基于深度神经网络的气候脆弱性国家孟加拉国长期温度预测

《Next Energy》：Leveraging deep neural networks for long-term temperature forecasting in climate-vulnerable Bangladesh

　　

孟加拉国地处热带，使其特别容易受到气候变化的影响，气温上升和极端高温对农业、经济和公共卫生构成威胁。准确的天气预报对于有效决策和增强气候韧性至关重要；然而，由于气候数据的非线性特性，其面临挑战。尽管传统预测模型已被广泛研究，但它们往往缺乏稳健性，未能捕捉气候系统固有的复杂模式。这凸显了需要更先进的方法来提高预测准确性并支持气候适应工作。本研究分析了122年的历史天气数据，以预测孟加拉国2022年的月平均温度，采用了七种深度学习（DL）模型，包括卷积神经网络（CNN）、长短期记忆网络（LSTM）、双向长短期记忆网络（BiLSTM）、卷积长短期记忆网络（ConvLSTM）以及三种混合架构（CNN+BiLSTM, CNN+ConvLSTM 和 CNN+LSTM）。论文采用了平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和决定系数（R²）等指标，其中CNN+LSTM模型表现最佳，达到了0.04 ^°C的MAE和0.96的R²。据研究人员所知，这项研究是孟加拉国首次利用长达一个世纪的历史气候数据，应用并比较各种深度学习模型进行长期温度预测的比较研究。此外，本研究还预测了2023年至2033年孟加拉国的月温度趋势。这项研究在孟加拉国建立了一个新颖的基准，政策制定者可利用该基准为灾害相关活动创建早期预警系统、应对气候变化、规划耐热城市发展以及制定公共卫生和农业适应政策。

研究背景与问题：21世纪全球变暖的主要驱动因素是气候变化，表现为气温长期上升、年降雨模式改变、海平面上升以及水文气象灾害频率增加，对生态环境、社会服务及日常生活构成严峻挑战。极端高温是其主要后果之一，易引发中暑、腹泻等疾病。孟加拉国作为气候脆弱性国家，近年来夏季热浪频发，平均气温屡创新高。预测温度趋势面临气候模式复杂、数据有限、季节性变化及气候变化整体影响等多重挑战。精准的温度与降水预测对于水资源管理、洪旱预测及评估气候变化影响至关重要。虽然机器学习（ML）和深度学习（DL）的进展推动了气候预测发展，但现有研究仍存在模型鲁棒性不足、无法充分捕捉复杂时空依赖关系、以及可解释性差等问题，亟需更先进的方法提升预测精度以支持气候适应。

研究概述与结论：研究人员开展了一项基于深度学习的比较研究，利用孟加拉国1901年至2023年长达122年的历史天气数据集，旨在预测该国的月平均温度。研究训练并评估了七种深度学习模型，包括四种独立模型：卷积神经网络（CNN）、长短期记忆网络（LSTM）、双向长短期记忆网络（BiLSTM）和卷积长短期记忆网络（ConvLSTM），以及三种混合模型：CNN+BiLSTM、CNN+ConvLSTM和CNN+LSTM。研究通过平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和决定系数（R²）等指标评估模型性能，并与现有基准模型进行比较。研究得出核心结论：CNN+LSTM混合模型在预测任务中表现最优，其MAE为0.04 ^°C，MSE为0.00 ^°C²，RMSE为0.05 ^°C，R²高达0.96。这表明结合CNN的空间特征提取能力与LSTM的时间序列依赖建模能力，能有效捕捉气候数据的复杂模式。该研究为孟加拉国建立了一个重要的预测基准，对支持灾害预警、气候政策制定、农业规划和公共卫生响应具有显著的实用价值。

关键技术方法：本研究使用了来自Kaggle公开数据集“孟加拉国天气数据集”的历史数据，包含1901年至2023年的月平均气温和降雨量。数据经过预处理，包括剔除2023年不完整数据、提取温度与降雨量特征，并应用最小-最大归一化（MinMaxScaler）将数据缩放至[0,1]范围以优化模型训练。研究核心方法是构建并比较七种深度学习架构。独立模型中，CNN用于提取输入数据中的空间特征；LSTM、BiLSTM和ConvLSTM则专注于建模时间序列依赖关系，其中BiLSTM通过双向处理获取更全面的时序上下文，ConvLSTM则将卷积操作嵌入LSTM单元以同时处理时空信息。混合模型通过串联方式，首先利用CNN的卷积层（Conv1D）提取空间模式，然后将特征馈入LSTM、BiLSTM或ConvLSTM层以捕获长期时间依赖。所有模型的训练与测试均基于80%-20%的数据划分，并在Python环境中使用TensorFlow等库实现。

研究结果：
（1）基础模型性能分析：CNN模型表现良好，MAE为0.28 ^°C，R²为0.92，能较好地捕捉温度趋势。LSTM模型处理时序数据时误差较高（MAE: 0.83 ^°C），对突变响应滞后。BiLSTM模型通过双向学习提升了性能（MAE: 0.57 ^°C，R²: 0.96），能更稳定地捕捉过渡时期趋势。ConvLSTM模型（MAE: 0.75 ^°C）虽整合了空间特征，但性能不及CNN和BiLSTM。
（2）混合模型性能分析：CNN+BiLSTM模型的表现与独立BiLSTM几乎一致，表明卷积层在此组合中未显著提升性能。CNN+ConvLSTM模型表现最差，误差最高（MAE: 3.56 ^°C，R²: 0.04），在突变处出现大幅波动。CNN+LSTM模型取得了最佳结果，误差接近零（MAE: 0.04 ^°C，MSE: 0.00 ^°C²，RMSE: 0.05 ^°C），且R²达到0.96，预测线与实际数据高度重合，表明其能优异地处理渐变与突变。
（3）与先进模型比较：与先前研究中的传统机器学习模型（如线性回归、多项式回归、支持向量回归SVR）以及LSTM模型相比，本研究提出的CNN+LSTM模型在所有评估指标上均显著优于这些基准，证明了深度学习混合架构在长期温度预测任务上的先进性和优越性。
（4）未来温度预测：利用表现最佳的CNN+LSTM模型，研究人员预测了孟加拉国2023年至2033年的月平均温度趋势，结果显示了持续升温的长期气候变化模式，为政策制定提供了前瞻性依据。

讨论部分总结：本研究系统比较了七种深度学习模型在孟加拉国长期温度预测任务上的性能。结果清晰地表明，CNN+LSTM混合模型是最有效的架构。其成功归因于能够同时利用CNN层从输入序列中提取局部空间特征，并利用LSTM层学习长期时间依赖关系，从而全面捕捉气候数据的复杂模式。输入数据的归一化处理有助于提升模型训练的稳定性和预测精度。相比之下，其他模型或缺乏时空特征的协同捕获能力，或因架构问题（如CNN+ConvLSTM可能的过拟合或低效）而表现不佳。与以往依赖传统机器学习或单一深度学习模型的研究相比，本研究提出的框架在预测准确性和鲁棒性上实现了显著提升，为气候脆弱性地区（如孟加拉国）的温度预测提供了更可靠的技术方案。然而，将此类先进的气候预测模型集成到实际政策和决策系统中，仍面临数据共享机制不足、地方组织技术能力欠缺等障碍。未来工作可通过引入更多气候变量、采用注意力机制增强模型、以及改进数据预处理方法来进一步提升预测精度和模型的泛化能力。

结论与未来工作翻译：本研究考察了七种深度学习模型，重点关注捕捉天气数据中的时间和空间动态。在评估的模型中，CNN+LSTM混合架构产生了最准确的结果，其R²评分为0.96，MAE为0.04 ^°C，MSE为0.00 ^°C²，RMSE为0.05 ^°C。这些结果表明了结合卷积神经网络和循环神经网络的价值，并强调了该模型在处理复杂预测时间序列任务中的稳健性。研究结果强调，深度学习以及像CNN+LSTM这样的混合模型可以成为预测气候的宝贵资源。随着孟加拉国气候变化对多个领域的影响日益加剧，这些模型将有助于主动风险缓解和明智的决策制定。然而，由于知识匮乏、数据共享方法过时以及缺乏技术专长，将这些气候服务整合到政策中具有挑战性。当移除这些障碍时，更持久和可持续的发展成果将成为可能。未来的研究可以通过增加更多的气候变量和更多样化的数据集来提高预测准确性。研究前沿架构，如注意力增强的CNN+LSTM模型，以及更有效的数据预处理方法，也可能提高模型对不同地理位置和气候的泛化能力和适应性。