基于数值天气预报和周边站点观测的短期局部风速预测

本研究提出了一种混合神经网络模型，用于短期（1-6小时）表面风速预测，将数值天气预报（NWP）与地面气象站观测数据相结合。该方法依赖MeteoNet数据集，包含来自法国气象服务的全球（ARPEGE）和区域（AROME）NWP模型数据，以及法国地中海地面气象站的观测数据。 proposed neural network architecture integrates recent past station observations (过去几个小时的站点观测) and AROME and ARPEGE predictions on a small subgrid around the target location（目标位置周围小子网的AROME和ARPEGE预测）。该模型旨在提供确定性和概率性预测，其中后者通过预测适当概率分布的参数来实现，显著允许捕捉极端风事件。我们的结果表明，混合模型在所有预报时段内均显著优于基线方法，包括原始NWP预报、持久模型和线性回归。例如，该模型较AROME预报降低了RMSE最高可达30%。概率预报进一步提升了性能，尤其是对于极端分位值， 通过估计条件分位值而非仅依赖条件均值。针对特定站点（如科尔西亚岛的站点）进行微调可进一步提高预报准确性。我们的研究强调了整合多数据源和概率方法以提高短期风速预报的重要性。即使在科尔西亚岛这样地形复杂且局部风变异显著的地区，也能实现有效方法。