面向非对齐网格多域气象降尺度的无插值深度学习及其在风电中的应用
机器学习
2024-10-08 v1 计算机视觉与模式识别
摘要
随着气候变化加剧，向清洁能源的转变日益紧迫。随着风能产量的加速增长，可靠的风能概率预报对于确保其高效利用至关重要。然而，由于数值天气预报模型计算成本高昂，概率预报的分辨率过于粗糙，无法捕捉所有中尺度风行为。统计降尺度通常用于提高气候模型模拟的分辨率，通过学习从低分辨率变量到高分辨率气象变量的映射，提供了一种计算成本较低的可行解决方案。利用深度学习，我们评估了一种基于最先进U-Net架构的降尺度模型，并将其应用于粗尺度风速概率预报的一个集合成员。该架构经过修改，加入了(1)一种学习到的网格对齐策略，以解决低分辨率与高分辨率网格不匹配问题，以及(2)一个用于处理多层大气预测因子的处理模块。为了将降尺度模型的适用性从固定空间域扩展到整个加拿大地区，我们评估了一种迁移学习方法。我们的结果表明，学习到的网格对齐策略性能与传统预处理插值步骤相当，并且多层低分辨率风速作为预测因子已足够，从而实现了更紧凑的架构。此外，结果表明，使用迁移学习扩展到新的空间域是有前景的，并且降尺度的风速在改进风功率爬坡事件（风能的一个关键现象）检测方面显示出潜力。
引用
@article{arxiv.2410.03945,
title = {Interpolation-Free Deep Learning for Meteorological Downscaling on Unaligned Grids Across Multiple Domains with Application to Wind Power},
author = {Jean-Sébastien Giroux and Simon-Philippe Breton and Julie Carreau},
journal= {arXiv preprint arXiv:2410.03945},
year = {2024}
}