Comparative Analysis of LSTM and GRU Neural Networks for Precipitation Forecasting Using Historical Meteorological Data

2025/06/05 by Ahmadi, Iman
Environmental Science · Earth and Planetary Sciences · #Hydrological Forecasting Using AI #Meteorological Phenomena and Simulations #Air Quality Monitoring and Forecasting

paper · doi:10.82185/tsws.2025.1214157

Abstract

در این مطالعه، مقایسه الگوریتم‌های LSTM و GRU در پیش‌بینی وقوع بارش با استفاده از داده‌های هواشناسی تاریخی مد نظر است. با توجه به عدم دسترسی به داده‌های کامل هواشناسی داخلی چندساله، در این مطالعه از یک پایگاه داده از داده‌های هواشناسی برخی از شهرهای اروپا استفاده شد. پنج ایستگاه هواشناسی که هر کدام متعلق به اقلیم متفاوتی بودند، انتخاب شدند و دقت مدل بر روی داده‌های به‌دست ‌آمده از این ایستگاه‌ها محاسبه شد. در این تحقیق از دو الگوریتم حافظه کوتاه‌مدت بلند (LSTM) و واحد بازگشتی دروازه‌ای (GRU) استفاده شد. برای ارزیابی کارایی مدل‌های توسعه‌یافته در این مطالعه، از معیارهای ماتریس درهم‌ریختگی و نمودارهای مشخصه عملکرد گیرنده (ROC) و دقت-فراخوانی استفاده شد. نتایج به‌دست ‌آمده از تجزیه و تحلیل ماتریس‌های درهم‌ریختگی نشان داد که کارایی دو الگوریتم در پیش‌بینی وقوع بارش تقریباً مشابه است. از نظر عددی، میانگین مقادیر فراخوانی، ویژگی، دقت و صحت الگوریتم LSTM به‌ترتیب 67/0، 84/0، 75/0 و 79/0 و مقادیر مربوطه برای الگوریتم GRU به‌ترتیب 65/0، 84/0، 74/0 و 78/0 بود. از نظر مقایسه عملکرد این دو الگوریتم، اگرچه با توجه به بالاتر بودن مقادير بيشتر شاخص‌هاي ارزيابي كننده مربوط به الگوريتم LSTM نسبت به GRU، به ظاهر الگوریتم LSTM عملکرد بهتری داشته است؛ اما عملکرد کلی آن‌ها از نظر آماري با توجه به عدم وجود اختلاف معنی‎‌دار بین شاخص‌های ارزیابی کننده مشابه بوده است.

Related

• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data
• Predicting Forecast Error for the HRRR Using LSTM Neural Networks: A Comparative Study Using New York and Oklahoma State Mesonets
• Short-term Precipitation Forecasting in The Netherlands: An Application of Convolutional LSTM neural networks to weather radar data
• Precipitation Nowcasting: Leveraging bidirectional LSTM and 1D CNN
• Global Precipitation Nowcasting of Integrated Multi-satellitE Retrievals for GPM: A U-Net Convolutional LSTM Architecture