Ett globalt team av forskare har gjort framsteg i att förfina metoder för väderprognos, med ett specifikt fokus på att ta itu med den ihållande frågan om "kvantilkorsning". Detta fenomen stör ordningen på förutspådda värden i väderprognoser och härrör från processen för numerisk väderprognos (NWP) – en tvåstegsprognosmetod som involverar observationer och atmosfäriska evolutionslagar.
Trots NWP-framsteg ger modellerna fortfarande partiska och underspridda prognoser. För att mildra detta har tidigare försök undersökt icke-parametriska metoder som kvantile regression neurala nätverk (QRNN) och deras varianter, utformade för att mata ut kvantiler som återspeglar värderang i prognosfördelningen. Dessa metoder möter dock ofta "kvantilkorsning", vilket hindrar tolkning av prognoser.
Ad hoc-lösningar, som naiv sortering, tog inte upp kärnfrågan. Gå in i lagets genombrott:modellen för non-crossing quantile regression neural network (NCQRNN).
Denna innovation, utvecklad av professor Dazhi Yang och hans medarbetare från 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 och Budapest University of Technology and Economics, justerar den traditionella QRNN-strukturen. NCQRNN-modellen modifierar strukturen för den traditionella QRNN genom att lägga till ett nytt lager som bevarar rangordningen för utmatningsnoderna, så att de lägre kvantilerna är begränsade till att vara ständigt mindre än högre utan att förlora noggrannhet.
Deras resultat publiceras i Advances in Atmospheric Sciences .
Professor Yang betonar, "Vår NCQRNN-modell upprätthåller den naturliga ordningen för prognosvärden, vilket säkerställer att lägre kvantiler förblir mindre än högre. Detta ökar noggrannheten och förbättrar prognostolkbarheten avsevärt."
Dr. Martin J. Mayer från Budapest University of Technology and Economics tillägger, "Idén är enkel men effektiv:det neurala nätverket lär sig indirekt skillnaderna mellan kvantilerna som mellanliggande variabler och använder dessa icke-negativa värden på ett additivt sätt för att uppskatta kvantilerna, vilket i sig garanterar deras ökande ordning."
"Dessutom kan detta icke-korsande lager läggas till ett brett utbud av olika neurala nätverksstrukturer, vilket säkerställer den breda tillämpbarheten av den föreslagna tekniken."
Denna innovativa metod för maskininlärning, framgångsrikt tillämpad på solinstrålningsprognoser, visade upp avsevärda förbättringar jämfört med befintliga modeller. Dess anpassningsbara design möjliggör sömlös integrering i olika väderprognossystem, och lovar tydligare och mer tillförlitliga förutsägelser för en rad vädervariabler.
Dr Sebastian Lerch från Karlsruhe Institute of Technology säger, "Den föreslagna neurala nätverksmodellen för kvantilregression är mycket generell och kan tillämpas på andra målvariabler med minimala anpassningar. Därför kommer metoden också att vara av intresse för annat väder och klimat applikationer bortom solinstrålningsprognoser."
Dr. Xiang'ao Xia från Institute of Atmospheric Physics vid den kinesiska vetenskapsakademin avslutar, "Machine learning har viktiga tillämpningsmöjligheter inom väder- och klimatforskning. Denna studie ger en lärorik fallstudie om hur man tillämpar avancerad maskininlärning. metoder till numeriska väderprognosmodeller för att förbättra noggrannheten i väderprognoser och klimatförutsägelser."
Det internationella forskarteamet består av individer med olika bakgrunder, som spänner över atmosfärsvetenskap, solenergi, beräkningsstatistik, ingenjörsvetenskap och datavetenskap. Speciellt har vissa gruppmedlemmar som är involverade i denna studie samarbetat i ett översiktsdokument som belyser grundläggande begrepp och senaste framsteg inom solenergikurvor.
Publicerad den 1 mars i Advances in Atmospheric Sciences , det här översiktsdokumentet etablerar inte bara en robust förståelse av principerna för modellering av solenergikurvor utan fungerar också som ett brohuvud för atmosfärsforskare och kopplar deras kunskap om strålning till det praktiska utnyttjandet av solenergi.
Mer information: 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
Tillhandahålls av Chinese Academy of Sciences
