Forbedring af statistisk pålidelighed af vejrudsigter med maskinlæring

Et globalt team af forskere har gjort fremskridt med at forfine vejrudsigtsmetoder, med et specifikt fokus på at løse det vedvarende problem med "kvantilkrydsning". Dette fænomen forstyrrer rækkefølgen af ​​forudsagte værdier i vejrudsigter og opstår fra processen med numerisk vejrudsigelse (NWP) - en to-trins prognosemetode, der involverer observationer og atmosfæriske udviklingslove.

På trods af NWP-fremskridt giver modellerne stadig skæve og underspredte prognoser. For at afbøde dette har tidligere forsøg udforsket ikke-parametriske metoder som kvantile regression neurale netværk (QRNN) og deres varianter, designet til at udskrive kvantiler, der afspejler værdirækker i prognosefordelingen. Imidlertid står disse metoder ofte over for "kvantilkrydsning", hvilket hindrer fortolkning af prognoser.

Ad hoc-løsninger som naiv sortering behandlede ikke kerneproblemet. Indtast holdets gennembrud:den ikke-krydsende kvantile regression neurale netværk (NCQRNN) model.

Denne innovation, udviklet af professor Dazhi Yang og hans medarbejdere fra Harbin Institute of Technology, Karlsruhe Institute of Technology, Chinese Academy of Sciences, National University of Singapore, UK Power Networks, China Meteorological Administration, Heilongjiang Meteorological Bureau og Budapest University of Technology and Economics, justerer den traditionelle QRNN-struktur. NCQRNN-modellen ændrer strukturen af ​​den traditionelle QRNN ved at tilføje et nyt lag, der bevarer rækkefølgen af ​​outputknudepunkter, således at de lavere kvantiler er begrænset til at være konstant mindre end højere uden at miste nøjagtigheden.

Deres resultater er offentliggjort i Advances in Atmospheric Sciences .

Professor Yang understreger:"Vores NCQRNN-model opretholder den naturlige rækkefølge af prognoseværdier, hvilket sikrer, at lavere kvantiler forbliver mindre end højere. Dette øger nøjagtigheden og forbedrer prognosefortolkningen betydeligt."

Dr. Martin J. Mayer fra Budapest University of Technology and Economics tilføjer:"Idéen er enkel, men effektiv:Det neurale netværk lærer indirekte forskellene mellem kvantilerne som mellemliggende variabler og bruger disse ikke-negative værdier på en additiv måde til at estimere kvantilerne, hvilket i sagens natur garanterer deres stigende rækkefølge."

"Desuden kan dette ikke-krydsende lag føjes til en bred vifte af forskellige neurale netværksstrukturer, hvilket sikrer den brede anvendelighed af den foreslåede teknik."

Denne innovative maskinlæringstilgang, der blev anvendt med succes på solindstrålingsprognoser, viste væsentlige forbedringer i forhold til eksisterende modeller. Dets tilpasningsdygtige design giver mulighed for problemfri integration i forskellige vejrudsigtssystemer og lover klarere og mere pålidelige forudsigelser for en række vejrvariabler.

Dr. Sebastian Lerch fra Karlsruhe Institute of Technology siger:"Den foreslåede neurale netværksmodel for kvantil regression er meget generel og kan anvendes på andre målvariable med minimale tilpasninger. Derfor vil metoden også være af interesse for andet vejr og klima. applikationer ud over solbestrålingsprognose."

Dr. Xiang'ao Xia fra Institut for Atmosfærisk Fysik ved Det Kinesiske Videnskabsakademi konkluderer:"Maskinlæring har vigtige anvendelsesmuligheder inden for vejr- og klimaforskning. Denne undersøgelse giver et lærerigt casestudie om, hvordan man anvender avanceret maskinlæring metoder til numeriske vejrudsigelsesmodeller for at forbedre nøjagtigheden af ​​vejrudsigter og klimaforudsigelser."

Det internationale forskerhold består af personer med forskellig baggrund, der spænder over atmosfæriske videnskaber, solenergi, beregningsstatistik, ingeniørvidenskab og datavidenskab. Det er bemærkelsesværdigt, at visse teammedlemmer, der er involveret i denne undersøgelse, har samarbejdet om et reviewpapir, der belyser grundlæggende begreber og nylige fremskridt inden for solenergikurver.

Udgivet den 1. marts i Advances in Atmospheric Sciences , etablerer dette gennemgangspapir ikke kun en robust forståelse af principperne for modellering af solenergikurve, men fungerer også som et brohoved for atmosfæriske forskere, der forbinder deres viden om stråling med den praktiske udnyttelse af solenergi.

Flere oplysninger: Mengmeng Song et al., Non-crossing Quantile Regression Neural Network as a Calibration Tool for Ensemble Weather Forecasts, Advances in Atmospheric Sciences (2024). DOI:10.1007/s00376-023-3184-5

Leveret af Chinese Academy of Sciences