Forecasting Rainfall Quantity Using Time Series Climatic Data / Fatma Zohra Djamai

Public ISBD Titre : Forecasting Rainfall Quantity Using Time Series Climatic Data Type de document : texte imprimé Auteurs : Fatma Zohra Djamai, Auteur ; Ahlam Lariba ; Nasri,Khaled, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (56 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Rainfall forecasting MSG satellite data Time Series Climatic Data Index. décimale : 004 - Informatique Résumé : Rainfall forecasting, a critical process in water management, agriculture, and flood prevention, involves predicting future precipitation amounts, intensity, duration, and distribution using meteorological data and advanced techniques like machine learning and deep learning. This thesis delves into the realm of rainfall prediction using time series climatic data, starting with an exploration of rainfall types and formation processes, underlining the importance of accurate forecasting. It reviews the state of the art, encompassing machine learning, deep learning, and artificial neural networks, along with discussions on model evaluation metrics and related works. The core of the research introduces a deep learning model for rainfall prediction, elucidating its architecture, training process, and evaluation, demonstrating its efficacy in accurately predicting rainfall quantity. The study aimed to uncover hidden patterns in rainfall using time series deep learning models, leveraging MSG satellite data. With a preprocessing step to adapt raw data to the model inputs, the study compared two time series models, LSTM and TCN, finding TCN to be more performant. Additionally, the efficiency of non-time series models was tested using various MSG data, including HRV images and MPE masks. Note de contenu : Sommaire List of Tables 5 List of Figures 6 List of acronyms 8 General Introduction 10 1 Context of Study 12 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2 Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3 Type of Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.1 Frontal Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.2 Orographic Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.3 Convectional Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4 The Formation of Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.5 Rainfall Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.6 Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7 The Dimensions of Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . 17 1.8 Rainfall Forecasting Using Time Series Data . . . . . . . . . . . . . . . . . . . . 18 1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 State of the Art and models utilise 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1 Learning Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.4 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5 Model Evaluation Metrics : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.6 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.7 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3 Deep Learning Model for Rainfall Prediction 35 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3 Data Collection And Study Area . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Pipeline : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5 Data Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6.1 Time Series Deep Lerning Models . . . . . . . . . . . . . . . . . . . . . 46 3.6.1.1 TCN Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6.1.2 LSTM Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2 Non Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2.1 CNN_XGboost . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2.2 U-Net Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.6.2.3 Hybrid Model CNN-XGBoost With UNET . . . . . . . . . . . . 49 3.7 Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.7.1 Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.7.2 Non Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 General Conclusion 533 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 Côte titre : MAI/0910 Forecasting Rainfall Quantity Using Time Series Climatic Data [texte imprimé] / Fatma Zohra Djamai, Auteur ; Ahlam Lariba ; Nasri,Khaled, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (56 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Rainfall forecasting MSG satellite data Time Series Climatic Data Index. décimale : 004 - Informatique Résumé : Rainfall forecasting, a critical process in water management, agriculture, and flood prevention, involves predicting future precipitation amounts, intensity, duration, and distribution using meteorological data and advanced techniques like machine learning and deep learning. This thesis delves into the realm of rainfall prediction using time series climatic data, starting with an exploration of rainfall types and formation processes, underlining the importance of accurate forecasting. It reviews the state of the art, encompassing machine learning, deep learning, and artificial neural networks, along with discussions on model evaluation metrics and related works. The core of the research introduces a deep learning model for rainfall prediction, elucidating its architecture, training process, and evaluation, demonstrating its efficacy in accurately predicting rainfall quantity. The study aimed to uncover hidden patterns in rainfall using time series deep learning models, leveraging MSG satellite data. With a preprocessing step to adapt raw data to the model inputs, the study compared two time series models, LSTM and TCN, finding TCN to be more performant. Additionally, the efficiency of non-time series models was tested using various MSG data, including HRV images and MPE masks. Note de contenu : Sommaire List of Tables 5 List of Figures 6 List of acronyms 8 General Introduction 10 1 Context of Study 12 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2 Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3 Type of Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.1 Frontal Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3.2 Orographic Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.3.3 Convectional Rain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4 The Formation of Rainfall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.5 Rainfall Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.6 Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7 The Dimensions of Time Series Data . . . . . . . . . . . . . . . . . . . . . . . . 17 1.8 Rainfall Forecasting Using Time Series Data . . . . . . . . . . . . . . . . . . . . 18 1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 State of the Art and models utilise 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1 Learning Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.4 Artificial Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5 Model Evaluation Metrics : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 2.6 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.7 Conclusion : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3 Deep Learning Model for Rainfall Prediction 35 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.3 Data Collection And Study Area . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Pipeline : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.5 Data Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6.1 Time Series Deep Lerning Models . . . . . . . . . . . . . . . . . . . . . 46 3.6.1.1 TCN Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.6.1.2 LSTM Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2 Non Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2.1 CNN_XGboost . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.6.2.2 U-Net Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.6.2.3 Hybrid Model CNN-XGBoost With UNET . . . . . . . . . . . . 49 3.7 Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.7.1 Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.7.2 Non Time Series Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 General Conclusion 533 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 Côte titre : MAI/0910

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0910	MAI/0910	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)