Análisis espaciotemporal y predicción de tendencias de lluvia en un monzón tropical.

Scientific Reports volumen 13, número de artículo: 13933 (2023) Citar este artículo

526 Accesos

1 altmétrica

Detalles de métricas

El análisis espaciotemporal de las tendencias de las precipitaciones como indicador del cambio climático proporciona información fundamental para mejorar la planificación de los recursos hídricos. Sin embargo, el comportamiento cambiante espaciotemporal de las precipitaciones se comprende mucho menos en un país dominado por los monzones tropicales como Bangladesh. Con este fin, esta investigación tiene como objetivo analizar las variaciones espaciotemporales de las precipitaciones durante el período 1980-2020 en Bangladesh a escalas estacionales y mensuales utilizando MAKESENS, la prueba de Pettitt y un análisis de tendencias innovador. Se utilizó la red neuronal de percepción multicapa (MLP) para predecir los cambios de lluvia de los próximos 8 años a nivel nacional en Bangladesh. Para investigar el patrón espacial de las tendencias de las precipitaciones, se adoptó el modelo de ponderación de distancia inversa dentro del entorno ArcGIS. Los resultados muestran que la precipitación media anual es de 2432,6 mm, de la cual el 57,6% se registró de julio a agosto. La prueba de tendencia de Mann-Kendall revela que el 77% de las estaciones están disminuyendo y el 23% tiene una tendencia creciente en la precipitación mensual. Más del 80% de las estaciones enfrentan una tendencia a la baja de noviembre a marzo y agosto. Hay una tendencia a la disminución de las precipitaciones estacionales en el 82% de las estaciones durante el período previo al monzón, el 75% durante el monzón y el 100% durante el período posterior al monzón. Se identificó una tendencia de disminución significativa en el centro norte durante la temporada anterior al monzón, en la parte norte durante el monzón y en las partes sur y noroeste durante la temporada posterior al monzón. Las precipitaciones previstas por MLP hasta 2030 sugieren que habrá poca lluvia de noviembre a febrero, y las precipitaciones máximas fluctuantes se producirán en 2025 y 2027-2029. Los hallazgos del reanálisis de datos del ECMWF ERA5 sugirieron que los cambios en los patrones de lluvia en Bangladesh pueden haber sido impulsados ​​por el aumento o la reducción de las tasas de precipitación convectiva, la baja nubosidad y una divergencia inadecuada de la humedad integrada verticalmente. Dada la escasez de recursos hídricos y el aumento previsto de la demanda de agua, los hallazgos del estudio tienen algunas implicaciones para la gestión de los recursos hídricos en Bangladesh.

Bangladesh es una nación dominada por los monzones tropicales con un clima húmedo caracterizado por lluvias monzónicas sustanciales y menos precipitaciones durante el resto del año. Este país es principalmente una economía agraria, con alrededor del 80% (145 millones) de su población involucrada en diversas actividades agrícolas, directa o indirectamente1,2,3. Como resultado, los efectos de las fluctuaciones y cambios climáticos sobre la expansión económica y la seguridad alimentaria del país son considerables4,5. Las precipitaciones tienen gran importancia como parámetro hidrológico, son una característica vital del cambio climático y afectan significativamente la producción de alimentos, la cosecha, los recursos humanos y el medio ambiente natural6. Se requiere información relevante y esencial sobre las precipitaciones, como evaluaciones diarias, semanales y mensuales, para mantener un sistema adecuado de gestión del agua7,8. El análisis de la tendencia histórica de las precipitaciones puede hacer predicciones9. La predicción de las precipitaciones es una preocupación seria que tiene gran importancia en la investigación científica y gubernamental, desempeña un papel importante en la protección de vidas y recursos humanos10; y también contribuye a la gestión de los recursos hídricos, la producción de hidroelectricidad, la alerta de inundaciones y sequías y los sistemas de alcantarillado urbano11,12.

Desde la década de 1950, el sistema climático global ha experimentado cambios sin precedentes y ahora es innegable que el calentamiento global impacta el clima13. Hay muchas escalas temporales y geográficas diferentes en las que se produce la variabilidad de las precipitaciones como componente del cambio climático. Estudios mundiales han demostrado una creciente variabilidad de las precipitaciones a escala global14,15 y en el subcontinente indio, incluidos India16 y Pakistán17,18. Muchos estudios19,20,21 han examinado los patrones espaciotemporales de las precipitaciones en zonas climáticas de todo el mundo22,23,24,25. Se han realizado algunas investigaciones en la escala semirregional de variabilidad de las precipitaciones26,27,28,29. A lo largo de los últimos 100 años, la cantidad de lluvia en la Tierra ha aumentado alrededor de un 2%14, pero según el IPCC30, su crecimiento siempre ha sido desigual en términos de tiempo y espacio. Se han observado aumentos de las precipitaciones, en particular, en Oriente Medio, Asia central31, la región de Brasil, la parte oriental de América y Canadá, el norte de Europa32,33 y Australia34. Ren et al. 35 observadas para la precipitación media anual sobre la meseta tibetana en China, se han observado tendencias similares durante las décadas anteriores, también el mismo patrón en la India33,36, en el noroeste de Pakistán17,18 y en el área del Corredor Económico China-Pakistán37. Sin embargo, la cuenca del río Amarillo, China38, la región mediterránea29 e Irán han experimentado una disminución en la precipitación media anual19. Según un número creciente de investigaciones anteriores39,40,41, últimamente se ha observado en Bangladesh una importante tendencia ascendente en las precipitaciones anuales, monzónicas y premonzónicas. En las últimas décadas, las investigaciones adicionales han disminuido en las regiones occidental y noroeste7,42. Además, Hossain et al.43 observaron una tendencia creciente en la precipitación media anual en la zona costera sur de Bangladesh. Rahman e Islam44 afirman que existe una gran variación regional y temporal en las precipitaciones. Para 2100, las precipitaciones monzónicas aumentarán un 12%, mientras que las precipitaciones invernales se reducirán un 10% en Bangladesh, según la Organización de Planificación de Recursos Hídricos45,46. Además, Basak et al.47 predicen una disminución del rendimiento de entre el 3,3 y el 24,2% y una disminución de 10 mm en las precipitaciones invernales. Según ciertos estudios, las estaciones en Bangladesh podrían experimentar variaciones a largo plazo en las precipitaciones7,48,49.

En los últimos años se han realizado varios estudios sobre las tendencias de las precipitaciones en todo el mundo17,26,29,31,50,51,52 y en Bangladesh40,42,43,53,54. La mayoría de los estudios utilizaron la tendencia lineal simple55, la prueba de Mann-Kendall33,40, las pruebas rho de Mann-Kendall y Spearman17,46, la prueba de rangos de Spearman23, el enfoque Pre-Whitening57 para detectar la tendencia de las precipitaciones. Sin embargo, combinar la prueba de Mann-Kendall y la técnica del estimador de pendiente de Sen (MAKESENS) es lo mejor para detectar tendencias de lluvia27,58,59. El presente estudio utilizó la prueba de Mann-Kendall y la técnica del estimador de pendiente de Sen para identificar la tendencia de las precipitaciones. Los estudios anteriores se centraron en varias partes de Bangladesh, como la parte norte 42, la costa suroeste43,53, la región oriental de Sylhet56, pero este estudio actual se realizó en Bangladesh, explorando datos de precipitaciones de 28 estaciones meteorológicas. Estudios anteriores examinaron menos datos de estaciones meteorológicas (por ejemplo, 12 datos de estaciones meteorológicas utilizados por Endo et al.40, 15 estaciones meteorológicas de Rahman et al. en 201746 y 17 estaciones meteorológicas de Shahid en 2010 60. Pocos tipos de investigaciones recientes han utilizaron varios marcos temporales para varias estaciones 54. Los estudios anteriores analizaron la tendencia de las precipitaciones en algunas partes del año, incluida la temporada de los monzones 39,55,61, las temporadas premonzónicas y monzónicas40, y las temporadas premonzónicas y posmonzónicas62. Sin embargo, este estudio examinó las tendencias de las precipitaciones anuales con las estaciones premonzónica, monzónica y posmonzónica. La mayoría de los estudios anteriores se realizaron en escalas anuales y estacionales26, 50. Pocos estudios han analizado las tendencias de las precipitaciones mensuales23. Sin embargo, en Bangladesh, ningún estudio integral se centra Además, ningún estudio previo ha evaluado las tendencias espaciotemporales de las precipitaciones en Bangladesh como otros estudios en todo el mundo 36, 63. Para llenar este vacío, el presente estudio examinó espaciotemporalmente las tendencias de las precipitaciones a escala mensual y estacional. La mayoría de las investigaciones anteriores sobre la predicción de precipitaciones han utilizado regresión lineal64, sistema de inferencia neurodifusa adaptativa (ANFIS)65, algoritmo genético (GA)66, prueba de Mann Kendall, enfoque de aprendizaje profundo, red neuronal feed-forward (FFNN), métodos empíricos y dinámicos. Métodos y media móvil integrada autorregresiva (ARIMA)10,11,46,67,68,69,70. Algunas estrategias innovadoras se han utilizado ampliamente en los últimos años: transformadas wavelet, redes neuronales de pareja de wavelets71, algoritmos genéticos y análisis de incertidumbre para la predicción de precipitaciones9. Diferentes estudios se centran en la predicción de precipitaciones en Bangladesh utilizando diferentes modelos de aprendizaje automático como ARIMA46,72, el modelo Weather Research and Forecast (WRF)73 y el análisis de regresión74. Estos estudios se centran en las precipitaciones estacionales, no en las precipitaciones mensuales. Las precipitaciones suelen fluctuar anualmente y en distintas épocas debido a variaciones estacionales. En la investigación de series temporales, el gráfico de cantidad de lluvia muestra fluctuaciones13. Predecir las precipitaciones es un desafío debido a las características multidimensionales y no lineales de las precipitaciones6,10,11. Estos enfoques predicen la lluvia en función de su naturaleza tendencial. Estudios anteriores predicen precipitaciones durante 10 a 15 años basándose en datos de precipitaciones de series temporales27,70. Las Redes Neuronales Artificiales (RNA) son un método de predicción meteorológica tradicional inverso basado en mecanismos autoadaptativos75. ANN puede predecir las precipitaciones debido a su naturaleza fluctuante76. Para un poderoso propósito de predicción del tiempo, se emplean redes neuronales artificiales 77. Aunque pocos estudios utilizaron técnicas de ANN para predecir las precipitaciones, se centran únicamente en las precipitaciones estacionales11,27,78. Banik et al.11 utilizaron la técnica ANN para predecir las precipitaciones en Bangladesh, pero sólo para las lluvias monzónicas. El perceptrón multicapa (MLP), entrenado mediante la técnica BP, es el diseño de RNA más utilizado en la modelización hidrológica139. Para llenar este vacío, el presente estudio utilizó el modelo de percepción multicapa (MLP) de la técnica ANN para predecir las precipitaciones mensuales y estacionales (premonzónicas, monzónicas y posmonzónicas) en Bangladesh. El modelo MLP de ANN puede manejar valores de lluvia picos bajos y altos, así como datos de lluvia extremadamente no lineales79,80. El uso de RNA basadas en MLP para la predicción de precipitaciones produce resultados consistentes10,81,82,83. Para más de 48 entradas, el modelo MLP produce resultados más precisos84,85. El modelo MLP de ANN se utiliza ampliamente para predecir las precipitaciones durante más de 15 años27.

Sobre la base de la discusión antes mencionada, las peculiaridades de la distribución espacial y las precipitaciones temporales de Bangladesh aún no han sido objeto de ningún estudio. La limitación fundamental es la cobertura insuficiente de las estaciones meteorológicas o la falta de una variedad de fuentes de datos de investigaciones anteriores. Aunque varios estudios7,49,62,86 han analizado previamente las variaciones de las precipitaciones a nivel regional en Bangladesh durante las últimas décadas, no se ha llevado a cabo ningún estudio extenso para identificar el análisis de tendencias en todo Bangladesh. Para las distintas regiones de Bangladesh, la investigación anterior consideró únicamente la prueba MK y los métodos de detección de puntos de cambio que emplean la prueba de Pettitt. Esta investigación también considera una investigación estadística exhaustiva del cambio climático desde la perspectiva de los patrones de lluvia. El análisis y la predicción de las tendencias históricas de las precipitaciones son fundamentales en muchas disciplinas, incluida la gestión de los recursos hídricos y los ecosistemas, y la planificación agrícola sostenible52. Sin embargo, el comportamiento cambiante espaciotemporal de las precipitaciones es considerablemente menos accesible en Bangladesh como nación dominada por los monzones tropicales. Por lo tanto, el estudio actual es un paso adelante en términos de zonas subclimáticas, marco temporal extendido, buenas fuentes de datos, manejo de conjuntos de datos faltantes, control de calidad mediante detección de valores atípicos, identificación de autocorrelación y prueba de homogeneidad, y análisis de tendencias innovador con punto de cambio. detección. Este estudio se centró en investigar el análisis espaciotemporal y predecir las tendencias de las precipitaciones a escala estacional en Bangladesh para abordar este problema. Por lo tanto, el presente estudio tiene como objetivo (a) identificar la tendencia espaciotemporal de las precipitaciones mensuales, estacionales y anuales en Bangladesh utilizando MAKESENS; (b) predecir las precipitaciones mensuales y estacionales hasta 2030 en Bangladesh utilizando la red neuronal MLP; c) explorar las causas de los cambios en el patrón de precipitaciones en Bangladesh. La singularidad de nuestro estudio es que es el primero que se realiza en Bangladesh, donde analizamos las tendencias espaciotemporales y predecimos las precipitaciones mensuales y estacionales (premonzónicas, monzónicas y posmonzónicas) para un tiempo máximo (de 28). Estaciones en todo el país. La predicción de los patrones futuros de lluvia para el país es la característica más distintiva de esta investigación y será muy beneficiosa para la gestión de los recursos hídricos del país, ya que la lluvia es un componente hidrológico crucial.

Bangladesh está situado en la región nororiental del sur de Asia, con su ubicación estándar comprendida entre 20°34′ y 26°38′ de latitud N y entre 88°01′ y 92°41′ de longitud E (Fig. 1). Mientras que la Bahía de Bengala se encuentra al sur, las espectaculares montañas se pueden ver al norte87.

El mapa de ubicación de Bangladesh y la distribución espacial de la estación de monitoreo meteorológico, preparado por los autores utilizando el software ArcGIS versión 10.5, (https://www.esri.com/en-us/arcgis/products); Los datos DEM se derivaron de la Misión Topográfica Radar Shuttle del USGS (https://earthexplorer.usgs.gov/).

Los ciclones tropicales y un clima húmedo y cálido son comunes en Bangladesh, influenciados por las circulaciones premonzónicas, monzónicas y posmonzónicas49. El clima histórico de Bangladesh ha tenido temperaturas anuales que oscilan entre 15 y 34 °C, con una temperatura promedio de aproximadamente 26 °C. Bangladesh es una nación muy lluviosa, con una precipitación media anual de 2200 mm88.

Recopilamos datos de precipitaciones (1981-2022) del Departamento Meteorológico de Bangladesh (BMD) (http://live.bmd.gov.bd/bn/). A pesar de que Bangladesh tiene 38 estaciones de monitoreo meteorológico, solo consideramos los datos de lluvia de 28 de ellas, ya que registraron lluvias consistentemente durante el período de estudio. Las estaciones de monitoreo meteorológico seleccionadas son Bhola, Barisal, Cox's Bazar, Feni, Khepupara, M. Court, Patuakhali, Rangamati, Sandwip, Sitakunda, Chittagong, Teknaf, Sylhet, Srimongal, Rangpur, Dinajpur, Bogra, Ishurdi, Rajshahi, Jessore, Khulna. , Satkhira, Comilla, Chandpur, Dhaka, Faridpur, Madaripur, Mymensingh (Fig. 1). Los datos de temperatura máxima y mínima, humedad relativa, radiación solar y velocidad del viento de 1981 a 2020 provienen del Consejo de Investigación Agrícola de Bangladesh (BARC) (http://www.barc.gov.bd/).

Este estudio analiza las tendencias de las precipitaciones en Bangladesh a escala mensual y estacional. Bangladesh tiene tres estaciones dominantes; estos son (a) el premonzón (marzo-mayo), (b) el monzón (junio-octubre) y (c) el posmonzón (noviembre-febrero)89. Los datos de precipitaciones diarias se han convertido a datos de precipitaciones medias mensuales. Antes de evaluar los cambios en las precipitaciones, los datos deben someterse a un control de calidad, ya que los valores atípicos poco fiables podrían alterar los patrones de tendencia90. Se utilizó el método de proporción estándar para estimar los datos de lluvia faltantes y se agruparon en tres estaciones. La imputación múltiple se utiliza para manejar los valores atípicos que se han detectado. Utilizando las estadísticas de Durbin-Waston, examinamos la autocorrelación en los datos de lluvia y se utilizó el método de preblanqueamiento sin tendencia (TFPW) para eliminar la correlación para la prueba de tendencia. Para representar con precisión las fluctuaciones naturales de las precipitaciones, probamos la homogeneidad antes de la prueba de tendencia.

Utilizando una proporción típica para equilibrar la lluvia, el enfoque de proporción estándar91 calcula los datos faltantes de las estaciones vecinas. Se utilizan imputaciones múltiples (MI) para los números faltantes para los cuales no hay datos de estaciones cercanas accesibles. Para obtener estimaciones estadísticamente precisas de los datos faltantes, el MI, un procedimiento estadístico, consta de tres fases92.

Enfoque de relación estándar: el factor de ponderación en la siguiente ecuación (Ec. 1) está determinado por las relaciones entre la estación objetivo y las estaciones cercanas:

donde \({N}_{s}\) = promedio de los datos de lluvia actualmente disponibles en la estación objetivo, \({N}_{i}\) = promedio de los datos de lluvia actualmente disponibles en la iésima estación vecina, y el número total de estaciones adyacentes es n.

La hipótesis nula de la prueba bilateral es que no hay valores atípicos en la muestra, mientras que la hipótesis alternativa es que el número más bajo o más alto es un valor atípico. La prueba de Grubbs93 se utiliza para encontrar valores atípicos en los datos.

Prueba de Grubbs: los datos de la serie temporal están ordenados (\({x}_{1}, {x}_{2}, {x}_{3}, \dots \dots ..{x}_{n} \)) en orden ascendente, donde \({x}_{1}\) denota los valores más bajos y \({x}_{n}\) los valores más altos de los puntos de datos. El siguiente estadístico t (Ec. 2) se utiliza para verificar si hay valores atípicos en los puntos \({x}_{1}\) y \({x}_{n}\):

donde \({T}_{1}\) es el estadístico t del punto más bajo y \({T}_{n}\) para los puntos más altos, X representa la media de la serie temporal, mientras que s representa su desviación estándar . El valor observado del estadístico de Grubbs \({T}_{Obs}\) para una prueba bilateral se calcula utilizando la ecuación. 3.

Cuando \({T}_{Obs}\) > \({T}_{Crit}\), el estadístico de Grubbs \({T}_{Crit}\) es un valor crítico, y la hipótesis nula es rechazado significativamente. En este estudio, se supone que el valor es del 5%. Las puntuaciones z normalizadas94,95 también se calculan y se muestran para visualizar probables valores atípicos y datos sospechosos. Cualquier número más allá del rango predeterminado (-1,96 y +1,96) para un nivel de significancia del 5% se considera sospechoso, incluso si no es un valor atípico.

La autocorrelación en los datos de lluvia se observó mediante las estadísticas de autocorrelación de Durbin-Waston.

Estadísticas de Durbin-Waston: Ec. 4 proporciona la fórmula comúnmente utilizada para las estadísticas de autocorrelación de Durbin-Waston96.

Estadísticas de autocorrelación de Durbin-Waston

Si \({e}_{t}\) es el residual dado por

El número de observación experimental, en este caso, es T. El rango de valores estadísticos de Durbin-Waston fue de 0 a 4. Sólo un valor de 2 indica la ausencia de autocorrelación positiva o negativa96. Según Ahmad et al.17, la correlación para las pruebas de tendencia se eliminó utilizando el método TFPW.

Los datos climáticos son heterogéneos en cuanto a errores de medición, cambios en las áreas circundantes al instrumento y manipulación humana inadecuada97. Antes del análisis de tendencias, se debe comprobar la homogeneidad; de lo contrario, los hallazgos mostrarían tendencias incorrectas. En este estudio actual, se utilizaron la prueba de homogeneidad regular estándar de Alexandersson98,99 y la prueba de relación de Von Neumann100 para la prueba de homogeneidad.

Prueba de homogeneidad regular estándar de Alexandersson: se utiliza para buscar cambios abruptos en las series temporales de información meteorológica e hidrológica. Según la siguiente ecuación (Ec. 5), Alexandersson98 sugiere que el estadístico T(k) compara la media de los primeros "k" años del registro con la de los últimos "nk" años:

donde “\(\overline{X }\)” = media y “s” = desviación estándar para una serie anual \({X}_{i}\) (i es el año del 1 al n) con media “\ (\overline{X }\)” y “s”.

Nuevamente, \({\overline{z} }_{1}\) y \({\overline{z} }_{2}\) calculados a partir de la ecuación. 6

Si se produce una ruptura en el año "K", T(k) alcanza un máximo bastante cercano al año k = K. El estadístico de prueba \({T}_{0}\) tiene la siguiente definición (Ec. 7):

Cuando \({T}_{0}\) excede el valor crítico dependiente del tamaño de la muestra, rechazando la hipótesis nula101.

Prueba de razón de Von Neumann: fue desarrollada por él en 1941100. Para una serie anual \({X}_{i}\) (i es el año) con media "X", la razón de los cuadrados medios sucesivos es a lo que se refiere como "N" dado como (Ec. 8):

El valor de N normalmente no alcanza el valor previsto cuando se interrumpe la serie. Los valores de N pueden exceder de dos si hay una fluctuación temporal en la media. Esta prueba no puede determinar la ubicación precisa del año de ruptura.

Se utilizó la prueba no paramétrica de Mann-Kendal (MK)51,102 para encontrar tendencias en las precipitaciones. La prueba MK se utiliza frecuentemente para determinar tendencias (si el análisis se realiza en series de datos meteorológicos)50,60,103,104,105,106. La prueba MK es menos sensible al contorno y adecuada para detectar tendencias de precipitaciones y se ha aplicado para explorar tendencias de precipitaciones estacionales y anuales107. Con un nivel de confianza del 95%, se realizó la prueba de tendencia para cada estación y se utilizó la técnica de pendiente Sens108 para evaluar la magnitud de la tendencia105. Los datos se verificaron mediante los parámetros de las pruebas antes de realizar la prueba MK para encontrar patrones de precipitación en las series temporales de las estaciones elegidas.

Kendall109 estableció la prueba MK, desarrollada por primera vez por Mann110, como una prueba no paramétrica para la identificación de tendencias y una estadística de prueba. Con frecuencia se utiliza una prueba MK de dos colas para determinar si el valor de un resultado tiende a aumentar o disminuir con el tiempo.

La prueba MK trata \({y}_{i}\) y \({y}_{j}\) como dos subconjuntos de la serie temporal de n datos, donde i y j se refieren a años. j se refiere a un año agregado con i.

Como resultado, la estadística MK (S) especificada en las Ecs. (9), (10) y (11) son los siguientes58,102.

dónde,

\({\mathrm{y}}_{\mathrm{j}}\) es el valor anual para j año, y \({\mathrm{y}}_{\mathrm{i}}\) es el valor anual valor para i año (Ec. 10).

En este caso, 't' representa el rango de cualquier empate hipotético de puntos muestrales. El \(\sum t\) indica el total de todos los empates. Como resultado, el tamaño de la muestra es más de diez y la ecuación. 12 estima el valor 'Z' de entrada estándar regular.

Por lo tanto, la tendencia ascendente (creciente) se muestra mediante valores positivos de “Z”, mientras que la tendencia descendente (decreciente) se muestra mediante valores negativos de “Z”111. El umbral de significancia para el estudio actual fue α = 0,05, que tenía un nivel de confianza del 95%.

El estimador de pendiente de Sen comienza calculando la pendiente (\({T}_{i})\) de cada par de datos usando la ecuación. 13108;

aquí, i = año = 1, 2, 3, …n. Donde \({X}_{j}\) y \({X}_{k}\) representan los tiempos respectivos de las variables (j > k ). En el examen de series de tiempo históricas, \({T}_{i}\)>0 denota una tendencia ascendente y \({T}_{i}\)<0 denota una tendencia a la baja.

Faltaría cualquier investigación de detección de tendencias sin mencionar cuándo cambió la tendencia97. Este estudio utilizó la prueba de Pettitt112 y la prueba de suma acumulativa para investigar si alguna estación meteorológica de lluvia anual incluye puntos de transición que cambian abruptamente.

Prueba de Pettit: Las estadísticas de prueba resultantes se indican en la ecuación. 14 cuando la duración del período de estudio se denota por t y el cambio ocurre en m años113.

Aquí, \(sgn({k}_{i}-{k}_{j})\) se calcula a partir de la ecuación. 15

Todas las variables generadas aleatoriamente de 1 a m se utilizan para determinar \({U}_{t, m}\). Cuando la magnitud de la estadística de prueba se encuentra \({U}_{t, m}\) es mayor, se identifica la mayor parte de los puntos de cambio únicos (Ec. 16). Cuando \({U}_{t, m}\) está en su punto más alto, se evalúa la probabilidad de un año cambiante (Ec. 17).

La hipótesis nula se considera rechazada si el valor p cae por debajo del nivel de significancia.

Prueba de suma acumulativa (CUSUM): La prueba CUSUM sin distribución114 determina si las variaciones en las medias entre dos porciones de una serie son diferentes durante un período indefinido. El valor CUSUM máximo de k sirve como estadístico de prueba, \({V}_{k}\). La ecuación 18 se utiliza para calcular \({V}_{k}.\)

donde, k = 1, 2, 3,….., n, y \(signo({x}_{i}-{x}_{median})\) se da como la ecuación. 19.

El beneficio más significativo de la IAA sobre la prueba MK es que no requiere presunciones como no linealidad, correlación serial y tamaños de muestra115. Este IAA115,116 ampliamente utilizado fue propuesto por Şen117. En cuanto al IAA, los datos de lluvia se clasifican en dos períodos: (a) 1981–2000, (b) 2001–2020. El primer período se representa como \({X}_{i}\) (eje X), y el segundo período \({Y}_{i}\) (eje Y). Los datos muestran una tendencia estable cuando se muestran a lo largo de la línea 1:1. Se observó una tendencia ascendente cuando los datos se trazaron por encima de la línea 1:1 y una tendencia a la baja cuando los datos se trazaron por debajo de la línea 1:1117,118.

La ecuación detrás de IAA119 es (Ec. 20):

donde, \(\overline{x }\) y \(\overline{y }\) = promedio aritmético de las series \({X}_{i}\) y \({Y}_{i}\). n = número de observaciones. Una tendencia ascendente está representada por un valor s positivo y una tendencia descendente está representada por un valor s negativo. Después de eso, la indicación se multiplica por 10 para compararla con la prueba MK120.

Se ha medido el impacto de los cambios en la circulación atmosférica en los patrones de tendencia de las precipitaciones. Utilizando la prueba de Pettit para el período 1981-2020 en Bangladesh, descubrimos por primera vez un gran cambio en la precipitación media anual que se produjo recientemente y observamos que el punto de cambio se produjo después de 2000. Utilizando el Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF) ERA5 Los datos del reanálisis, los dos períodos antes y después de los respectivos cambios en la circulación de las modificaciones se calculan deduciendo el período 1981-2000 de 2001 a 2020.

Percepción multicapa (MLP): es un método de predicción tradicional inverso en meteorología basado en mecanismos autoadaptativos75 compuesto por capas de entrada, salida y ocultas. Estas tres capas (Fig. 4) se utilizan para la predicción de investigaciones meteorológicas a corto, mediano y largo plazo121. El MLP es el diseño de RNA más utilizado en la modelización hidrológica139, utilizado para la predicción de precipitaciones a corto plazo143,144,145, también a más de 15 años27.

Estudios anteriores para la predicción de precipitaciones utilizando percepciones multicapa utilizaron la temperatura, la humedad, la radiación solar y la velocidad del viento como predictores de precipitaciones143,144,145. Los atributos de entrada como predictores de lluvia se muestran en la Tabla 1.

Dividimos todo el conjunto de datos de lluvia en conjuntos de datos de entrenamiento y prueba para la investigación actual. Después de normalizar los datos, utilizamos la red neuronal Perceptron multicapa para predecir la precipitación mensual utilizando el software R versión 4.2.2 (https://www.r-project.org/). Hemos recopilado los datos de lluvia para Bangladesh de 28 estaciones. El siguiente paso después de recopilar los datos normalizados es entrenar el modelo utilizando los datos de entrada en Matlab versión 9.9 (https://www.mathworks.com/products/matlab.html). El algoritmo utiliza solo el 70% de los datos de entrada para el entrenamiento. Solo 336 de las 480 muestras se utilizan para el entrenamiento y se eligen al azar del conjunto de datos. Los datos de precipitación mensual promedio de 1981 a 2020 se utilizan como entrada en este método de predicción. La capa de salida consiste en la predicción de lluvia mensual. Validamos la precipitación mensual prevista de 24 meses (2021-2022) con la precipitación real.

Hemos evaluado la puntuación de habilidad de MLP utilizando la técnica de validación cruzada K-fold en Python versión 3.10.12 (https://www.python.org/). El enfoque de validación cruzada K-fold es muy beneficioso para analizar los atributos y la varianza del conjunto de datos de entrada para un modelo MLP137. El modelo de validación cruzada de K veces se aplicó a las precipitaciones mensuales de Bangladesh de 1981 a 2020. La función de validación cruzada y la evaluación de múltiples métricas se muestran en la Fig. 2. Dos matrices componen cada pliegue: una está conectada al conjunto de entrenamiento, y el otro está relacionado con el conjunto de prueba. Las pruebas y la validación consumen el 30% (144 muestras) de los datos de entrada.

La función de la técnica de validación cruzada K-fold y el nivel de precisión de MLP.

Para encontrar el modelo MLP óptimo para predecir la lluvia, aplicamos repetidamente el modelo a los mismos conjuntos de datos de precipitación. Se realizan cinco evaluaciones del modelo, y cada evaluación utiliza un pliegue diferente como conjunto de validación. Las precisiones de todos los datos de las cinco matrices se observan en 0,894, 0,955, 0,927, 0,819 y 0,887 respectivamente frente a 1,00. La precisión media es 0,894, es decir, 89,4%. La puntuación de habilidad de este modelo MLP a partir de la validación cruzada K-fold es superior al 89%. Dado que el modelo MLP tuvo un buen desempeño entre 1981 y 2020, podemos extender sus resultados hasta el año 2030.

Además, utilizamos el error cuadrático medio (RMSE) y métodos de correlación para evaluar qué tan bien se desempeñó MLP en términos de predicción.

Se utilizó el enfoque de arranque pareado140 para calcular la incertidumbre del modelo en modelos de regresión. Este estudio incluye un conjunto de más de 1000 ejecuciones de modelos utilizando la técnica de arranque para obtener el rango del 95% de las predicciones. Como se muestra en la Fig. 3, la siguiente es una descripción de cómo se construyen los intervalos de predicción (PI) basados ​​en el enfoque bootstrap-MLP:

El marco de construcciones de PI basadas en bootstrap-MLP.

Paso 1: dividir el conjunto de datos original \(D= {\left\{\left({X}_{i}, {P}_{i}\right)\right\}}_{i=1}^{ N}\) en entrenamiento \({D}_{i} = {\left\{\left({X}_{i}, {P}_{i}\right)\right\}}_{i =1}^{{N}_{train}}\) y probando \({D}_{test} = {\left\{\left({X}_{i}, {P}_{i} \right)\right\}}_{i=1}^{{N}_{prueba}}\). Genere B conjuntos de datos de entrenamiento, cada uno de los cuales se construye utilizando el método de arranque de pares basado en el conjunto de datos de entrenamiento inicial \({D}_{train} = {\left\{\left({X}_{i}, {P}_ {i}\right)\right\}}_{i=1}^{{N}_{tren}}\). Entrene B MLP utilizando conjuntos de datos de entrenamiento con arranque B.

Paso 2: Estimar la regresión verdadera \(\widehat{y}({X}_{i})\), la incertidumbre del modelo y el ruido.

(1) La estimación de la regresión verdadera \(\widehat{y}({X}_{i})\) se puede calcular de la siguiente manera (Ec. 21):

donde, \({\widehat{y}}_{b}({X}_{i})\) es el valor de predicción generado por el b thMLP.

(2) La estimación de la varianza en la incertidumbre del modelo MLP se puede obtener de (Ec. 22):

(3) Según , la varianza del ruido se puede estimar de la siguiente manera141 (Ec. 23):

Se calcula un conjunto de residuos cuadrados de varianzas \({r}^{2}{(X}_{i})\) para estimar un modelo que se ajuste a los residuos restantes (Ec. 24):

Luego, se puede construir un nuevo conjunto de datos \({D}_{{r}^{2}}\) de la siguiente manera (Ec. 25):

Basado en \({D}_{{r}^{2}}\), se puede entrenar un modelo MLP separado para estimar la varianza del ruido. Se debe adoptar una función de activación exponencial en el nuevo modelo de red neuronal para garantizar una varianza positiva142.

Paso 3 Construya IP con (1 − a) × 100% de confianza nominal del intervalo de predicción (PINC) utilizando los límites superior e inferior del IP.

En este estudio, calculamos intervalos del 80% y del 95%. Los errores previstos tienen una distribución normal. Un total de intervalos de predicción del 95% y 80% para la predicción del paso h se encuentran respectivamente en las Ecs. 26 y 27.

aquí, hay una estimación de la desviación estándar de la distribución de predicción de pasos h.

Este estudio utilizó el enfoque de aprendizaje profundo MLP para predecir las precipitaciones. Para predecir series de tiempo, los codificadores automáticos realizan la extracción de características en MLP69. En primer lugar, todas las características no lineales se extraen de los datos mediante codificadores automáticos. La Figura 4 muestra el flujo de la metodología sugerida.

Flujo de la metodología de predicción propuesta.

Este codificador automático consta de tres capas: capa de entrada, capa oculta y capa de salida. Las capas ocultas que realizan cálculos intermedios se muestran en la figura 5 del perceptrón multicapa (MLP).

Capas de entrada, ocultas y de salida en una red neuronal perceptrón multicapa.

Capa de entrada: hay 23 neuronas (\({X}_{i}, i=1, 2, 3,\dots .,23.)\) en la capa de entrada. En la capa de entrada, las neuronas están dispuestas de la manera que se muestra en la ecuación. 28.

Capa oculta: Hay 5 capas ocultas en total. Cada neurona está relacionada con cada capa oculta. La capa oculta se calculó usando (Ec. 29).

Aquí, \({W}_{jk}\) es el peso que conecta la i-ésima neurona de la capa de entrada con la k-ésima neurona de la capa oculta. \({B}_{k}\) es el sesgo añadido a la k ésima neurona de la capa oculta.

Capa de salida: En la capa de salida, hay solo una neurona y su valor se calcula usando (Ec. 30):

RMSE: El modelo óptimo tiene un error cuadrático medio mínimo (RMSE), que calcula la desviación estándar de los componentes aleatorios en los datos (Ec. 31).

PBIAS: El porcentaje de sesgo es la tendencia promedio de la producción prevista a diferir más o menos de los datos observados. Los valores bajos de PBIAS (Ec. 32) implican simulaciones de modelos precisas; el valor ideal es 0,0. El índice de acuerdo, que oscila entre 0 (sin correlación) y 1, evalúa el nivel de inexactitud de la predicción del modelo (ajuste perfecto).

\({O}_{i}\) y \({P}_{i}\) representan los datos observados, los datos simulados del modelo y la media observada, respectivamente.

Correlación: se calculan como144 (Ec. 33).

donde \({y}_{t}^{o}\) y \({y}_{t}^{c}\) representan los valores observados y calculados en el momento t respectivamente, \(\overline{{y }^{o}}\) y \(\overline{{y }^{c}}\) yc representa la media de los valores observados y calculados.

Se utiliza el enfoque estadístico directo del cambio porcentual para identificar las tasas de cambio de precipitaciones anuales y estacionales para los sitios previos y posteriores al cambio. Esta técnica es bastante sencilla, pero hace su trabajo bastante bien. Para calcularlo se utiliza la ecuación 34.

Las precipitaciones posmonzónicas y monzónicas y la divergencia de humedad para el período 1980-2020 se obtuvieron en cuadrículas de 1,25° × 1,25° del Centro Europeo de Pronósticos Meteorológicos a Plazo Medio (ECMWF), ERA-5 (http://apps.ecmwf. int/datasets/data/interim-full-daily). Los conjuntos de datos de reanálisis de cambios oceánicos-atmosféricos más actuales disponibles desde 1980 en adelante se encuentran en el ERA5-Interim. Para evaluar el impacto de la nubosidad en la variación de las precipitaciones, también se construyó un conjunto de datos de nubosidad baja a partir de los datos ERA5 del ECMWF44. Se ha medido el impacto de los cambios en la circulación atmosférica en los patrones de tendencia de las precipitaciones. Primero, utilizando la prueba de Pettit para los años 1980 a 2020 en Bangladesh, encontramos un punto de cambio significativo reciente en la precipitación media anual y observamos que el punto de cambio ocurrió después de 2001. Luego, utilizando los datos de reanálisis ERA5 del ECMWF, la diferencia en la circulación entre las dos épocas antes y después de los ajustes se cuantifica restando 1980-2001 de 2002 a 2020. Los mapas espaciales se crearon utilizando el software GrAd.

En este trabajo, se utilizó el método de ponderación de distancia inversa para interpolar los datos y crear un mapa espacial de lluvia.

IDW: La interpolación IDW se basa en la ecuación. 35122.

Cuando a cada punto de dispersión se le asigna una función de peso \({w}_{i}\). y \({f}_{i}\) son los valores de función especificados en los puntos de dispersión. El total general de puntos de dispersión de la colección es n.

La configuración tradicional de la función de peso se calcula a partir de la ecuación. 36 similar a Monir et al.102.

Aquí \({h}_{i}\) es la distancia entre los puntos de dispersión y de interpolación. El parámetro de potencia, p, es un valor real positivo seleccionado libremente (Ec. 37).

donde (x, y) representa las coordenadas del punto de interpolación. y (\({x}_{i},{y}_{i})\) para las coordenadas de la coordenada del punto de dispersión.

La precipitación media anual en Bangladesh se observó en 2432,6 mm en este período de estudio. La precipitación media anual más alta se observó en Teknaf (4212,9 mm) y la más baja en Ishurdi (1466,4 mm). En promedio, se producen 442,8 mm de lluvia antes del monzón, 1905,3 mm durante el monzón y 84,5 mm después del monzón.

En Bangladesh, según los datos sobre las precipitaciones medias de 1981 a 2020, de junio a septiembre se registraron las mayores precipitaciones (Fig. 6). Julio registró la mayor precipitación media (520,59 mm). De noviembre a febrero llueve menos (Fig. 6). En junio, julio, agosto y septiembre se observaron, respectivamente, el 19,2%, 21,7%, 16,7% y 13,5% de las precipitaciones anuales. Por otro lado, en noviembre se registró un 1,5% de precipitaciones, en diciembre un 0,4%, en enero un 0,3% y en febrero un 1,0% (Figura 6).

Precipitación media mensual (1981-2022) en Bangladesh.

Los resultados sobre las precipitaciones estacionales promedio (1981-2020) en Bangladesh se presentan en la Tabla 2. Entre las 28 estaciones de monitoreo, la precipitación promedio previa a la temporada monzónica es de 279 mm (Satkhira, que está situada en el suroeste de Bangladesh) a 1076,1 mm (The estación Sylhet de la región nororiental) (Fig. 1). La mayor cantidad de lluvia durante la temporada de los monzones (3754,5 mm) se registró en Teknaf. La precipitación más baja se registró en Ishurdi (1133,1 mm). Durante el período posterior al monzón, la precipitación más alta (120,9 mm) se produjo en Cox's Bazar y la más baja (40,8 mm) en Rangpur. En comparación con temporadas anteriores, en las que el monzón enfrentó precipitaciones excelentes, la temporada posterior al monzón tuvo relativamente poca lluvia (Tabla 2).

La Figura 7 muestra la distribución espacial de las precipitaciones estacionales promedio (1981-2020) en Bangladesh. Las precipitaciones premonzónicas varían, siendo las más bajas en el oeste y las más importantes en el noreste (Fig. 7a). Las regiones noreste y sur tuvieron las precipitaciones máximas durante la temporada de monzones (Fig. 7b).

Distribución espacial de las precipitaciones estacionales promedio (1981-2020) en Bangladesh: (a) precipitaciones premonzónicas, (b) precipitaciones monzónicas y (c) precipitaciones posmonzónicas, preparada por los autores utilizando el software ArcGIS versión 10.5, (https: //www.esri.com/en-us/arcgis/products).

Por el contrario, la región norte tiene la menor precipitación durante la temporada posterior a los monzones (Fig. 7c). Los cambios estacionales afectan la variación geográfica de la precipitación promedio de Bangladesh (Fig. 7).

Los valores MK Z para las precipitaciones mensuales (1981-2020) en Bangladesh con un nivel de confianza del 95% se presentan en la Tabla 3. Los valores negativos representan una disminución de las precipitaciones, donde Z < − 1 representa la tendencia negativa significativa. De manera similar, los valores positivos representan una tendencia creciente en las precipitaciones, y cuando el valor de Z es mayor que 1, se trata de una tendencia creciente significativa.

Según el valor MK Z, una cantidad significativa de estaciones de monitoreo tiene una tendencia decreciente en las precipitaciones para todos los meses. La Figura 8 muestra que en febrero se observó una tendencia a la baja para todas las estaciones de monitoreo. Más del 80% de las estaciones de monitoreo enfrentan una tendencia a la baja en enero, marzo, agosto, noviembre y diciembre. En abril, mayo, junio y septiembre se observaron entre un 60% y un 80% de estaciones de monitoreo para una tendencia a la baja. Además, más del 50% de las estaciones de seguimiento enfrentan una importante tendencia a la baja en febrero y abril. Por otro lado, sólo 2 meses (julio y octubre) se ha observado una tendencia ascendente para más del 50% de las estaciones de seguimiento. Sólo en octubre se observó una tendencia creciente significativa (28,6%) (Fig. 8).

Tendencia de la precipitación mensual representada como porcentaje de las estaciones de monitoreo de lluvia.

Durante los años 1981 a 2020, el valor de la tendencia MK de las precipitaciones estacionales y el valor proyectado de la pendiente de Sen se muestran en la Tabla 4. Todas las estaciones de monitoreo tienen una tendencia a la baja para la temporada posterior a los monzones. Durante el premonzón y el monzón, aproximadamente el 82% y el 75% de las estaciones de monitoreo muestran una tendencia a la disminución de las precipitaciones (Tabla 4).

Durante el premonzón, el monzón y el posmonzón, aproximadamente el 43%, el 29% y el 82% de las estaciones de monitoreo tienen una tendencia decreciente significativa (Z < − 1) (Tabla 4). Sin embargo, sólo el 8% de las estaciones de monitoreo que monitorearon el monzón vieron una tendencia creciente perceptible (Tabla 4).

Durante el período previo al monzón, la parte central de Bangladesh observó una rápida disminución de las precipitaciones. Hay una tendencia al alza en las regiones del norte (Rangpur), occidental (Sylhet), oriental (Rajshahi) y extremo sur (Cox's Bazar). El resto de las áreas tienen una disminución moderada de las precipitaciones premonzónicas (Fig. 9a). Durante la temporada de los monzones, la tendencia de las precipitaciones varía desde un ligero aumento en la parte sur hasta una disminución en el norte de Bangladesh (Fig. 9b). Todo Bangladesh observó una disminución de las precipitaciones posmonzónicas (Fig. 9c). Hay una tasa de disminución significativa en las regiones del norte (Rangpur), del este (Rajshahi) y del extremo sur (Cox's Bazar). Por el contrario, esta área aumentó significativamente durante la temporada previa al monzón (Fig. 9a,c). Este es un claro ejemplo del retraso por lluvia.

Distribución espacial de las tendencias de las precipitaciones estacionales en Bangladesh de 1981 a 2020: (a) tendencia de las precipitaciones premonzónicas, (b) tendencia de las precipitaciones monzónicas y (c) tendencia de las precipitaciones posmonzónicas, preparada por los autores utilizando el software ArcGIS versión 10.5, ( https://www.esri.com/en-us/arcgis/products).

En los conjuntos de datos de los puntos previos y posteriores al cambio de lluvia estacional en cada una de las estaciones de monitoreo meteorológico, realizamos la prueba MK. Los valores de MK Z para los puntos previos y posteriores al cambio se presentan en la Tabla 5.

Se observó una tendencia negativa significativa en el punto posterior al cambio que en el punto previo al cambio. Las precipitaciones disminuyeron después del punto de cambio en las regiones norte y noroeste y aumentaron en el centro hasta la parte sureste de Bangladesh (Fig. 10).

Tendencia espacial de la precipitación anual para la duración anterior y posterior del punto de cambio: (a) tendencia de la precipitación anual, (b) tendencia de la precipitación en el punto anterior al cambio y (c) tendencia de la precipitación en el punto posterior al cambio, preparada por los autores utilizando Versión 10.5 del software ArcGIS (https://www.esri.com/en-us/arcgis/products).

La tendencia de innovación en las precipitaciones anuales observó que hay un 86% de estaciones meteorológicas tiene pendiente decreciente y un 14% tiene pendiente ascendente. La Figura 11 muestra la tendencia innovadora de las estaciones meteorológicas en la precipitación anual.

Tendencia innovadora en las precipitaciones anuales a nivel de estaciones meteorológicas.

El método de predicción tradicional en meteorología, el modelo de red neuronal MLP, se utiliza para predecir las precipitaciones mensuales y estacionales generales en Bangladesh. Un conjunto de datos único para las precipitaciones de Bangladesh se produce a partir de los datos observados de 28 estaciones. La Figura 12 muestra la descomposición de los datos de precipitaciones mensuales de 1981 a 2020 en una serie temporal aditiva. Los valores observados se muestran en la parte superior de esta descomposición, mientras que el conjunto de datos seleccionados aleatoriamente se muestra en la parte inferior. El centro de esta descomposición aditiva de series temporales muestra el patrón estacional de esta recopilación de datos y sus tendencias (Fig. 12).

Descomposición de series temporales aditivas de datos de precipitaciones mensuales de 1981 a 2020.

El gráfico de series de tiempo de diferentes indicadores de lluvia se muestra en la Fig. 13. Las series de tiempo de temperatura máxima y mínima, humedad relativa, radiación solar y velocidad del viento se muestran junto con la precipitación en la Fig. 13.

Gráfico de series temporales de indicadores de lluvia en este modelo de predicción.

RMSE y correlación (R), dos medidas de puntuación fundamentales, se utilizan para evaluar el modelo sugerido. Utilizando un conjunto de datos de prueba, evaluamos las capacidades de predicción del modelo propuesto y los resultados se muestran en la Tabla 6 a continuación. Los resultados muestran que el modelo sugerido funciona bien ya que reduce todo tipo de errores.

Los resultados del modelo de predicción de lluvias basado en MLP propuesto para pronosticar las precipitaciones para los 24 meses siguientes se muestran en la Fig. 14. Los resultados demuestran que la técnica sugerida tiene una precisión de más del 90% para estimar la precipitación promedio (en mm). En el gráfico, la línea azul muestra la cantidad de lluvia promedio predicha por el modelo sugerido, mientras que la línea marrón refleja la cantidad real de lluvia promedio. Por tanto, el modelo sugerido puede utilizarse para pronosticar las precipitaciones durante los próximos ocho años (hasta 2030).

Evaluación del modelo mediante pruebas fijadas durante 24 meses.

En la Fig. 15 se muestra la precipitación mensual prevista hasta 2030 con niveles de confianza del 95% utilizando la técnica MLP. Hubo un error mínimo en la precipitación prevista, el RMSE fue inferior a 12 mm.

Precipitaciones mensuales previstas para Bangladesh hasta 2030.

Aunque este conjunto de datos previstos contenía precipitaciones por debajo de la línea de base (<0 mm) durante algunos meses, lo contamos como sin precipitaciones (0 mm). La precipitación mensual prevista se presenta en la Tabla 7.

Se observa una fluctuación significativa en las precipitaciones mensuales previstas de 2021 a 2030. No lloverá en diciembre y enero. No lloverá durante un número significativo de años en noviembre y febrero. Por lo tanto, Bangladesh sufrirá escasez de agua durante los períodos secos hasta 2030 (de noviembre a febrero). Las precipitaciones máximas previstas para marzo, abril, mayo, junio, julio, agosto, septiembre y octubre se observan en 2029, 2026, 2026, 2027, 2027, 2026, 2027 y 2028. El resultado previsto indica que habrá mucho más precipitaciones de 2026 a 2029 (Tabla 7). Por otro lado, las precipitaciones mínimas previstas para marzo, abril, mayo, junio, julio, agosto, septiembre y octubre se observan respectivamente en 2024, 2024, 2030, 2024, 2025, 2024, 2023 y 2026 (Cuadro 7). El resultado previsto sugiere que se producirán precipitaciones comparativamente menores en el primer y último trimestre del período de estudio.

Las precipitaciones mensuales previstas, convertidas en precipitaciones estacionales, se presentan en la Tabla 8.

La precipitación máxima prevista para las temporadas premonzónica, monzónica y posmonzónica se observa en 2028, 2027 y 2029. Por otro lado, las precipitaciones más bajas para estas estaciones se observan en 2023, 2023 y 2030 respectivamente.

La mayoría de las zonas de Bangladesh experimentan precipitaciones convectivas de moderadas a intensas; sin embargo, cuando las tasas de lluvia convectiva eran bajas, se transportaba más vapor de agua desde la Bahía de Bengala a la superficie terrestre, lo que es desfavorable para la producción de gotas de lluvia (Fig. 16). Como resultado, las zonas centro-central y nororiental del país experimentaron una caída en la precipitación media durante la temporada de monzones (Fig. 16). El país cubre una región trivial con un elevado cambio de altura geopotencial y transporta menos vapores de humedad desde la Bahía de Bengala a las masas de tierra locales, responsables del cambio de las precipitaciones44. Esta es la razón del aumento de las precipitaciones anuales durante los monzones de verano observados en las zonas nororiental y sudoriental del país86. En todo el país, la brisa del sureste se intensificó, reduciendo las intrusiones de aire más frío y disminuyendo las precipitaciones en todo Bangladesh en la temporada posterior a los monzones. El desarrollo de la circulación anticiclónica reduce la fuerza del viento del sureste, que a su vez fortalece la temporada de monzones de verano y eleva aire más cálido hacia Bangladesh y, en última instancia, provoca un aumento de las precipitaciones138. Por el contrario, la mayoría de las áreas registraron tasas medias de precipitación convectiva de moderadas a bajas, lo que en cierta medida redujo las precipitaciones147. En general, el número de nubes bajas ha aumentado en todo el país y las regiones vecinas27. La escasa nubosidad potenciará el efecto de condensación de la atmósfera sobre la radiación solar superficial, lo que reducirá la tendencia de las precipitaciones124. El país en su conjunto experimentó una tasa media de precipitación total alta, excepto en el oeste, lo que provocó un patrón de corriente descendente inconsistente y aumentó el número de días de cielo despejado durante el período de investigación más reciente (1980-2020). La gran mayoría de las regiones de Bangladesh mostraron una disminución de la divergencia de humedad integrada verticalmente, provocada por una disminución considerable de las precipitaciones.

Variaciones espaciales de las diferencias (A) Nubosidad baja, (B) Divergencia de humedad integrada verticalmente media, (C) Precipitación convectiva en la temporada de monzones, (D) Tasa de precipitación convectiva media, (E) Tasa de lluvia convectiva en la temporada posterior a los monzones, ( F) Tasa de precipitación total media entre la fase reciente de 2002-2020 y 1980-2001, preparada por los autores utilizando GrADS versión 2.2.1 (http://cola.gmu.edu/grads/downloads.php).

La evaluación de las tendencias históricas de las precipitaciones es crucial en muchos campos, incluida la gestión de los recursos hídricos, la planificación para la agricultura sostenible, la gestión de los ecosistemas y el sector de la salud52. La variabilidad de las tendencias de las precipitaciones mensuales y estacionales se investigó exhaustivamente utilizando los datos de precipitaciones de 40 años procedentes de 28 estaciones de observación. El análisis estadístico revela que de 1981 a 2020, la precipitación media anual más alta se observó en Teknaf (4212,9 mm) y la más baja en Ishurdi (1466,4 mm). De 1958 a 2007, la precipitación media anual en Bangladesh fue de 1.527 mm a 4.193 mm, según Shahid62. En cuanto a las precipitaciones mensuales, la precipitación media máxima registrada en julio fue de 461,9 mm (21,7% de la precipitación anual). De julio a agosto se observaron precipitaciones del 57,6%. Sin embargo, el 50% de las precipitaciones se registró entre 1958 y 200739. En comparación con estudios mucho más antiguos, las precipitaciones durante la estación seca disminuyeron entre los años 1950 y 2010, mientras que las precipitaciones monzónicas aumentaron43,49,60,123,124. Esta fluctuación en la distribución de las precipitaciones a lo largo de un año afecta significativamente las condiciones climáticas cambiantes y la producción agrícola. El Banco Mundial125 la observó en 2200 mm en los últimos 30 años, aunque el presente estudio siguió la precipitación anual promedio en Bangladesh en 2432,6 mm en los 40 años anteriores. Yousuf y Ahmed48 también observaron que la precipitación media anual en Bangladesh (1948-2011) fue de 2.456,38 mm. Es obvio que desde la década de 1940 hasta el presente, el promedio anual de precipitaciones en Bangladesh disminuyó gradualmente. A lo largo del período de estudio, la precipitación promedio varió de 279 a 1076 mm antes del monzón, de 1133 a 3754 mm durante el monzón y de 40 a 120 mm después del monzón. El Banco Mundial125 observó resultados mínimamente diferentes entre 1991 y 2020. Se encontró que las precipitaciones variaron en Bangladesh; Islam et al.49 observaron que la mayor parte de las precipitaciones anuales en Bangladesh se registraban en las partes sur y este. La zona sur tiene el valor más significativo del índice de concentración de precipitación (ICL)44. Shahid y Khairulmaini124 también predicen que la parte sur seguirá ligeramente sujeta a condiciones de lluvia normales. De manera similar, según el presente estudio, las precipitaciones son mayores en el sureste, aunque son menores en el noroeste de Bangladesh.

Según el valor MK Z, más del 80% de las estaciones de monitoreo enfrentan una tendencia a la baja en enero, febrero, marzo, agosto, noviembre y diciembre. En abril, mayo, junio y septiembre se observaron entre un 60% y un 80% de estaciones de monitoreo para una tendencia a la baja. Casi el 77% de las estaciones tienen una tendencia a la baja y el 23% tienen una tendencia ascendente en las precipitaciones mensuales. No hay estudios exhaustivos previos que se centren en la tendencia mensual de las precipitaciones en Bangladesh. En el subcontinente indio, Praveen et al.27 encontraron un resultado similar, una tendencia negativa significativa para las precipitaciones anuales generales. En este estudio actual, los meses de mayo a julio tienen un patrón mixto de tendencias ascendentes y descendentes. Rahman et al.46 observaron un patrón mixto de tendencias mensuales negativas y positivas a largo plazo de febrero a septiembre. Según este estudio, el número de estaciones de seguimiento tiene una marcada tendencia a la baja durante los períodos premonzónico, monzónico y posmonzónico, respectivamente, 82%, 75% y 100%. Shahid y Khairulmaini124 también observan una tendencia a la baja en la concentración de precipitaciones en la mayoría de los lugares. Endo et al.40 también encontraron que la frecuencia de días con precipitaciones ligeras aumenta a lo largo de la temporada previa al monzón. Shahid39, Endo et al.40 y Zannat et al.41 mostraron un patrón cambiante en las precipitaciones monzónicas en Bangladesh, y Sing126 lo informó cada vez más. La variación espaciotemporal de las precipitaciones monzónicas en Bangladesh también se ve afectada por la EI-Nino/Oscilación del Sur (ENSO)127,128. Los hallazgos de estudios mucho más antiguos que analizaron las tendencias de las precipitaciones en Bangladesh entre los años 1950 y 2000 arrojan resultados diferentes129,130,131. Esos estudios encontraron tendencias positivas significativas en la mayoría de las estaciones meteorológicas durante el período posterior y previo al monzón31,42,43,60,132. Sin embargo, este estudio observó que todas las estaciones meteorológicas tienen una tendencia a la baja en las precipitaciones posmonzónicas146. Mullick et al.57 observaron que la precipitación media indica una tendencia creciente en Bangladesh, excepto en invierno. Sin embargo, este estudio actual encontró solo el 18% de las estaciones meteorológicas antes del monzón y el 25% de las estaciones meteorológicas en la temporada del monzón, que tiene una tendencia creciente en las precipitaciones. La tendencia de las precipitaciones anuales disminuye significativamente después del punto de cambio. Según una innovadora prueba de tendencias, el 86% de las estaciones de monitoreo tienen una tendencia a la baja. Sólo el 14% de las emisoras tienen una tendencia ascendente. La tendencia general de las precipitaciones, especialmente las posteriores a los monzones en Bangladesh, está disminuyendo.

La mayoría de las investigaciones anteriores sobre predicción de precipitaciones han utilizado regresión lineal, sistema de inferencia neurodifusa adaptativa (ANFIS), algoritmo genético (GA), prueba de Mann Kendall, enfoque de aprendizaje profundo, red neuronal feed-forward (FFNN) y métodos empíricos y dinámicos10. ,11,68,70. Estos métodos nunca predicen el escenario real de lluvias futuras. Utilizamos la técnica de red neuronal de percepción multicapa para predecir la precipitación no solo a escala estacional sino también mensual. Banik et al.11 utilizaron el método ANN para predecir las precipitaciones, pero sólo durante la temporada de monzones en Bangladesh. Se observa una fluctuación significativa en las precipitaciones mensuales previstas de 2021 a 2030. La precipitación máxima prevista para las temporadas premonzónica, monzónica y posmonzónica se observa en 2028, 2027 y 2029.

Por otro lado, las precipitaciones más bajas para las temporadas premonzónica, monzónica y posmonzónica se producirán en 2023, 2023 y 2030, respectivamente. Sólo algunos estudios concluyeron que no habría tendencias significativas en Bangladesh124, lo que muestra un patrón irregular en las tendencias de las precipitaciones en Bangladesh49,72. En el presente estudio, los resultados previstos también muestran un patrón irregular en las precipitaciones futuras en Bangladesh. Además, Praveen et al.27 predicen los próximos 15 años de precipitaciones en la India en 2020, mostrando una disminución significativa de las precipitaciones. Se requiere una evaluación de la disponibilidad de agua a largo plazo en varias escalas de ponderación espaciotemporal a medida que aumenta la probabilidad de efectos adversos del cambio climático en los recursos hídricos148. Para mitigar los posibles impactos del cambio climático, se prevé que esta investigación proporcione información sobre la gestión y el desarrollo de los recursos agrícolas y hídricos de Bangladesh.

Los resultados estadísticos indican que la mayor parte de las precipitaciones se producen durante la temporada de los monzones, de las cuales más de la mitad de las precipitaciones anuales se producen de junio a agosto. Las precipitaciones previas y posteriores al monzón son muy escasas. Las precipitaciones aumentan durante el monzón y disminuyen durante el período posterior al monzón. Según una prueba de tendencia, las precipitaciones en Bangladesh disminuyen durante la temporada posterior al monzón en general, mientras que aumentan en algunas áreas durante la temporada anterior al monzón. Según este fenómeno, las lluvias monsónicas parecen producirse antes de lo esperado en un año calendario. También se observaron cambios idénticos en los patrones de lluvias monzónicas en los países vecinos16,86,133. Esta fluctuación se hace evidente en el cambio del patrón de precipitaciones a lo largo del año, favoreciendo la sequía meteorológica134. En las partes meridional y oriental de Bangladesh se observaron precipitaciones abundantes en todas las estaciones, mientras que en la parte occidental se observaron menos precipitaciones. Se observaron muy pocas precipitaciones en el norte de Bangladesh durante el período posterior al monzón. Si este proceso continúa en las partes norte y oeste de Bangladesh, estas áreas se convertirán en sequías en un futuro reciente. Sin embargo, la sequía de aguas subterráneas ya afecta al noroeste de Bangladesh106.135.136. La prueba de tendencia de las precipitaciones mensuales muestra que más del 80% de las precipitaciones de la estación disminuyeron de noviembre a marzo y agosto. Por el contrario, sólo los meses de julio y octubre tienen una tendencia creciente para más del 50% de las estaciones de monitoreo. Bangladesh tiene una tendencia a la baja en las precipitaciones después del monzón; sólo algunas áreas del norte y del sur tienen una tendencia ascendente para el premonzón y el monzón, respectivamente. Las precipitaciones posteriores a los monzones disminuyeron en Bangladesh, mientras que las precipitaciones premonzónicas y monzónicas aumentaron en algunas zonas. El resultado previsto muestra el patrón fluctuante de precipitaciones en los próximos años. Los sitios meteorológicos de Bangladesh ofrecen una tendencia a la baja después del monzón y las precipitaciones previstas fluctúan, lo que es una fuerte evidencia del cambio climático. Cualquier escasez de lluvias puede afectar la agricultura y los recursos de aguas subterráneas. Debido a que la práctica agrícola depende del suministro de agua, ésta proviene de la lluvia o de fuentes subterráneas. Sin embargo, los cambios a largo plazo en el patrón de precipitaciones están asociados principalmente con cambios en la temperatura de la superficie del mar (SST) y procesos en la superficie terrestre. El proceso atmosférico es más bien una respuesta a los cambios en la TSM y otros parámetros que varían lentamente. Esta es una de las principales limitaciones de este estudio y merece una mayor investigación.

Este estudio utiliza un conjunto de datos de precipitaciones mensuales y estacionales para investigar el patrón histórico de precipitaciones y la proyección de Bangladesh. Se realizaron el análisis de tendencias innovador de Mann-Kendall y el estimador de pendiente de Sen para detectar tendencias en las precipitaciones históricas en Bangladesh. Se utilizó una red neuronal de percepción multicapa para predecir patrones de lluvia futuros, y en el presente estudio también se exploran las causas de los cambios en las precipitaciones. Las siguientes conclusiones clave se extraen del estudio actual:

Las precipitaciones tienen una tendencia a la baja durante la temporada posterior al monzón en todo Bangladesh, y también disminuyen en más del 75% de las áreas durante las otras dos estaciones (premonzónica y monzónica). Más del 80% de las estaciones de monitoreo tienen una tendencia a la baja de noviembre a marzo, particularmente agosto, mientras que más del 50% tienen una tendencia ascendente durante julio y octubre. Esta fluctuación indica un cambio sustancial en los patrones de lluvia, especialmente las lluvias monzónicas.

Según las predicciones, las precipitaciones futuras en Bangladesh probablemente seguirán un patrón errático. Durante el período de predicción (hasta 2030), no lloverá en diciembre y enero.

Una tasa de precipitación convectiva creciente o decreciente, una mayor nubosidad baja y una divergencia insuficiente de la humedad en la Bahía de Bengala que se transporta en dirección noroeste pueden haber influido en gran medida en los cambios en las precipitaciones en Bangladesh, según los cambios oceánicos-atmosféricos a gran escala derivados de la Datos de reanálisis de ECMWF ERA5

Este estudio encontró datos faltantes para varias ubicaciones a lo largo de varios años, lo que afectó el análisis de tendencias porque los datos estimados solo pueden reemplazar parcialmente los datos reales. Sin embargo, se necesitan más estudios para identificar los factores detrás del patrón de lluvia y se utilizarán factores terrestres y atmosféricos con datos de lluvia para predecir las precipitaciones.

Se prevé que los hallazgos de este estudio tendrán un impacto significativo en la gestión de los recursos hídricos y la planificación agrícola de Bangladesh. Es posible que los tipos y patrones de cultivo que se han desarrollado deban responder a las variaciones en los patrones de lluvia.

Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente debido a las restricciones impuestas por la autoridad de BMD, pero están disponibles a través del autor correspondiente previa solicitud razonable.

FAO. Implementación de la Estrategia Global en Bangladesh. http://www.fao.org/asiapacific/perspectives/agricultural-statistics/global-strategy/results-in-the-region/bangladesh/en/ (2021). Consultado el 15 de enero de 2023.

Das, S. & Islam, ARMT Evaluación de cambios temporales en las características de frecuencia de la precipitación máxima anual de duración diaria en Bangladesh. Teor. Aplica. Climatol. https://doi.org/10.1007/s00704-023-04479-0 (2023).

Artículo de Google Scholar

Sultana, R., Irfanullah, HM, Selim, SA y Budrudzaman, M. Vulnerabilidad y adaptación basada en ecosistemas en las comunidades agrícolas del noroeste de Bangladesh, propenso a la sequía. Reinar. Desafío. https://doi.org/10.1016/j.envc.2023.100707 (2023).

Artículo de Google Scholar

Ferrand, EA La captación de agua de lluvia como estrategia eficaz de adaptación al cambio climático en entornos rurales y urbanos 405–420 (Springer, 2015).

Google Académico

Chandio, AA et al. Cambio climático y seguridad alimentaria en el sur de Asia: nueva evidencia desde una perspectiva política utilizando análisis empíricos novedosos. J. Medio Ambiente. Gestión de planes. 66(1), 169–190. https://doi.org/10.1080/09640568.2021.1980378 (2023).

Artículo de Google Scholar

Nury, AH, Hasan, K., Mohammed Erfan, K. y Chandra Dey, D. Análisis de la precipitación que varía espacial y temporalmente en Bangladesh. Asiático J. Medio ambiente del agua. 13(3), 15–27. https://doi.org/10.3233/ajw-160023 (2016).

Artículo de Google Scholar

Rahman, M., Ferdousi, N., Sato, Y., Kusunoki, S. & Kitoh, A. Escenario de precipitaciones y temperatura para Bangladesh utilizando AGCM de malla de 20 km. En t. J. Clim. Cambio 4(1), 66–80. https://doi.org/10.1108/17568691211200227 (2012).

Artículo de Google Scholar

Bazrafshan, O. y col. Análisis económico de la huella hídrica para la gestión del agua de almendras de secano y de regadío en Irán. Irrigación. Ciencia. https://doi.org/10.1007/s00271-023-00861-y (2023).

Artículo de Google Scholar

Azad, S., Debnath, S. y Rajeevan, M. Análisis de la previsibilidad de las lluvias monzónicas indias: un enfoque analítico de datos. Reinar. Proceso. 2(4), 717–727. https://doi.org/10.1007/s40710-015-0108-0 (2015).

Artículo de Google Scholar

Kala, A. & Vaidyanathan, SG Predicción de precipitaciones mediante red neuronal artificial. En Proc. de la Conferencia Internacional sobre Investigación Inventiva en Aplicaciones Informáticas, ICIRCA 2018, 1, 339–342. https://doi.org/10.1109/ICIRCA.2018.8597421

Banik, S., Chanchary, FH, Khan, K., Rouf, RA y Anwer, M. Enfoque de algoritmo genético y red neuronal para pronosticar las lluvias monzónicas de Bangladesh. En Proc. de la 11ª Conferencia Internacional sobre Informática y Tecnología de la Información, ICCIT 2008, ICCIT, 735–740. https://doi.org/10.1109/ICCITECHN.2008.4802997 (2008).

Vivas, E. et al. Wavelet retrasada profunda para el pronóstico de lluvia mensual en una región tropical. SERRA 37, 831–848 (2023).

Google Académico

IPCC. Cambio climático y tierra: informe especial del IPCC sobre cambio climático, desertificación, degradación de la tierra, gestión sostenible de la tierra, seguridad alimentaria y flujos de gases de efecto invernadero en ecosistemas terrestres [PR Shukla et al.], (en prensa). (2019).

New, M., Todd, M., Hulme, M. & Jones, P. Mediciones y tendencias de las precipitaciones en el siglo XX. En t. J. Climatol. 21, 1899-1922. https://doi.org/10.1002/joc.680 (2001).

Artículo de Google Scholar

Gu, G. & Adler, RF Variabilidad observada y tendencias en las precipitaciones globales durante 1979-2020. Subir. Din. 61, 131-150. https://doi.org/10.1007/s00382-022-06567-9 (2023).

Artículo de Google Scholar

Bharath, A., Ramesh, M., Manjunatha, M. & Reshma, TV Variabilidad espaciotemporal de las precipitaciones y análisis de tendencias de la cuenca del río Shimsha, India. Reinar. Ciencia. Contaminación. Res. https://doi.org/10.1007/s11356-023-25720-3 (2023).

Artículo de Google Scholar

Ahmad, I., Tang, D., Wang, T., Wang, M. y Wagan, B. Tendencias de precipitación a lo largo del tiempo utilizando las pruebas Rho de Mann-Kendall y Spearman en la cuenca del río Swat, Pakistán. Adv. Meteorol. https://doi.org/10.1155/2015/431860 (2015).

Artículo de Google Scholar

Ahmad, K. y col. Evaluación de la variabilidad y tendencias de las precipitaciones a largo plazo utilizando datos observados y satelitales en el centro de Punjab, Pakistán. Atmósfera 14(1), 60. https://doi.org/10.3390/atmos14010060 (2023).

ADS del artículo Google Scholar

Tabari, H. & Talaee, PH Variabilidad temporal de las precipitaciones sobre Irán: 1966-2005. J. hidrol. 396(3–4), 313–320. https://doi.org/10.1016/j.jhidrol.2010.11.034 (2011).

ADS del artículo Google Scholar

Chang, X., Xu, Z., Zhao, G., Cheng, T. & Song, S. Variaciones espaciales y temporales de la precipitación durante 1979-2015 en la ciudad de Jinan, China. J. Clima de agua. Cambio 9(3), 540–554. https://doi.org/10.2166/wcc.2017.029 (2018).

Artículo de Google Scholar

Chen, Y., Ding, M., Zhang, G., Duan, X. y Wang, C. El posible papel de los datos de precipitación fusionados en la detección del patrón espaciotemporal de erosividad de las precipitaciones sobre la meseta tibetana, China. CATENA https://doi.org/10.1016/j.catena.2023.107114 (2023).

Artículo de Google Scholar

Lawrimore, JH y cols. Evaluación del clima para el año 2000. Bol. Soy. Meteorito. Soc. 82, T1 – S62 (2001).

Artículo de Google Scholar

Hidalgo, JCG et al. Tendencias mensuales de las precipitaciones en la franja mediterránea de la Península Ibérica durante la segunda mitad del siglo XX. En t. J. Climatol. 29, 1415-1429. https://doi.org/10.1002/joc.1780 (2009).

Artículo de Google Scholar

Tabari, H., Talaee, PH, Ezani, A. & Some'e, BS Cambios de cambio y tendencias monótonas en series de temperaturas autocorrelacionadas sobre Irán. Teor. Aplica. Climatol. 109(1–2), 95–108. https://doi.org/10.1007/s00704-011-0568-8 (2012).

ADS del artículo Google Scholar

Hale, H. y col. Impulsores de los patrones espaciotemporales de las entradas de agua superficial en una cuenca en la zona de transición lluvia-nieve del oeste de Estados Unidos con agua limitada. J. hidrol. https://doi.org/10.1016/j.jhidrol.2022.128699 (2023).

Artículo de Google Scholar

Caloiero, T., Coscarelli, R., Ferrari, E. & Mancini, M. Detección de tendencias de precipitaciones anuales y estacionales en Calabria (sur de Italia). En t. J. Climatol. 31(1), 44–56. https://doi.org/10.1002/joc.2055 (2011).

Artículo de Google Scholar

Praveen, B. y col. Análisis de tendencias y pronóstico de cambios en las precipitaciones en la India utilizando enfoques no paramétricos y de aprendizaje automático. Ciencia. Rep. 10(1), 1–21. https://doi.org/10.1038/s41598-020-67228-7 (2020).

Artículo CAS Google Scholar

Thandlam, V. y col. Cuantificación del papel de la capacitancia anterior del Océano Índico suroccidental en la variabilidad de las precipitaciones monzónicas de verano en regiones homogéneas de la India. Ciencia. Rep. 13, 5553. https://doi.org/10.1038/s41598-023-32840-w (2023).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Treppiedi, D., Cipolla, G., Francipane, A., Cannarozzo, M. & Noto, LV Investigación de la confiabilidad de la lluvia de diseño estacionario en una región mediterránea bajo un clima cambiante. Agua 15(12), 2245. https://doi.org/10.3390/w15122245 (2023).

Artículo de Google Scholar

IPCC. Resumen para responsables de políticas. Quinto Informe de Evaluación del Panel Intergubernamental sobre Cambio Climático. Cambridge University Press, Cambridge, Nueva York (2013).

Wu, L. y col. Impacto de los climas extremos en la fenología de la superficie terrestre en Asia Central. Ecológico. Índico. https://doi.org/10.1016/j.ecolind.2022.109832 (2023).

Artículo PubMed PubMed Central Google Scholar

Hamilton, JP, Whitelaw, GS y Fenech, A. Temperatura media anual y tendencias de precipitación total anual en Canadá. Reinar. Monit. Evaluar. 67(1–2), 239–275. https://doi.org/10.1023/A:1006490707949 (2001).

Artículo CAS PubMed Google Scholar

Subash, N. & Sikka, AK Análisis de tendencias de precipitaciones y temperaturas y su relación en la India. Teor. Aplica. Climatol. 117(3–4), 449–462. https://doi.org/10.1007/s00704-013-1015-9 (2014).

ADS del artículo Google Scholar

Él, J. et al. Los cambios en los patrones de precipitaciones anuales centenarios muestran una tendencia creciente con una mayor variación en el norte de Australia. J. Hidrometeorol. https://doi.org/10.1175/JHM-D-21-0116.1 (2022).

Artículo de Google Scholar

Ren, YY et al. Cambios observados en la temperatura del aire en la superficie y las precipitaciones en la región del Himalaya Hindu Kush durante los últimos 100 años. Adv. Subir. Cambiar resolución. 8(3), 148-156 (2017).

Artículo de Google Scholar

Ahmed, SA Detección de patrones espaciotemporales de tendencias de lluvia, utilizando técnicas estadísticas no paramétricas en el estado de Karnataka, India. Reinar. Monit. Evaluar. 195, 909. https://doi.org/10.1007/s10661-023-11466-5 (2023).

Artículo PubMed Google Scholar

Ullah, S., You, Q., Ullah, W. y Ali, A. Cambios observados en las precipitaciones en el corredor económico China-Pakistán durante 1980-2016. Atmos. Res. 210 (marzo), 1-14. https://doi.org/10.1016/j.atmosres.2018.04.007 (2018).

Artículo de Google Scholar

Xu, Z., Zhang, S. & Yang, X. El agua y los sedimentos producen una respuesta a eventos de lluvia extrema en una gran cuenca fluvial compleja: un estudio de caso de la cuenca del río Amarillo, China. J. hidrol. https://doi.org/10.1016/j.jhidrol.2021.126183 (2021).

Artículo de Google Scholar

Shahid, S. Tendencias en los eventos de lluvias extremas en Bangladesh. Teor. Aplica. Climatol. 104(3–4), 489–499. https://doi.org/10.1007/s00704-010-0363-y (2011).

ADS del artículo Google Scholar

Endo, N. y col. Tendencias en las características de las precipitaciones en Bangladesh de 1950 a 2008. SOLA https://doi.org/10.2151/sola.2015-027 (2015).

Artículo de Google Scholar

Zannat, F., Islam, ARMT y Rahman, MA Variabilidad espaciotemporal de las precipitaciones vinculadas al nivel del agua subterránea en condiciones climáticas cambiantes en la región noroeste de Bangladesh. EUR. J. Geogr. 56 (abril), 35–56 (2019).

Google Académico

Bari, SH, Rahman, MTU, Hoque, MA y Hussain, MM Análisis de las tendencias de precipitaciones estacionales y anuales en la región norte de Bangladesh. Atmos. Res 176–177, 148–158. https://doi.org/10.1016/j.atmosres.2016.02.008 (2016).

Artículo de Google Scholar

Hossain, MS, Roy, K. y Datta, DK Variabilidad espacial y temporal de las precipitaciones en la costa suroeste de Bangladesh. Clima 2(2), 28–46 (2014).

Artículo de Google Scholar

Rahman, MS & Islam, ARMT ¿Están cambiando la concentración y la intensidad de las precipitaciones en Bangladesh con el tiempo? Análisis de las posibles causas de los cambios en los sistemas de precipitación. Ciencia. Medio ambiente total. 690, 370–387. https://doi.org/10.1016/j.scitotenv.2019.06.529 (2019).

Artículo ADS CAS PubMed Google Scholar

WARPO. Estrategia de Desarrollo Costero. Ministerio de Recursos Hídricos, Gobierno de la República Popular de Bangladesh, Dhaka (2006). Consultado el 10 de diciembre de 2022.

Rahman, MA, Yunsheng, L. & Sultana, N. Análisis y predicción de las tendencias de las precipitaciones en Bangladesh utilizando Mann-Kendall, las pruebas rho de Spearman y el modelo ARIMA. Meteorol. Atmos. Física. 129(4), 409–424. https://doi.org/10.1007/s00703-016-0479-4 (2017).

ADS del artículo Google Scholar

Basak, JK, Ali, MA, Islam, MN y Rashid, MA Evaluación del efecto del cambio climático en la producción de arroz boro en Bangladesh utilizando el modelo DSSAT, actas de la conferencia internacional sobre los impactos del cambio climático y estrategias de adaptación para Bangladesh. J. Civilización. Ing. (IEB) 38(2), 95-108 (2010).

Google Académico

Yousuf, AHM y Ahmed, MK Características de la temperatura y las precipitaciones en Bangladesh: una perspectiva histórica 1948-2011. Universidad de Dhaka. J. Medio ambiente terrestre. Ciencia. 4, 13–32 (2015).

Google Académico

Islam, ARMT, Rahman, MS, Khatun, R. & Hu, Z. Tendencias espaciotemporales en la frecuencia de las precipitaciones diarias en Bangladesh durante 1975-2017. Teor. Aplica. Climatol. 141(3–4), 869–887. https://doi.org/10.1007/s00704-020-03244-x (2020).

ADS del artículo Google Scholar

Longobardi, A. & Villani, P. Análisis de tendencias de series temporales de precipitaciones anuales y estacionales en el área del Mediterráneo. En t. J. Climatol. 30(10), 1538-1546. https://doi.org/10.1002/joc.2001 (2010).

Artículo de Google Scholar

Afzal, M., Mansell, MG y Gagnon, AS Tendencias y variabilidad de las precipitaciones diarias en Escocia. Proc. Reinar. Ciencia. 6, 15-26. https://doi.org/10.1016/j.proenv.2011.05.003 (2011).

Artículo de Google Scholar

Marumbwa, F., Cho, M. y Chirwa, P. Análisis de las tendencias espaciotemporales de las precipitaciones en los biomas del sur de África entre 1981 y 2016. Phys. Química. Partes de la Tierra A/B/C 114, 102808. https://doi.org/10.1016/j.pce.2019.10.004 (2019).

Artículo de Google Scholar

Abdullah, AYM et al. Eventos extremos de temperatura y precipitaciones en Bangladesh: una comparación entre las zonas costeras y del interior. En t. J. Climatol. 42(6), 3253–3273. https://doi.org/10.1002/joc.6911 (2022).

Artículo de Google Scholar

Mainuddin, M. y col. Variabilidad espacio-temporal a largo plazo y tendencias en precipitaciones y temperaturas extremas y su riesgo potencial para la producción de arroz en Bangladesh. MÁS Clim. 1(3), e0000009. https://doi.org/10.1371/journal.pclm.0000009 (2022).

Artículo de Google Scholar

Ahasan, M., Chowdhary, MA y Quadir, D. Variabilidad y tendencias de las lluvias monzónicas de verano en Bangladesh. J. hidrol. Meteorol. 7(1), 1–17. https://doi.org/10.3126/jhm.v7i1.5612 (2010).

Artículo de Google Scholar

Hasan, GMJ, Chowdhury, MAI y Ahmed, S. Análisis del comportamiento estadístico de la precipitación máxima diaria y promedio mensual junto con la variación de los días de lluvia en Sylhet, Bangladesh. IJEST 9(5), 559–578 (2014).

Google Académico

Mullick, MRA, Nur, MRM, Alam, MJ & Islam, KMA Observaron tendencias en temperatura y precipitaciones en Bangladesh utilizando un enfoque previo al blanqueamiento. Globo. Planeta. Cambio 172, 104–113. https://doi.org/10.1016/j.gloplacha.2018.10.001 (2019).

ADS del artículo Google Scholar

Drapela, K. & Drapelova, I. Aplicación de la prueba de Mann-Kendall y estimaciones de la pendiente de Sen para la detección de tendencias en datos de deposición de Bily Kriz (Beskydy Mts., República Checa) 1997–2010. Beskydy 4, 133-146 (2011).

Google Académico

Gocic, M. & Trajkovic, S. Análisis de cambios en variables meteorológicas utilizando pruebas estadísticas del estimador de pendiente de Mann-Kendall y Sen en Serbia. Globo. Planeta. Cambie 100, 172–182. https://doi.org/10.1016/j.gloplacha.2012.10.014 (2013).

ADS del artículo Google Scholar

Shahid, S. Tendencias recientes en el clima de Bangladesh. Subir. Res. 42 (3), 185-193. https://doi.org/10.3354/cr00889 (2010).

Artículo de Google Scholar

Rafiuddin, M., Uyeda, H. & Islam, MN Características de los sistemas de precipitación monzónica en Bangladesh y sus alrededores. En t. J. Climatol. 30(7), 1042–1055. https://doi.org/10.1002/joc.1949 (2010).

Artículo de Google Scholar

Shahid, S. Variabilidad de las precipitaciones y tendencias de los períodos húmedos y secos en Bangladesh. En t. J. Climatol. 30(15), 2299–2313. https://doi.org/10.1002/joc.2053 (2010).

Artículo de Google Scholar

Cannarozzo, M., Noto, LV y Viola, F. Distribución espacial de las tendencias de las precipitaciones en Sicilia (1921-2000). Física. Química. Tierra 31(18), 1201–1211. https://doi.org/10.1016/j.pce.2006.03.022 (2006).

ADS del artículo Google Scholar

Rasel, HM, Imteaz, MA y Mekanik, F. Enfoque de modelado de regresión múltiple para la predicción de precipitaciones utilizando índices climáticos a gran escala como predictores potenciales. En t. J. Agua 11(3), 209–225. https://doi.org/10.1504/IJW.2017.10006789 (2017).

Artículo de Google Scholar

Mekanik, F., Imteaz, MA y Talei, A. Pronóstico de precipitaciones estacionales mediante un sistema de inferencia difusa basado en redes adaptativas (ANFIS) que utiliza señales climáticas a gran escala. Subir. Din. 46(9), 3097–3111. https://doi.org/10.1007/s00382-015-2755-2 (2016).

Artículo de Google Scholar

Islam, F. & Imteaz, MA Un novedoso enfoque híbrido para predecir la variabilidad estacional de las precipitaciones en Australia Occidental. Recurso Acuático. Gestionar. 36(3649–3672), 2022. https://doi.org/10.1007/s11269-022-03219-9 (2022).

Artículo de Google Scholar

Islam, F. & Imteaz, MA Uso de teleconexiones para predecir las precipitaciones estacionales en el oeste de Australia utilizando el modelo ARIMAX. Hidrología 7(52), 2020. https://doi.org/10.3390/hidrología7030052 (2020).

Artículo de Google Scholar

Folland, C., Owen, J. y Ward, MN Predicción de las precipitaciones estacionales en la región del Sahel utilizando métodos empíricos y dinámicos. J. Pronóstico. 10, 21–56 (2002).

Artículo de Google Scholar

Basha, CZ, Bhavana, N., Bhavya, P. y Sowmya, V. Predicción de precipitaciones mediante técnicas de aprendizaje profundo de aprendizaje automático. En Proc. Conferencia internacional sobre electrónica y sistemas de comunicación sostenibles, ICESC 2020, ICESC, 92–97. https://doi.org/10.1109/ICESC48915.2020.9155896 (2020).

Ray, S. y col. Modelado y pronóstico de series temporales SARIMA de precipitaciones y temperaturas mensuales en los países del sur de Asia. ESEV https://doi.org/10.1007/s41748-021-00205-w (2021).

Artículo de Google Scholar

Ghamariadyan, M. & Imteaz, MA Predicción de precipitaciones estacionales con un año de antelación utilizando índices climáticos: un esquema de red neuronal wavelet. Recurso Acuático. Gestionar. 35, 5347–5365. https://doi.org/10.1007/s11269-021-03007-x (2021).

Artículo de Google Scholar

Islam, ARMT, Karim, MR & Mondol, MAH Evaluación de tendencias y pronóstico de variables hidroclimáticas en las regiones norte y noreste de Bangladesh. Teor. Aplica. Climatol. 143, 33–50. https://doi.org/10.1007/s00704-020-03411-0 (2021).

ADS del artículo Google Scholar

Mannana, A., Chowdhury, AM y Karmakar, S. Predicción de largo y corto plazo de precipitaciones y días de lluvia en la parte noroeste de Bangladesh durante la temporada de monzones. En Proc. Conferencia internacional sobre tecnología y desarrollo sostenible de la física (ICPSDT-2015), 47 a 53 de diciembre. (2015).

Rahman, MA, Kamal, SMM y Billah, MM Predicción y tendencias de la variabilidad de las precipitaciones en Bangladesh. Ciencia. J. Aplica. Matemáticas. Estadística. 5(1), 54 (2017).

Artículo de Google Scholar

Hernández, E., Sanchez-Anguix, V., Julian, V., Palanca, J. & Duque, N. Predicción de precipitaciones: un enfoque de aprendizaje profundo. Apuntes de conferencias sobre informática, 151–162. https://doi.org/10.1007/978-3-319-32034-2_13 (2016).

Mekanik, F., Imteaz, M., Gato-Trinidad, S. & Elmahdi, A. Regresión múltiple y red neuronal artificial para el pronóstico de precipitaciones a largo plazo utilizando modos climáticos a gran escala. J. hidrol. 503, 11-21. https://doi.org/10.1016/j.jhidrol.2013.08.035 (2013).

ADS del artículo Google Scholar

Rizvee, MA, Arju, AR, Al-Hasan, M., Tareque, SM y Hasan, MZ Previsión meteorológica para la región noroeste de Bangladesh: un enfoque de aprendizaje automático, en Proc. 11.ª Conferencia Internacional sobre Tecnologías de Computación, Comunicaciones y Redes (ICCCNT), Kharagpur, India, 2020, págs. 1–6, https://doi.org/10.1109/ICCCNT49239.2020.9225389 (2020).

Darji, MP, Dabhi, VK y Prajapati, HB Previsión de precipitaciones mediante redes neuronales: una encuesta. En Proc. Actas de la conferencia: Conferencia internacional de 2015 sobre avances en ingeniería y aplicaciones informáticas, ICACEA 2015, 706–713. https://doi.org/10.1109/ICACEA.2015.7164782 (2015).

Trivedi, SK & Dey, S. Efecto de los métodos de selección de funciones en clasificadores de aprendizaje automático para detectar correo no deseado. En Proc. 2013 Investigación en sistemas adaptativos y convergentes, RACS 2013, septiembre de 2016, 35–40. https://doi.org/10.1145/2513228.2513313 (2013).

Zhang, X. y col. Modelado de predicción de lluvias anuales y no monzónicas utilizando SVR-MLP: un estudio empírico de Odisha. Acceso IEEE 8, 30223–30233. https://doi.org/10.1109/ACCESS.2020.2972435 (2020).

Artículo de Google Scholar

Liu, Q., Zou, Y., Liu, X. y Linge, N. Una encuesta sobre pronóstico de lluvias utilizando redes neuronales artificiales. En t. J. Incrustar. Sistema. 11(2), 240–249. https://doi.org/10.1504/IJES.2019.098300 (2019).

Artículo de Google Scholar

Hossain, I., Rasel, HM, Imteaz, MA y Mekanik, F. Pronóstico de lluvias estacionales a largo plazo utilizando enfoques de modelado lineal y no lineal: un estudio de caso para Australia Occidental. Meteorol. Atmos. Física. 132(1), 131–141. https://doi.org/10.1007/s00703-019-00679-4 (2020).

ADS del artículo Google Scholar

Samantaray, S., Tripathy, O., Sahoo, A. & Ghose, DK Pronóstico de precipitaciones a través de ANN y SVM en la cuenca de Bolangir, India. En Proc. Computación inteligente y aplicaciones 767–774. https://doi.org/10.1007/978-981-13-9282-5_74 (2020).

Abhishek, K., Kumar, A., Ranjan, R. y Kumar, S. Un modelo de predicción de lluvias que utiliza una red neuronal artificial. En Proc. Coloquio de investigación de posgrado sobre sistemas y control del IEEE de 2012, ICGSRC 2012, febrero de 2016, 82–87. https://doi.org/10.1109/ICSGRC.2012.6287140 (2012).

Soleymani, SA Un método novedoso para la predicción del nivel del agua utilizando RBF y FFA. Recurso Acuático. Gestionar. 30(9), 3265–3283. https://doi.org/10.1007/s11269-016-1347-1 (2016).

Artículo de Google Scholar

Azad, MAK et al. Cambios en los patrones de precipitación monzónica en Bangladesh y sus teleconexiones con el clima global. Teor. Aplica. Climatol. 148, 1261-1278. https://doi.org/10.1007/s00704-022-03996-8 (2022).

ADS del artículo Google Scholar

Das, S., Kamruzamman, M. & Islam, ARMT Evaluación de cambios característicos de la estimación regional de precipitaciones extremas bajo el cambio climático: un estudio de caso en una región monzónica tropical con las proyecciones climáticas del modelo CMIP6. J. Hidrol 610, 128002. https://doi.org/10.1016/j.jhydrol.2022.128002 (2022).

Artículo de Google Scholar

Rahman, MN, Rony, MRH y Jannat, FA Evaluación espaciotemporal de la tendencia de la sequía durante 1979-2019 en siete zonas climáticas de Bangladesh. Heliyon 7(11), 1–11. https://doi.org/10.1016/j.heliyon.2021.e08249 (2021).

Artículo de Google Scholar

Ahmed, R. y Mohanta, SC Temporada. Bangladeshpedia. https://en.banglapedia.org/index.php/Season (2021).

Gao, Y. et al. Cambios en los extremos climáticos diarios en Loess Plateau durante 1960-2013. Cuat. En t. 371(1), 5–21. https://doi.org/10.1016/j.quaint.2014.08.052 (2015).

Artículo de Google Scholar

Piyoosh, AK & Ghosh, SK Efecto de la autocorrelación sobre las tendencias temporales de las precipitaciones en una región de valle en las estribaciones del Himalaya indio. Estoco. Reinar. Res. Evaluación de riesgos. 31(8), 2075–2096. https://doi.org/10.1007/s00477-016-1347-y (2017).

Artículo de Google Scholar

van Buuren, S. Imputación múltiple de datos discretos y continuos mediante especificación totalmente condicional. Estadística. Métodos Med. Res. 16(3), 219–242. https://doi.org/10.1177/0962280206074463 (2007).

Artículo MathSciNet PubMed MATH Google Scholar

Grubbs, FE Criterios de muestra para probar observaciones alejadas. Ana. Matemáticas. Estadística. 21(1), 27–58. https://doi.org/10.1214/aoms/1177729885 (1950).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Zhang, C. Fundamentos del muestreo y análisis ambiental (Wiley, 2007).

Reservar Google Académico

Wilks, DS Métodos estadísticos en las ciencias atmosféricas vol. 100 (Prensa Académica, 2011).

Google Académico

Kramer, W. Prueba de Durbin-Watson. En: Lovric, M. (eds) Enciclopedia internacional de ciencia estadística. Springer, Berlín, Heidelberg. https://doi.org/10.1007/978-3-642-04898-2_219 (2011).

Patakamuri, SK, Muthiah, K. & Sridhar, V. Análisis de homogeneidad, tendencias y puntos de cambio a largo plazo de las precipitaciones en el distrito árido de Ananthapuramu, estado de Andhra Pradesh, India. Agua https://doi.org/10.3390/w12010211 (2020).

Artículo de Google Scholar

Alexandersson, H. Una prueba de homogeneidad aplicada a datos de precipitación. J. Climatol. 6, 661–675. https://doi.org/10.1002/joc.3370060607 (1986).

Artículo de Google Scholar

Alexandersson, H. & Moberg, A. Homogeneización de datos de temperatura suecos. Parte I: Prueba de homogeneidad para tendencias lineales. En t. J. Climatol. 17, 25-34 (1997).

3.0.CO;2-J" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0088%28199701%2917%3A1%3C25%3A%3AAID-JOC103%3E3.0.CO%3B2-J" aria-label="Article reference 99" data-doi="10.1002/(SICI)1097-0088(199701)17:13.0.CO;2-J">Artículo de Google Scholar

Von Neumann, J. Distribución de la relación entre la diferencia sucesiva del cuadrado medio y la varianza. Ana. Matemáticas. Estadística. 12, 367–395. https://doi.org/10.1214/aoms/1177731677 (1941).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Khaliq, MN & Ouarda, TBMJ Sobre los valores críticos de la prueba estándar de homogeneidad normal (SNHT). En t. J. Climatol. 27, 681–687. https://doi.org/10.1002/joc.1438 (2007).

Artículo de Google Scholar

Monir, MM, Sarker, SC & Islam, MN Evaluación de las tendencias cambiantes del nivel del agua subterránea con escala espaciotemporal en la parte norte de Bangladesh integrando los modelos MAKESENS y ARIMA. Modelo. Sistema Tierra. Reinar. https://doi.org/10.1007/s40808-023-01794-3 (2023).

Artículo de Google Scholar

Wang, XL, Wen, QH y Wu, Y. Prueba t máxima penalizada para detectar cambios medios no documentados en series de datos climáticos. JAMC 46(6), 916–931. https://doi.org/10.1175/jam2504.1 (2007).

Artículo de Google Scholar

Miao, L., Jun, X. y Dejuan, M. Análisis de tendencias a largo plazo de las precipitaciones estacionales para Beijing, China. JRE 3(1), 64–72. https://doi.org/10.5814/j.issn.1674-764x.2012.01.010 (2012).

Artículo de Google Scholar

Pandit, DV Análisis de la tendencia de las precipitaciones estacionales. En t. J. Ing. Res. Aplica. 6(7), 69–73 (2016).

MathSciNetGoogle Académico

Monir, MM et al. Fluctuaciones del nivel del agua subterránea y factores de influencia asociados en el distrito de Rangpur, Bangladesh, utilizando la técnica AHP modificada de Mann-Kendall y basada en SIG. Teor. Aplica. Climatol. https://doi.org/10.1007/s00704-023-04541-x (2023).

Artículo de Google Scholar

Shahid, S., Harun, SB y Katimon, A. Cambios en el rango de temperatura diurna en Bangladesh durante el período 1961-2008. Cajero automático. Res. 118, 260–270. https://doi.org/10.1016/j.atmosres.2012.07.008 (2012).

Artículo de Google Scholar

Sen, PK Estimaron el coeficiente de regresión basándose en la Tau de Kendall. JASA 63(324), 1379–1389 (1968).

Artículo MATEMÁTICAS Google Scholar

Kendall, métodos de correlación de rangos de MG (Charles Griffin, 1975).

Google Académico

Mann, HB Pruebas no paramétricas contra tendencia. J. Economía. 13(3), 245–259 (1945).

MathSciNet MATEMÁTICAS Google Scholar

Anand, B., Karunanidhi, D., Subramani, T., Srinivasamoorthy, K. & Suresh, M. Detección de tendencias a largo plazo y análisis espaciotemporal de los niveles de agua subterránea utilizando técnicas SIG en la cuenca baja del río Bhavani, Tamil Nadu, India. J. Medio Ambiente. Desarrollo. Sostener. 22(4), 2779–2800. https://doi.org/10.1007/s10668-019-00318-3 (2020).

Artículo de Google Scholar

Pettitt, AN Un enfoque no paramétrico al problema del punto de cambio. Estadística JR. Soc. Ser. C (Estatutos de aplicación) 28(2), 126–135. https://doi.org/10.2307/2346729 (1979).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Zhang, S. & Lu, XX Respuestas hidrológicas a la variación de las precipitaciones y diversas actividades humanas en un afluente montañoso del bajo Xijiang, China. CATENA 77(2), 130–142. https://doi.org/10.1016/j.catena.2008.09.001 (2009).

Artículo de Google Scholar

McGilchrist, CA y Woodyer, KD Nota sobre una técnica de cusum sin distribución. Tecnometría 17, 321–325. https://doi.org/10.1080/00401706.1975.10489335 (1975).

Artículo MATEMÁTICAS Google Scholar

Serinaldi, F., Chebana, F. y Kilsby, CG Análisis de tendencias innovadoras. Estoco. Reinar. Res. Evaluación de riesgos. 34(5), 733–754. https://doi.org/10.1007/s00477-020-01797-x (2020).

Artículo de Google Scholar

Alifujiang, Y., Abuduwaili, J., Maihemuti, B., Emin, B. & Groll, M. Análisis innovador de tendencias de precipitación en la cuenca del lago Issyk-Kul, Kirguistán. Atmósfera 11(4), 1–16. https://doi.org/10.3390/atmos11040332 (2020).

Artículo de Google Scholar

Şen, Z. Metodología innovadora de análisis de tendencias. J. hidrol. Ing. 17(9), 1042–1046. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000556 (2012).

Artículo de Google Scholar

Ay, M. & Kisi, O. Investigación del análisis de tendencias de la precipitación total mensual mediante un método innovador. Teor. Aplica. Climatol. 120(3–4), 617–629. https://doi.org/10.1007/s00704-014-1198-8 (2015).

ADS del artículo Google Scholar

Sen, Z. Simulación y aplicación de identificación de tendencias. J. hidrol. Ing. 19(3), 635–642. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000811 (2014).

Artículo de Google Scholar

Wu, H. & Qian, H. Análisis innovador de tendencias de precipitaciones anuales y estacionales y valores extremos en Shaanxi, China, desde la década de 1950. En t. J. Climatol. 37(5), 2582–2592. https://doi.org/10.1002/joc.4866 (2017).

Artículo de Google Scholar

Chattopadhyay, S. & Chattopadhyay, G. Un estudio comparativo entre diferentes algoritmos de aprendizaje de redes neuronales aplicados a series temporales de precipitaciones. Meteorol. Aplica. 15(2), 273–280. https://doi.org/10.1002/met.71 (2008).

ADS del artículo Google Scholar

Chen, J., Zhang, H., Qian, H., Wu, J. y Zhang, X. Selección del método adecuado para la interpolación de aguas subterráneas según la correlación espacial. En Proc. 4ta Conferencia Internacional sobre Automatización y Fabricación Digital. 9(13), 1192-1195. https://doi.org/10.1109/icdma.2013.282 (2013).

Islam, MN y Uyeda, H. Variaciones verticales de la intensidad de la lluvia en diferentes períodos de lluvia en Bangladesh y sus alrededores derivadas de observaciones del TRMM. En t. J. Climatol. https://doi.org/10.1002/joc.1585 (2008).

Artículo de Google Scholar

Shahid, S. & Khairulmaini, OS Variabilidad espacio-temporal de las precipitaciones en Bangladesh durante el período 1969-2003. APJAS 45, 375–389 (2009).

Google Académico

Banco Mundial, Portal de conocimientos sobre el cambio climático. Clima actual. https://climateknowledgeportal.worldbank.org/country/bangladesh/climate-data-historical, (2023).

Singh, OP Relaciones causa-efecto entre la temperatura de la superficie del mar, las precipitaciones y el nivel del mar a lo largo de la costa de Bangladesh. Teor. Aplica. Climatol. 68, 233–243. https://doi.org/10.1007/s007040170048 (2001).

ADS del artículo Google Scholar

Wahiduzzaman, M. Conexión ENSO con las lluvias monzónicas sobre Bangladesh. En t. J. Aplica. Ciencia. Ing. Res. 1(1), 26–38. https://doi.org/10.6088/ijaser.0020101003 (2012).

Artículo de Google Scholar

Musabbir, M. y col. Variabilidad espaciotemporal de la erosividad de las precipitaciones y su teleconexión con la circulación atmosférica en una región climática impulsada por los monzones. CATENA 221, 106762. https://doi.org/10.1016/j.catena.2022.106762 (2023).

Artículo de Google Scholar

Ahmed, R. & Karmakar, S. Fechas de llegada y retirada del monzón de verano en Bangladesh. En t. J. Climatol. 13, 727–740. https://doi.org/10.1002/joc.3370130703 (1993).

Artículo de Google Scholar

Hussain, AM & Sultana, N. Distribución de las precipitaciones en las estaciones de Bangladesh durante los meses del monzón en ausencia de depresiones y tormentas ciclónicas. Mausam 47, 339–348 (1996).

Artículo de Google Scholar

Kripalani, RH, Inamdar, S. & Sontakke, NA Variabilidad de las precipitaciones en Bangladesh y Nepal: comparación y conexiones con características de la India. En t. J. Climatol. 16, 689–703 (1996).

3.0.CO;2-K" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0088%28199606%2916%3A6%3C689%3A%3AAID-JOC36%3E3.0.CO%3B2-K" aria-label="Article reference 131" data-doi="10.1002/(SICI)1097-0088(199606)16:63.0.CO;2-K">Artículo de Google Scholar

Shahfahad Aplicación de técnicas avanzadas de análisis de tendencias con enfoque de agrupación para analizar la tendencia de las precipitaciones e identificar regiones de precipitaciones homogéneas en la ciudad metropolitana de Delhi, Environ. Ciencia. Contaminación. Res. https://doi.org/10.1007/s11356-022-22235-1 (2022).

Pradhan, RK, Sharma, D., Panda, SK, Dubey, SK y Sharma, A. Cambios en el régimen de precipitaciones y sus índices en el estado de Rajasthan de la India: impacto de los experimentos de escenarios de cambio climático. Subir. Din. 52(5–6), 3405–3420. https://doi.org/10.1007/s00382-018-4334-9 (2019).

Artículo de Google Scholar

Sharma, A., Sharma, D. & Panda, SK Evaluación de la tendencia espaciotemporal de los índices de precipitación y las características de la sequía meteorológica en la cuenca del río mahi, India. J. hidrol. 605, 127314 (2022).

Artículo de Google Scholar

Shahid, S. & Hazarika, MK Sequía de aguas subterráneas en los distritos del noroeste de Bangladesh. Recurso Acuático. Gestionar. 24, 1989-2006. https://doi.org/10.1007/s11269-009-9534-y (2010).

Artículo de Google Scholar

Rasel, HM y cols. Futuros sostenibles en el patrimonio agrícola: exploración geoespacial y predicción de variaciones del nivel de las aguas subterráneas en la zona de Barind de Bangladesh. Ciencia. Medio ambiente total. https://doi.org/10.1016/j.scitotenv.2022.161297 (2023).

Artículo PubMed PubMed Central Google Scholar

Vu, HL, Ng, KTW, Richter, A. & An, C. Análisis de las características y variaciones del conjunto de entradas en la validación cruzada de k veces para un modelo de red neuronal recurrente sobre la estimación de la tasa de eliminación de residuos. J. Medio Ambiente. Gestionar. https://doi.org/10.1016/j.jenvman.2022.114869 (2022).

Artículo de Google Scholar

Islam, HMT y otros. Los cambios espaciotemporales y las modulaciones de los índices climáticos extremos en la región climática dominada por los monzones se vinculan con la oscilación atmosférica a gran escala. Atmos. Res. 264, 105840 (2021).

Artículo de Google Scholar

Comité de Trabajo de la ASCE sobre la aplicación de redes neuronales artificiales en hidrología. Redes neuronales artificiales en hidrología II: Aplicación hidrológica. J. Hidro. Ing. 5(2), 124-137. https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(124) (2000).

Lins, ID, Droguett, EL, Moura, MC, Zio, E. y Jacinto, CM Cálculo de intervalos de confianza y predicción de la degradación de equipos industriales mediante regresión de vectores de soporte con arranque. Confiable. Ing. Sistema. Seguro. 137, 120-128 (2015).

Artículo de Google Scholar

Wan, C., Xu, Z., Wang, Y., Dong, ZY & Wong, KP Un enfoque híbrido para el pronóstico probabilístico del precio de la electricidad. Traducción IEEE. Red inteligente 5(1), 463–470 (2014).

Artículo de Google Scholar

Ma, JW y cols. Pronóstico probabilístico del desplazamiento de deslizamientos de tierra que tiene en cuenta la incertidumbre epistémica: un estudio de caso en el área del embalse de las Tres Gargantas, China. Deslizamientos de tierra 15, 1145-1153 (2018).

Artículo de Google Scholar

Endalie, D., Haile, G. y Taye, W. Modelo de aprendizaje profundo para la predicción de precipitaciones diarias: estudio de caso de Jimma, Etiopía. Suministro de agua 22(3), 3448–3461 (2022).

Artículo de Google Scholar

Venkata Ramana, R., Krishna, B., Kumar, SR y Pandey, NG Predicción de lluvia mensual mediante análisis de redes neuronales wavelet. Recurso Acuático. Gestionar. 27(10), 3697–3711 (2013).

Artículo de Google Scholar

Velasco, LCP, Serquiña, RP, Zamad, AMSA, Juanico, BF & Lomocso, JC Predicción de lluvia semanal utilizando red neuronal perceptrón multicapa. Proc. Computadora. Ciencia. 161, 386–397 (2019).

Artículo de Google Scholar

Wu, X. y col. Pronóstico de precipitaciones a largo plazo basado en fluctuaciones multipolares y precedentes de la temperatura de la superficie del mar. En t. J. Climatol. 42(15), 8024–8039. https://doi.org/10.1002/joc.7690 (2022).

Artículo de Google Scholar

Zhu, G. y col. Los isótopos de las precipitaciones tienen una señal de cambio climático en la árida Asia Central. Planeta global. Chang. 225, 104103. https://doi.org/10.1016/j.gloplacha.2023.104103 (2023).

Artículo de Google Scholar

Gao, C., Hao, M., Chen, J. & Gu, C. Simulación y diseño de distribución conjunta de lluvia y nivel de marea en la región de Wuchengxiyu, China. Clima urbano. 40, 101005 (2021).

Artículo de Google Scholar

Descargar referencias

Este trabajo cuenta con el apoyo financiero del Decanato de Investigación Científica de la Universidad Rey Faisal, Arabia Saudita [Subvención 3.679]. Realmente agradecemos al editor y a los revisores anónimos por mejorar la calidad del manuscrito. Agradecemos al Departamento Meteorológico de Bangladesh (BMD) por proporcionar el conjunto de datos de lluvia utilizado en este estudio. También agradecemos al Ministerio de Ciencia y Tecnología de Bangladesh por brindar apoyo adicional durante este trabajo.

Departamento de Geografía y Ciencias Ambientales, Universidad Begum Rokeya, Rangpur, Bangladesh

Maryland. Moniruzzaman Monir, Md. Rokonuzzaman y Subaran Chandra Sarker

Facultad de Resiliencia, Academia Rabdan, 22401, Abu Dabi, Emiratos Árabes Unidos

Edris Alam

Departamento de Geografía y Estudios Ambientales, Universidad de Chittagong, Chittagong, 4331, Bangladesh

Edris Alam

Departamento de Ingeniería Civil y Ambiental, Facultad de Ingeniería, Universidad Rey Faisal, 31982, Al Hofuf, AlAhsa, Arabia Saudita

Maryland. Islam Kamrul

Departamento de Gestión de Desastres, Universidad Begum Rokeya, Rangpur, 5400, Bangladesh

Abu Reza Md. Islam Towfiqul

Departamento de Estudios de Desarrollo, Universidad Internacional Daffodil, Dhaka, 1216, Bangladesh

Abu Reza Md. Islam Towfiqul

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

MMM: Metodología, Investigación, toma y preparación de muestras. MR: Metodología, Validación, SCS: Conceptualización, Redacción—preparación del borrador original, Redacción—revisión y edición, Supervisión. MMM: análisis de muestras, curación e interpretación de datos. MR: Preparación, revisión y edición del borrador original. EA, MKI y ARMTI: revisión y edición. Todos los autores leyeron y aprobaron el manuscrito final.

Correspondencia a Subaran Chandra Sarker o Abu Reza Md. Islam towfiqul.

Los autores afirman que no conocen conflictos financieros o interpersonales que hubieran parecido tener un impacto en la investigación presentada en este estudio.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Monir, MM, Rokonuzzaman, M., Sarker, SC et al. Análisis espaciotemporal y predicción de tendencias de precipitaciones en un país dominado por monzones tropicales utilizando MAKESENS y técnicas de aprendizaje automático. Informe científico 13, 13933 (2023). https://doi.org/10.1038/s41598-023-41132-2

Descargar cita

Recibido: 11 de junio de 2023

Aceptado: 22 de agosto de 2023

Publicado: 25 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-41132-2

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.