Publication: Support vector regression to downscaling climate big data: an application for precipitation and temperature future projection assessment
Loading...
Date
2020
Journal Title
Journal ISSN
Volume Title
Publisher
Springer Nature Switzerland AG 2020
Abstract
The techniques for downscaling climatic variables are essential to support tools for water resources planning and management in a climate change context in the entire world. Support vector machines (SVM) through regression approach (SVR), constitute an artificial intelligence method to downscaling climatic variables. Since that statistical downscaling based on regression methodologies is susceptible to the predictor variables, the aim of this study was exploring a big database of predictor variables to achieve the best performance of a statistical downscaling model using SVR to predict precipitation and temperature future projections. Data from regional climate models of Ecuador and information of three meteorological stations was used to apply this approach in the Tomebamba river sub-basin, located in southern Ecuadorian Andean region. The results show that the downscaling model has a better performance with the climatic averages. The precipitation extremes do not estimate in a good manner, but the model achieves an effective behavior with the temperature extremes values. These results could serve to improve water balance projections in the future for formulating suitable measures for climate change decision-making.
Description
Las técnicas para reducir las variables climáticas son esenciales para apoyar las herramientas para la planificación y gestión de los recursos hídricos en un contexto de cambio climático en todo el mundo. Las máquinas de vectores de soporte (SVM) a través del enfoque de regresión (SVR) constituyen un método de inteligencia artificial para reducir las variables climáticas. Dado que esa reducción de escala estadística basada en metodologías de regresión es susceptible a las variables predictoras, el objetivo de este estudio fue explorar una gran base de datos de variables predictoras para lograr el mejor rendimiento de un modelo de reducción de escala estadística usando SVR para predecir las proyecciones futuras de precipitación y temperatura. Los datos de los modelos climáticos regionales de Ecuador y la información de tres estaciones meteorológicas se utilizaron para aplicar este enfoque en la subcuenca del río Tomebamba, ubicada en la región andina del sur de Ecuador. Los resultados muestran que el modelo de reducción de escala tiene un mejor rendimiento con los promedios climáticos. Los extremos de precipitación no se estiman de una buena manera, pero el modelo logra un comportamiento efectivo con los valores de temperaturas extremas. Estos resultados podrían servir para mejorar las proyecciones del balance hídrico en el futuro para formular medidas adecuadas para la toma de decisiones sobre el cambio climático.
Keywords
Andean basin, Artificial intelligence, Climate big data, Climate change, SVR, Statistical downscaling