Un equipo global de investigadores ha logrado avances en el perfeccionamiento de los métodos de pronóstico del tiempo, con un enfoque específico en abordar el problema persistente del "cruce de cuantiles". Este fenómeno altera el orden de los valores previstos en los pronósticos meteorológicos y surge del proceso de predicción numérica del tiempo (NWP), un método de pronóstico de dos pasos que involucra observaciones y leyes de evolución atmosférica.
A pesar de los avances en la PNT, los modelos todavía arrojan pronósticos sesgados y poco dispersos. Para mitigar esto, intentos anteriores exploraron métodos no paramétricos como las redes neuronales de regresión de cuantiles (QRNN) y sus variantes, diseñadas para generar cuantiles que reflejan rangos de valor en la distribución de pronóstico. Sin embargo, estos métodos a menudo enfrentan un "cruce de cuantiles", lo que dificulta la interpretación del pronóstico.
Las soluciones ad hoc, como la clasificación ingenua, no abordaron el problema central. Introduzca el avance del equipo:el modelo de red neuronal de regresión por cuantiles sin cruce (NCQRNN).
Esta innovación, desarrollada por el profesor Dazhi Yang y sus compañeros de trabajo del Instituto de Tecnología de Harbin, el Instituto de Tecnología de Karlsruhe, la Academia de Ciencias de China, la Universidad Nacional de Singapur, UK Power Networks, la Administración Meteorológica de China, la Oficina Meteorológica de Heilongjiang y la Universidad de Budapest. de Tecnología y Economía, modifica la estructura tradicional QRNN. El modelo NCQRNN modifica la estructura del QRNN tradicional agregando una nueva capa que preserva el orden de clasificación de los nodos de salida, de modo que los cuantiles inferiores están obligados a ser perpetuamente más pequeños que los superiores sin perder precisión.
Sus hallazgos se publican en Advances in Atmospheric Sciences. .
El profesor Yang enfatiza:"Nuestro modelo NCQRNN mantiene el orden natural de los valores de pronóstico, asegurando que los cuantiles inferiores permanezcan más pequeños que los superiores. Esto aumenta la precisión y mejora significativamente la interpretabilidad del pronóstico".
El Dr. Martin J. Mayer de la Universidad Tecnológica y Económica de Budapest añade:"La idea es simple pero eficaz:la red neuronal aprende indirectamente las diferencias entre los cuantiles como variables intermedias y utiliza estos valores no negativos de forma aditiva para estimar los cuantiles, garantizando inherentemente su orden creciente."
"Además, esta capa que no se cruza se puede agregar a una amplia gama de estructuras de redes neuronales diferentes, lo que garantiza la amplia aplicabilidad de la técnica propuesta".
De hecho, este innovador enfoque de aprendizaje automático, aplicado con éxito a las previsiones de irradiancia solar, mostró mejoras sustanciales con respecto a los modelos existentes. Su diseño adaptable permite una integración perfecta en varios sistemas de pronóstico del tiempo, prometiendo predicciones más claras y confiables para una variedad de variables climáticas.
El Dr. Sebastian Lerch del Instituto Tecnológico de Karlsruhe dice:"El modelo de red neuronal propuesto para la regresión cuantil es muy general y puede aplicarse a otras variables objetivo con adaptaciones mínimas. Por lo tanto, el método también será de interés para otras variables meteorológicas y climáticas. aplicaciones más allá de la previsión de la irradiancia solar."
El Dr. Xiang'ao Xia del Instituto de Física Atmosférica de la Academia de Ciencias de China concluye:"El aprendizaje automático tiene importantes perspectivas de aplicación en el campo de la investigación meteorológica y climática. Este estudio proporciona un estudio de caso instructivo sobre cómo aplicar el aprendizaje automático avanzado desde métodos hasta modelos numéricos de predicción del tiempo para mejorar la precisión de los pronósticos meteorológicos y las predicciones climáticas."
El equipo de investigación internacional está compuesto por personas con diversos antecedentes, que abarcan ciencias atmosféricas, energía solar, estadística computacional, ingeniería y ciencias de datos. En particular, ciertos miembros del equipo involucrados en este estudio han colaborado en un artículo de revisión que aclara conceptos fundamentales y avances recientes en las curvas de energía solar.
Publicado el 1 de marzo en Advances in Atmospheric Sciences , este artículo de revisión no solo establece una comprensión sólida de los principios de modelado de la curva de energía solar, sino que también funciona como una cabeza de puente para los científicos atmosféricos, conectando su conocimiento sobre la radiación con la utilización práctica de la energía solar.
Más información: Mengmeng Song et al, Red neuronal de regresión cuantil no cruzada como herramienta de calibración para pronósticos meteorológicos conjuntos, Avances en ciencias atmosféricas (2024). DOI:10.1007/s00376-023-3184-5
Proporcionado por la Academia China de Ciencias
