Raumzeitliche Analyse und Vorhersage von Niederschlagstrends in einem tropischen Monsun

Scientific Reports Band 13, Artikelnummer: 13933 (2023) Diesen Artikel zitieren

526 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die räumlich-zeitliche Niederschlagstrendanalyse als Indikator für den Klimawandel liefert wichtige Informationen für eine verbesserte Wasserressourcenplanung. Allerdings ist das räumlich-zeitliche Veränderungsverhalten von Niederschlägen in einem vom tropischen Monsun dominierten Land wie Bangladesch weitaus weniger verstanden. Zu diesem Zweck zielt diese Forschung darauf ab, räumlich-zeitliche Schwankungen der Niederschläge für den Zeitraum 1980–2020 in Bangladesch auf saisonaler und monatlicher Ebene mit MAKESENS, dem Pettitt-Test und innovativer Trendanalyse zu analysieren. Mithilfe eines neuronalen Netzwerks mit Multilayer-Perception (MLP) wurden landesweite Niederschlagsänderungen in Bangladesch für die nächsten acht Jahre vorhergesagt. Um das räumliche Muster der Niederschlagstrends zu untersuchen, wurde das inverse Distanzgewichtungsmodell in die ArcGIS-Umgebung übernommen. Die Ergebnisse zeigen, dass die durchschnittliche jährliche Niederschlagsmenge 2432,6 mm beträgt, wovon 57,6 % von Juli bis August registriert wurden. Der Mann-Kendall-Trendtest zeigt, dass 77 % der Stationen einen Rückgang und 23 % einen steigenden Trend bei den monatlichen Niederschlägen verzeichnen. Mehr als 80 % der Bahnhöfe sind von November bis März und August einem rückläufigen Trend ausgesetzt. An 82 % der Stationen ist während des Vormonsuns, bei 75 % während des Monsuns und bei 100 % während des Nachmonsuns ein rückläufiger Trend für saisonale Niederschläge zu verzeichnen. Ein deutlicher Rückgangstrend wurde im nördlichen Zentrum während des Vormonsuns, im nördlichen Teil während des Monsuns und im südlichen und nordwestlichen Teil während der Nachmonsunzeit festgestellt. Die vom MLP bis 2030 vorhergesagten Niederschläge deuten darauf hin, dass es von November bis Februar wenig Regen geben wird und dass die maximalen schwankenden Niederschläge in den Jahren 2025 und 2027–2029 auftreten werden. Die Ergebnisse der erneuten Analyse der ERA5-Daten des ECMWF deuten darauf hin, dass veränderte Niederschlagsmuster in Bangladesch möglicherweise durch steigende oder abnehmende konvektive Niederschlagsraten, geringe Wolkendecke und unzureichende vertikal integrierte Feuchtigkeitsdivergenz verursacht wurden. Angesichts der Verknappung der Wasserressourcen und des erwarteten Anstiegs der Wassernachfrage haben die Ergebnisse der Studie einige Auswirkungen auf die Bewirtschaftung der Wasserressourcen in Bangladesch.

Bangladesch ist ein vom tropischen Monsun dominiertes Land mit einem feuchten Klima, das durch starke Monsunniederschläge und weniger Niederschläge im Rest des Jahres gekennzeichnet ist. Dieses Land ist in erster Linie eine Agrarwirtschaft, in der etwa 80 % (145 Millionen) seiner Bevölkerung direkt oder indirekt in verschiedenen landwirtschaftlichen Tätigkeiten tätig sind1,2,3. Infolgedessen sind die Auswirkungen klimatischer Schwankungen und Veränderungen auf die wirtschaftliche Expansion und die Ernährungssicherheit des Landes erheblich4,5. Niederschlag hat als hydrologischer Parameter eine große Bedeutung, ist ein wesentliches Merkmal des Klimawandels und hat erhebliche Auswirkungen auf die Nahrungsmittelproduktion, Ernte, Humanressourcen und die natürliche Umwelt6. Für die Aufrechterhaltung eines angemessenen Wassermanagementsystems sind relevante und wesentliche Niederschlagsinformationen wie tägliche, wöchentliche und monatliche Bewertungen erforderlich7,8. Die historische Niederschlagstrendanalyse kann Vorhersagen treffen9. Die Niederschlagsvorhersage ist ein ernstes Anliegen, das in der Regierung und in der wissenschaftlichen Forschung von großer Bedeutung ist und eine wichtige Rolle beim Schutz von Menschenleben und Ressourcen spielt10; und trägt auch zum Wasserressourcenmanagement, zur Produktion von Wasserkraft, zur Warnung vor Überschwemmungen und Dürren sowie zu städtischen Abwassersystemen bei11,12.

Seit den 1950er Jahren hat das globale Klimasystem beispiellose Veränderungen erlebt, und es ist heute nicht mehr zu leugnen, dass die globale Erwärmung Auswirkungen auf das Klima hat13. Es gibt viele verschiedene zeitliche und geografische Skalen, auf denen Niederschlagsvariabilität als Bestandteil des Klimawandels auftritt. Weltweite Studien haben eine zunehmende Niederschlagsvariabilität auf globaler Ebene14,15 und auf dem indischen Subkontinent, einschließlich Indien16 und Pakistan17,18, gezeigt. Viele Studien19,20,21 haben die raumzeitlichen Niederschlagsmuster in Klimazonen auf der ganzen Welt untersucht22,23,24,25. Einige Untersuchungen wurden auf halbregionaler Ebene der Niederschlagsvariabilität durchgeführt26,27,28,29. In den letzten 100 Jahren hat die Niederschlagsmenge auf der Erde um etwa 2 % zugenommen14, allerdings verlief das Wachstum laut IPCC30 zeitlich und räumlich stets ungleichmäßig. Zunehmende Niederschläge wurden insbesondere im Nahen Osten, in Zentralasien31, in der Region Brasilien, im östlichen Teil Amerikas und Kanadas sowie in Nordeuropa32,33 und Australien34 festgestellt. Ren et al. 35 Obwohl für die jährliche durchschnittliche Niederschlagsmenge auf dem tibetischen Plateau in China beobachtet, wurden in den letzten Jahrzehnten ähnliche Trends beobachtet, das gleiche Muster auch in Indien33,36, im Nordwesten Pakistans17,18 und im Gebiet des Wirtschaftskorridors China-Pakistan37. Allerdings ist im Einzugsgebiet des Gelben Flusses, in China38, im Mittelmeerraum29 und im Iran ein Rückgang der durchschnittlichen Jahresniederschläge zu verzeichnen19. Einer wachsenden Zahl früherer Untersuchungen zufolge wurde in Bangladesch in letzter Zeit ein deutlich steigender Trend bei den jährlichen, Monsun- und Vormonsunniederschlägen festgestellt39,40,41. In den letzten Jahrzehnten sind zusätzliche Untersuchungen in den westlichen und nordwestlichen Regionen zurückgegangen7,42. Darüber hinaus stellten Hossain et al.43 einen zunehmenden Trend bei der durchschnittlichen jährlichen Niederschlagsmenge im südlichen Küstengebiet von Bangladesch fest. Rahman und Islam44 behaupten, dass es bei den Niederschlägen große regionale und zeitliche Unterschiede gebe. Nach Angaben der Water Resources Planning Organization45,46 werden die Monsunniederschläge bis zum Jahr 2100 um 12 % zunehmen, während die Winterniederschläge in Bangladesch um 10 % zurückgehen werden. Darüber hinaus prognostizieren Basak et al.47 einen Ertragsrückgang zwischen 3,3 und 24,2 % und einen Rückgang der Winterniederschläge um 10 mm. Bestimmten Studien zufolge kann es in Bangladeschs Jahreszeiten zu langfristigen Schwankungen der Niederschläge kommen7,48,49.

In den letzten Jahren wurden mehrere Studien zu Niederschlagstrends auf der ganzen Welt17,26,29,31,50,51,52 und in Bangladesch40,42,43,53,54 durchgeführt. Die meisten Studien verwendeten den einfachen linearen Trend55, den Mann-Kendall-Test33,40, die Rho-Tests von Mann-Kendall und Spearman17,46, den Rangtest von Spearman23 und den Pre-Whitening-Ansatz57, um den Niederschlagstrend zu erkennen. Die Kombination des Mann-Kendall-Tests und der Sen's Slope Estimator (MAKESENS)-Technik eignet sich jedoch am besten zur Erkennung von Niederschlagstrends27,58,59. In der vorliegenden Studie wurden der Mann-Kendall-Test und das Steigungsschätzverfahren von Sen verwendet, um den Trend bei den Niederschlägen zu ermitteln. Die früheren Studien konzentrierten sich auf mehrere Teile Bangladeschs, wie den nördlichen Teil42, die Südwestküste43,53 und die östliche Sylhet-Region56. Die vorliegende Studie wurde jedoch über Bangladesch durchgeführt und untersuchte Niederschlagsdaten von 28 Wetterstationen. Frühere Studien untersuchten weniger Wetterstationsdaten (z. B. 12 Wetterstationsdaten von Endo et al.40, 15 Wetterstationen von Rahman et al. im Jahr 201746 und 17 Wetterstationen von Shahid im Jahr 201060). Nur wenige neuere Arten von Forschung haben dies getan verwendeten verschiedene Zeitrahmen für verschiedene Stationen54. Die früheren Studien analysierten den Niederschlagstrend für einige Teile des Jahres, einschließlich der Monsunzeit39,55,61, der Vor- und Monsunzeit40 sowie der Vor- und Nachmonsunzeit62. Diese Studie untersuchte jedoch die jährlichen Niederschlagstrends mit der Zeit vor dem Monsun, dem Monsun und nach dem Monsun. Die meisten früheren Studien wurden auf jährlichen und saisonalen Skalen durchgeführt26,50. Nur wenige Studien haben monatliche Niederschlagstrends analysiert23. In Bangladesch liegt jedoch kein Schwerpunkt auf einer umfassenden Studie auf monatlichen Niederschlägen. Außerdem hat keine frühere Studie die räumlich-zeitlichen Niederschlagstrends in Bangladesch wie andere Studien weltweit bewertet36,63. Um diese Lücke zu schließen, untersuchte diese vorliegende Studie räumlich-zeitliche Niederschlagstrends auf monatlicher und saisonaler Ebene. Der Großteil der bisherigen Forschung zur Niederschlagsvorhersage nutzte die lineare Regression64, das Adaptive Neuro-Fuzzy Inference System (ANFIS)65, den genetischen Algorithmus (GA)66, den Mann-Kendall-Test, den Deep-Learning-Ansatz, das Feed Forward Neural Network (FFNN), empirische und dynamische Methoden Methoden und autoregressiver integrierter gleitender Durchschnitt (ARIMA)10,11,46,67,68,69,70. Einige innovative Strategien wurden in den letzten Jahren häufig eingesetzt: Wavelet-Transformationen, neuronale Netzwerke mit gekoppelten Wavelets71, genetische Algorithmen und Unsicherheitsanalyse für die Niederschlagsvorhersage9. Verschiedene Studien konzentrieren sich auf die Niederschlagsvorhersage in Bangladesch unter Verwendung verschiedener maschineller Lernmodelle wie ARIMA46,72, Weather Research and Forecast (WRF)-Modell73 und Regressionsanalyse74. Diese Studien konzentrieren sich auf saisonale Niederschläge, nicht auf monatliche Niederschläge. Die Niederschlagsmenge schwankt normalerweise jährlich und zu verschiedenen Zeiten aufgrund jahreszeitlicher Schwankungen. In der Zeitreihenforschung zeigt die Niederschlagsmengengrafik Schwankungen13. Die Vorhersage von Niederschlägen ist aufgrund der mehrdimensionalen und nichtlinearen Eigenschaften des Niederschlags eine Herausforderung6,10,11. Diese Ansätze prognostizieren Regen basierend auf seiner Trendnatur. Frühere Studien prognostizieren Regenfälle für 10–15 Jahre auf der Grundlage von Zeitreihen-Niederschlagsdaten27,70. Künstliche neuronale Netze (ANN) sind eine inverse traditionelle meteorologische Vorhersagemethode, die auf selbstadaptiven Mechanismen75 basiert. ANN kann aufgrund seiner schwankenden Natur Niederschläge vorhersagen76. Für eine leistungsstarke Wettervorhersage werden künstliche neuronale Netze eingesetzt 77. Obwohl nur wenige Studien ANN-Techniken zur Niederschlagsvorhersage verwendeten, konzentrieren sie sich nur auf saisonale Niederschläge11,27,78. Banik et al.11 verwendeten die ANN-Technik zur Vorhersage von Niederschlägen in Bangladesch, jedoch nur für Monsunniederschläge. Das mit der BP-Technik trainierte Multilayer-Perzeptron (MLP) ist das am häufigsten verwendete KNN-Design in der hydrologischen Modellierung139. Um diese Lücke zu schließen, verwendete die vorliegende Studie das Multi-Layer-Perception-Modell (MLP) der ANN-Technik, um monatliche und saisonale Niederschläge (vor dem Monsun, Monsun und nach dem Monsun) in Bangladesch vorherzusagen. Das MLP-Modell von ANN kann sowohl niedrige Spitzen- als auch hohe Niederschlagswerte sowie extrem nichtlineare Niederschlagsdaten verarbeiten79,80. Die Verwendung von MLP-basiertem ANN zur Niederschlagsvorhersage liefert konsistente Ergebnisse10,81,82,83. Bei mehr als 48 Eingaben liefert das MLP-Modell genauere Ergebnisse84,85. Das MLP-Modell von ANN wird häufig zur Vorhersage von Niederschlägen für mehr als 15 Jahre verwendet27.

Basierend auf der oben genannten Diskussion waren die Besonderheiten der räumlichen Verteilung und der zeitlichen Niederschläge in Bangladesch bisher noch nicht Gegenstand einer Untersuchung. Die grundlegende Einschränkung ist die unzureichende Abdeckung durch meteorologische Stationen oder das Fehlen vielfältiger Datenquellen der früheren Forschung. Obwohl bereits mehrere Studien7,49,62,86 die regionalen Niederschlagsschwankungen in Bangladesch in den letzten Jahrzehnten analysiert haben, wurde keine umfassende Studie durchgeführt, um die Trendanalyse in ganz Bangladesch zu ermitteln. Für die verschiedenen Regionen Bangladeschs berücksichtigten die früheren Untersuchungen ausschließlich den MK-Test und Methoden zur Erkennung von Änderungspunkten unter Verwendung des Pettitt-Tests. Diese Forschung berücksichtigt auch eine gründliche statistische Untersuchung des Klimawandels aus der Perspektive der Niederschlagsmuster. Die Analyse und Vorhersage historischer Niederschlagstrends ist in vielen Disziplinen von entscheidender Bedeutung, einschließlich des Wasserressourcen- und Ökosystemmanagements sowie der nachhaltigen Landwirtschaftsplanung52. Allerdings ist das räumlich-zeitliche Verschiebungsverhalten von Niederschlägen in Bangladesch als einem vom tropischen Monsun dominierten Land deutlich weniger zugänglich. Die aktuelle Studie ist daher ein Fortschritt in Bezug auf die subklimatischen Zonen, den erweiterten Zeitrahmen, gute Datenquellen, den Umgang mit fehlenden Datensätzen, die Qualitätskontrolle durch Ausreißererkennung, die Identifizierung von Autokorrelationen und die Prüfung der Homogenität sowie die innovative Trendanalyse mit Änderungspunkt Erkennung. Diese Studie konzentrierte sich auf die Untersuchung raumzeitlicher Analysen und die Vorhersage von Niederschlagstrends auf saisonaler Skala in ganz Bangladesch, um dieses Problem anzugehen. Daher zielt die vorliegende Studie darauf ab, (a) den räumlich-zeitlichen Trend der monatlichen, saisonalen und jährlichen Niederschläge in Bangladesch mithilfe von MAKESENS zu ermitteln; (b) Vorhersage monatlicher und saisonaler Niederschläge bis 2030 in Bangladesch mithilfe des neuronalen MLP-Netzwerks; (c) die Ursachen für Veränderungen im Niederschlagsmuster in Bangladesch zu untersuchen. Das Besondere an unserer Studie ist, dass sie die erste ist, die in Bangladesch durchgeführt wurde, wo wir die räumlich-zeitlichen Trends analysierten und monatliche und saisonale Niederschläge (vor dem Monsun, Monsun und nach dem Monsun) für ein Maximum (von 28) Wetterlagen vorhersagten Stationen im ganzen Land. Die Vorhersage zukünftiger Niederschlagsmuster für das Land ist das herausragendste Merkmal dieser Forschung und wird für die Bewirtschaftung der Wasserressourcen des Landes von großem Nutzen sein, da Niederschläge eine entscheidende hydrologische Komponente darstellen.

Bangladesch liegt in der nordöstlichen Region Südasiens. Der Standardstandort liegt zwischen 20°34′ und 26°38′ nördlicher Breite und zwischen 88°01′ und 92°41′ östlicher Länge (Abb. 1). Während der Golf von Bengalen im Süden liegt, sind im Norden die spektakulären Berge zu sehen87.

Die Standortkarte von Bangladesch und die räumliche Verteilung der Wetterüberwachungsstation, erstellt von den Autoren mit der ArcGIS-Softwareversion 10.5 (https://www.esri.com/en-us/arcgis/products); DEM-Daten wurden von der Shuttle Radar Topography Mission der USGS (https://earthexplorer.usgs.gov/) abgeleitet.

Tropische Wirbelstürme und ein feuchtes, warmes Klima sind in Bangladesch weit verbreitet und werden durch Zirkulationen vor, nach dem Monsun und nach dem Monsun beeinflusst49. Das historische Klima in Bangladesch hatte Jahrestemperaturen zwischen 15 und 34 °C, mit einer Durchschnittstemperatur von etwa 26 °C. Bangladesch ist ein sehr regenreiches Land mit einer durchschnittlichen jährlichen Niederschlagsmenge von 2200 mm88.

Wir sammeln Niederschlagsdaten (1981–2022) vom Bangladesh Meteorological Department (BMD) (http://live.bmd.gov.bd/bn/). Obwohl Bangladesch über 38 Wetterüberwachungsstationen verfügt, berücksichtigen wir nur die Niederschlagsdaten von 28 von ihnen, da diese im Untersuchungszeitraum kontinuierlich Regen aufzeichneten. Die ausgewählten Wetterüberwachungsstationen sind 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 (Abb. 1). Die Daten zu maximaler und minimaler Temperatur, relativer Luftfeuchtigkeit, Sonneneinstrahlung und Windgeschwindigkeit von 1981 bis 2020 stammen vom Bangladesh Agriculture Research Council (BARC) (http://www.barc.gov.bd/).

Diese Studie analysiert Niederschlagstrends in Bangladesch auf monatlicher und saisonaler Ebene. Bangladesch hat drei vorherrschende Jahreszeiten; Dies sind (a) der Vormonsun (März–Mai), (b) der Monsun (Juni–Oktober) und (c) der Nachmonsun (November–Februar)89. Die täglichen Niederschlagsdaten wurden in monatliche mittlere Niederschlagsdaten umgewandelt. Vor der Beurteilung von Niederschlagsänderungen müssen die Daten einer Qualitätskontrolle unterzogen werden, da unzuverlässige Ausreißer Trendmuster verändern können90. Zur Schätzung der fehlenden Niederschlagsdaten wurde die Standardverhältnismethode verwendet und in drei Jahreszeiten gruppiert. Zur Behandlung erkannter Ausreißer wird Multiple Imputation verwendet. Mithilfe der Durbin-Waston-Statistik untersuchen wir die Autokorrelation in Niederschlagsdaten, und die TFPW-Methode (Trend-Free Pre-Whitening) wurde verwendet, um die Korrelation für den Trendtest zu löschen. Um die natürlichen Niederschlagsschwankungen genau abzubilden, testen wir vor dem Trendtest die Homogenität.

Unter Verwendung eines typischen Verhältnisses zum Ausgleich der Niederschläge berechnet der Standardverhältnisansatz91 die fehlenden Daten benachbarter Stationen. Für die fehlenden Zahlen, für die keine zugänglichen Daten zu nahegelegenen Stationen vorliegen, werden Mehrfachimputationen (MI) verwendet. Um statistisch genaue Schätzungen für fehlende Daten zu erhalten, umfasst MI, ein statistisches Verfahren, drei Phasen92.

Standardverhältnisansatz: Der Gewichtungsfaktor in der folgenden Gleichung (Gleichung 1) wird durch die Verhältnisse zwischen der Zielstation und nahegelegenen Stationen bestimmt:

wobei \({N}_{s}\) = Durchschnitt der aktuell an der Zielstation verfügbaren Niederschlagsdaten, \({N}_{i}\) = Durchschnitt der aktuell an der i-ten Nachbarstation verfügbaren Niederschlagsdaten, und die Gesamtzahl benachbarter Stationen beträgt n.

Die Nullhypothese des zweiseitigen Tests besagt, dass es in der Stichprobe keine Ausreißer gibt, wohingegen die Alternativhypothese besagt, dass entweder die niedrigste oder die höchste Zahl ein Ausreißer ist. Der Test93 von Grubbs wird verwendet, um Ausreißer in den Daten zu finden.

Grubbs-Test: Die Zeitreihendaten sind geordnet (\({x}_{1}, {x}_{2}, {x}_{3}, \dots \dots ..{x}_{n} \)) in aufsteigender Reihenfolge, wobei \({x}_{1}\) den niedrigsten und \({x}_{n}\) den höchsten Wert der Datenpunkte bezeichnet. Die folgende t-Statistik (Gleichung 2) wird verwendet, um nach Ausreißern in den Punkten \({x}_{1}\) und \({x}_{n}\) zu suchen:

Dabei ist \({T}_{1}\) die niedrigste Punkt-t-Statistik und \({T}_{n}\) die höchsten Punkte. X stellt den Mittelwert der Zeitreihe dar, während s ihre Standardabweichung darstellt . Der beobachtete Wert der Grubbs-Statistik \({T}_{Obs}\) für einen zweiseitigen Test wird mit Gleichung berechnet. 3.

Wenn \({T}_{Obs}\) > \({T}_{Crit}\), ist die Grubbs-Statistik \({T}_{Crit}\) ein kritischer Wert, und die Nullhypothese ist es deutlich abgelehnt. In dieser Studie wird ein Wert von 5 % angenommen. Die normalisierten Z-Scores94,95 werden ebenfalls berechnet und angezeigt, um wahrscheinliche Ausreißer und verdächtige Daten zu visualisieren. Jede Zahl außerhalb des vorgegebenen Bereichs (– 1,96 und + 1,96) für ein Signifikanzniveau von 5 % gilt als verdächtig, auch wenn es sich möglicherweise nicht um einen Ausreißer handelt.

Die Autokorrelation in den Niederschlagsdaten wurde anhand der Durbin-Waston-Autokorrelationsstatistik beobachtet.

Durbin-Waston-Statistik: Gl. 4 enthält die häufig verwendete Formel für die Durbin-Waston-Autokorrelationsstatistik96.

Durbin-Waston-Autokorrelationsstatistik

Wenn \({e}_{t}\) das Residuum ist, das durch gegeben ist

Die experimentelle Beobachtungszahl ist in diesem Fall T. Der Bereich der Durbin-Waston-Statistikwerte lag zwischen 0 und 4. Nur ein Wert von 2 weist auf das Fehlen einer positiven oder negativen Autokorrelation96 hin. Laut Ahmad et al.17 wurde die Korrelation für Trendtests mithilfe der TFPW-Methode entfernt.

Klimadaten sind aufgrund von Messfehlern, Veränderungen in der Umgebung des Instruments und unsachgemäßer menschlicher Handhabung inhomogen97. Vor der Trendanalyse muss die Homogenität überprüft werden; andernfalls würden die Ergebnisse falsche Trends zeigen. In dieser aktuellen Studie wurden für den Homogenitätstest der standardmäßige reguläre Homogenitätstest von Alexandersson98,99 und der Verhältnistest von Von Neumann100 verwendet.

Alexanderssons standardmäßiger regulärer Homogenitätstest: wird verwendet, um nach abrupten Verschiebungen in der Zeitreihe meteorologischer und hydrologischer Informationen zu suchen. Gemäß der folgenden Gleichung (Gleichung 5) schlägt Alexandersson98 vor, dass die Statistik T (k) den Mittelwert der ersten „k“ Jahre der Aufzeichnung mit dem der letzten „nk“ Jahre vergleicht:

wobei „\(\overline{X }\)“ = Mittelwert und „s“ = Standardabweichung für eine jährliche Reihe \({X}_{i}\) (i ist das Jahr von 1 bis n) mit Mittelwert „\ (\overline{X }\)“ und „s“.

Auch hier werden \({\overline{z} }_{1}\) und \({\overline{z} }_{2}\) aus Gleichung berechnet. 6

Wenn im Jahr „K“ ein Bruch auftritt, erreicht T(k) ziemlich nahe am Jahr k = K ein Maximum. Die Teststatistik \({T}_{0}\) hat die folgende Definition (Gl. 7):

Wenn \({T}_{0}\) den von der Stichprobengröße abhängigen kritischen Wert überschreitet, wird die Nullhypothese abgelehnt101.

Von Neumanns Verhältnistest: wurde von ihm 1941100 entwickelt. Für eine jährliche Reihe \({X}_{i}\) (i ist das Jahr) mit dem Mittelwert „X“ wird auf das Verhältnis der aufeinanderfolgenden mittleren Quadrate Bezug genommen zu „N“, gegeben als (Gleichung 8):

Der Wert von N liegt typischerweise unter dem vorhergesagten Wert, wenn die Serie unterbrochen wird. Die Werte von N können über zwei liegen, wenn der Mittelwert vorübergehend schwankt. Dieser Test kann den genauen Ort des Pausenjahres nicht bestimmen.

Der nichtparametrische Mann-Kendal (MK)51.102-Test wurde verwendet, um Trends bei den Niederschlägen zu ermitteln. Der MK-Test wird häufig zur Bestimmung von Trends verwendet (wenn die Analyse in meteorologischen Datenreihen erfolgt)50,60,103,104,105,106. Der MK-Test ist weniger empfindlich gegenüber Umrissen und eignet sich zur Erkennung von Niederschlagstrends. Er wurde zur Untersuchung saisonaler und jährlicher Niederschlagstrends eingesetzt107. Bei einem Konfidenzniveau von 95 % wurde der Trendtest für jede Station durchgeführt und die Sens-Steigungstechnik108 zur Bewertung der Stärke des Trends105 verwendet. Die Daten wurden anhand der Testparameter überprüft, bevor der MK-Test durchgeführt wurde, um Niederschlagsmuster in der Zeitreihe ausgewählter Stationen zu ermitteln.

Kendall109 etablierte den MK-Test, der zuerst von Mann110 entwickelt wurde, als nichtparametrischen Test zur Trenderkennung und als Teststatistik. Ein zweiseitiger MK-Test wird häufig verwendet, um festzustellen, ob ein Ergebniswert im Laufe der Zeit tendenziell steigt oder fällt.

Der MK-Test behandelt \({y}_{i}\) und \({y}_{j}\) als zwei Teilmengen der Zeitreihe der n Daten, wobei i und j sich auf Jahre beziehen. j bezieht sich auf ein hinzugefügtes Jahr mit i.

Infolgedessen ist die in den Gleichungen angegebene MK-Statistik (S). (9), (10) und (11) lauten wie folgt58,102.

Wo,

\({\mathrm{y}}_{\mathrm{j}}\) ist der Jahreswert für j Jahr und \({\mathrm{y}}_{\mathrm{i}}\) ist der Jahreswert Wert für ein Jahr (Gl. 10).

In diesem Fall stellt „t“ den Bereich einer hypothetischen Gleichheit von Stichprobenpunkten dar. Die \(\sum t\) gibt die Summe aller Bindungen an. Infolgedessen beträgt die Stichprobengröße mehr als zehn und Gl. 12 schätzt den regulären Standardeingabewert „Z“.

Der Aufwärtstrend (wachsend) wird daher durch positive Werte von „Z“ angezeigt, während der Abwärtstrend (absteigend) durch negative Werte von „Z“111 angezeigt wird. Die Signifikanzschwelle für die aktuelle Studie lag bei α = 0,05, was einem Konfidenzniveau von 95 % entspricht.

Der Steigungsschätzer von Sen beginnt mit der Berechnung der Steigung (\({T}_{i})\) jedes Datenpaars unter Verwendung von Gleichung. 13108;

hier ist i = Jahr = 1, 2, 3, …n. Wobei \({X}_{j}\) und \({X}_{k}\) für die jeweiligen Zeiten der Variablen stehen (j > k). ). Bei der Betrachtung historischer Zeitreihen bezeichnet \({T}_{i}\)>0 einen Aufwärtstrend und \({T}_{i}\)<0 einen Abwärtstrend.

Es mangelt an jeglicher Forschung zur Trenderkennung, ohne zu erwähnen, wann sich der Trend geändert hat97. Dieses Gestüt verwendete den Pettitt-Test112 und den kumulativen Summentest, um zu untersuchen, ob Wetterstationen mit jährlichen Niederschlägen abrupt wechselnde Übergangspunkte aufweisen.

Pettit-Test: Die resultierenden Teststatistiken sind in Gl. angegeben. 14 wenn die Dauer des Studienzeitraums mit t bezeichnet wird und die Verschiebung bei m Jahren erfolgt113.

Hier wird \(sgn({k}_{i}-{k}_{j})\) aus Gleichung berechnet. 15

Zur Bestimmung von \({U}_{t, m}\) werden alle zufällig generierten Variablen von 1 bis m verwendet. Wo die Größe der Teststatistik \({U}_{t, m}\) am größten ist, wird der Großteil der eindeutigen Änderungspunkte identifiziert (Gleichung 16). Wenn \({U}_{t, m}\) am höchsten ist, wird die Wahrscheinlichkeit eines Jahreswechsels beurteilt (Gleichung 17).

Die Nullhypothese gilt als verworfen, wenn der p-Wert unter das Signifikanzniveau fällt.

Cumulative Sum (CUSUM)-Test: Der verteilungsfreie CUSUM-Test114 ermittelt, ob die Schwankungen der Mittelwerte zwischen zwei Teilen einer Reihe über einen unbestimmten Zeitraum unterschiedlich sind. Der maximale CUSUM-Wert von k dient als Teststatistik, \({V}_{k}\). Gleichung 18 wird zur Berechnung von \({V}_{k}.\) verwendet.

wobei k = 1, 2, 3, ….. , n und \(sign({x}_{i}-{x}_{median})\) als Gleichung angegeben ist. 19.

Der bedeutendste Vorteil des IAA gegenüber dem MK-Test besteht darin, dass er keine Annahmen wie Nichtlinearität, serielle Korrelation und Stichprobengrößen erfordert115. Diese weit verbreitete IAA115,116 wurde von Şen117 vorgeschlagen. Was die IAA betrifft, werden die Niederschlagsdaten in zwei Zeiträume unterteilt: (a) 1981–2000, (b) 2001–2020. Die erste Periode wird als \({X}_{i}\) (X-Achse) und die zweite Periode als \({Y}_{i}\) (Y-Achse) dargestellt. Die Daten zeigen einen stabilen Trend, wenn sie entlang der 1:1-Linie angezeigt werden. Ein steigender Trend wurde beobachtet, wenn Daten oberhalb der 1:1-Linie dargestellt wurden, und ein rückläufiger Trend wurde beobachtet, wenn Daten unterhalb der 1:1-Linie dargestellt wurden117,118.

Die Gleichung hinter IAA119 lautet (Gleichung 20):

wobei \(\overline{x }\) und \(\overline{y }\) = arithmetischer Durchschnitt der Reihen \({X}_{i}\) und \({Y}_{i}\). n = Anzahl der Beobachtungen. Ein steigender Trend wird durch einen positiven s-Wert dargestellt, ein absteigender Trend wird durch einen negativen s-Wert dargestellt. Danach wird die Angabe mit 10 multipliziert, um sie mit dem MK-Test120 zu vergleichen.

Der Einfluss von Änderungen der atmosphärischen Zirkulation auf Niederschlagstrendmuster wurde gemessen. Mithilfe des Pettit-Tests für den Zeitraum 1981–2020 in Bangladesch entdeckten wir erstmals eine große Verschiebung des jährlichen Durchschnittsniederschlags, die kürzlich auftrat, und stellten fest, dass der Änderungspunkt nach 2000 auftrat. Mithilfe des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF) ERA5 Basierend auf den Reanalysedaten werden dann die beiden Zeiträume vor und nach den jeweiligen Auflagenänderungen durch die Modifikationen berechnet, indem von 2001 bis 2020 die Zeitspanne 1981–2000 abgezogen wird.

Multilayer Perception (MLP): ist eine inverse traditionelle Vorhersagemethode in der Meteorologie, die auf selbstadaptiven Mechanismen75 basiert, die aus Eingabe-, Ausgabe- und verborgenen Schichten bestehen. Diese drei Schichten (Abb. 4) werden für kurz-, mittel- und langfristige Vorhersagen der meteorologischen Forschung verwendet121. Das MLP ist das am häufigsten verwendete KNN-Design in der hydrologischen Modellierung139 und wird für die kurzfristige Niederschlagsvorhersage143,144,145, auch für mehr als 15 Jahre27, verwendet.

Frühere Studien zur Niederschlagsvorhersage mithilfe mehrschichtiger Wahrnehmungen verwendeten Temperatur, Luftfeuchtigkeit, Sonneneinstrahlung und Windgeschwindigkeit als Niederschlagsprädiktoren143,144,145. Die Eingabeattribute als Niederschlagsprädiktoren sind in Tabelle 1 aufgeführt.

Für die aktuelle Untersuchung haben wir den gesamten Niederschlagsdatensatz in Trainings- und Testdatensätze aufgeteilt. Nach der Normalisierung der Daten verwendeten wir das mehrschichtige neuronale Netzwerk Perceptron, um den monatlichen Niederschlag mithilfe der R-Softwareversion 4.2.2 (https://www.r-project.org/) vorherzusagen. Wir haben die Niederschlagsdaten für Bangladesch von 28 Stationen zusammengestellt. Der nächste Schritt nach dem Sammeln der normalisierten Daten besteht darin, das Modell mithilfe der Eingabedaten in Matlab Version 9.9 (https://www.mathworks.com/products/matlab.html) zu trainieren. Nur 70 % der Eingabedaten werden vom Algorithmus zum Training verwendet. Nur 336 der 480 Stichproben werden für das Training verwendet und diese werden zufällig aus dem Datensatz ausgewählt. Als Eingabe für diese Vorhersagemethode werden die durchschnittlichen monatlichen Niederschlagsdaten von 1981 bis 2020 verwendet. Die Ausgabeschicht besteht aus dem vorhergesagten monatlichen Niederschlag. Wir validieren den vorhergesagten monatlichen Niederschlag für 24 Monate (2021–2022) mit dem tatsächlichen Niederschlag.

Wir haben den Skill-Score von MLP mithilfe der K-Fold-Kreuzvalidierungstechnik in Python Version 3.10.12 (https://www.python.org/) bewertet. Der K-fach-Kreuzvalidierungsansatz ist äußerst nützlich für die Analyse der Attribute und der Varianz des Eingabedatensatzes für ein MLP-Modell137. Das K-Fold-Kreuzvalidierungsmodell wurde über die monatlichen Niederschläge in Bangladesch von 1981 bis 2020 ausgeführt. Die Kreuzvalidierungsfunktion und die Auswertung mehrerer Metriken sind in Abb. 2 dargestellt. Jede Falte besteht aus zwei Arrays: eines ist mit dem Trainingssatz verbunden, und der andere bezieht sich auf den Testsatz. Tests und Validierung verbrauchen 30 % (144 Proben) der Eingabedaten.

Die Funktion der K-fach-Kreuzvalidierungstechnik und das Genauigkeitsniveau von MLP.

Um das optimale MLP-Modell für die Niederschlagsvorhersage zu finden, haben wir das Modell wiederholt auf dieselben Niederschlagsdatensätze angewendet. Es werden fünf Bewertungen des Modells durchgeführt, wobei jede Bewertung eine andere Falte als Validierungssatz verwendet. Die Genauigkeiten für alle Daten aus den fünf Arrays betragen 0,894, 0,955, 0,927, 0,819 bzw. 0,887 gegenüber 1,00. Die mittlere Genauigkeit beträgt 0,894, also 89,4 %. Der Skill-Score dieses MLP-Modells aus der K-Fold-Kreuzvalidierung beträgt mehr als 89 %. Da das MLP-Modell zwischen 1981 und 2020 eine gute Leistung erbrachte, können wir seine Ergebnisse auf das Jahr 2030 übertragen.

Darüber hinaus verwendeten wir den Root Mean Square Error (RMSE) und Korrelationsmethoden, um zu beurteilen, wie gut MLP in Bezug auf die Vorhersage abgeschnitten hat.

Zur Berechnung der Modellunsicherheit in Regressionsmodellen wurde der Paired-Bootstrap-Ansatz140 verwendet. Diese Studie umfasst ein Ensemble von mehr als 1000 Modellläufen unter Verwendung der Bootstrapping-Technik, um eine Reichweite von 95 % der Vorhersagen zu erhalten. Wie in Abb. 3 dargestellt, wird im Folgenden beschrieben, wie Vorhersageintervalle (PI) basierend auf dem Bootstrap-MLPs-Ansatz aufgebaut sind:

Das Framework von Bootstrap-MLPs-basierten PI-Konstruktionen.

Schritt 1: Teilen Sie den Originaldatensatz \(D= {\left\{\left({X}_{i}, {P}_{i}\right)\right\}}_{i=1}^{ N}\) in das Training \({D}_{train} = {\left\{\left({X}_{i}, {P}_{i}\right)\right\}}_{i =1}^{{N}_{train}}\) und testen \({D}_{test} = {\left\{\left({X}_{i}, {P}_{i} \right)\right\}}_{i=1}^{{N}_{test}}\). Generieren Sie B-Trainingsdatensätze, die jeweils mithilfe der Bootstrapping-Methode für Paare basierend auf dem anfänglichen Trainingsdatensatz \({D}_{train} = {\left\{\left({X}_{i}, {P}_ {i}\right)\right\}}_{i=1}^{{N}_{train}}\). Trainieren Sie B-MLPs mithilfe von B-Bootstrapped-Trainingsdatensätzen.

Schritt 2: Schätzen Sie die wahre Regression \(\widehat{y}({X}_{i})\), die Modellunsicherheit und das Rauschen.

(1) Die Schätzung der wahren Regression \(\widehat{y}({X}_{i})\) kann wie folgt berechnet werden (Gl. 21):

Dabei ist \({\widehat{y}}_{b}({X}_{i})\) der vom b thMLP generierte Vorhersagewert.

(2) Die Schätzung der Varianz der MLP-Modellunsicherheit kann aus (Gleichung 22) erhalten werden:

(3) Nach kann die Varianz des Rauschens wie folgt abgeschätzt werden141 (Gl. 23):

Eine Reihe von Varianzquadrat-Residuen \({r}^{2}{(X}_{i})\) wird berechnet, um ein Modell zu schätzen, das zu den verbleibenden Residuen passt (Gleichung 24):

Anschließend kann ein neuer Datensatz \({D}_{{r}^{2}}\) wie folgt erstellt werden (Gl. 25):

Basierend auf \({D}_{{r}^{2}}\) kann ein separates MLP-Modell trainiert werden, um die Varianz des Rauschens abzuschätzen. Im neuen neuronalen Netzwerkmodell sollte eine exponentielle Aktivierungsfunktion übernommen werden, um eine positive Varianz sicherzustellen142.

Schritt 3 Konstruieren Sie PIs mit (1 − a) × 100 % Vorhersageintervall-Nominalkonfidenz (PINC) unter Verwendung der oberen und unteren Grenze des PI.

In dieser Studie berechnen wir 80 %- und 95 %-Intervalle. Die vorhergesagten Fehler haben eine Normalverteilung. Insgesamt sind 95 %- und 80 %-Vorhersageintervalle für die h-Schritt-Vorhersage in den Gleichungen angegeben. 26 und 27.

Hier handelt es sich um eine Schätzung der Standardabweichung der h-Schritt-Vorhersageverteilung.

Diese Studie nutzte den MLP-Deep-Learning-Ansatz zur Vorhersage von Niederschlägen. Um Zeitreihen vorherzusagen, führen Auto-Encoder in MLP69 eine Merkmalsextraktion durch. Zunächst werden alle nichtlinearen Eigenschaften mithilfe von Autoencodern aus den Daten extrahiert. Abbildung 4 zeigt den Ablauf der vorgeschlagenen Methodik.

Ablauf der vorgeschlagenen Vorhersagemethodik.

Dieser Auto-Encoder besteht aus drei Ebenen: Eingabeebene, verborgene Ebene und Ausgabeebene. Versteckte Schichten, die Zwischenberechnungen durchführen, sind in Multi-Layer Perceptron (MLP) Abb. 5 dargestellt.

Eingabe-, verborgene und Ausgabeschichten in einem mehrschichtigen Perzeptron-Neuronalen Netzwerk.

Eingabeschicht: Es gibt 23 Neuronen (\({X}_{i}, i=1, 2, 3,\dots .,23.)\) in der Eingabeschicht. In der Eingabeschicht sind die Neuronen in der in Gl. gezeigten Weise angeordnet. 28.

Verborgene Ebene: Es gibt insgesamt 5 verborgene Ebenen. Jedes Neuron ist mit jeder verborgenen Schicht verbunden. Die verborgene Schicht wurde mit (Gleichung 29) berechnet.

Hier ist \({W}_{jk}\) das Gewicht, das das i-te Neuron der Eingabeschicht mit dem k-ten Neuron der verborgenen Schicht verbindet. \({B}_{k}\) ist der Bias, der zum k-ten Neuron der verborgenen Schicht hinzugefügt wird.

Ausgabeschicht: In der Ausgabeschicht gibt es nur ein Neuron und sein Wert wird mit (Gleichung 30) berechnet:

RMSE: Das optimale Modell hat einen minimalen quadratischen Mittelfehler (RMSE), der die Standardabweichung der Zufallskomponenten in den Daten berechnet (Gleichung 31).

PBIAS: Der Prozentsatz der Verzerrung ist die durchschnittliche Tendenz, dass die vorhergesagte Ausgabe mehr oder weniger von den beobachteten Daten abweicht. Niedrige PBIAS-Werte (Gleichung 32) implizieren genaue Modellsimulationen; der ideale Wert ist 0,0. Der Übereinstimmungsindex, der zwischen 0 (keine Korrelation) und 1 liegt, bewertet den Grad der Ungenauigkeit der Modellvorhersage (perfekte Anpassung).

\({O}_{i}\) und \({P}_{i}\) stehen für die beobachteten Daten, die simulierten Daten aus dem Modell bzw. den beobachteten Mittelwert.

Korrelation: werden berechnet als144 (Gl. 33).

wobei \({y}_{t}^{o}\) und \({y}_{t}^{c}\) die beobachteten bzw. berechneten Werte zum Zeitpunkt t darstellen, \(\overline{{y }^{o}}\) und \(\overline{{y }^{c}}\) yc stellt den Mittelwert der beobachteten und berechneten Werte dar.

Der einfache statistische Ansatz der prozentualen Änderung wird verwendet, um die jährlichen und saisonalen Niederschlagsänderungsraten für die Standorte vor und nach der Änderung zu ermitteln. Diese Technik ist ziemlich einfach, erfüllt aber ihre Aufgabe recht gut. Zur Berechnung wird Gleichung 34 verwendet.

Post-Monsun- und Monsun-Niederschläge sowie Feuchtigkeitsdivergenz für den Zeitraum 1980–2020 wurden auf 1,25° × 1,25°-Rastern vom Europäischen Zentrum für mittelfristige Wettervorhersagen (ECMWF), ERA-5 (http://apps.ecmwf) ermittelt. int/ datasets/data/interim-full-daily). Die aktuellsten Reanalyse-Datensätze zu ozeanisch-atmosphärischen Veränderungen, die ab 1980 verfügbar sind, befinden sich im ERA5-Interim. Um den Einfluss der Wolkendecke auf die Niederschlagsschwankung zu bewerten, wurde auch ein Datensatz mit geringer Wolkendecke aus den ERA5-Daten des ECMWF erstellt44. Der Einfluss von Änderungen der atmosphärischen Zirkulation auf Niederschlagstrendmuster wurde gemessen. Zunächst haben wir mithilfe des Pettit-Tests für die Jahre 1980 bis 2020 in Bangladesch einen aktuellen signifikanten Änderungspunkt im jährlichen Durchschnittsniederschlag festgestellt und festgestellt, dass der Änderungspunkt nach 2001 auftrat. Anschließend haben wir mithilfe der ERA5-Reanalysedaten des ECMWF den Unterschied in der Zirkulation ermittelt Der Abstand zwischen den beiden Epochen vor und nach den Anpassungen wird quantifiziert, indem 1980–2001 von 2002 bis 2020 subtrahiert wird. Die räumlichen Karten wurden mit der GrAd-Software erstellt.

In dieser Arbeit wurde die Methode der inversen Distanzgewichtung verwendet, um die Daten zu interpolieren und eine räumliche Niederschlagskarte zu erstellen.

IDW: Die IDW-Interpolation basiert auf Gl. 35122.

Wenn jedem Streupunkt eine Gewichtsfunktion \({w}_{i}\) gegeben wird. und \({f}_{i}\) sind die angegebenen Funktionswerte an den Streupunkten. Die Gesamtsumme der Streupunkte der Sammlung beträgt n.

Die traditionelle Konfiguration der Gewichtsfunktion wird aus Gl. berechnet. 36 ähnlich wie Monir et al.102.

Dabei ist \({h}_{i}\) der Abstand zwischen den Streu- und Interpolationspunkten. Der Leistungsparameter p ist ein frei gewählter positiver Realwert (Gl. 37).

wobei (x, y) für die Koordinaten des Interpolationspunkts steht. und (\({x}_{i},{y}_{i})\) für die Koordinaten der Streupunktkoordinate.

Der durchschnittliche jährliche Niederschlag in Bangladesch wurde in diesem Untersuchungszeitraum mit 2432,6 mm beobachtet. Der höchste durchschnittliche jährliche Niederschlag wurde in Teknaf (4212,9 mm) und der niedrigste in Ishurdi (1466,4 mm) beobachtet. Im Vormonsun fallen durchschnittlich 442,8 mm Niederschlag, während des Monsuns 1905,3 mm und im Nachmonsun 84,5 mm.

In Bangladesch gab es den Daten zur durchschnittlichen Niederschlagsmenge von 1981 bis 2020 zufolge in den Monaten Juni bis September die meisten Niederschläge (Abb. 6). Der Juli verzeichnete den höchsten durchschnittlichen Niederschlag (520,59 mm). Von November bis Februar regnet es am wenigsten (Abb. 6). Im Juni, Juli, August und September fielen jeweils 19,2 %, 21,7 %, 16,7 % und 13,5 % des jährlichen Niederschlags. Andererseits wurden im November 1,5 %, im Dezember 0,4 %, im Januar 0,3 % und im Februar 1,0 % Niederschlag registriert (Abb. 6).

Monatlicher mittlerer Niederschlag (1981–2022) in Bangladesch.

Die Ergebnisse zum durchschnittlichen saisonalen Niederschlag (1981–2020) in Bangladesch sind in Tabelle 2 dargestellt. Unter den 28 Messstationen beträgt der durchschnittliche Niederschlag vor der Monsunzeit 279 mm (Satkhira, das im Südwesten Bangladeschs liegt) bis 1076,1 mm (The). (Abb. 1). Die meisten Niederschläge während der Monsunzeit (3754,5 mm) wurden in Teknaf registriert. Der niedrigste Niederschlag wurde in Ishurdi registriert (1133,1 mm). Während des Nachmonsuns fiel der höchste Niederschlag (120,9 mm) in Cox's Bazar und der niedrigste (40,8 mm) in Rangpur. Im Vergleich zu früheren Jahreszeiten, in denen es während des Monsuns hervorragende Niederschläge gab, gab es in der Zeit nach dem Monsun relativ wenig Niederschläge (Tabelle 2).

Abbildung 7 zeigt die räumliche Verteilung der durchschnittlichen saisonalen Niederschläge (1981–2020) über Bangladesch. Die Niederschläge vor dem Monsun schwanken und sind im Westen am geringsten und im Nordosten am stärksten (Abb. 7a). Die nordöstlichen und südlichen Regionen verzeichneten während der Monsunzeit die höchsten Niederschläge (Abb. 7b).

Räumliche Verteilung des durchschnittlichen saisonalen Niederschlags (1981–2020) in Bangladesch: (a) Niederschlag vor dem Monsun, (b) Niederschlag nach dem Monsun und (c) Niederschlag nach dem Monsun, erstellt von den Autoren mit der ArcGIS-Softwareversion 10.5 (https: //www.esri.com/en-us/arcgis/products).

Im Gegensatz dazu fällt in der nördlichen Region in der Nachmonsunzeit der geringste Niederschlag (Abb. 7c). Die saisonalen Veränderungen wirken sich auf die geografische Variation des durchschnittlichen Niederschlags in Bangladesch aus (Abb. 7).

Die MK Z-Werte für monatliche Niederschläge (1981–2020) über Bangladesch mit einem Konfidenzniveau von 95 % sind in Tabelle 3 dargestellt. Die negativen Werte stellen einen Rückgang der Niederschläge dar, wobei Z < − 1 den signifikanten negativen Trend darstellt. Ebenso stellen die positiven Werte einen steigenden Trend bei den Niederschlägen dar, und wenn der Wert von Z mehr als 1 beträgt, handelt es sich um einen deutlich steigenden Trend.

Dem MK Z-Wert zufolge weist eine beträchtliche Anzahl von Messstationen in allen Monaten einen rückläufigen Trend bei den Niederschlägen auf. Abbildung 8 zeigt, dass im Februar für alle Messstationen ein rückläufiger Trend zu beobachten war. Mehr als 80 % der Messstationen verzeichnen im Januar, März, August, November und Dezember einen rückläufigen Trend. Im April, Mai, Juni und September beobachteten 60–80 % der Überwachungsstationen einen rückläufigen Trend. Außerdem verzeichnen mehr als 50 % der Messstationen im Februar und April einen deutlich rückläufigen Trend. Andererseits konnte in nur zwei Monaten (Juli und Oktober) bei mehr als 50 % der Messstationen ein steigender Trend beobachtet werden. Lediglich für Oktober konnte ein deutlich steigender Trend (28,6 %) festgestellt werden (Abb. 8).

Trend des monatlichen Niederschlags, dargestellt als Prozentsatz der Niederschlagsmessstationen.

Für die Jahre 1981 bis 2020 sind der saisonale Niederschlags-MK-Trendwert und der projizierte Sen-Steigungswert in Tabelle 4 dargestellt. Alle Messstationen weisen einen rückläufigen Trend für die Zeit nach dem Monsun auf. Während des Vormonsuns und des Monsuns weisen etwa 82 % bzw. 75 % der Messstationen eine rückläufige Tendenz bei den Niederschlägen auf (Tabelle 4).

Während des Vormonsuns, Monsuns und Nachmonsuns weisen etwa 43 %, 29 % und 82 % der Messstationen einen deutlich rückläufigen Trend auf (Z < − 1) (Tabelle 4). Allerdings verzeichneten nur 8 % der Messstationen, die den Monsun überwachten, einen erkennbaren Wachstumstrend (Tabelle 4).

Während des Vormonsuns war im zentralen Teil Bangladeschs ein rascher Rückgang der Niederschläge zu beobachten. Es gibt eine Aufwärtstendenz in den nördlichen (Rangpur), westlichen (Sylhet), östlichen (Rajshahi) und äußerst südlichen (Cox's Bazar) Regionen. In den übrigen Gebieten ist ein moderater Rückgang der Regenfälle vor dem Monsun zu verzeichnen (Abb. 9a). Für die Monsunzeit variiert der Niederschlagstrend von einem leichten Anstieg im südlichen Teil bis zu einem Rückgang im Norden Bangladeschs (Abb. 9b). In ganz Bangladesch war ein Rückgang der Regenfälle nach dem Monsun zu beobachten (Abb. 9c). In den nördlichen (Rangpur), östlichen (Rajshahi) und äußersten südlichen Regionen (Cox's Bazar) ist ein erheblicher Rückgang zu verzeichnen. Im Gegensatz dazu nahm diese Fläche während der Vormonsunzeit deutlich zu (Abb. 9a,c). Dies ist ein klares Beispiel für die Regenverzögerung.

Räumliche Verteilung der saisonalen Niederschlagstrends über Bangladesch von 1981 bis 2020: (a) Niederschlagstrend vor dem Monsun, (b) Niederschlagstrend nach dem Monsun und (c) Niederschlagstrend nach dem Monsun, erstellt von den Autoren mit der ArcGIS-Softwareversion 10.5, ( https://www.esri.com/en-us/arcgis/products).

Anhand der Datensätze der saisonalen Niederschlagspunkte vor und nach dem Wechsel in jeder Wetterüberwachungsstation führten wir den MK-Test durch. Die MK Z-Werte für Punkte vor und nach dem Wechsel sind in Tabelle 5 aufgeführt.

Im Post-Change-Zeitpunkt war ein deutlich negativerer Trend zu beobachten als im Pre-Change-Zeitpunkt. Nach dem Wendepunkt gingen die Niederschläge in den nördlichen und nordwestlichen Regionen zurück und nahmen im Zentrum bis zum südöstlichen Teil Bangladeschs zu (Abb. 10).

Räumlicher Trend der jährlichen Niederschlagsmenge vor und nach der Dauer des Wendepunkts: (a) jährlicher Niederschlagstrend, (b) Niederschlagstrend vor dem Wendepunkt und (c) Niederschlagstrend nach dem Wendepunkt, erstellt von den Autoren unter Verwendung von ArcGIS-Softwareversion 10.5 (https://www.esri.com/en-us/arcgis/products).

Der Innovationstrend bei den jährlichen Niederschlägen ergab, dass 86 % der Wetterstationen eine abnehmende Steigung und 14 % eine steigende Steigung aufweisen. Abbildung 11 zeigt den wetterstationsbezogenen innovativen Trend der jährlichen Niederschlagsmenge.

Wetterstationsbezogener innovativer Trend der jährlichen Niederschlagsmenge.

Die traditionelle Vorhersagemethode in der Meteorologie, das neuronale MLP-Netzwerkmodell, wird verwendet, um den gesamten monatlichen und saisonalen Niederschlag für Bangladesch vorherzusagen. Aus den beobachteten 28 Stationsdaten wird ein einzelner Datensatz für die Niederschläge in Bangladesch erstellt. Abbildung 12 zeigt die Zerlegung der monatlichen Niederschlagsdaten von 1981 bis 2020 in einer additiven Zeitreihe. Die beobachteten Werte werden oben in dieser Zerlegung angezeigt, während der zufällig ausgewählte Datensatz unten angezeigt wird. Das Zentrum dieser additiven Zeitreihenzerlegung zeigt das saisonale Muster dieser Datensammlung und ihre Tendenzen (Abb. 12).

Zerlegung additiver Zeitreihen monatlicher Niederschlagsdaten von 1981 bis 2020.

Das Zeitreihendiagramm verschiedener Niederschlagsindikatoren ist in Abb. 13 dargestellt. Die Zeitreihen der maximalen und minimalen Temperatur, der relativen Luftfeuchtigkeit, der Sonneneinstrahlung und der Windgeschwindigkeit sind zusammen mit den Niederschlägen in Abb. 13 dargestellt.

Zeitreihendiagramm der Niederschlagsindikatoren in diesem Vorhersagemodell.

RMSE und Korrelation (R), zwei grundlegende Bewertungsmaße, werden zur Bewertung des vorgeschlagenen Modells verwendet. Anhand eines Testdatensatzes bewerten wir die Vorhersagefähigkeiten des vorgeschlagenen Modells. Die Ergebnisse sind in Tabelle 6 unten aufgeführt. Die Ergebnisse zeigen, dass das vorgeschlagene Modell gut funktioniert, da es alle Arten von Fehlern reduziert.

Die Ergebnisse des vorgeschlagenen MLP-basierten Niederschlagsvorhersagemodells zur Vorhersage des Niederschlags für die folgenden 24 Monate sind in Abb. 14 dargestellt. Die Ergebnisse zeigen, dass die vorgeschlagene Technik eine Genauigkeit von mehr als 90 % für die Schätzung des durchschnittlichen Niederschlags (in mm) aufweist. In der Grafik zeigt die blaue Linie die vom vorgeschlagenen Modell vorhergesagte durchschnittliche Niederschlagsmenge, während die braune Linie die tatsächliche durchschnittliche Niederschlagsmenge widerspiegelt. Das vorgeschlagene Modell kann daher zur Vorhersage der Niederschläge für die nächsten acht Jahre (bis 2030) verwendet werden.

Evaluierung des Modells durch Testset für 24 Monate.

Der vorhergesagte monatliche Niederschlag bis 2030 mit einem Konfidenzniveau von 95 % unter Verwendung der MLP-Technik ist in Abb. 15 dargestellt. Es gab einen sehr minimalen Fehler bei den vorhergesagten Niederschlägen, der RMSE betrug weniger als 12 mm.

Voraussichtliche monatliche Niederschlagsmenge für Bangladesch bis 2030.

Obwohl dieser vorhergesagte Datensatz einige Monate lang Niederschläge unterhalb der Grundlinie (< 0 mm) enthielt, zählten wir ihn als keinen Niederschlag (0 mm). Der vorhergesagte monatliche Niederschlag ist in Tabelle 7 dargestellt.

Von 2021 bis 2030 ist eine erhebliche Schwankung der prognostizierten monatlichen Niederschlagsmenge zu beobachten. Im Dezember und Januar wird es keinen Regen geben. Im November und Februar wird es mehrere Jahre lang nicht regnen. Daher wird Bangladesch in Trockenperioden bis 2030 (November bis Februar) unter Wasserknappheit leiden. Die vorhergesagten maximalen Niederschlagsmengen für März, April, Mai, Juni, Juli, August, September und Oktober werden in den Jahren 2029, 2026, 2026, 2027, 2027, 2026, 2027 und 2028 beobachtet. Das vorhergesagte Ergebnis deutet darauf hin, dass es viel mehr geben wird Niederschlag von 2026 bis 2029 (Tabelle 7). Andererseits werden die vorhergesagten Mindestniederschläge für März, April, Mai, Juni, Juli, August, September und Oktober in den Jahren 2024, 2024, 2030, 2024, 2025, 2024, 2023 und 2026 beobachtet (Tabelle 7). Das prognostizierte Ergebnis lässt darauf schließen, dass im ersten und letzten Quartal des Untersuchungszeitraums vergleichsweise weniger Niederschläge fallen werden.

Der vorhergesagte monatliche Niederschlag, umgerechnet in saisonalen Niederschlag, ist in Tabelle 8 dargestellt.

Die maximale vorhergesagte Niederschlagsmenge für die Vormonsun-, Monsun- und Nachmonsunzeit wird in den Jahren 2028, 2027 und 2029 beobachtet. Die niedrigsten Niederschlagsmengen für diese Jahreszeiten werden hingegen in den Jahren 2023, 2023 bzw. 2030 beobachtet.

In den meisten Gebieten Bangladeschs kommt es zu mäßigen bis starken konvektiven Niederschlägen. Bei geringen konvektiven Niederschlagsraten wurde jedoch mehr Wasserdampf aus dem Golf von Bengalen an die Landoberfläche transportiert, was für die Regentropfenproduktion ungünstig ist (Abb. 16). In den mittleren und nordöstlichen Teilen des Landes kam es in der Folge zu einem Rückgang der durchschnittlichen Niederschlagsmenge während der Monsunzeit (Abb. 16). Das Land erstreckt sich über eine unbedeutende Region mit erhöhten geopotentiellen Höhenänderungen und transportiert weniger Feuchtigkeitsdämpfe vom Golf von Bengalen zu den lokalen Landmassen, was für Niederschlagsänderungen verantwortlich ist44. Dies ist der Grund für den Anstieg der jährlichen Niederschläge während des Sommermonsuns, der in den nordöstlichen und südöstlichen Teilen des Landes zu beobachten ist86. Im ganzen Land verstärkte sich die südöstliche Brise, was das Eindringen kälterer Luft verringerte und die Niederschläge in ganz Bangladesch in der Zeit nach dem Monsun verringerte. Die Entwicklung der antizyklonalen Zirkulation reduziert die Kraft des Südostwinds, was wiederum die Sommermonsunzeit verstärkt und wärmere Luft nach Bangladesch aufsteigen lässt, was letztendlich zu einem Anstieg der Niederschläge führt138. Im Gegensatz dazu verzeichneten die meisten Gebiete mäßige bis niedrige mittlere konvektive Niederschlagsraten, was die Niederschläge bis zu einem gewissen Grad reduzierte147. Insgesamt ist die Zahl tief hängender Wolken im ganzen Land und in den angrenzenden Regionen gestiegen27. Die wenigen Wolkenbedeckungen werden den Kondensationseffekt der Atmosphäre auf die oberflächennahe Sonnenstrahlung verstärken, was den Niederschlagstrend verringern wird124. Das ganze Land verzeichnete eine hohe durchschnittliche Gesamtniederschlagsrate, mit Ausnahme des Westens, der im jüngsten Forschungszeitraum (1980–2020) zu einem inkonsistenten Abwindmuster führte und die Anzahl der Tage mit klarem Himmel erhöhte. Die überwiegende Mehrheit der Regionen Bangladeschs zeigte eine abnehmende vertikal integrierte Feuchtigkeitsdivergenz, die durch einen erheblichen Rückgang der Niederschläge verursacht wurde.

Räumliche Variationen der Unterschiede (A) Geringe Wolkendecke, (B) Mittlere vertikal integrierte Feuchtigkeitsdivergenz, (C) Konvektive Niederschlagsmenge in der Monsunzeit, (D) Mittlere konvektive Niederschlagsrate, (E) Konvektive Niederschlagsrate in der Zeit nach dem Monsun, ( F) Mittlere Gesamtniederschlagsrate zwischen der jüngsten Phase von 2002–2020 und 1980–2001, erstellt von den Autoren mit GrADS Version 2.2.1 (http://cola.gmu.edu/grads/downloads.php).

Die Bewertung historischer Niederschlagstrends ist in vielen Bereichen von entscheidender Bedeutung, darunter beim Wasserressourcenmanagement, bei der Planung einer nachhaltigen Landwirtschaft, beim Management von Ökosystemen und im Gesundheitssektor52. Die Variabilität der monatlichen und saisonalen Niederschlagstrends wurde anhand der Niederschlagsdaten von 40 Jahren von 28 Beobachtungsstationen gründlich untersucht. Die statistische Analyse zeigt, dass von 1981 bis 2020 der höchste durchschnittliche jährliche Niederschlag in Teknaf (4212,9 mm) und der niedrigste in Ishurdi (1466,4 mm) beobachtet wurde. Laut Shahid62 betrug der durchschnittliche jährliche Niederschlag in Bangladesch von 1958 bis 2007 1527 mm bis 4193 mm. Bei den monatlichen Niederschlägen betrug die maximale durchschnittliche Niederschlagsmenge im Juli 461,9 mm (21,7 % der jährlichen Niederschlagsmenge). Von Juli bis August wurden 57,6 % Niederschlag beobachtet. Allerdings wurden 50 % der Niederschläge von 1958 bis 2007 registriert39. Im Vergleich zu viel älteren Studien gingen die Niederschläge während der Trockenzeit von den 1950er bis 2010er Jahren zurück, während die Monsunniederschläge zunahmen43,49,60,123,124. Diese Schwankung der Niederschlagsverteilung über ein Jahr hat erhebliche Auswirkungen auf die sich ändernden klimatischen Bedingungen und die landwirtschaftliche Produktion. Die Weltbank125 hat in den letzten 30 Jahren eine Niederschlagsmenge von 2.200 mm beobachtet, die vorliegende Studie geht jedoch von der durchschnittlichen jährlichen Niederschlagsmenge in Bangladesch aus, die in den letzten 40 Jahren bei 2.432,6 mm lag. Yousuf und Ahmed48 beobachteten außerdem, dass der durchschnittliche jährliche Niederschlag in Bangladesch (1948–2011) 2456,38 mm betrug. Es ist offensichtlich, dass der jährliche Niederschlagsdurchschnitt Bangladeschs von den 1940er Jahren bis heute allmählich gesunken ist. Während des gesamten Untersuchungszeitraums schwankte die durchschnittliche Niederschlagsmenge zwischen 279 und 1076 mm vor dem Monsun, 1133 bis 3754 mm während des Monsuns und 40 bis 120 mm nach dem Monsun. Von 1991 bis 2020 beobachtete die Weltbank125 nur minimal unterschiedliche Ergebnisse. Es wurde festgestellt, dass die Niederschlagsmenge in Bangladesch schwankt; Islam et al.49 beobachteten, dass die meisten jährlichen Niederschläge in Bangladesch im Süden und Osten verzeichnet wurden. Der südliche Bereich weist den höchsten Wert des Niederschlagskonzentrationsindex (LCI)44 auf. Shahid und Khairulmaini124 sagen außerdem voraus, dass der südliche Teil weiterhin leicht normalen Niederschlagsbedingungen ausgesetzt sein wird. Ebenso sind die Niederschläge laut der vorliegenden Studie im Südosten höher, im Nordwesten Bangladeschs hingegen geringer.

Laut MK Z-Wert verzeichnen über 80 % der Messstationen im Januar, Februar, März, August, November und Dezember einen rückläufigen Trend. Im April, Mai, Juni und September beobachteten 60 % bis 80 % der Überwachungsstationen einen rückläufigen Trend. Fast 77 % der Stationen weisen eine fallende Tendenz und 23 % eine steigende Tendenz für den monatlichen Niederschlag auf. Bisherige umfassende Studien konzentrieren sich nicht auf die monatliche Niederschlagsentwicklung in Bangladesch. Auf dem indischen Subkontinent fanden Praveen et al.27 ein ähnliches Ergebnis, einen deutlich negativen Trend für den gesamten jährlichen Niederschlag. In dieser aktuellen Studie weisen die Monate Mai bis Juli ein gemischtes Muster aus steigenden und fallenden Trends auf. Rahman et al.46 beobachteten von Februar bis September ein gemischtes Muster langfristiger monatlicher negativer und positiver Trends. Dieser Studie zufolge ist die Zahl der Überwachungsstationen in der Vormonsun-, Monsun- und Nachmonsunperiode deutlich rückläufig (82 %, 75 % bzw. 100 %). Auch Shahid und Khairulmaini124 stellen an den meisten Standorten einen sinkenden Trend der Niederschlagskonzentration fest. Endo et al.40 fanden außerdem heraus, dass die Häufigkeit von Tagen mit leichten Niederschlägen während der Vormonsunzeit zunimmt. Shahid39, Endo et al.40 und Zannat et al.41 zeigten ein sich änderndes Muster der Monsunniederschläge in Bangladesch, und Sing126 berichtete zunehmend darüber. Die räumlich-zeitliche Variation der Monsunniederschläge in Bangladesch wird auch durch EI-Nino/Southern Oscillation (ENSO)127,128 beeinflusst. Die Ergebnisse weitaus älterer Studien, die die Niederschlagstrends in Bangladesch zwischen den 1950er und 2000er Jahren untersuchten, zeigen unterschiedliche Ergebnisse129,130,131. Diese Studien fanden an den meisten Wetterstationen während der Zeit nach dem Monsun und vor dem Monsun signifikante positive Trends31,42,43,60,132. Diese Studie stellte jedoch fest, dass alle Wetterstationen einen rückläufigen Trend bei den Niederschlägen nach dem Monsun aufweisen146. Mullick et al.57 beobachteten, dass der durchschnittliche Niederschlag in Bangladesch, außer im Winter, auf eine steigende Tendenz hinweist. Diese vorliegende Studie fand jedoch nur 18 % der Wetterstationen in der Vormonsunzeit und 25 % der Wetterstationen in der Monsunzeit, was einen steigenden Niederschlagstrend aufweist. Der Trend des Jahresniederschlags ist nach dem Wendepunkt deutlich rückläufig. Laut einem innovativen Trendtest weisen 86 % der Messstationen eine sinkende Tendenz auf. Nur 14 % der Stationen weisen einen steigenden Trend auf. Der Gesamttrend der Niederschläge, insbesondere der Regenfälle nach dem Monsun in Bangladesch, ist rückläufig.

Der Großteil der bisherigen Forschung zur Niederschlagsvorhersage nutzte lineare Regression, Adaptive Neuro-Fuzzy Inference System (ANFIS), genetischen Algorithmus (GA), Mann-Kendall-Test, Deep-Learning-Ansatz, Feed Forward Neural Network (FFNN) sowie empirische und dynamische Methoden10 ,11,68,70. Diese Methoden sagen niemals das tatsächliche Szenario zukünftiger Niederschläge voraus. Wir haben die Multilayer-Perception-Neuronale-Netzwerk-Technik verwendet, um den Niederschlag nicht nur auf saisonaler Skala, sondern auch auf monatlicher Ebene vorherzusagen. Banik et al.11 verwendeten die ANN-Methode zur Vorhersage von Niederschlägen, allerdings nur während der Monsunzeit in Bangladesch. Von 2021 bis 2030 ist eine erhebliche Schwankung der vorhergesagten monatlichen Niederschlagsmenge zu beobachten. Die maximale vorhergesagte Niederschlagsmenge für die Vormonsun-, Monsun- und Nachmonsunzeit wird in den Jahren 2028, 2027 und 2029 beobachtet.

Andererseits wird es in den Jahren 2023, 2023 und 2030 die geringsten Niederschläge für die Vormonsun-, Monsun- und Nachmonsunzeit geben. Nur einige Studien kamen zu dem Schluss, dass es in Bangladesch keine signifikanten Trends geben würde124, was ein unregelmäßiges Muster bei den Niederschlagstrends in Bangladesch zeigt49,72. In der vorliegenden Studie zeigen die vorhergesagten Ergebnisse auch ein unregelmäßiges Muster zukünftiger Niederschläge in Bangladesch. Außerdem prognostizieren Praveen et al.27 für Indien im Jahr 2020 die nächsten 15 Niederschlagsjahre und weisen auf einen deutlichen Rückgang der Niederschläge hin. Eine Bewertung der langfristigen Wasserverfügbarkeit auf verschiedenen räumlich-zeitlichen Gewichtungsskalen ist erforderlich, da die Wahrscheinlichkeit negativer Auswirkungen des Klimawandels auf die Wasserressourcen steigt148. Um die potenziellen Auswirkungen des Klimawandels abzumildern, soll diese Forschung Einblicke in die Bewirtschaftung und Entwicklung der Agrar- und Wasserressourcen Bangladeschs liefern.

Statistische Erkenntnisse deuten darauf hin, dass die meisten Niederschläge in der Monsunzeit fallen, wobei mehr als die Hälfte des jährlichen Niederschlags von Juni bis August fällt. Im Vor- und Nachmonsun fällt nur sehr wenig Niederschlag. Während des Monsuns ist die Niederschlagsmenge höher und während des Nachmonsuns geringer. Einem Trendtest zufolge nehmen die Niederschläge in Bangladesch während der Zeit nach dem Monsun insgesamt ab, während sie in einigen Gebieten während der Zeit vor dem Monsun zunehmen. Diesem Phänomen zufolge scheinen Monsson-Regenfälle früher als erwartet in einem Kalenderjahr aufzutreten. Identische Veränderungen in den Monsun-Niederschlagsmustern wurden auch in Nachbarländern beobachtet16,86,133. Diese Fluktuation zeigt sich im sich über das Jahr ändernden Niederschlagsmuster und begünstigt die meteorologische Dürre134. In den südlichen und östlichen Teilen Bangladeschs gab es zu allen Jahreszeiten kräftige Niederschläge, während im westlichen Teil weniger Niederschläge zu beobachten waren. Während des Nachmonsuns wurden im Norden Bangladeschs nur sehr wenige Niederschläge beobachtet. Wenn sich dieser Prozess im Norden und Westen Bangladeschs fortsetzt, wird es in diesen Gebieten in naher Zukunft zu Dürreperioden kommen. Der Nordwesten Bangladeschs ist jedoch bereits von der Grundwasserdürre betroffen106,135,136. Der Trendtest für monatliche Niederschläge zeigt, dass mehr als 80 % der Niederschläge der Station von November bis März und August zurückgegangen sind. Im Gegensatz dazu weisen nur die Monate Juli und Oktober bei mehr als 50 % der Messstationen einen steigenden Trend auf. Bangladesch verzeichnet während der Zeit nach dem Monsun einen rückläufigen Niederschlagstrend; Nur einige Gebiete im Norden und Süden weisen einen steigenden Trend für den Vormonsun bzw. den Monsun auf. Die Post-Monsun-Niederschläge gingen über Bangladesch zurück, während die Prä-Monsun- und Monsun-Niederschläge in einigen Gebieten zunahmen. Das vorhergesagte Ergebnis zeigt das schwankende Niederschlagsmuster in den kommenden Jahren. Die Wetterstandorte Bangladeschs zeigen während der Zeit nach dem Monsun eine rückläufige Tendenz, und die vorhergesagten Niederschläge schwanken, was ein starker Beweis für den Klimawandel ist. Ein Mangel an Niederschlägen kann Auswirkungen auf die Landwirtschaft und die Grundwasserressourcen haben. Da die landwirtschaftliche Praxis auf die Wasserversorgung angewiesen ist, stammt sie aus Niederschlägen oder unterirdischen Quellen. Allerdings sind die langfristigen Veränderungen im Niederschlagsmuster hauptsächlich mit Veränderungen der Meeresoberflächentemperatur (SST) und Landoberflächenprozessen verbunden. Der atmosphärische Prozess ist eher eine Reaktion auf Änderungen der SST und anderer langsam variierender Parameter. Dies ist eine der Haupteinschränkungen dieser Studie und verdient weitere Untersuchungen.

Diese Studie verwendet einen monatlichen und saisonalen Niederschlagsdatensatz, um Bangladeschs historische Niederschlagsmuster und -prognosen zu untersuchen. Die Mann-Kendall-Analyse, die innovative Trendanalyse und der Sen's Slope Estimator wurden durchgeführt, um Trends bei den historischen Niederschlägen in Bangladesch zu ermitteln. Ein mehrschichtiges Wahrnehmungs-Neuronales Netzwerk wurde verwendet, um zukünftige Niederschlagsmuster vorherzusagen, und die Ursachen von Niederschlagsänderungen werden in der vorliegenden Studie ebenfalls untersucht. Aus der aktuellen Studie lassen sich folgende zentrale Schlussfolgerungen ziehen:

In der Nachmonsunzeit ist in ganz Bangladesch ein Rückgang der Niederschläge zu verzeichnen, und auch in den anderen beiden Jahreszeiten (Vormonsun und Monsun) nehmen die Niederschläge in mehr als 75 % der Gebiete ab. Über 80 % der Messstationen weisen von November bis März, insbesondere August, einen rückläufigen Trend auf, während mehr als 50 % im Juli und Oktober einen steigenden Trend aufweisen. Diese Schwankung weist auf eine erhebliche Veränderung der Niederschlagsmuster, insbesondere der Monsunniederschläge, hin.

Den Prognosen zufolge werden die künftigen Niederschläge in Bangladesch wahrscheinlich einem unregelmäßigen Muster folgen. Im Prognosezeitraum (bis 2030) wird es im Dezember und Januar keinen Regen geben.

Eine zunehmende/abnehmende konvektive Niederschlagsrate, eine verstärkte niedrige Wolkendecke und eine unzureichende Feuchtigkeitsdivergenz im Golf von Bengalen, die in nordwestlicher Richtung transportiert wird, könnten laut großräumigen ozeanisch-atmosphärischen Veränderungen, die daraus abgeleitet wurden, die Veränderungen der Niederschläge in Bangladesch stark beeinflusst haben ERA5-Reanalysedaten des EZMW

Bei dieser Studie wurden für mehrere Standorte über mehrere Jahre hinweg fehlende Daten festgestellt, was sich auf die Trendanalyse auswirkte, da geschätzte Daten die tatsächlichen Daten nur teilweise ersetzen können. Es sind jedoch weitere Studien erforderlich, um die Faktoren hinter dem Niederschlagsmuster zu identifizieren und Erd- und Atmosphärenfaktoren mit Niederschlagsdaten zu nutzen, um den Niederschlag vorherzusagen.

Es wird erwartet, dass die Ergebnisse dieser Studie erhebliche Auswirkungen auf das Wasserressourcenmanagement und die Agrarplanung in Bangladesch haben werden. Die entwickelten Anbauarten und -muster müssen möglicherweise auf Variationen in den Niederschlagsmustern reagieren.

Die während der aktuellen Studie generierten und/oder analysierten Datensätze sind aufgrund von Einschränkungen durch die BMD-Behörde nicht öffentlich zugänglich, können jedoch auf begründete Anfrage beim entsprechenden Autor angefordert werden.

FAO. Umsetzung der Globalen Strategie in Bangladesch. http://www.fao.org/asiapacific/perspectives/agricultural-statistics/global-strategy/results-in-the-region/bangladesh/en/ (2021). Zugriff am 15. Januar 2023.

Das, S. & Islam, ARMT Bewertung zeitlicher Änderungen in den Häufigkeitsmerkmalen des jährlichen maximalen Niederschlags von täglicher Dauer über Bangladesch. Theor. Appl. Klimatol. https://doi.org/10.1007/s00704-023-04479-0 (2023).

Artikel Google Scholar

Sultana, R., Irfanullah, HM, Selim, SA & Budrudzaman, M. Vulnerabilität und ökosystembasierte Anpassung in den landwirtschaftlichen Gemeinden im dürregefährdeten Nordwesten Bangladeschs. Umgebung. Herausforderung. https://doi.org/10.1016/j.envc.2023.100707 (2023).

Artikel Google Scholar

Ferrand, EA Regenwassernutzung als wirksame Strategie zur Anpassung an den Klimawandel in ländlichen und städtischen Gebieten 405–420 (Springer, 2015).

Google Scholar

Chandio, AA et al. Klimawandel und Ernährungssicherheit in Südasien: Neue Erkenntnisse aus politischer Sicht mithilfe neuartiger empirischer Analysen. J. Umgebung. Planverwalt. 66(1), 169–190. https://doi.org/10.1080/09640568.2021.1980378 (2023).

Artikel Google Scholar

Nury, AH, Hasan, K., Mohammed Erfan, K. & Chandra Dey, D. Analyse räumlich und zeitlich variierender Niederschläge in Bangladesch. Asiatische J. Wasserumgebung. 13(3), 15–27. https://doi.org/10.3233/ajw-160023 (2016).

Artikel Google Scholar

Rahman, M., Ferdousi, N., Sato, Y., Kusunoki, S. & Kitoh, A. Niederschlags- und Temperaturszenario für Bangladesch unter Verwendung von AGCM mit 20 km Maschenweite. Int. J. Clim. Änderung 4(1), 66–80. https://doi.org/10.1108/17568691211200227 (2012).

Artikel Google Scholar

Bazrafshan, O. et al. Ökonomische Analyse des Wasser-Fußabdrucks für die Wasserbewirtschaftung von regengespeisten und bewässerten Mandelanbaugebieten im Iran. Bewässerung. Wissenschaft. https://doi.org/10.1007/s00271-023-00861-y (2023).

Artikel Google Scholar

Azad, S., Debnath, S. & Rajeevan, M. Analyse der Vorhersagbarkeit von Regenfällen im indischen Monsun: Ein datenanalytischer Ansatz. Umgebung. Verfahren. 2(4), 717–727. https://doi.org/10.1007/s40710-015-0108-0 (2015).

Artikel Google Scholar

Kala, A. & Vaidyanathan, SG Vorhersage von Niederschlägen mithilfe eines künstlichen neuronalen Netzwerks. In Proc. der International Conference on Inventive Research in Computing Applications, ICIRCA 2018, 1, 339–342. https://doi.org/10.1109/ICIRCA.2018.8597421

Banik, S., Chanchary, FH, Khan, K., Rouf, RA, & Anwer, M. Neuronaler Netzwerk- und genetischer Algorithmus-Ansatz zur Vorhersage von Monsunniederschlägen in Bangladesch. In Proc. der 11. Internationalen Konferenz für Computer- und Informationstechnologie, ICCIT 2008, ICCIT, 735–740. https://doi.org/10.1109/ICCITECHN.2008.4802997 (2008).

Vivas, E. et al. Tief verzögertes Wavelet für die monatliche Niederschlagsvorhersage in einer tropischen Region. SERRA 37, 831–848 (2023).

Google Scholar

IPCC. Klimawandel und Land: ein IPCC-Sonderbericht über Klimawandel, Wüstenbildung, Landdegradation, nachhaltige Landbewirtschaftung, Ernährungssicherheit und Treibhausgasflüsse in terrestrischen Ökosystemen [PR Shukla et al.], (im Druck). (2019).

New, M., Todd, M., Hulme, M. & Jones, P. Niederschlagsmessungen und -trends im 20. Jahrhundert. Int. J. Climatol. 21, 1899–1922. https://doi.org/10.1002/joc.680 (2001).

Artikel Google Scholar

Gu, G. & Adler, RF Beobachtete Variabilität und Trends der globalen Niederschläge im Zeitraum 1979–2020. Aufstieg. Dyn. 61, 131–150. https://doi.org/10.1007/s00382-022-06567-9 (2023).

Artikel Google Scholar

Bharath, A., Ramesh, M., Manjunatha, M. & Reshma, TV Raumzeitliche Niederschlagsvariabilität und Trendanalyse des Shimsha-Flussbeckens, Indien. Umgebung. Wissenschaft. Umweltverschmutzung. Res. https://doi.org/10.1007/s11356-023-25720-3 (2023).

Artikel Google Scholar

Ahmad, I., Tang, D., Wang, T., Wang, M. & Wagan, B. Niederschlagstrends im Zeitverlauf unter Verwendung der Mann-Kendall- und Spearman-Rho-Tests im Swat-Flussbecken, Pakistan. Adv. Meteorol. https://doi.org/10.1155/2015/431860 (2015).

Artikel Google Scholar

Ahmad, K. et al. Bewertung der langfristigen Niederschlagsvariabilität und -trends anhand von Beobachtungs- und Satellitendaten im zentralen Punjab, Pakistan. Atmosphäre 14(1), 60. https://doi.org/10.3390/atmos14010060 (2023).

Artikel ADS Google Scholar

Tabari, H. & Talaee, PH Zeitliche Variabilität der Niederschläge über dem Iran: 1966–2005. J. Hydrol. 396(3–4), 313–320. https://doi.org/10.1016/j.jhydrol.2010.11.034 (2011).

Artikel ADS Google Scholar

Chang, X., J. Wasserklima. Änderung 9(3), 540–554. https://doi.org/10.2166/wcc.2017.029 (2018).

Artikel Google Scholar

Chen, Y., Ding, M., Zhang, G., Duan, X. & Wang, C. Die mögliche Rolle fusionierter Niederschlagsdaten bei der Erkennung des räumlich-zeitlichen Musters der Niederschlagserosivität über dem tibetischen Plateau, China. CATENA https://doi.org/10.1016/j.catena.2023.107114 (2023).

Artikel Google Scholar

Lawrimore, JH et al. Klimabewertung für das Jahr 2000. Bull. Bin. Meteor. Soc. 82, S1–S62 (2001).

Artikel Google Scholar

Hidalgo, JCG et al. Monatliche Niederschlagstrends am Mittelmeerrand der Iberischen Halbinsel in der zweiten Hälfte des 20. Jahrhunderts. Int. J. Climatol. 29, 1415–1429. https://doi.org/10.1002/joc.1780 (2009).

Artikel Google Scholar

Tabari, H., Talaee, PH, Ezani, A. & Some'e, BS Schichtänderungen und monotone Trends in autokorrelierten Temperaturreihen über dem Iran. Theor. Appl. Klimatol. 109(1–2), 95–108. https://doi.org/10.1007/s00704-011-0568-8 (2012).

Artikel ADS Google Scholar

Hale, H. et al. Treiber räumlich-zeitlicher Muster von Oberflächenwassereinträgen in einem Einzugsgebiet in der Regen-Schnee-Übergangszone im wasserbegrenzten Westen der Vereinigten Staaten. J. Hydrol. https://doi.org/10.1016/j.jhydrol.2022.128699 (2023).

Artikel Google Scholar

Caloiero, T., Coscarelli, R., Ferrari, E. & Mancini, M. Trenderkennung der jährlichen und saisonalen Niederschläge in Kalabrien (Süditalien). Int. J. Climatol. 31(1), 44–56. https://doi.org/10.1002/joc.2055 (2011).

Artikel Google Scholar

Praveen, B. et al. Trendanalyse und Vorhersage von Niederschlagsänderungen in Indien mithilfe nichtparametrischer und maschineller Lernansätze. Wissenschaft. Rep. 10(1), 1–21. https://doi.org/10.1038/s41598-020-67228-7 (2020).

Artikel CAS Google Scholar

Thandlam, V. et al. Quantifizierung der Rolle der vorangegangenen Kapazität im Südwesten des Indischen Ozeans auf die Niederschlagsvariabilität des Sommermonsuns über homogene Regionen Indiens. Wissenschaft. Rep. 13, 5553. https://doi.org/10.1038/s41598-023-32840-w (2023).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Treppiedi, D., Cipolla, G., Francipane, A., Cannarozzo, M. & Noto, LV Untersuchung der Zuverlässigkeit stationärer Niederschlagsmengen in einer Mittelmeerregion unter einem sich ändernden Klima. Wasser 15(12), 2245. https://doi.org/10.3390/w15122245 (2023).

Artikel Google Scholar

IPCC. Zusammenfassung für politische Entscheidungsträger. Fünfter Sachstandsbericht des Zwischenstaatlichen Ausschusses für Klimaänderungen. Cambridge University Press, Cambridge, New York (2013).

Wu, L. et al. Einfluss extremer Klimazonen auf die Landoberflächenphänologie in Zentralasien. Ökologisch. Indik. https://doi.org/10.1016/j.ecolind.2022.109832 (2023).

Artikel PubMed PubMed Central Google Scholar

Hamilton, JP, Whitelaw, GS & Fenech, A. Mittlere Jahrestemperatur und jährliche Gesamtniederschlagstrends in Canadian. Umgebung. Überwachen. Bewerten. 67(1–2), 239–275. https://doi.org/10.1023/A:1006490707949 (2001).

Artikel CAS PubMed Google Scholar

Subash, N. & Sikka, AK Trendanalyse von Niederschlag und Temperatur und deren Zusammenhang in Indien. Theor. Appl. Klimatol. 117(3–4), 449–462. https://doi.org/10.1007/s00704-013-1015-9 (2014).

Artikel ADS Google Scholar

He, J. et al. Die jährlichen Niederschlagsmusteränderungen im Laufe von hundert Jahren zeigen einen zunehmenden Trend mit größeren Schwankungen in Nordaustralien. J. Hydrometeorol. https://doi.org/10.1175/JHM-D-21-0116.1 (2022).

Artikel Google Scholar

Ren, YY et al. Beobachtete Veränderungen der Oberflächenlufttemperatur und des Niederschlags in der Hindukusch-Himalaya-Region in den letzten über 100 Jahren. Adv. Aufstieg. Res. ändern. 8(3), 148–156 (2017).

Artikel Google Scholar

Ahmed, SA Erkennung räumlich-zeitlicher Muster von Niederschlagstrends mithilfe nichtparametrischer statistischer Techniken im indischen Bundesstaat Karnataka. Umgebung. Überwachen. Bewerten. 195, 909. https://doi.org/10.1007/s10661-023-11466-5 (2023).

Artikel PubMed Google Scholar

Ullah, S., You, Q., Ullah, W. & Ali, A. Beobachtete Veränderungen der Niederschläge im Wirtschaftskorridor China-Pakistan im Zeitraum 1980–2016. Atmosphäre. Res. 210 (März), 1–14. https://doi.org/10.1016/j.atmosres.2018.04.007 (2018).

Artikel Google Scholar

Xu, Z., Zhang, S. & Yang, X. Reaktion des Wasser- und Sedimentertrags auf extreme Niederschlagsereignisse in einem komplexen großen Flussbecken: Eine Fallstudie des Gelben Flussbeckens, China. J. Hydrol. https://doi.org/10.1016/j.jhydrol.2021.126183 (2021).

Artikel Google Scholar

Shahid, S. Trends bei extremen Niederschlagsereignissen in Bangladesch. Theor. Appl. Klimatol. 104(3–4), 489–499. https://doi.org/10.1007/s00704-010-0363-y (2011).

Artikel ADS Google Scholar

Endo, N. et al. Trends in den Niederschlagseigenschaften in Bangladesch von 1950 bis 2008. SOLA https://doi.org/10.2151/sola.2015-027 (2015).

Artikel Google Scholar

Zannat, F., Islam, ARMT & Rahman, MA Räumlich-zeitliche Variabilität der Niederschläge im Zusammenhang mit dem Grundwasserspiegel bei sich änderndem Klima in der nordwestlichen Region Bangladeschs. EUR. J. Geogr. 56 (April), 35–56 (2019).

Google Scholar

Bari, SH, Rahman, MTU, Hoque, MA & Hussain, MM Analyse der saisonalen und jährlichen Niederschlagstrends in der nördlichen Region Bangladeschs. Atmosphäre. Res. 176–177, 148–158. https://doi.org/10.1016/j.atmosres.2016.02.008 (2016).

Artikel Google Scholar

Hossain, MS, Roy, K. & Datta, DK Räumliche und zeitliche Variabilität der Niederschläge an der Südwestküste Bangladeschs. Klima 2(2), 28–46 (2014).

Artikel Google Scholar

Rahman, MS & Islam, ARMT Ändern sich Niederschlagskonzentration und -intensität in Bangladesch im Laufe der Zeit? Analyse der möglichen Ursachen für Veränderungen in Niederschlagssystemen. Wissenschaft. Gesamtumgebung. 690, 370–387. https://doi.org/10.1016/j.scitotenv.2019.06.529 (2019).

Artikel ADS CAS PubMed Google Scholar

WARPO. Küstenentwicklungsstrategie. Ministerium für Wasserressourcen, Regierung der Volksrepublik Bangladesch, Dhaka (2006). Zugriff am 10. Dezember 2022.

Rahman, MA, Yunsheng, L. & Sultana, N. Analyse und Vorhersage von Niederschlagstrends über Bangladesch unter Verwendung von Mann-Kendall, Spearmans Rho-Tests und dem ARIMA-Modell. Meteorol. Atmosphäre. Physik. 129(4), 409–424. https://doi.org/10.1007/s00703-016-0479-4 (2017).

Artikel ADS Google Scholar

Basak, JK, Ali, MA, Islam, MN & Rashid, MA Bewertung der Auswirkungen des Klimawandels auf die Borreisproduktion in Bangladesch mithilfe des DSSAT-Modells, Tagungsband der internationalen Konferenz über die Auswirkungen des Klimawandels und Anpassungsstrategien für Bangladesch. J. Civ. Ing. (IEB) 38(2), 95–108 (2010).

Google Scholar

Yousuf, AHM & Ahmed, MK Merkmale von Temperatur und Niederschlag in Bangladesch: Eine historische Perspektive 1948–2011. Dhaka Univ. J. Erdumwelt. Wissenschaft. 4, 13–32 (2015).

Google Scholar

Islam, ARMT, Rahman, MS, Khatun, R. & Hu, Z. Raumzeitliche Trends in der Häufigkeit täglicher Niederschläge in Bangladesch im Zeitraum 1975–2017. Theor. Appl. Klimatol. 141(3–4), 869–887. https://doi.org/10.1007/s00704-020-03244-x (2020).

Artikel ADS Google Scholar

Longobardi, A. & Villani, P. Trendanalyse jährlicher und saisonaler Niederschlagszeitreihen im Mittelmeerraum. Int. J. Climatol. 30(10), 1538–1546. https://doi.org/10.1002/joc.2001 (2010).

Artikel Google Scholar

Afzal, M., Mansell, MG & Gagnon, AS Trends und Variabilität der täglichen Niederschläge in Schottland. Proz. Umgebung. Wissenschaft. 6, 15–26. https://doi.org/10.1016/j.proenv.2011.05.003 (2011).

Artikel Google Scholar

Marumbwa, F., Cho, M. & Chirwa, P. Analyse räumlich-zeitlicher Niederschlagstrends in südafrikanischen Biomen zwischen 1981 und 2016. Phys. Chem. Earth Parts A/B/C 114, 102808. https://doi.org/10.1016/j.pce.2019.10.004 (2019).

Artikel Google Scholar

Abdullah, AYM et al. Extreme Temperatur- und Niederschlagsereignisse in Bangladesch: Ein Vergleich zwischen Küsten- und Binnengebieten. Int. J. Climatol. 42(6), 3253–3273. https://doi.org/10.1002/joc.6911 (2022).

Artikel Google Scholar

Mainuddin, M. et al. Langfristige räumlich-zeitliche Variabilität und Trends bei Niederschlägen und Temperaturextremen und deren potenzielles Risiko für die Reisproduktion in Bangladesch. PLUS Clim. 1(3), e0000009. https://doi.org/10.1371/journal.pclm.0000009 (2022).

Artikel Google Scholar

Ahasan, M., Chowdhary, MA & Quadir, D. Variabilität und Trends der sommerlichen Monsunniederschläge über Bangladesch. J. Hydrol. Meteorol. 7(1), 1–17. https://doi.org/10.3126/jhm.v7i1.5612 (2010).

Artikel Google Scholar

Hasan, GMJ, Chowdhury, MAI & Ahmed, S. Analyse des statistischen Verhaltens des täglichen maximalen und monatlichen Durchschnittsniederschlags zusammen mit der Variation der Regentage in Sylhet, Bangladesch. IJEST 9(5), 559–578 (2014).

Google Scholar

Mullick, MRA, Nur, MRM, Alam, MJ & Islam, KMA Beobachtete Temperatur- und Niederschlagstrends in Bangladesch mithilfe eines Pre-Whitening-Ansatzes. Globus. Planet. Änderung 172, 104–113. https://doi.org/10.1016/j.gloplacha.2018.10.001 (2019).

Artikel ADS Google Scholar

Drapela, K. & Drapelova, I. Anwendung des Mann-Kendall-Tests und der Sen-Steigungsschätzungen zur Trenderkennung in Ablagerungsdaten von Bily Kriz (Beskiden, Tschechische Republik) 1997–2010. Beskiden 4, 133–146 (2011).

Google Scholar

Gocic, M. & Trajkovic, S. Analyse von Änderungen meteorologischer Variablen mithilfe statistischer Tests zur Steigungsschätzung nach Mann-Kendall und Sen in Serbien. Globus. Planet. Änderung 100, 172–182. https://doi.org/10.1016/j.gloplacha.2012.10.014 (2013).

Artikel ADS Google Scholar

Shahid, S. Aktuelle Trends im Klima von Bangladesch. Aufstieg. Res. 42(3), 185–193. https://doi.org/10.3354/cr00889 (2010).

Artikel Google Scholar

Rafiuddin, M., Uyeda, H. & Islam, MN Merkmale von Monsunniederschlagssystemen in und um Bangladesch. Int. J. Climatol. 30(7), 1042–1055. https://doi.org/10.1002/joc.1949 (2010).

Artikel Google Scholar

Shahid, S. Niederschlagsvariabilität und die Trends von Regen- und Trockenperioden in Bangladesch. Int. J. Climatol. 30(15), 2299–2313. https://doi.org/10.1002/joc.2053 (2010).

Artikel Google Scholar

Cannarozzo, M., Noto, LV & Viola, F. Räumliche Verteilung der Niederschlagstrends in Sizilien (1921–2000). Physik. Chem. Erde 31(18), 1201–1211. https://doi.org/10.1016/j.pce.2006.03.022 (2006).

Artikel ADS Google Scholar

Rasel, HM, Imteaz, MA & Mekanik, F. Ansatz der multiplen Regressionsmodellierung zur Niederschlagsvorhersage unter Verwendung großräumiger Klimaindizes als potenzielle Prädiktoren. Int. J. Water 11(3), 209–225. https://doi.org/10.1504/IJW.2017.10006789 (2017).

Artikel Google Scholar

Mekanik, F., Imteaz, MA & Talei, A. Saisonale Niederschlagsvorhersage durch ein adaptives netzwerkbasiertes Fuzzy-Inferenzsystem (ANFIS) unter Verwendung großräumiger Klimasignale. Aufstieg. Dyn. 46(9), 3097–3111. https://doi.org/10.1007/s00382-015-2755-2 (2016).

Artikel Google Scholar

Islam, F. & Imteaz, MA Ein neuartiger Hybridansatz zur Vorhersage der saisonalen Niederschlagsvariabilität Westaustraliens. Wasserressource. Geschäftsführer 36(3649–3672), 2022. https://doi.org/10.1007/s11269-022-03219-9 (2022).

Artikel Google Scholar

Islam, F. & Imteaz, MA Verwendung von Fernverbindungen zur Vorhersage der saisonalen Niederschläge in Westaustralien mithilfe des ARIMAX-Modells. Hydrology 7(52), 2020. https://doi.org/10.3390/hydrology7030052 (2020).

Artikel Google Scholar

Folland, C., Owen, J. & Ward, MN Vorhersage saisonaler Niederschläge in der Sahelzone mithilfe empirischer und dynamischer Methoden. J. Prognose. 10, 21–56 (2002).

Artikel Google Scholar

Basha, CZ, Bhavana, N., Bhavya, P. & Sowmya, V. Niederschlagsvorhersage mithilfe von Deep-Learning-Techniken des maschinellen Lernens. In Proc. Internationale Konferenz über Elektronik und nachhaltige Kommunikationssysteme, ICESC 2020, ICESC, 92–97. https://doi.org/10.1109/ICESC48915.2020.9155896 (2020).

Ray, S. et al. Zeitreihe SARIMA-Modellierung und Vorhersage der monatlichen Niederschläge und Temperaturen in den südasiatischen Ländern. ESEV https://doi.org/10.1007/s41748-021-00205-w (2021).

Artikel Google Scholar

Ghamariadyan, M. & Imteaz, MA Vorhersage saisonaler Niederschläge mit einer Vorlaufzeit von einem Jahr unter Verwendung von Klimaindizes: Ein neuronales Wavelet-Netzwerkschema. Wasserressource. Geschäftsführer 35, 5347–5365. https://doi.org/10.1007/s11269-021-03007-x (2021).

Artikel Google Scholar

Islam, ARMT, Karim, MR & Mondol, MAH. Bewertung von Trends und Vorhersage hydroklimatischer Variablen in den nördlichen und nordöstlichen Regionen Bangladeschs. Theor. Appl. Klimatol. 143, 33–50. https://doi.org/10.1007/s00704-020-03411-0 (2021).

Artikel ADS Google Scholar

Mannana, A., Chowdhury, AM & Karmakar, S. Langfristige und kurzfristige Vorhersage von Niederschlägen und Regentagen über dem nordwestlichen Teil von Bangladesch während der Monsunzeit. In Proc. Internationale Konferenz über nachhaltige Entwicklung und Technologie in der Physik (ICPSDT-2015), 47.–53. Dezember. (2015).

Rahman, MA, Kamal, SMM & Billah, MM Vorhersage und Trends der Niederschlagsvariabilität über Bangladesch. Wissenschaft. J. Appl. Mathematik. Stat. 5(1), 54 (2017).

Artikel Google Scholar

Hernández, E., Sanchez-Anguix, V., Julian, V., Palanca, J. & Duque, N. Niederschlagsvorhersage: Ein Deep-Learning-Ansatz. Vorlesungsunterlagen in Informatik, 151–162. https://doi.org/10.1007/978-3-319-32034-2_13 (2016).

Mekanik, F., Imteaz, M., Gato-Trinidad, S. & Elmahdi, A. Multiple Regression und künstliches neuronales Netzwerk für langfristige Niederschlagsvorhersagen unter Verwendung großräumiger Klimamodi. J. Hydrol. 503, 11–21. https://doi.org/10.1016/j.jhydrol.2013.08.035 (2013).

Artikel ADS Google Scholar

Rizvee, MA, Arju, AR, Al-Hasan, M., Tareque, SM & Hasan, MZ Wettervorhersage für die nordwestliche Region Bangladeschs: ein Ansatz für maschinelles Lernen, In Proc. 11. Internationale Konferenz für Computer-, Kommunikations- und Netzwerktechnologien (ICCCNT), Kharagpur, Indien, 2020, S. 1–6, https://doi.org/10.1109/ICCCNT49239.2020.9225389 (2020).

Darji, MP, Dabhi, VK & Prajapati, HB Niederschlagsvorhersage mithilfe neuronaler Netze: Eine Umfrage. In Proc. Tagungsband – Internationale Konferenz 2015 über Fortschritte in der Computertechnik und Anwendungen, ICACEA 2015, 706–713. https://doi.org/10.1109/ICACEA.2015.7164782 (2015).

Trivedi, SK & Dey, S. Auswirkung von Merkmalsauswahlmethoden auf Klassifikatoren für maschinelles Lernen zur Erkennung von E-Mail-Spam. In Proc. 2013 Research in Adaptive and Convergent Systems, RACS 2013, September 2016, 35–40. https://doi.org/10.1145/2513228.2513313 (2013).

Zhang, X. et al. Jährliche und Nicht-Monsun-Niederschlagsvorhersagemodellierung mit SVR-MLP: Eine empirische Studie von Odisha. IEEE Access 8, 30223–30233. https://doi.org/10.1109/ACCESS.2020.2972435 (2020).

Artikel Google Scholar

Liu, Q., Zou, Y., Liu, X. & Linge, N. Eine Umfrage zur Niederschlagsvorhersage mithilfe eines künstlichen neuronalen Netzwerks. Int. J. Einbetten. Syst. 11(2), 240–249. https://doi.org/10.1504/IJES.2019.098300 (2019).

Artikel Google Scholar

Hossain, I., Rasel, HM, Imteaz, MA & Mekanik, F. Langfristige saisonale Niederschlagsvorhersage mit linearen und nichtlinearen Modellierungsansätzen: Eine Fallstudie für Westaustralien. Meteorol. Atmosphäre. Physik. 132(1), 131–141. https://doi.org/10.1007/s00703-019-00679-4 (2020).

Artikel ADS Google Scholar

Samantaray, S., Tripathy, O., Sahoo, A. & Ghose, DK Niederschlagsvorhersage durch ANN und SVM im Wassereinzugsgebiet Bolangir, Indien. In Proc. Smart Intelligent Computing und Anwendungen 767–774. https://doi.org/10.1007/978-981-13-9282-5_74 (2020).

Abhishek, K., Kumar, A., Ranjan, R. & Kumar, S. Ein Niederschlagsvorhersagemodell unter Verwendung eines künstlichen neuronalen Netzwerks. In Proc. 2012 IEEE Control and System Graduate Research Colloquium, ICSGRC 2012, Februar 2016, 82–87. https://doi.org/10.1109/ICSGRC.2012.6287140 (2012).

Soleymani, SA Eine neuartige Methode zur Wasserstandsvorhersage mithilfe von RBF und FFA. Wasserressource. Geschäftsführer 30(9), 3265–3283. https://doi.org/10.1007/s11269-016-1347-1 (2016).

Artikel Google Scholar

Azad, MAK et al. Veränderungen in den Monsunniederschlagsmustern über Bangladesch und ihre Fernverbindungen zum globalen Klima. Theor. Appl. Klimatol. 148, 1261–1278. https://doi.org/10.1007/s00704-022-03996-8 (2022).

Artikel ADS Google Scholar

Das, S., Kamruzamman, M. & Islam, ARMT Bewertung charakteristischer Änderungen der regionalen Schätzung extremer Niederschläge unter dem Klimawandel: Eine Fallstudie in einer tropischen Monsunregion mit den Klimaprojektionen des CMIP6-Modells. J. Hydrol 610, 128002. https://doi.org/10.1016/j.jhydrol.2022.128002 (2022).

Artikel Google Scholar

Rahman, MN, Rony, MRH & Jannat, FA Räumlich-zeitliche Bewertung des Dürretrends im Zeitraum 1979–2019 in sieben Klimazonen Bangladeschs. Heliyon 7(11), 1–11. https://doi.org/10.1016/j.heliyon.2021.e08249 (2021).

Artikel Google Scholar

Ahmed, R. & Mohanta, SC Saison. Banglapedia. https://en.banglapedia.org/index.php/Staffel (2021).

Gao, Y. et al. Veränderungen der täglichen Klimaextreme im Lössplateau im Zeitraum 1960–2013. Quat. Int. 371(1), 5–21. https://doi.org/10.1016/j.quaint.2014.08.052 (2015).

Artikel Google Scholar

Piyoosh, AK & Ghosh, SK Einfluss der Autokorrelation auf zeitliche Niederschlagstrends in einer Talregion am Fuße des indischen Himalaya. Stoch. Umgebung. Res. Risikobewertung. 31(8), 2075–2096. https://doi.org/10.1007/s00477-016-1347-y (2017).

Artikel Google Scholar

van Buuren, S. Mehrfache Imputation diskreter und kontinuierlicher Daten durch vollständig bedingte Spezifikation. Stat. Methoden Med. Res. 16(3), 219–242. https://doi.org/10.1177/0962280206074463 (2007).

Artikel MathSciNet PubMed MATH Google Scholar

Grubbs, FE Stichprobenkriterien zum Testen abweichender Beobachtungen. Ann. Mathematik. Stat. 21(1), 27–58. https://doi.org/10.1214/aoms/1177729885 (1950).

Artikel MathSciNet MATH Google Scholar

Zhang, C. Grundlagen der Umweltprobenahme und -analyse (Wiley, 2007).

Buchen Sie Google Scholar

Wilks, DS Statistical Methods in the Atmospheric Sciences Vol. 100 (Academic Press, 2011).

Google Scholar

Kramer, W. Durbin-Watson-Test. In: Lovric, M. (Hrsg.) International Encyclopedia of Statistical Science. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-04898-2_219 (2011).

Patakamuri, SK, Muthiah, K. & Sridhar, V. Langzeithomogenität, Trend und Änderungspunktanalyse der Niederschläge im Trockenbezirk Ananthapuramu, Bundesstaat Andhra Pradesh, Indien. Wasser https://doi.org/10.3390/w12010211 (2020).

Artikel Google Scholar

Alexandersson, H. Ein Homogenitätstest für Niederschlagsdaten. J. Climatol. 6, 661–675. https://doi.org/10.1002/joc.3370060607 (1986).

Artikel Google Scholar

Alexandersson, H. & Moberg, A. Homogenisierung schwedischer Temperaturdaten. Teil I: Homogenitätstest für lineare Trends. Int. 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">Artikel Google Scholar

Von Neumann, J. Verteilung des Verhältnisses der mittleren quadratischen sukzessiven Differenz zur Varianz. Ann. Mathematik. Stat. 12, 367–395. https://doi.org/10.1214/aoms/1177731677 (1941).

Artikel MathSciNet MATH Google Scholar

Khaliq, MN & Ouarda, TBMJ Über die kritischen Werte des Standard-Normalhomogenitätstests (SNHT). Int. J. Climatol. 27, 681–687. https://doi.org/10.1002/joc.1438 (2007).

Artikel Google Scholar

Monir, MM, Sarker, SC & Islam, MN Bewertung der sich ändernden Trends des Grundwasserspiegels auf räumlich-zeitlicher Ebene im nördlichen Teil Bangladeschs unter Integration der Modelle MAKESENS und ARIMA. Modell. Erdsystem. Umgebung. https://doi.org/10.1007/s40808-023-01794-3 (2023).

Artikel Google Scholar

Wang, XL, Wen, QH & Wu, Y. Bestrafter Maximal-T-Test zur Erkennung undokumentierter mittlerer Änderungen in Klimadatenreihen. JAMC 46(6), 916–931. https://doi.org/10.1175/jam2504.1 (2007).

Artikel Google Scholar

Miao, L., Jun, X. & Dejuan, M. Langfristige Trendanalyse der saisonalen Niederschläge für Peking, China. JRE 3(1), 64–72. https://doi.org/10.5814/j.issn.1674-764x.2012.01.010 (2012).

Artikel Google Scholar

Pandit, DV Saisonale Niederschlagstrendanalyse. Int. J. Eng. Res. Appl. 6(7), 69–73 (2016).

MathSciNet Google Scholar

Monir, MM et al. Grundwasserspiegelschwankungen und damit verbundene Einflussfaktoren im Bezirk Rangpur, Bangladesch, unter Verwendung modifizierter Mann-Kendall- und GIS-basierter AHP-Technik. Theor. Appl. Klimatol. https://doi.org/10.1007/s00704-023-04541-x (2023).

Artikel Google Scholar

Shahid, S., Harun, SB & Katimon, A. Veränderungen im Tagestemperaturbereich in Bangladesch im Zeitraum 1961–2008. Geldautomat. Res. 118, 260–270. https://doi.org/10.1016/j.atmosres.2012.07.008 (2012).

Artikel Google Scholar

Sen, PK Schätzte den Regressionskoeffizienten basierend auf Kendalls Tau. JASA 63(324), 1379–1389 (1968).

Artikel MATH Google Scholar

Kendall, MG Rangkorrelationsmethoden (Charles Griffin, 1975).

Google Scholar

Mann, HB Nichtparametrische Tests gegen den Trend. J. Ökonom. 13(3), 245–259 (1945).

MathSciNet MATH Google Scholar

Anand, B., Karunanidhi, D., Subramani, T., Srinivasamoorthy, K. & Suresh, M. Langzeittrenderkennung und raumzeitliche Analyse des Grundwasserspiegels mithilfe von GIS-Techniken im unteren Bhavani-Flussbecken, Tamil Nadu, Indien. J. Umgebung. Entwickler Aufrechterhalten. 22(4), 2779–2800. https://doi.org/10.1007/s10668-019-00318-3 (2020).

Artikel Google Scholar

Pettitt, AN Ein nichtparametrischer Ansatz für das Change-Point-Problem. JR-Stat. Soc. Ser. C (Appl. Stat.) 28(2), 126–135. https://doi.org/10.2307/2346729 (1979).

Artikel MathSciNet MATH Google Scholar

Zhang, S. & Lu, XX Hydrologische Reaktionen auf Niederschlagsschwankungen und verschiedene menschliche Aktivitäten in einem bergigen Nebenfluss des unteren Xijiang, China. CATENA 77(2), 130–142. https://doi.org/10.1016/j.catena.2008.09.001 (2009).

Artikel Google Scholar

McGilchrist, CA & Woodyer, KD Hinweis zu einer verteilungsfreien Cusum-Technik. Technometrie 17, 321–325. https://doi.org/10.1080/00401706.1975.10489335 (1975).

Artikel MATH Google Scholar

Serinaldi, F., Chebana, F. & Kilsby, CG Analyse innovativer Trendanalysen. Stoch. Umgebung. Res. Risikobewertung. 34(5), 733–754. https://doi.org/10.1007/s00477-020-01797-x (2020).

Artikel Google Scholar

Alifujiang, Y., Abuduwaili, J., Maihemuti, B., Emin, B. & Groll, M. Innovative Trendanalyse der Niederschläge im Issyk-Kul-See-Becken Kirgisistan. Atmosphäre 11(4), 1–16. https://doi.org/10.3390/atmos11040332 (2020).

Artikel Google Scholar

Şen, Z. Innovative Trendanalysemethodik. J. Hydrol. Ing. 17(9), 1042–1046. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000556 (2012).

Artikel Google Scholar

Ay, M. & Kisi, O. Untersuchung der Trendanalyse des monatlichen Gesamtniederschlags mit einer innovativen Methode. Theor. Appl. Klimatol. 120(3–4), 617–629. https://doi.org/10.1007/s00704-014-1198-8 (2015).

Artikel ADS Google Scholar

Sen, Z. Simulation und Anwendung der Trenderkennung. J. Hydrol. Ing. 19(3), 635–642. https://doi.org/10.1061/(ASCE)HE.1943-5584.0000811 (2014).

Artikel Google Scholar

Wu, H. & Qian, H. Innovative Trendanalyse der jährlichen und saisonalen Niederschläge und Extremwerte in Shaanxi, China, seit den 1950er Jahren. Int. J. Climatol. 37(5), 2582–2592. https://doi.org/10.1002/joc.4866 (2017).

Artikel Google Scholar

Chattopadhyay, S. & Chattopadhyay, G. Eine vergleichende Studie zwischen verschiedenen neuronalen Netzlernalgorithmen, die auf Niederschlagszeitreihen angewendet werden. Meteorol. Appl. 15(2), 273–280. https://doi.org/10.1002/met.71 (2008).

Artikel ADS Google Scholar

Chen, J., Zhang, H., Qian, H., Wu, J. & Zhang, X. Auswahl der richtigen Methode für die Grundwasserinterpolation basierend auf räumlicher Korrelation. In Proc. 4. Internationale Konferenz zu digitaler Fertigung und Automatisierung. 9(13), 1192–1195. https://doi.org/10.1109/icdma.2013.282 (2013).

Islam, MN & Uyeda, H. Vertikale Variationen der Regenintensität in verschiedenen Regenperioden in und um Bangladesch, abgeleitet aus TRMM-Beobachtungen. Int. J. Climatol. https://doi.org/10.1002/joc.1585 (2008).

Artikel Google Scholar

Shahid, S. & Khairulmaini, OS Räumlich-zeitliche Variabilität der Niederschläge über Bangladesch im Zeitraum 1969–2003. APJAS 45, 375–389 (2009).

Google Scholar

Die Weltbank, Wissensportal zum Klimawandel. Aktuelles Klima. https://climateknowledgeportal.worldbank.org/country/bangladesh/climate-data-historical, (2023).

Singh, OP Ursache-Wirkungs-Beziehungen zwischen Meeresoberflächentemperatur, Niederschlag und Meeresspiegel entlang der Küste Bangladeschs. Theor. Appl. Klimatol. 68, 233–243. https://doi.org/10.1007/s007040170048 (2001).

Artikel ADS Google Scholar

Wahiduzzaman, M. ENSO-Zusammenhang mit Monsunregen über Bangladesch. Int. J. Appl. Wissenschaft. Ing. Res. 1(1), 26–38. https://doi.org/10.6088/ijaser.0020101003 (2012).

Artikel Google Scholar

Musabbir, M. et al. Raumzeitliche Variabilität der Niederschlagserosivität und ihr Zusammenhang mit der atmosphärischen Zirkulation in einer vom Monsun geprägten Klimaregion. CATENA 221, 106762. https://doi.org/10.1016/j.catena.2022.106762 (2023).

Artikel Google Scholar

Ahmed, R. & Karmakar, S. Ankunfts- und Rückzugsdaten des Sommermonsuns in Bangladesch. Int. J. Climatol. 13, 727–740. https://doi.org/10.1002/joc.3370130703 (1993).

Artikel Google Scholar

Hussain, AM & Sultana, N. Niederschlagsverteilung über Stationen in Bangladesch während der Monsunmonate ohne Depressionen und Zyklonstürme. Mausam 47, 339–348 (1996).

Artikel Google Scholar

Kripalani, RH, Inamdar, S. & Sontakke, NA Niederschlagsvariabilität über Bangladesch und Nepal: Vergleich und Verbindungen mit Merkmalen über Indien. Int. 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">Artikel Google Scholar

Shahfahad Anwendung fortschrittlicher Trendanalysetechniken mit Clustering-Ansatz zur Analyse des Niederschlagstrends und zur Identifizierung homogener Niederschlagsregionen in der Metropolregion Delhi, Environ. Wissenschaft. Umweltverschmutzung. Res. https://doi.org/10.1007/s11356-022-22235-1 (2022).

Pradhan, RK, Sharma, D., Panda, SK, Dubey, SK & Sharma, A. Änderungen des Niederschlagsregimes und seiner Indizes im indischen Bundesstaat Rajasthan: Auswirkungen von Experimenten mit Klimawandelszenarien. Aufstieg. Dyn. 52(5–6), 3405–3420. https://doi.org/10.1007/s00382-018-4334-9 (2019).

Artikel Google Scholar

Sharma, A., Sharma, D. & Panda, SK Bewertung des räumlich-zeitlichen Trends der Niederschlagsindizes und meteorologischen Dürremerkmale im Mahi-Flussbecken, Indien. J. Hydrol. 605, 127314 (2022).

Artikel Google Scholar

Shahid, S. & Hazarika, MK Grundwasserdürre in den nordwestlichen Bezirken Bangladeschs. Wasserressource. Geschäftsführer 24, 1989–2006. https://doi.org/10.1007/s11269-009-9534-y (2010).

Artikel Google Scholar

Rasel, HM et al. Nachhaltige Zukunft im landwirtschaftlichen Erbe: Geodatenerkundung und Vorhersage von Grundwasserspiegelschwankungen im Barind-Gebiet von Bangladesch. Wissenschaft. Gesamtumgebung. https://doi.org/10.1016/j.scitotenv.2022.161297 (2023).

Artikel PubMed PubMed Central Google Scholar

Vu, HL, Ng, KTW, Richter, A. & An, C. Analyse der Eigenschaften und Varianzen von Eingabesätzen bei der k-fachen Kreuzvalidierung für ein wiederkehrendes neuronales Netzwerkmodell zur Schätzung der Abfallentsorgungsrate. J. Umgebung. Geschäftsführer https://doi.org/10.1016/j.jenvman.2022.114869 (2022).

Artikel Google Scholar

Islam, HMT et al. Raumzeitliche Veränderungen und Modulationen extremer Klimaindizes in der vom Monsun dominierten Klimaregion im Zusammenhang mit großräumigen atmosphärischen Schwankungen. Atmosphäre. Res. 264, 105840 (2021).

Artikel Google Scholar

ASCE-Arbeitsausschuss zur Anwendung künstlicher neuronaler Netze in der Hydrologie. Künstliche neuronale Netze in der Hydrologie II: Hydrologische Anwendung. J. Hydro. 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. & Jacinto, CM Berechnung von Konfidenz- und Vorhersageintervallen der Verschlechterung von Industrieanlagen durch Bootstrapping-Support-Vektor-Regression. Zuverlässig. Ing. Syst. Sicher. 137, 120–128 (2015).

Artikel Google Scholar

Wan, C., Xu, Z., Wang, Y., Dong, ZY & Wong, KP Ein hybrider Ansatz für die probabilistische Prognose des Strompreises. IEEE Trans. Smart Grid 5(1), 463–470 (2014).

Artikel Google Scholar

Ma, JW et al. Probabilistische Vorhersage von Erdrutschverschiebungen unter Berücksichtigung epistemischer Unsicherheit: Eine Fallstudie im Drei-Schluchten-Reservoirgebiet in China. Erdrutsche 15, 1145–1153 (2018).

Artikel Google Scholar

Endalie, D., Haile, G. & Taye, W. Deep-Learning-Modell für die tägliche Niederschlagsvorhersage: Fallstudie von Jimma, Äthiopien. Wasserversorgung 22(3), 3448–3461 (2022).

Artikel Google Scholar

Venkata Ramana, R., Krishna, B., Kumar, SR & Pandey, NG Monatliche Niederschlagsvorhersage mithilfe der Wavelet-Neuronalen Netzwerkanalyse. Wasserressource. Geschäftsführer 27(10), 3697–3711 (2013).

Artikel Google Scholar

Velasco, LCP, Serquiña, RP, Zamad, AMSA, Juanico, BF & Lomocso, JC. Niederschlagsvorhersage für die Woche unter Verwendung eines mehrschichtigen Perzeptron-Neuronalen Netzwerks. Proz. Berechnen. Wissenschaft. 161, 386–397 (2019).

Artikel Google Scholar

Wu, X. et al. Langfristige Niederschlagsvorhersage basierend auf Multipol- und vorangegangenen Schwankungen der Meeresoberflächentemperatur. Int. J. Climatol. 42(15), 8024–8039. https://doi.org/10.1002/joc.7690 (2022).

Artikel Google Scholar

Zhu, G. et al. Die Niederschlagsisotope haben im trockenen Zentralasien ein Signal für den Klimawandel. Globaler Planet. Chang. 225, 104103. https://doi.org/10.1016/j.gloplacha.2023.104103 (2023).

Artikel Google Scholar

Gao, C., Hao, M., Chen, J. & Gu, C. Simulation und Entwurf der gemeinsamen Verteilung von Niederschlag und Gezeiten in der Region Wuchengxiyu in China. Stadtklima. 40, 101005 (2021).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wird finanziell vom Dekanat für wissenschaftliche Forschung der King Faisal University, Saudi-Arabien, unterstützt [Grant 3.679]. Wir danken dem Herausgeber und den anonymen Gutachtern sehr für die Verbesserung der Qualität des Manuskripts. Wir danken dem Bangladesh Meteorological Department (BMD) für die Bereitstellung des in dieser Studie verwendeten Niederschlagsdatensatzes. Wir danken auch dem Ministerium für Wissenschaft und Technologie von Bangladesch für die zusätzliche Unterstützung bei dieser Arbeit.

Institut für Geographie und Umweltwissenschaften, Begum Rokeya University, Rangpur, Bangladesch

MD. Moniruzzaman Monir, Md. Rokonuzzaman und Subaran Chandra Sarker

Fakultät für Resilienz, Rabdan Academy, 22401, Abu Dhabi, Vereinigte Arabische Emirate

Edris Alam

Institut für Geographie und Umweltstudien, Universität Chittagong, Chittagong, 4331, Bangladesch

Edris Alam

Abteilung für Bau- und Umweltingenieurwesen, College of Engineering, King Faisal University, 31982, Al Hofuf, AlAhsa, Saudi-Arabien

MD. Kamrul-Islam

Abteilung für Katastrophenmanagement, Begum Rokeya University, Rangpur, 5400, Bangladesch

Abu Reza Md. Towfiqul Islam

Abteilung für Entwicklungsstudien, Daffodil International University, Dhaka, 1216, Bangladesch

Abu Reza Md. Towfiqul Islam

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

MMM: Methodik, Untersuchung, Probensammlung und Vorbereitung. MR: Methodik, Validierung, SCS: Konzeptualisierung, Schreiben – Vorbereitung des Originalentwurfs, Schreiben – Überprüfung und Bearbeitung, Supervision. MMM: Probenanalyse, Datenkuratierung und Interpretation. MR: Vorbereitung, Überprüfung und Bearbeitung des Originalentwurfs. EA, MKI und ARMTI: Überprüfung und Bearbeitung. Alle Autoren haben das endgültige Manuskript gelesen und genehmigt.

Korrespondenz mit Subaran Chandra Sarker oder Abu Reza Md. Towfiqul Islam.

Die Autoren bestätigen, dass ihnen keine finanziellen oder zwischenmenschlichen Konflikte bekannt sind, die einen Einfluss auf die in dieser Studie präsentierte Forschung gehabt hätten.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Monir, MM, Rokonuzzaman, M., Sarker, SC et al. Raumzeitliche Analyse und Vorhersage von Niederschlagstrends in einem vom tropischen Monsun dominierten Land mithilfe von MAKESENS und Techniken des maschinellen Lernens. Sci Rep 13, 13933 (2023). https://doi.org/10.1038/s41598-023-41132-2

Zitat herunterladen

Eingegangen: 11. Juni 2023

Angenommen: 22. August 2023

Veröffentlicht: 25. August 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.