Машинное обучение повышает точность аналоговых прогнозов погоды

Технология машинного обучения, используемая для распознавания лиц, может также улучшить прогнозы погоды. Ученые применили алгоритм глубокого обучения к аналоговому прогнозированию погоды, которое использует прошлые погодные условия для составления будущих прогнозов. Анализ прогнозов скорости приземного ветра и солнечной радиации в Пенсильвании за 2017–2019 годы с помощью машинного обучения повысил точность аналоговых прогнозов в этом кейсе.

Это важно, поскольку повышение точности прогнозов для возобновляемых источников энергии, таких как ветер и солнце, критически для управления энергосистемой и предотвращения дефицита или перепроизводства мощности. Аналоговое прогнозирование является альтернативой численному прогнозу погоды (NWP) и позволяет создавать ансамбли прогнозов (несколько сценариев), не выполняя дорогостоящих многократных запусков сложных моделей.

«Идея этой работы взята из Google FaceNet, но вместо сравнения вашей фотографии с изображениями лиц в базе данных мы сравниваем погоду с историческими прогнозами», — пояснил Веймин Ху, специалист по машинному обучению. Новый метод с помощью машинного обучения преобразует все погодные переменные в латентное пространство, выявляя сложные взаимосвязи между сотнями параметров, что было ограничением для традиционного аналогового прогнозирования. Результаты, опубликованные в журнале Boundary-Layer Meteorology, показывают, что этот подход позволяет использовать больше предикторов и повысить точность прогнозов.