[ Comparaison des modèles LSTM et Transformée en Ondelettes-LSTM pour la prédiction de la température dans une partie du Bassin du Congo ]
Djes-Fresy Bilenga Moukodouma1, Christophe Denis2, Donald Romarick Rotimbo Mbourou3, and Christiane Atteke Nkoulembene4
1 LAboratoire de Recherche Multidisciplinaire en Environnement (LARME), Université des Sciences et Techniques de Masuku (USTM), bâtiment du département de Chimie, Mbaya, route nationale 1, BP 901 Franceville, Gabon
2 Unité de Modélisation Mathématique et Informatique des Systèmes Complexes (UMMISCO), Sorbonne Université, Institut de Recherche pour le Développement, 32 avenue Henri Varagnat, 93140 Bondy Cedex, France
3 Ecole Polytechnique de Masuku, Université des Sciences et Techniques de Masuku, Franceville, Haut-Ogooué, Gabon
4 Département de Biologie, Université des Sciences et Techniques de Masuku, Mbaya, route nationale 1, BP 901 Franceville, Gabon
Original language: French
Copyright © 2024 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Currently, the Congo Basin represents the most important center in terms of biodiversity concentration, especially with the increasing deforestation observed in the Amazon. The available climate models are mostly at larger scales, and few of them focus on specific areas of the Congo Basin, such as the locality of Makokou in Gabon. A new approach is therefore needed to predict temperatures changes in this particular region. Although some work focus on temperature prediction, most do not use deep learning algorithms. This contribution aims to compare the predictions of a Long Short-Term Memory (LSTM) model with those from the combination of Wavelet Transform and LSTM (WT-LSTM). The developed LSTM model includes two LSTM layers, two Dropout layers (with a rate of 50 %) and a Dense layer to outpout the predicted value. The WT-LSTM model shows superior results compared to the LSTM model, with a root mean square error of 0.45 °C, a mean absolute error of 0.35 °C, and a Spearman correlation coefficient of 0.97 °C. These results highlight the importance of using advanced approaches to improve climate forecasts in areas crucial for biodiversity conservation. The increased accuracy of predictions could help better anticipate and mitigate the impacts of of local climate change, thereby contributing to the sustainable management of this ecologically sensitive region.
Author Keywords: climate change, deep learning, Long Short-Term Memory model (LSTM), Wavelet Transform, temperature prediction, biodiversity, Congo Basin.
Djes-Fresy Bilenga Moukodouma1, Christophe Denis2, Donald Romarick Rotimbo Mbourou3, and Christiane Atteke Nkoulembene4
1 LAboratoire de Recherche Multidisciplinaire en Environnement (LARME), Université des Sciences et Techniques de Masuku (USTM), bâtiment du département de Chimie, Mbaya, route nationale 1, BP 901 Franceville, Gabon
2 Unité de Modélisation Mathématique et Informatique des Systèmes Complexes (UMMISCO), Sorbonne Université, Institut de Recherche pour le Développement, 32 avenue Henri Varagnat, 93140 Bondy Cedex, France
3 Ecole Polytechnique de Masuku, Université des Sciences et Techniques de Masuku, Franceville, Haut-Ogooué, Gabon
4 Département de Biologie, Université des Sciences et Techniques de Masuku, Mbaya, route nationale 1, BP 901 Franceville, Gabon
Original language: French
Copyright © 2024 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
Currently, the Congo Basin represents the most important center in terms of biodiversity concentration, especially with the increasing deforestation observed in the Amazon. The available climate models are mostly at larger scales, and few of them focus on specific areas of the Congo Basin, such as the locality of Makokou in Gabon. A new approach is therefore needed to predict temperatures changes in this particular region. Although some work focus on temperature prediction, most do not use deep learning algorithms. This contribution aims to compare the predictions of a Long Short-Term Memory (LSTM) model with those from the combination of Wavelet Transform and LSTM (WT-LSTM). The developed LSTM model includes two LSTM layers, two Dropout layers (with a rate of 50 %) and a Dense layer to outpout the predicted value. The WT-LSTM model shows superior results compared to the LSTM model, with a root mean square error of 0.45 °C, a mean absolute error of 0.35 °C, and a Spearman correlation coefficient of 0.97 °C. These results highlight the importance of using advanced approaches to improve climate forecasts in areas crucial for biodiversity conservation. The increased accuracy of predictions could help better anticipate and mitigate the impacts of of local climate change, thereby contributing to the sustainable management of this ecologically sensitive region.
Author Keywords: climate change, deep learning, Long Short-Term Memory model (LSTM), Wavelet Transform, temperature prediction, biodiversity, Congo Basin.
Abstract: (french)
Actuellement, le Bassin du Congo représente le centre le plus important en termes de concentration en biodiversité, surtout avec la déforestation croissante observée en Amazonie. Les modèles climatiques disponibles sont majoritairement à des échelles plus grandes et peu d’entre eux se concentrent sur des zones spécifiques du Bassin du Congo, comme la localité de Makokou au Gabon. Une nouvelle approche est donc nécessaire pour prédire les changements de température dans cette région particulière. Bien qu’il existe quelques travaux portant sur la prédiction des températures, la majorité n’utilisent pas les algorithmes d’apprentissage profond. Cette contribution vise à comparer les prédictions d’un modèle de mémoire à court et long terme (LSTM) avec celles issues de la combinaison Transformée en Ondelettes et LSTM (TO-LSTM). Le modèle LSTM développé comprend deux couches LSTM, deux couches Dropout (à un taux de 50%) et une couche Dense pour afficher la valeur prédite. Le modèle TO-LSTM présente des résultats supérieurs à ceux du modèle LSTM, avec une racine carrée d’erreur quadratique moyenne de 0,45 °C, une erreur absolue moyenne de 0,35 °C et un coefficient de corrélation de Spearman de 0,97 °C. Ces résultats soulignent l’importance d’utiliser des approches avancées pour améliorer les prévisions climatiques dans des zones cruciales pour la conservation de la biodiversité. La précision accrue des prévisions pourrait aider à mieux anticiper et atténuer les impacts des changements climatiques locaux, contribuant ainsi à la gestion durable de cette région écologiquement sensible.
Author Keywords: changements climatiques, apprentissage profond, modèle de mémoire à court et long terme LSTM, Transformée en Ondelettes, prédiction des températures, biodiversité, Bassin du Congo.
