20:59 2024-03-04
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Îmbunătățirea fiabilității statistice a prognozelor meteo cu învățare automată
_ Îmbunătățirea fiabilității statistice a prognozelor meteo cu învățarea automată< /h3>
O echipă globală de cercetători a făcut pași în perfecționarea metodelor de prognoză a vremii, cu un accent special pe abordarea problemei persistente a „încrucișării cuantilelor”. Acest fenomen perturbă ordinea valorilor prezise în prognozele meteo și apare din procesul de predicție numerică a vremii (NWP) — o metodă de prognoză în doi pași care implică observații și legile evoluției atmosferice.
În ciuda progreselor NWP, modelele încă produc rezultate. previziuni părtinitoare și subîmprăștiate. Pentru a atenua acest lucru, încercările anterioare au explorat metode neparametrice, cum ar fi rețelele neuronale de regresie cuantilă (QRNN) și variantele acestora, concepute pentru a scoate cuantile care reflectă rangurile de valori în distribuția prognozei. Cu toate acestea, aceste metode se confruntă adesea cu „încrucișarea cuantile”, împiedicând interpretarea prognozelor.
Soluțiile ad-hoc, cum ar fi sortarea naivă, nu au abordat problema principală. Introduceți descoperirea echipei: modelul rețelei neuronale de regresie cuantile fără încrucișare (NCQRNN).
Această inovație, dezvoltată de profesorul Dazhi Yang și colegii săi de la Institutul de Tehnologie Harbin, Institutul de Tehnologie Karlsruhe, Academia Chineză de Științe, Universitatea Națională din Singapore, UK Power Networks, China Meteorological Administration, Heilongjiang Meteorological Bureau și Budapesta University of Technology and Economics, modifică structura tradițională QRNN. Modelul NCQRNN modifică structura QRNN tradițională prin adăugarea unui nou strat care păstrează ordinea de rang a nodurilor de ieșire, astfel încât cuantilele inferioare sunt constrânse să fie perpetuu mai mici decât cele superioare, fără a-și pierde acuratețea.
Au. descoperirile sunt publicate în Advances in Atmospheric Sciences.
Profesorul Yang subliniază: „Modelul nostru NCQRNN menține ordinea naturală a valorilor prognozate, asigurând că cuantilele mai mici rămân mai mici decât cele mai mari. Acest lucru crește acuratețea și îmbunătățește semnificativ interpretabilitatea prognozei. „
Dr. Martin J. Mayer de la Universitatea de Tehnologie și Economie din Budapesta adaugă: „Ideea este simplă, dar eficientă: rețeaua neuronală învață indirect diferențele dintre cuantile ca variabile intermediare și utilizează aceste valori nenegative într-un mod aditiv pentru estimarea cuantilelor. , garantând în mod inerent ordinea crescătoare a acestora."
"Mai mult, acest strat de neîncrucișare poate fi adăugat la o gamă largă de structuri diferite de rețele neuronale, asigurând aplicabilitatea largă a tehnicii propuse."
Într-adevăr, aplicată cu succes prognozelor de iradiere solară, această abordare inovatoare de învățare automată a prezentat îmbunătățiri substanțiale față de modelele existente. Designul său adaptabil permite integrarea perfectă în diverse sisteme de prognoză meteo, promițând predicții mai clare și mai fiabile pentru o serie de variabile meteorologice.
Dr. Sebastian Lerch de la Institutul de Tehnologie din Karlsruhe spune: „Modelul de rețea neuronală propus pentru regresia cuantilă este foarte general și poate fi aplicat altor variabile țintă cu adaptări minime. Prin urmare, metoda va fi de interes și pentru alte aplicații meteorologice și climatice dincolo de prognoza iradierii solare.”
Dr. Xiang'ao Xia de la Institutul de Fizică Atmosferică de la Academia Chineză de Științe concluzionează: „Învățarea automată are perspective importante de aplicare în domeniul cercetării vremii și climei. Acest studiu oferă un studiu de caz instructiv despre cum se aplică metode avansate de învățare automată la modele numerice de predicție a vremii pentru a îmbunătăți acuratețea prognozelor meteo și a predicțiilor climatice.”
Echipa internațională de cercetare cuprinde persoane cu medii diverse, care cuprinde științe atmosferice, energie solară, statistici computaționale, inginerie și științe ale datelor. În special, anumiți membri ai echipei implicați în acest studiu au colaborat la o lucrare de revizuire care elucidează conceptele fundamentale și progresele recente în curbele energiei solare.
Publicat la 1 martie în Advances in Atmospheric Sciences, această lucrare de revizuire nu stabilește doar o înțelegere solidă a principiilor modelării curbei energiei solare, dar funcționează și ca un cap de pod pentru oamenii de știință din atmosferă, conectând cunoștințele lor despre radiații cu utilizarea practică a energiei solare.
Comentarii:
Adauga Comentariu