，并采用可解释机器学习方法确定输入变量的相对重要性。研究结果表明，两种模型均能有效利用卫星衍生的气候数据，其中CNN展现出学习复杂特征交互的强大能力，XGBoost则表现出强劲的预测性能。XGBoost的R² = 0.77、RMSE = 88.79、MAE = 42.06，显著优于CNN（R² = 0.60、RMSE = 120.82、MAE = 73.46）。可解释性分析表明，影响降水变率的主要因素为土壤湿度、地表温度和大气湿度。所提出的系统为降水预测提供了一种透明且可扩展的方法，有助于增强水文预报和可持续水资源管理，尤其在数据稀缺地区。总体而言，研究结果表明，将可解释机器学习与多源地球观测数据相结合，可为半干旱、数据匮乏地区构建一个可扩展且高效的降水预测框架。图形摘要