A neurocomputing approach to the forecasting of monthly maximum temperature over Kolkata, India using total ozone concentration as predictor

The association between the monthly total ozone concentration and monthly maximum temperature over Kolkata (22.56° N, 88.30° E), India, has been explored in this paper. For this, the predictability of monthly maximum temperature based on the total ozone as predictor is investigated using Artificial Neural Network. The presence of persistence and similar cyclic patterns are revealed through autocorrelation and cross-correlation coefficients. Common cycles of length 12 and 6 have been identified through periodogram. Hence, a predictive model has been generated by Artificial Neural Network in the form of Multi Layer Perceptron (MLP) using scaled conjugate gradient learning with sigmoid non-linearity. After training and testing the network, an MLP with total ozone of month n as predictor and maximum temperature of month (n + 1) as the target output is found as the best model. Performance of the model has been judged statistically. Finally, the MLP model has been compared with linear and non-linear regressions and the efficiency of MLP has been established over the regression models.

RésuméL’association entre la concentration mensuelle en ozone total et la température mensuelle maximum sur Kolkata (22,56°N ; 88,30°E), Inde, est explorée dans le travail ici présenté. Dans ce but, la prédictabilité de la température annuelle maximum basée sur l’ozone total comme prédicteur, a été examinée en utilisant le Réseau Neuronal Artificiel. La présence de persistance et de diagrammes cycliques similaires sont observés au moyen des coefficients d’autocorrélation et de corrélations croisées. Des cycles communs, de longueur comprise entre 6 et 12 ont été identifiés au moyen de périodogrammes. D’où un modèle prédictif généré par réseau neuronal artificiel sous la forme de perception multi-couche (MLP) utilisant un apprentissage de gradient conjugué à non-linéarité sigmoïde. Après avoir entraîné et testé le réseau, un modèle MLP avec l’ozone total d’un mois n en tant que prédicteur et la température maximum du mois (n + 1) en tant que sortie de cible, a été estimé comme étant le meilleur modèle. La performance du modèle a été jugée statistiquement. Enfin, le modèle a été comparé avec les régressions linéaires et non-linéaires, et l’efficacité du MLP par rapport aux modèles de régression a été bien établie.