
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于传统模型、机器学习模型和Transformer模型的凡湖多时窗小时气温预报:带统计显著性检验的对比分析
《Environmental and Ecological Statistics》:Multi-horizon hourly air temperature forecasting over Lake Van using classical, machine learning, and transformer-based models: a comparative benchmark with statistical significance testing
【字体: 大 中 小 】 时间:2026年07月22日 来源:Environmental and Ecological Statistics 2.2
编辑推荐:
摘要在气候条件复杂的內陸水域环境中实现精确的多步气温预测,仍是环境监测和气候适应工作面临的重要挑战。本研究以世界上最大的苏打湖——凡湖为研究对象,对比了九种预测模型(朴素持久性模型、SARIMAX模型、Mamba模型、柯尔莫哥洛夫-阿诺德网络、LightGBM模型、GRU模型、L
在气候条件复杂的內陸水域环境中实现精确的多步气温预测,仍是环境监测和气候适应工作面临的重要挑战。本研究以世界上最大的苏打湖——凡湖为研究对象,对比了九种预测模型(朴素持久性模型、SARIMAX模型、Mamba模型、柯尔莫哥洛夫-阿诺德网络、LightGBM模型、GRU模型、LSTM模型、TFT模型以及PatchTST模型)在多时间跨度内的小时级近地面气温预测性能。评估采用滚动时间窗口方法,覆盖五个时间跨度(t?+?1至t?+?168小时),并运用五种指标(平均绝对误差、均方根误差、sMAPE值、NSE值以及R2值)进行衡量,同时通过成对Diebold–Mariano检验来判断统计显著性。在所有时间跨度上,LightGBM模型的平均MAE和RMSE值均为最低(MAE:1.078–3.001;NSE:0.867–0.973),这进一步证明了梯度提升集成模型在处理表格型环境数据集时的优势。不过,Diebold–Mariano检验的结果显示,尽管LightGBM在各项标准指标的平均误差方面表现更优,但其误差方差并未像KAN模型那样在所有时间跨度上都保持较低水平。这说明LightGBM相较于其他模型的优势既体现在常用于预测排名评估的平均误差上,也体现在通过类似DM的分布检验所体现的更低误差方差上。因此,这两种不同的预测性能评估指标虽然着眼于模型预测未来数据能力的不同方面,但同样重要。LightGBM能够降低平均误差,而KAN则在整个测试期间都能提供更为稳定的高精度预测,这一结果表明仅依赖单一指标可能导致模型选择不够理想。Mamba模型在短时间跨度内的预测性能表现优异(t?+?1时的NSE值为0.928),而在较长的时间跨度内其性能也与LightGBM相当。LSTM模型的表现明显优于GRU模型,而PatchTST模型在所有时间跨度上的性能都高于TFT模型。SARIMAX模型在所有时间跨度内的预测效果都很差(sMAPE值大于191%),这再次证明了线性模型无法有效处理非线性的次日尺度温度变化规律。这些研究结果为数据驱动的环境气温预测提供了更多依据,也为在复杂气候条件下选择合适的预测模型提供了实用指导。
在气候条件复杂的內陆水域环境中实现精确的多步气温预测,仍是环境监测和气候适应工作面临的重要挑战。本研究以世界上最大的苏打湖——凡湖为研究对象,对比了九种预测模型(朴素持久性模型、SARIMAX模型、Mamba模型、柯尔莫哥洛夫-阿诺德网络、LightGBM模型、GRU模型、LSTM模型、TFT模型以及PatchTST模型)在多时间跨度内的小时级近地面气温预测性能。评估采用滚动时间窗口方法,覆盖五个时间跨度(t?+?1至t?+?168小时),并运用五种指标(平均绝对误差、均方根误差、sMAPE值、NSE值以及R2值)进行衡量,同时通过成对Diebold–Mariano检验来判断统计显著性。在所有时间跨度上,LightGBM模型的平均MAE和RMSE值均为最低(MAE:1.078–3.001;NSE:0.867–0.973),这进一步证明了梯度提升集成模型在处理表格型环境数据集时的优势。不过,Diebold–Mariano检验的结果显示,尽管LightGBM在各项标准指标的平均误差方面表现更优,但其误差方差并未像KAN模型那样在所有时间跨度上都保持较低水平。这说明LightGBM相较于其他模型的优势既体现在常用于预测排名评估的平均误差上,也体现在通过类似DM的分布检验所体现的更低误差方差上。因此,这两种不同的预测性能评估指标虽然着眼于模型预测未来数据能力的不同方面,但同样重要。LightGBM能够降低平均误差,而KAN则在整个测试期间都能提供更为稳定的高精度预测,这一结果表明仅依赖单一指标可能导致模型选择不够理想。Mamba模型在短时间跨度内的预测性能表现优异(t?+?1时的NSE值为0.928),而在较长的时间跨度内其性能也与LightGBM相当。LSTM模型的表现明显优于GRU模型,而PatchTST模型在所有时间跨度上的性能都高于TFT模型。SARIMAX模型在所有时间跨度内的预测效果都很差(sMAPE值大于191%),这再次证明了线性模型无法有效处理非线性的次日尺度温度变化规律。这些研究结果为数据驱动的环境气温预测提供了更多依据,也为在复杂气候条件下选择合适的预测模型提供了实用指导。