IDW schlägt Kriging und neuronale Modelle bei Klimadaten-Rekonstruktion

Eine neue Studie, veröffentlicht auf arXiv, hat die Leistung dreier Rekonstruktionsmethoden für spärliche Klimadaten untersucht: das klassische inverse Distance Weighting (IDW), das statistisch fundierte Ordinary Kriging (OK) und das moderne Implicit Neural Representation Modell (MMGN). Alle Ansätze wurden durch gezieltes Hyperparameter‑Tuning optimiert, wobei Validierungssplits zur Feinabstimmung dienten.

Die Experimente umfassten 100 zufällig ausgewählte, spärlich belegte Datensätze aus der ECA&D-Datenbank. Die Ergebnisse zeigen, dass IDW in allen gemessenen Qualitätskriterien die besten Werte erzielt hat. Das Modell erreichte einen durchschnittlichen RMSE von 3,00 ± 1,93, einen MAE von 1,32 ± 0,77 und einen ΔMAX von 24,06 ± 17,15. Gleichzeitig erzielte IDW die höchste Determinationskoeffizienten‑R²‑Werte von 0,68 ± 0,16.

Die Unterschiede zu OK und MMGN waren statistisch signifikant und wiesen moderate bis große Effektgrößen auf. Ein Dunn‑Post‑Hoc‑Test bestätigte die konsequente Überlegenheit von IDW über alle bewerteten Qualitätsmaße hinweg. Darüber hinaus zeigte sich IDW deutlich effizienter in der Rechenzeit, was es zu einer besonders attraktiven Wahl für groß angelegte Klimadatenanalysen macht.

Die Studie unterstreicht, dass die einfache, aber robuste IDW‑Methode trotz ihrer vermeintlichen Einfachheit in der Praxis oft die beste Kombination aus Genauigkeit und Effizienz bietet. Für Klimaforscher und Datenanalysten bedeutet dies, dass ein sorgfältig optimiertes IDW‑Modell eine leistungsfähige Alternative zu komplexeren Verfahren darstellt.