Hybrid Climate Forecasting using Ensemble Learning and Trend Detection
Notice bibliographique
Résumé
Understanding local climate change patterns is vital for establishing an effective adaptation plan, especially in climate-sensitive places like Rajshahi, Bangladesh. This study examines monthly temperature data from 1980 to 2024 to forecast future climatic conditions and find long-term trends using hybrid analytics, which integrates strong machine learning algorithms with standard statistical approaches. Sen's Slope estimator, Linear Regression, and the statistical model Mann-Kendall test were applied to do trend analysis during the first phase. These techniques exhibited a substantial growing trend in both maximum and minimum temperatures, which indicates a long-term warming signal. Three supervised models were employed to predict monthly temperatures for 2025–2027: Extreme Gradient Boosting (XGBoost), Random Forest (RF), and Linear Regression (LR). The study employed three performance evaluation matrices for measuring model performance: Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and R2Score. Random Forest was best at the lowest temperature (R2 = 0.997, RMSE = 0.101°C). On the other hand, XGBoost performs well at the maximum temperature (R2 = 0.994, RMSE = 0.154°C) with exceptional precision. By studying the findings, this research acknowledges that the data-driven strategy at the regional climate trend assessment boosts the forecasting and trend analysis reliability by merging both machine learning and statistical techniques. Deep learning models and integrating new meteorological variables will be vital for future research to enhance prediction accuracy and scalability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».