chris-liverani-dBI_My696Rk-unsplash

Przełomowe podejście do uczenia maszynowego pozwala szybko uzyskać dane klimatyczne o wyższej rozdzielczości

Naukowcy z Narodowego Laboratorium Energii Odnawialnej (NREL) Departamentu Energii USA (DOE) opracowali nowatorskie podejście do uczenia maszynowego, aby szybko zwiększyć rozdzielczość danych o prędkości wiatru o 50 razy, a danych o nasłonecznieniu o 25-krotnie – udoskonalenie, którego nigdy nie było osiągnięte wcześniej z danymi klimatycznymi.

Naukowcy przyjęli alternatywne podejście, wykorzystując trening przeciwnika, w którym model zapewnia realistyczne fizycznie szczegóły, obserwując jednocześnie całe pola, dostarczając dane klimatyczne o wysokiej rozdzielczości w znacznie szybszym tempie. Takie podejście umożliwi naukowcom szybsze i dokładniejsze przeprowadzanie badań nad energią odnawialną w przyszłych scenariuszach klimatycznych .

„Możliwość zwiększenia przestrzennej i czasowej rozdzielczości prognoz klimatycznych ma ogromny wpływ nie tylko na planowanie energetyczne, ale także na rolnictwo, transport i wiele więcej” – powiedział Ryan King, starszy informatyk w NREL, który specjalizuje się w głębokim uczeniu opartym na fizyce .

Karen Stengel, Andrew Glaws i Dylan Hettinger, King i NREL, napisali nowy artykuł szczegółowo opisujący ich podejście, zatytułowany „Adversarial super-resolution of klimatological wind and solar data”, który ukazuje się w czasopiśmie Proceedings of the National Academy of Sciences of the United States of America.

Dokładne prognozy klimatyczne o wysokiej rozdzielczości są ważne dla przewidywania zmian wiatru, chmur, deszczu i prądów morskich, które napędzają odnawialne źródła energii. Prognozy krótkoterminowe wpływają na podejmowanie decyzji operacyjnych; średniookresowe prognozy pogody kierują harmonogramem i alokacją zasobów; a długoterminowe prognozy klimatyczne służą do planowania infrastruktury i kształtowania polityki.

Jednak według Kinga bardzo trudno jest zachować jakość czasową i przestrzenną prognoz klimatycznych. Brak danych o wysokiej rozdzielczości dla różnych scenariuszy był głównym wyzwaniem w planowaniu odporności energetycznej . Pojawiły się różne techniki uczenia maszynowego, które poprawiają zgrubne dane poprzez super rozdzielczość – klasyczny proces obrazowania polegający na wyostrzaniu rozmytego obrazu poprzez dodanie pikseli. Ale do tej pory nikt nie wykorzystywał treningu adwersarza do super rozdzielczości danych klimatycznych.

„Szkolenie z przeciwników jest kluczem do tego przełomu” – powiedział Glaws, postdoc NREL, który specjalizuje się w uczeniu maszynowym.

Trening adwersarski to sposób na poprawę wydajności sieci neuronowych poprzez konkurowanie między nimi o generowanie nowych, bardziej realistycznych danych. Naukowcy NREL wyszkolili w modelu dwa typy sieci neuronowych – jedną do rozpoznawania fizycznych charakterystyk wysokiej rozdzielczości danych dotyczących natężenia promieniowania słonecznego i prędkości wiatru, a drugą do wstawiania tych charakterystyk do danych zgrubnych. Z biegiem czasu sieci generują bardziej realistyczne dane i coraz lepiej odróżniają rzeczywiste od fałszywych danych wejściowych. Badacze NREL byli w stanie dodać 2500 pikseli do każdego oryginalnego piksela.

„Dzięki treningowi z przeciwników – w przeciwieństwie do tradycyjnego numerycznego podejścia do prognoz klimatycznych, które może obejmować rozwiązywanie wielu równań fizycznych – oszczędza czas obliczeniowy, koszty przechowywania danych i sprawia, że ​​dane klimatyczne o wysokiej rozdzielczości są bardziej dostępne” – powiedział Stengel, członek NREL stażysta specjalizujący się w uczeniu maszynowym.

Podejście to można zastosować do szerokiego zakresu scenariuszy klimatycznych, od skali regionalnej po globalną, zmieniając paradygmat prognozowania modelu klimatycznego.

Źródło: https://techxplore.com/news/2020-07-breakthrough-machine-approach-quickly-higher-resolution.html;

Obraz: https://unsplash.com/@chrisliverani

Tagi: , ,
poprzedni
następny

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Pola, których wypełnienie jest wymagane, są oznaczone symbolem *