Prognos av temperaturtrender med förklarbar artificiell intelligens och PCA-baserad maskininlärning: en fallstudie i Zonguldak, Turkiet

Varför lokala temperaturtrender spelar roll

För många samhällen kan klimatförändringar kännas som en avlägsen, global berättelse. Men dess effekter syns tydligast i lokalt väder: varmare somrar, förändrade regnmönster och intensivare stormar. Denna studie fokuserar på Zonguldak, en kust- och industriprovins vid Turkiets västra Svarta hav, och ställer en praktisk fråga: kan modern artificiell intelligens inte bara förutsäga lokala temperaturtrender noggrant, utan också förklara hur den når dessa prognoser, så att planerare och invånare kan lita på och använda resultaten?

Att förvandla råa väderjournaler till användbara ledtrådar

För att angripa frågan samlade forskarna mer än två decennier av månatliga väderobservationer för Zonguldak, täckande åren 2000 till 2022. Datamängden innehöll medel-, minimum- och maxtemperatur, flera mått på nederbörd, vindriktning och vindhastighet samt luftfuktighet. Innan någon datormodell kunde lära sig från dessa data rengjorde och standardiserade teamet dem: saknade värden fylldes i, textetiketter som vindriktningar omvandlades till siffror, och alla variabler fördes till en gemensam skala så att inte en enda mätning skulle dominera de andra enbart på grund av sina enheter.

Att destillera komplexa vädermönster

Klimatdata är ökända för att vara invecklade: många variabler ändras tillsammans, och vissa är starkt kopplade. För att förenkla detta nät utan att förlora viktig information använde forskarna en teknik kallad huvudkomponentanalys (PCA). Istället för att titta på varje ursprunglig mätning separat skapar PCA ett litet antal nya ”sammanfattande” faktorer som fångar större delen av variationen i datan. I denna studie behöll teamet tillräckligt många av dessa faktorer för att bevara 95 procent av den ursprungliga informationen. Den viktigaste faktorn, känd som den första huvudkomponenten, visade sig blanda temperatur och vind på ett meningsfullt sätt: högre minimum- och maxtemperaturer drog upp denna faktor, medan starkare vindar drog ner den.

Att välja de mest pålitliga prognosmotorerna

Med dessa förenklade klimatfaktorer i handen testade teamet en uppsättning maskininlärningsmetoder för att förutsäga den månatliga medeltemperaturen. Några var enkla linjära modeller; andra, som neurala nätverk och boosted trees, kan fånga mer invecklade relationer. Forskarna delade upp datan i tränings- och testmängder och utvärderade varje metod med flera mått på fel och anpassning. Trots hypen kring komplexa ”black box”-system var de tydliga vinnarna här två enkla linjära metoder, kallade linjär regression och ridge-regression. Dessa modeller gav konsekvent de lägsta felen och förklarade mer än 90 procent av variationen i testdatan, vilket visar att för denna region och tidsskala beter sig temperaturen i stort sett linjärt och förutsägbart.

Att öppna AI:s svarta låda

Endast noggrannhet räcker inte när prognoser ska informera infrastruktur, jordbruk eller hälsoplanering. För att förstå varför modellerna gav vissa förutsägelser vände sig teamet till verktyg för förklarbar AI. De tränade en träd-baserad modell som lämpar sig väl för sådan analys och använde två kompletterande metoder: ”permutations-viktighet”, som mäter hur mycket prognoserna försämras när en faktor slumpas om, och SHAP-värden, som tilldelar varje faktor ett bidrag till varje enskild förutsägelse. Båda metoderna pekade på samma berättelse: den första huvudkomponenten dominerade modellens beslut, med sekundära roller för några andra komponenter. Genom att se tillbaka på hur denna ledande faktor är uppbyggd visade analysen att varmare förhållanden (högre minimum- och maxtemperaturer) starkt höjer den förutsagda medeltemperaturen, medan snabbare vindar tenderar att dämpa den. Luftfuktighet och nederbörd spelade mer blygsamma roller.

Vad detta betyder för människor och planerare

Enkelt uttryckt visar studien att det är möjligt att bygga verktyg för temperaturprognoser som både är noggranna och begripliga. För Zonguldak presterade enkla, välprövade statistiska modeller, styrda av noggrant destillerade klimatfaktorer, lika bra eller bättre än mer invecklade AI-system. Analyserna av förklarbarhet bekräftade att modellerna beter sig på ett fysiskt rimligt sätt: de reagerar starkt på förändringar i temperatur och på ett motbalanserande sätt på vind. Denna kombination av prestanda och transparens gör ramen till en lovande modell för andra regioner som vill övervaka lokala klimattrender och utforma anpassningsstrategier baserade på trovärdig, tolkbar evidens.

Citering: Arslan, R.U., Aksoy, B. & Yapıcı, İ.Ş. Temperature trend prediction with explainable artificial intelligence and PCA based machine learning: a case study of Zonguldak, Turkey. Sci Rep 16, 4910 (2026). https://doi.org/10.1038/s41598-026-35173-6

Nyckelord: temperaturprognos, klimatförändring, maskininlärning, förklarbar AI, huvudkomponentanalys