Une équipe mondiale de chercheurs a fait de grands progrès dans le perfectionnement des méthodes de prévision météorologique, en se concentrant particulièrement sur la résolution du problème persistant du « croisement des quantiles ». Ce phénomène perturbe l'ordre des valeurs prévues dans les prévisions météorologiques et résulte du processus de prévision numérique du temps (PNT), une méthode de prévision en deux étapes impliquant des observations et des lois d'évolution atmosphérique.
Malgré les progrès de la prévision numérique du temps, les modèles produisent toujours des prévisions biaisées et insuffisamment dispersées. Pour atténuer ce problème, des tentatives antérieures ont exploré des méthodes non paramétriques telles que les réseaux neuronaux de régression quantile (QRNN) et leurs variantes, conçues pour produire des quantiles reflétant les classements de valeurs dans la distribution prévue. Cependant, ces méthodes se heurtent souvent à des « croisements de quantiles », ce qui gêne l'interprétation des prévisions.
Les solutions ad hoc, comme le tri naïf, n’ont pas résolu le problème principal. Entrez dans la percée de l'équipe :le modèle de réseau neuronal de régression quantile non croisée (NCQRNN).
Cette innovation, développée par le professeur Dazhi Yang et ses collègues de l'Institut de technologie de Harbin, de l'Institut de technologie de Karlsruhe, de l'Académie chinoise des sciences, de l'Université nationale de Singapour, de UK Power Networks, de l'Administration météorologique chinoise, du Bureau météorologique du Heilongjiang et de l'Université de Budapest. de technologie et d'économie, modifie la structure QRNN traditionnelle. Le modèle NCQRNN modifie la structure du QRNN traditionnel en ajoutant une nouvelle couche qui préserve l'ordre de classement des nœuds de sortie, de sorte que les quantiles inférieurs soient contraints d'être perpétuellement plus petits que les quantiles supérieurs sans perdre en précision.
Leurs résultats sont publiés dans Advances in Atmospheric Sciences. .
Le professeur Yang souligne :"Notre modèle NCQRNN maintient l'ordre naturel des valeurs de prévision, garantissant que les quantiles inférieurs restent plus petits que les quantiles supérieurs. Cela augmente la précision et améliore considérablement l'interprétabilité des prévisions."
Le Dr Martin J. Mayer de l'Université de technologie et d'économie de Budapest ajoute :« L'idée est simple mais efficace :le réseau neuronal apprend indirectement les différences entre les quantiles en tant que variables intermédiaires et utilise ces valeurs non négatives de manière additive pour estimer les quantiles, garantissant intrinsèquement leur ordre croissant."
"De plus, cette couche non croisée peut être ajoutée à un large éventail de structures de réseaux neuronaux différentes, garantissant ainsi la large applicabilité de la technique proposée."
En effet, appliquée avec succès aux prévisions de l’irradiation solaire, cette approche innovante d’apprentissage automatique a présenté des améliorations substantielles par rapport aux modèles existants. Sa conception adaptable permet une intégration transparente dans divers systèmes de prévisions météorologiques, promettant des prévisions plus claires et plus fiables pour une gamme de variables météorologiques.
Le Dr Sebastian Lerch de l'Institut de technologie de Karlsruhe déclare :« Le modèle de réseau neuronal proposé pour la régression quantile est très général et peut être appliqué à d'autres variables cibles avec un minimum d'adaptations. Par conséquent, la méthode sera également intéressante pour d'autres conditions météorologiques et climatiques. applications au-delà de la prévision de l'irradiation solaire. "
Le Dr Xiang'ao Xia de l'Institut de physique atmosphérique de l'Académie chinoise des sciences conclut :« L'apprentissage automatique présente d'importantes perspectives d'application dans le domaine de la recherche météorologique et climatique. Cette étude fournit une étude de cas instructive sur la manière d'appliquer l'apprentissage automatique avancé. méthodes aux modèles numériques de prévision météorologique pour améliorer la précision des prévisions météorologiques et des prévisions climatiques."
L'équipe de recherche internationale est composée de personnes issues de divers horizons, couvrant les sciences de l'atmosphère, l'énergie solaire, les statistiques informatiques, l'ingénierie et les sciences des données. Notamment, certains membres de l'équipe impliqués dans cette étude ont collaboré à un article de synthèse élucidant les concepts fondamentaux et les avancées récentes dans les courbes d'énergie solaire.
Publié le 1er mars dans Advances in Atmospheric Sciences , cet article de synthèse établit non seulement une solide compréhension des principes de modélisation de la courbe d'énergie solaire, mais sert également de tête de pont pour les scientifiques de l'atmosphère, reliant leurs connaissances sur le rayonnement à l'utilisation pratique de l'énergie solaire.
Plus d'informations : Mengmeng Song et al, Réseau neuronal de régression quantile non croisée comme outil d'étalonnage pour les prévisions météorologiques d'ensemble, Progrès des sciences atmosphériques (2024). DOI : 10.1007/s00376-023-3184-5
Fourni par l'Académie chinoise des sciences
