NEURAL NETWORK MODEL FOR ENHANCED WEATHER FORECASTING IN KENYA: A SYSTEMATIC REVIEW

Abstract

ENGLISH

Short-term weather forecasting in equatorial Africa remains methodologically constrained by the dominance of linear statistical models, which cannot accommodate the non-linear, non-stationary atmospheric dynamics that characterise heterogeneous climate systems. This study addresses a clearly defined knowledge gap. The near-absence of empirically validated, climate-stratified, deep learning forecasting frameworks tailored to Kenya's three dominant climatic regimes. Using 11,562 daily observations spanning January 2011 to September 2023, collected from meteorological stations at Mombasa (humid coastal), Nairobi (temperate highland), and Garissa (arid lowland), we develop and evaluate a multivariate Long Short-Term Memory (LSTM) neural network against a classical ARIMA baseline. The LSTM receives 30-day sliding windows of temperature, relative humidity, and wind speed after robust scaling and is trained with early stopping and 20% dropout regularisation. The baseline LSTM achieves an MAE of 0.091, an RMSE of 0.134, and an R² of 0.971. Representing an 89.5% reduction in MAE and an 88.1%  reduction in RMSE relative to ARIMA, which produced a negative R² (−1.063), indicating performance inferior to a naïve mean predictor. A bidirectional LSTM trained with Huber loss (BiLSTM-Huber) yields R² = 0.956 with improved robustness to extreme wind events. Climate-stratified analysis reveals distinct predictive regimes: Mombasa achieves the lowest absolute error (MAE = 0.058), whereas Garissa achieves the highest structural fit (R² = 0.950) despite larger absolute errors, reflecting the high variance in the arid zone. Cross-station residual correlations remain weak (|r| ≤ 0.133), confirming locally confined rather than spatially propagated error structures. These results provide the first comprehensive, region-specific validation of LSTM forecasting for Kenya, establish a reproducible methodological framework applicable across sub-Saharan Africa, and offer actionable recommendations for operational deployment by the Kenya Meteorological Department.

Keywords: LSTM neural network · ARIMA · Kenya · weather forecasting · climate heterogeneity · deep learning · short-term prediction · East Africa

FRENCH

La prévision météorologique à court terme au Kenya demeure un défi méthodologique en raison de l’importante hétérogénéité climatique et de la dynamique atmosphérique non linéaire. Les modèles linéaires conventionnels, tels que la modèle ARIMA Autoregressive Integrated Moving Average ne parviennent pas à sai ces complexités, ce qui entraîne une faible précision prédictive. Cette étude développe et évalue des cadres de prévision basés sur les réseaux LSTM Long Short-Term Memory pour la prédiction de température du jour suivant àen utilisant des données météorologiques multivariées. Un ensemble de données comprenant 11 562 observations quotidiennes couvrant la période de janvier 2011 à septembre 2023 a été recueilli dans trois zones climatiques représentatives : Mombasa (zone côtière humide), Nairobi (hautes terres tempérées) et Garissa (basses terres arides). Les variables prédictives comprenaient la température, l’humidité relative et la vitesse du vent, tandis que la variable cible de la prévision était la température du jour suivant. Le prétraitement des données a consisté en une mise à l’échelle robuste visant à atténuer l’influence des distributions à queues épaisses de la vitesse du vent, ainsi qu’en une transformation des données en fenêtres glissantes d’entrée de 30 jours. Trois modèles ont été mis en œuvre : un modèle ARIMA univarié servant de référence, un modèle LSTM de base et un modèle LSTM bidirectionnel entraîné à l’aide de la fonction de perte de Huber (BiLSTM-Huber). Le LSTM de base a obtenu les meilleures performances, avec une MAE = 0,091, une RMSE = 0,134 et un R² = 0,971, ce qui représente une réduction de 89,5 % de la MAE par rapport au modèle ARIMA (MAE = 0,865, R² = −1,063). Le modèle BiLSTMHuber a obtenu un R² = 0,956, démontrant une meilleure robustesse face aux épisodes de vents extrêmes. L’évaluation stratifiée selon les zones climatiques a révélé des performances dépendant du régime climatique : Mombasa a présenté l’erreur absolue la plus faible (MAE = 0,058), Nairobi a affiché une précision intermédiaire, tandis que Garissa a obtenu le meilleur ajustement structurel (R² = 0,950), malgré des erreurs plus importantes dues à une variance élevée. Les corrélations des résidus entre les stations étaient faibles (|r| ≤ 0,133), indiquant que les structures d’erreur étaient principalement localisées. Ces résultats confirment que les architectures non linéaires d’apprentissage profond, en particulier les modèles fondés sur les LSTM, offrent une capacité de prévision nettement supérieure à celle des approches statistiques traditionnelles pour les systèmes climatiques hétérogènes du Kenya. L’étude établit un cadre reproductible pour un déploiement opérationnel et soutient l’intégration de prévisions pilotees par LSTM dans les services météorologiques nationaux.

Mots-clés : réseau neuronal LSTM ; ARIMA ; Kenya ; prévision météorologique ; hétérogénéité climatique ; apprentissage profond ; prédiction à court terme ; Afrique de l’Est.