Using Xgboost models for daily rainfall prediction

• Grecco Sanches, Rafael ^[1] ; Sanches Miani, Rodrigo ^[2] ; César dos Santos, Bruno ^[3] ; Martins Moreira, Rodrigo ^[4] ; Zen de Figueiredo Neves, Gustavo ^[1] ; Bourscheidt, Vandoir ^[3] ; Augusto Toledo Rios, Pedro ^[2]
  1. [1] Universidade de São Paulo

     Universidade de São Paulo

     Brasil

     
  2. [2] Universidade Federal de Uberlândia

     Universidade Federal de Uberlândia

     Brasil

     
  3. [3] Universidade Federal de São Carlos

     Universidade Federal de São Carlos

     Brasil

     
  4. [4] Environmental Engineering Department, Federal University of Rondônia (UNIR), Rondônia, Brazil

  Mostrar afiliaciones +
• Localización: Anales de geografía de la Universidad Complutense, ISSN 0211-9803, Vol. 45, Nº 1, 2025, págs. 75-92
• Idioma: inglés
• Títulos paralelos:
  • Usando modelos XGBoost para la predicción diaria de lluvias
• Enlaces
  • Texto completo
• Resumen
  • español

    Los modelos de aprendizaje automático para predecir las precipitaciones diarias han ganado fuerza en los últimos años. Comprender los beneficios del uso de esta tecnología en diferentes regiones es un tema de investigación relevante. Por esta razón, este estudio tiene como objetivo evaluar los pronósticos de lluvia diaria a partir de datos climáticos entre 1983 y 2019 en Itirapina, São Paulo, Brasil. Utilizamos un novedoso algoritmo de aprendizaje automático, XGBoost (eXtreme Gradient Boosting), para crear varios modelos de predicción de lluvia diaria. Se modelaron dos tareas: la aparición de precipitación diaria (clasificación) y la cantidad de precipitación diaria (regresión). Los resultados revelaron que la aparición de precipitaciones diarias se podía predecir con una precisión de alrededor del 90%. Además, se desarrollaron modelos para predecir la cantidad de lluvia diaria con tasas de error de alrededor de 3 mm. Observamos que la precipitación en el área de estudio está directamente asociada con la radiación solar, y los pronósticos de precipitaciones y los meses correspondientes son característicos del clima tropical.

  • English

    Machine learning models for predicting daily precipitation have gained traction in recent years. Understanding the benefits of using this technology in different regions is a relevant research topic. For this reason, this study aims to evaluate daily precipitation estimated forecasts from climate data between 1983 and 2019 in Itirapina, São Paulo, Brazil. We used a novel machine learning algorithm, XGBoost (eXtreme Gradient Boosting), to create several daily precipitation prediction models. Two tasks were modeled: the occurrence of daily precipitation (classification) and the amount of daily precipitation (regression). The results revealed that the occurrence of daily precipitation could be predicted with an accuracy of around 90%. Additionally, models were developed to predict the amount of daily precipitation with error rates of around 3mm. We observed that precipitation in the study area is directly associated with solar radiation, and estimated forecasts of precipitation and the corresponding months are characteristic of the tropical climate.