Reinforcement Learning to Discover a NorthEast Monsoon Index for Monthly Rainfall Prediction in Thailand

📄 arXiv: 2601.10181v1 📥 PDF

作者: Kiattikun Chobtham

分类: cs.LG, astro-ph.EP

发布日期: 2026-01-15

💡 一句话要点

利用强化学习发现东北季风指数，提升泰国月降雨量预测精度

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 强化学习 气候预测 东北季风指数 深度Q网络 长短期记忆网络

📋 核心要点

  1. 现有气候预测模型依赖全球气候指数，缺乏针对泰国等特定区域的局部尺度有效指标。
  2. 利用深度Q网络强化学习，自动搜索与泰国降雨量相关性高的海面温度区域，构建优化后的东北季风指数。
  3. 实验表明，将该指数融入LSTM模型，显著提升了泰国各区域未来12个月的月降雨量预测精度。

📝 摘要（中文）

由于地球系统内复杂的时空模式，气候预测一直是一个挑战。诸如厄尔尼诺南方涛动等全球气候指数是长期降雨预测的标准输入特征。然而，在能够提高泰国特定区域预测准确性的局部尺度指数方面，仍然存在显著差距。本文提出了一种新的东北季风气候指数，该指数由海面温度计算得出，以反映北半球冬季风的气候特征。为了优化用于该指数的计算区域，深度Q网络强化学习智能体探索并选择与季节性降雨相关性最高的有效矩形区域。降雨站被分为12个不同的集群，以区分泰国南部和北部之间的降雨模式。实验结果表明，将优化后的指数纳入长短期记忆模型中，可以显著提高大多数集群区域的长期月降雨量预测能力。这种方法有效地降低了提前12个月预测的均方根误差。

🔬 方法详解

问题定义：论文旨在解决泰国长期月降雨量预测精度不足的问题。现有方法主要依赖全球气候指数，缺乏针对泰国特定区域气候特征的有效局部尺度指标，导致预测精度受限。

核心思路：论文的核心思路是利用强化学习自动发现与泰国降雨量高度相关的海面温度区域，并基于这些区域构建优化的东北季风指数。该指数能够更好地反映影响泰国降雨的局部气候特征，从而提升预测模型的精度。

技术框架：整体框架包含以下几个主要阶段：1) 数据准备：收集泰国降雨量数据和海面温度数据；2) 区域选择：使用深度Q网络（DQN）强化学习智能体探索并选择海面温度区域，智能体的奖励函数基于所选区域的海面温度与降雨量之间的相关性；3) 指数构建：基于选定的海面温度区域计算东北季风指数；4) 模型训练与预测：将计算得到的东北季风指数作为输入特征，与其它气候变量一起输入到长短期记忆（LSTM）模型中，训练模型并进行降雨量预测；5) 结果评估：评估模型的预测精度，并与基线模型进行比较。

关键创新：最重要的技术创新点在于利用强化学习自动优化气候指数的计算区域。传统方法通常依赖专家知识或经验来选择区域，而该方法能够通过数据驱动的方式，自动发现与降雨量相关性最高的区域，从而构建更有效的气候指数。与现有方法的本质区别在于，该方法能够自适应地学习局部气候特征，而非依赖固定的全球气候指标。

关键设计：DQN智能体的状态空间定义为海面温度网格，动作空间定义为选择矩形区域的左上角和右下角坐标。奖励函数设计为所选区域海面温度与降雨量之间的皮尔逊相关系数。LSTM模型的网络结构包括输入层、LSTM层和输出层，损失函数采用均方根误差（RMSE）。降雨站被分为12个不同的集群，以区分泰国南部和北部之间的降雨模式，每个集群单独训练LSTM模型。

📊 实验亮点

实验结果表明，将优化后的东北季风指数纳入LSTM模型中，显著提高了泰国各区域的长期月降雨量预测精度。具体而言，该方法有效地降低了提前12个月预测的均方根误差（RMSE），在大多数集群区域都取得了优于基线模型的性能。

🎯 应用场景

该研究成果可应用于泰国农业生产、水资源管理和灾害预警等领域。通过提高长期降雨量预测的准确性，可以帮助农民合理安排种植计划，水资源管理者优化水库调度，政府部门提前做好防洪抗旱准备，从而减少气候变化带来的不利影响。

📄 摘要（原文）

Climate prediction is a challenge due to the intricate spatiotemporal patterns within Earth systems. Global climate indices, such as the El Niño Southern Oscillation, are standard input features for long-term rainfall prediction. However, a significant gap persists regarding local-scale indices capable of improving predictive accuracy in specific regions of Thailand. This paper introduces a novel NorthEast monsoon climate index calculated from sea surface temperature to reflect the climatology of the boreal winter monsoon. To optimise the calculated areas used for this index, a Deep Q-Network reinforcement learning agent explores and selects the most effective rectangles based on their correlation with seasonal rainfall. Rainfall stations were classified into 12 distinct clusters to distinguish rainfall patterns between southern and upper Thailand. Experimental results show that incorporating the optimised index into Long Short-Term Memory models significantly improves long-term monthly rainfall prediction skill in most cluster areas. This approach effectively reduces the Root Mean Square Error for 12-month-ahead forecasts.