Published September 28, 2020 | Version v1
Publication Open

Deep BLSTM-GRU Model for Monthly Rainfall Prediction: A Case Study of Simtokha, Bhutan

Creators

  • 1. Royal University of Bhutan
  • 2. Indian Institute of Technology Roorkee
  • 3. Sookmyung Women's University

Description

Rainfall prediction is an important task due to the dependence of many people on it, especially in the agriculture sector. Prediction is difficult and even more complex due to the dynamic nature of rainfalls. In this study, we carry out monthly rainfall prediction over Simtokha a region in the capital of Bhutan, Thimphu. The rainfall data were obtained from the National Center of Hydrology and Meteorology Department (NCHM) of Bhutan. We study the predictive capability with Linear Regression, Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), and Bidirectional Long Short Term Memory (BLSTM) based on the parameters recorded by the automatic weather station in the region. Furthermore, this paper proposes a BLSTM-GRU based model which outperforms the existing machine and deep learning models. From the six different existing models under study, LSTM recorded the best Mean Square Error (MSE) score of 0.0128. The proposed BLSTM-GRU model outperformed LSTM by 41.1% with a MSE score of 0.0075. Experimental results are encouraging and suggest that the proposed model can achieve lower MSE in rainfall prediction systems.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يعد التنبؤ بهطول الأمطار مهمة مهمة بسبب اعتماد الكثير من الناس عليها، خاصة في قطاع الزراعة. التنبؤ صعب وأكثر تعقيدًا بسبب الطبيعة الديناميكية لهطول الأمطار. في هذه الدراسة، نجري تنبؤات شهرية لهطول الأمطار على منطقة سيمتوخا في عاصمة بوتان، تيمفو. تم الحصول على بيانات هطول الأمطار من المركز الوطني لإدارة الهيدرولوجيا والأرصاد الجوية (NCHM) في بوتان. ندرس القدرة التنبؤية مع الانحدار الخطي، والإدراك متعدد الطبقات (MLP)، والشبكة العصبية الالتفافية (CNN)، والذاكرة طويلة المدى (LSTM)، والوحدة المتكررة المسورة (GRU)، والذاكرة طويلة المدى ثنائية الاتجاه (BLSTM) بناءً على المعلمات المسجلة بواسطة محطة الأرصاد الجوية التلقائية في المنطقة. علاوة على ذلك، تقترح هذه الورقة نموذجًا قائمًا على BLSTM - GRU يتفوق على نماذج التعلم الآلي والتعمق الحالية. من بين النماذج الستة المختلفة الموجودة قيد الدراسة، سجلت LSTM أفضل متوسط خطأ مربع (MSE) 0.0128. تفوق نموذج BLSTM - GRU المقترح على LSTM بنسبة 41.1 ٪ بدرجة MSE تبلغ 0.0075. النتائج التجريبية مشجعة وتشير إلى أن النموذج المقترح يمكن أن يحقق انخفاضًا في MSE في أنظمة التنبؤ بهطول الأمطار.

Translated Description (French)

La prévision des précipitations est une tâche importante en raison de la dépendance de nombreuses personnes à son égard, en particulier dans le secteur agricole. La prévision est difficile et encore plus complexe en raison de la nature dynamique des précipitations. Dans cette étude, nous effectuons une prévision mensuelle des précipitations sur Simtokha, une région de la capitale du Bhoutan, Thimphu. Les données sur les précipitations ont été obtenues auprès du Centre national d'hydrologie et de météorologie (NCHM) du Bhoutan. Nous étudions la capacité prédictive avec la régression linéaire, le perceptron multicouche (MLP), le réseau neuronal convolutif (CNN), la mémoire à long terme (LSTM), l'unité récurrente fermée (GRU) et la mémoire à long terme bidirectionnelle (BLSTM) en fonction des paramètres enregistrés par la station météorologique automatique de la région. En outre, cet article propose un modèle basé sur BLSTM-GRU qui surpasse les modèles existants de machine et d'apprentissage profond. Parmi les six modèles existants différents à l'étude, LSTM a enregistré le meilleur score d'erreur quadratique moyenne (MSE) de 0,0128. Le modèle BLSTM-GRU proposé a surperformé LSTM de 41,1 % avec un score MSE de 0,0075. Les résultats expérimentaux sont encourageants et suggèrent que le modèle proposé peut atteindre une MSE plus faible dans les systèmes de prévision des précipitations.

Translated Description (Spanish)

La predicción de las precipitaciones es una tarea importante debido a la dependencia de muchas personas, especialmente en el sector agrícola. La predicción es difícil y aún más compleja debido a la naturaleza dinámica de las precipitaciones. En este estudio, llevamos a cabo una predicción mensual de las precipitaciones en Simtokha, una región de la capital de Bután, Thimphu. Los datos de precipitación se obtuvieron del Departamento del Centro Nacional de Hidrología y Meteorología (NCHM) de Bután. Estudiamos la capacidad predictiva con regresión lineal, perceptrón multicapa (MLP), red neuronal convolucional (CNN), memoria a largo plazo (LSTM), unidad recurrente cerrada (Gru) y memoria bidireccional a largo plazo (BLSTM) en función de los parámetros registrados por la estación meteorológica automática de la región. Además, este documento propone un modelo basado en BLSTM-GRU que supera los modelos existentes de máquina y aprendizaje profundo. De los seis modelos existentes diferentes en estudio, LSTM registró la mejor puntuación de error cuadrático medio (MSE) de 0,0128. El modelo BLSTM-GRU propuesto superó a LSTM en un 41,1% con una puntuación MSE de 0,0075. Los resultados experimentales son alentadores y sugieren que el modelo propuesto puede lograr un MSE más bajo en los sistemas de predicción de precipitaciones.

Files

pdf.pdf

Files (4.1 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:5a229d1274b2d8cbd6baea43ef158ab4
4.1 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نموذج BLSTM - GRU العميق للتنبؤ بهطول الأمطار الشهري: دراسة حالة لسيمتوكا، بوتان
Translated title (French)
Modèle Deep BLSTM-GRU pour la prévision mensuelle des précipitations : une étude de cas de Simtokha, Bhoutan
Translated title (Spanish)
Modelo Deep BLSTM-GRU para la predicción mensual de precipitaciones: un estudio de caso de Simtokha, Bután

Identifiers

Other
https://openalex.org/W3091610355
DOI
10.3390/rs12193174

Is supplement to
https://openalex.org/W4387163678 (Other)
https://openalex.org/W4385280324 (Other)
https://openalex.org/W4365935674 (Other)
https://openalex.org/W4288108708 (Other)
https://openalex.org/W3173606726 (Other)
https://openalex.org/W3034576161 (Other)
https://openalex.org/W2973430807 (Other)
https://openalex.org/W2912831041 (Other)
https://openalex.org/W2912153778 (Other)
https://openalex.org/W2076543106 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Bhutan

References

  • https://openalex.org/W1124582155
  • https://openalex.org/W1572413092
  • https://openalex.org/W1977556410
  • https://openalex.org/W2023430894
  • https://openalex.org/W2031264828
  • https://openalex.org/W2058474126
  • https://openalex.org/W2064675550
  • https://openalex.org/W2121508650
  • https://openalex.org/W2122585011
  • https://openalex.org/W2158638608
  • https://openalex.org/W2164293259
  • https://openalex.org/W2288074780
  • https://openalex.org/W2313366733
  • https://openalex.org/W2597172628
  • https://openalex.org/W2598525681
  • https://openalex.org/W2767264170
  • https://openalex.org/W2782004273
  • https://openalex.org/W2782791108
  • https://openalex.org/W2810275709
  • https://openalex.org/W2889727867
  • https://openalex.org/W2900596689
  • https://openalex.org/W2911440187
  • https://openalex.org/W2931011950
  • https://openalex.org/W2948433048
  • https://openalex.org/W2949541494
  • https://openalex.org/W2950635152
  • https://openalex.org/W2963738673
  • https://openalex.org/W4240768087
  • https://openalex.org/W4255902136