Uma equipa global de investigadores fez progressos no refinamento dos métodos de previsão meteorológica, com foco específico na abordagem da questão persistente do "cruzamento de quantis". Este fenômeno perturba a ordem dos valores previstos nas previsões meteorológicas e surge do processo de previsão numérica do tempo (NWP) – um método de previsão em duas etapas que envolve observações e leis de evolução atmosférica.



Apesar dos avanços do NWP, os modelos ainda produzem previsões tendenciosas e pouco dispersas. Para mitigar isso, tentativas anteriores exploraram métodos não paramétricos, como redes neurais de regressão quantílica (QRNN) e suas variantes, projetadas para gerar quantis que refletissem classificações de valor na distribuição de previsão. No entanto, estes métodos enfrentam frequentemente “cruzamentos quantílicos”, dificultando a interpretação das previsões.

Soluções ad hoc, como a classificação ingênua, não resolveram o problema central. Entre na descoberta da equipe:o modelo de rede neural de regressão quantílica não cruzada (NCQRNN).

Esta inovação, desenvolvida pelo Professor Dazhi Yang e seus colegas de trabalho do Instituto de Tecnologia Harbin, Instituto de Tecnologia de Karlsruhe, Academia Chinesa de Ciências, Universidade Nacional de Cingapura, UK Power Networks, Administração Meteorológica da China, Departamento Meteorológico de Heilongjiang e Universidade de Budapeste de Tecnologia e Economia, ajusta a estrutura QRNN tradicional. O modelo NCQRNN modifica a estrutura do QRNN tradicional adicionando uma nova camada que preserva a ordem de classificação dos nós de saída, de modo que os quantis inferiores sejam restringidos a serem perpetuamente menores que os superiores, sem perder a precisão.

Suas descobertas foram publicadas em Advances in Atmospheric Sciences .

O professor Yang enfatiza:"Nosso modelo NCQRNN mantém a ordem natural dos valores previstos, garantindo que os quantis inferiores permaneçam menores do que os superiores. Isso aumenta a precisão e melhora significativamente a interpretabilidade da previsão."

Martin J. Mayer, da Universidade de Tecnologia e Economia de Budapeste, acrescenta:"A ideia é simples, mas eficaz:a rede neural aprende indiretamente as diferenças entre os quantis como variáveis ​​intermediárias e usa esses valores não negativos de forma aditiva para estimar os quantis, garantindo inerentemente a sua ordem crescente."

"Além disso, esta camada não cruzada pode ser adicionada a uma ampla gama de diferentes estruturas de redes neurais, garantindo a ampla aplicabilidade da técnica proposta."

Na verdade, aplicada com sucesso às previsões de irradiância solar, esta abordagem inovadora de aprendizagem automática apresentou melhorias substanciais em relação aos modelos existentes. Seu design adaptável permite integração perfeita em vários sistemas de previsão meteorológica, prometendo previsões mais claras e confiáveis ​​para uma série de variáveis ​​meteorológicas.

Sebastian Lerch, do Instituto de Tecnologia de Karlsruhe, afirma:"O modelo de rede neural proposto para regressão quantílica é muito geral e pode ser aplicado a outras variáveis-alvo com adaptações mínimas. Portanto, o método também será de interesse para outras condições meteorológicas e climáticas. aplicações além da previsão de irradiância solar."

Xiang'ao Xia, do Instituto de Física Atmosférica da Academia Chinesa de Ciências, conclui:"O aprendizado de máquina tem importantes perspectivas de aplicação no campo da pesquisa meteorológica e climática. Este estudo fornece um estudo de caso instrutivo sobre como aplicar o aprendizado de máquina avançado métodos para modelos numéricos de previsão do tempo para melhorar a precisão das previsões meteorológicas e climáticas."

A equipe de pesquisa internacional é composta por indivíduos com diversas formações, abrangendo ciências atmosféricas, energia solar, estatística computacional, engenharia e ciências de dados. Notavelmente, alguns membros da equipe envolvidos neste estudo colaboraram em um artigo de revisão elucidando conceitos fundamentais e avanços recentes nas curvas de energia solar.

Publicado em 1º de março em Advances in Atmospheric Sciences , este artigo de revisão não apenas estabelece uma compreensão robusta dos princípios de modelagem da curva de energia solar, mas também funciona como uma ponte para cientistas atmosféricos, conectando seus conhecimentos sobre radiação à utilização prática da energia solar.

Mais informações: 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
Fornecido pela Academia Chinesa de Ciências