Deep Learning Models Based on CNN, RNN, and LSTM for Rainfall Forecasting: Jordan as a Case Study
Notice bibliographique
Résumé
This study is the first to compare deep learning models for rainfall prediction across several Jordanian cities representing diverse climates using 11 years of recorded climate data, something that previous studies have not addressed in the Jordanian context.The climate records for four Jordanian cities (Amman, Irbid, Karak, and Ajloun) were recorded hourly.The data was divided into training sets (80%) and test sets (20%), with and without the application of correlation analysis, feature selection, and data standardization steps applied.Three neural network models, Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), and Convolutional Neural Network-Recurrent Neural Network (CNN-RNN) were used to evaluate the performance of rainfall prediction in the four cities using three sets of features: all variables (13 features), precipitation only, and a selection of eight correlated features.The results showed that the RNN model outperformed the others overall, especially when using correlated features, recording the lowest error values, Mean Squared Error (MSE) and Root Mean Squared Error (RMSE) in most cities, with the exception of Amman, where the model performed best when using all features.Whereas in Irbid, the MSE was 0.080210 3 and RMSE = 0.009, while in Karak, the MSE was 0.11810 3 and RMSE = 0.0109.In Amman, the RNN using all features achieved MSE = 0.016710 3 and RMSE = 0.0041.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».