Un team globale di ricercatori ha fatto passi da gigante nel perfezionamento dei metodi di previsione meteorologica, con un focus specifico sull’affrontare il problema persistente del “transito quantile”. Questo fenomeno sconvolge l'ordine dei valori previsti nelle previsioni meteorologiche e deriva dal processo di previsione meteorologica numerica (NWP), un metodo di previsione in due fasi che coinvolge osservazioni e leggi sull'evoluzione atmosferica.
Nonostante i progressi del NWP, i modelli producono ancora previsioni distorte e poco diffuse. Per mitigare questo problema, i tentativi passati hanno esplorato metodi non parametrici come le reti neurali di regressione quantile (QRNN) e le loro varianti, progettate per produrre quantili che riflettono i ranghi dei valori nella distribuzione delle previsioni. Tuttavia, questi metodi spesso devono affrontare un "incrocio quantile", che ostacola l'interpretazione delle previsioni.
Le soluzioni ad hoc, come l'ordinamento ingenuo, non risolvevano il problema principale. Entra nella svolta del team:il modello della rete neurale di regressione quantile non incrociata (NCQRNN).
Questa innovazione, sviluppata dal professor Dazhi Yang e dai suoi collaboratori dell'Harbin Institute of Technology, dell'Istituto di tecnologia di Karlsruhe, dell'Accademia cinese delle scienze, dell'Università nazionale di Singapore, della UK Power Networks, dell'Amministrazione meteorologica cinese, dell'Ufficio meteorologico di Heilongjiang e dell'Università di Budapest di Tecnologia ed Economia, modifica la tradizionale struttura QRNN. Il modello NCQRNN modifica la struttura del QRNN tradizionale aggiungendo un nuovo livello che preserva l'ordine di classificazione dei nodi di output, in modo tale che i quantili inferiori siano vincolati ad essere perennemente più piccoli di quelli superiori senza perdere la precisione.
I loro risultati sono pubblicati in Advances in Atmospheric Sciences .
Il professor Yang sottolinea:"Il nostro modello NCQRNN mantiene l'ordine naturale dei valori di previsione, garantendo che i quantili inferiori rimangano più piccoli di quelli superiori. Ciò aumenta la precisione e migliora significativamente l'interpretabilità delle previsioni."
Il Dr. Martin J. Mayer dell'Università di Tecnologia ed Economia di Budapest aggiunge:"L'idea è semplice ma efficace:la rete neurale apprende indirettamente le differenze tra i quantili come variabili intermedie e utilizza questi valori non negativi in modo additivo per stimare i quantili, garantendone intrinsecamente l'ordine crescente."
"Inoltre, questo strato non incrociato può essere aggiunto a un'ampia gamma di diverse strutture di reti neurali, garantendo l'ampia applicabilità della tecnica proposta."
Infatti, applicato con successo alle previsioni sull’irradianza solare, questo innovativo approccio di apprendimento automatico ha mostrato miglioramenti sostanziali rispetto ai modelli esistenti. Il suo design adattabile consente un'integrazione perfetta in vari sistemi di previsione meteorologica, promettendo previsioni più chiare e affidabili per una serie di variabili meteorologiche.
Il Dr. Sebastian Lerch del Karlsruhe Institute of Technology afferma:"Il modello di rete neurale proposto per la regressione quantilica è molto generale e può essere applicato ad altre variabili target con adattamenti minimi. Pertanto, il metodo sarà interessante anche per altri eventi meteorologici e climatici". applicazioni oltre la previsione dell'irradianza solare."
Il dottor Xiang'ao Xia dell'Istituto di fisica atmosferica dell'Accademia cinese delle scienze conclude:"L'apprendimento automatico ha importanti prospettive di applicazione nel campo della ricerca meteorologica e climatica. Questo studio fornisce un caso di studio istruttivo su come applicare l'apprendimento automatico avanzato metodi per modelli numerici di previsione del tempo per migliorare l'accuratezza delle previsioni del tempo e del clima."
Il gruppo di ricerca internazionale comprende persone con background diversi, che spaziano dalle scienze dell'atmosfera, all'energia solare, alla statistica computazionale, all'ingegneria e alla scienza dei dati. In particolare, alcuni membri del team coinvolti in questo studio hanno collaborato a un documento di revisione che chiarisce i concetti fondamentali e i recenti progressi nelle curve di energia solare.
Pubblicato il 1 marzo in Progressi nelle scienze dell'atmosfera , questo documento di revisione non solo stabilisce una solida conoscenza dei principi di modellazione della curva dell'energia solare, ma funge anche da testa di ponte per gli scienziati atmosferici, collegando le loro conoscenze sulle radiazioni all'utilizzo pratico dell'energia solare.
Ulteriori informazioni: Mengmeng Song et al, Rete neurale di regressione quantilica non incrociata come strumento di calibrazione per previsioni meteorologiche d'insieme, Progressi nelle scienze atmosferiche (2024). DOI:10.1007/s00376-023-3184-5
Fornito dall'Accademia cinese delle scienze
