Een wereldwijd team van onderzoekers heeft vooruitgang geboekt bij het verfijnen van weersvoorspellingsmethoden, met een specifieke focus op het aanpakken van het hardnekkige probleem van ‘kwantieloversteken’. Dit fenomeen verstoort de volgorde van de voorspelde waarden in weersvoorspellingen en komt voort uit het numerieke weervoorspellingsproces (NWP) – een tweestapsvoorspellingsmethode waarbij observaties en atmosferische evolutiewetten betrokken zijn.

Ondanks de vooruitgang in het NWP leveren de modellen nog steeds bevooroordeelde en weinig verspreide voorspellingen op. Om dit te verzachten, hebben eerdere pogingen niet-parametrische methoden onderzocht, zoals kwantielregressie-neurale netwerken (QRNN) en hun varianten, ontworpen om kwantielen uit te voeren die waarderangen in de voorspellingsverdeling weerspiegelen. Deze methoden worden echter vaak geconfronteerd met 'kwantieloverschrijdingen', waardoor de interpretatie van voorspellingen wordt belemmerd.

Ad-hocoplossingen, zoals naïef sorteren, pakten het kernprobleem niet aan. Maak kennis met de doorbraak van het team:het non-crossing quantile regression neural network (NCQRNN)-model.

Deze innovatie, ontwikkeld door professor Dazhi Yang en zijn collega's van het 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 en Budapest University van Technologie en Economie, past de traditionele QRNN-structuur aan. Het NCQRNN-model wijzigt de structuur van het traditionele QRNN door een nieuwe laag toe te voegen die de rangorde van uitvoerknooppunten behoudt, zodat de lagere kwantielen voortdurend kleiner zijn dan hogere zonder de nauwkeurigheid te verliezen.

Hun bevindingen zijn gepubliceerd in Advances in Atmospheric Sciences .

Professor Yang benadrukt:"Ons NCQRNN-model handhaaft de natuurlijke volgorde van voorspelde waarden, waardoor lagere kwantielen kleiner blijven dan hogere. Dit vergroot de nauwkeurigheid en verbetert de interpreteerbaarheid van voorspellingen aanzienlijk."

Dr. Martin J. Mayer van de Technische Universiteit van Boedapest voegt hieraan toe:“Het idee is eenvoudig maar effectief:het neurale netwerk leert indirect de verschillen tussen de kwantielen als tussenvariabelen en gebruikt deze niet-negatieve waarden op een additieve manier voor het schatten van de kwantielen, waardoor hun toenemende orde inherent wordt gegarandeerd."

"Bovendien kan deze niet-kruisende laag worden toegevoegd aan een breed scala aan verschillende neurale netwerkstructuren, waardoor de brede toepasbaarheid van de voorgestelde techniek wordt gegarandeerd."

Deze innovatieve machine-learning-aanpak, die met succes werd toegepast op voorspellingen van de zonnestraling, liet substantiële verbeteringen zien ten opzichte van bestaande modellen. Het aanpasbare ontwerp maakt naadloze integratie in verschillende weersvoorspellingssystemen mogelijk, waardoor duidelijkere en betrouwbaardere voorspellingen voor een reeks weervariabelen worden beloofd.

Dr. Sebastian Lerch van het Karlsruhe Institute of Technology zegt:“Het voorgestelde neurale netwerkmodel voor kwantielregressie is zeer algemeen en kan met minimale aanpassingen worden toegepast op andere doelvariabelen. Daarom zal de methode ook van belang zijn voor andere weer- en klimaatomstandigheden. toepassingen die verder gaan dan het voorspellen van de zonnestraling."

Dr. Xiang'ao Xia van het Instituut voor Atmosferische Fysica van de Chinese Academie van Wetenschappen concludeert:"Machine learning heeft belangrijke toepassingsmogelijkheden op het gebied van weer- en klimaatonderzoek. Deze studie biedt een leerzame casestudy over hoe geavanceerde machine learning kan worden toegepast methoden tot numerieke weervoorspellingsmodellen om de nauwkeurigheid van weersvoorspellingen en klimaatvoorspellingen te verbeteren."

Het internationale onderzoeksteam bestaat uit individuen met verschillende achtergronden, variërend van atmosferische wetenschappen, zonne-energie, computationele statistiek, techniek en datawetenschappen. Met name hebben bepaalde teamleden die bij dit onderzoek betrokken waren, meegewerkt aan een overzichtsartikel waarin fundamentele concepten en recente ontwikkelingen op het gebied van zonne-energiecurves worden toegelicht.

Gepubliceerd op 1 maart in Advances in Atmospheric Sciences , verschaft dit overzichtsartikel niet alleen een robuust begrip van de principes van het modelleren van zonne-energiecurven, maar functioneert het ook als een bruggenhoofd voor atmosferische wetenschappers, waarbij hun kennis over straling wordt gekoppeld aan het praktische gebruik van zonne-energie.

Meer informatie: Mengmeng Song et al., Non-crossing Quantile Regression Neuraal netwerk als kalibratiehulpmiddel voor ensemble-weersvoorspellingen, Vooruitgang in atmosferische wetenschappen (2024). DOI:10.1007/s00376-023-3184-5

Aangeboden door de Chinese Academie van Wetenschappen