Исследователи Национальной лаборатории возобновляемой энергии (NREL) Министерства энергетики США (DOE's) разработали новый подход к машинному обучению, который позволяет быстро повысить разрешение данных о скорости ветра в 50 раз.
По данным NREL, также можно улучшить данные о солнечном излучении в 25 раз, что ранее при использовании климатических данных не достигалось.
Альтернативный подход позволяет моделировать реалистичные детали, наблюдая за целыми полями одновременно, и предоставлять климатические данные высокого разрешения с гораздо более высокой скоростью.
По словам NREL, это позволит ученым быстрее и точнее исследовать возобновляемые источники энергии для прогнозирования климатических сценариев.
Старший научный сотрудник NREL Райан Кинг сказал: «Повышение пространственного и временного разрешения при климатических прогнозах оказывает огромное влияние не только на энергетическое планирование, но и на сельское хозяйство, транспорт и т.д.».
Коллеги Кинга из NREL Карен Стенгель, Эндрю Глоус и Дилан Хеттингер написали статью, подробно описывающую такой подход: «Состязательное суперразрешение и климатологических данных о ветре и Солнце» для журнала «Proceedings of the National Academy of Sciences of the United States of America».
Точные климатические прогнозы с высоким разрешением позволят более точно прогнозировать ветер, дождь, солнце и морские приливы, используемые в качестве возобновляемых источников энергии.
Краткосрочные прогнозы способствуют принятию оперативных решений; среднесрочные прогнозы погоды - планированию и распределению ресурсов; и долгосрочные климатические прогнозы служат основой для планирования инфраструктуры.
Однако, по словам Кинга, в климатических прогнозах сложно учитывать время и пространство. Отсутствие данных высокого разрешения является основной проблемой при планировании энергетической устойчивости.
Появились различные методы машинного обучения для повышения качества грубых данных за счет сверхвысокого разрешения - классический процесс получения изображений, позволяющий повысить резкость нечеткого изображения путем добавления пикселей. Но до сих пор никто не использовал «состязательную подготовку» для получения климатических данных сверхвысокого разрешения.
Обучение состязательности - это способ повысить производительность нейронных сетей, чтобы генерировать новые, более реалистичные данные.
Исследователи NREL подготовили два типа нейронных сетей в модели - один для распознавания физических характеристик солнечного излучения высокого разрешения и данных о скорости ветра, а другой - для вставки этих характеристик в грубые данные.
Со временем сети получают более реалистичные данные и лучше различают реальные и фальшивые данные. Исследователи NREL смогли добавить 2500 пикселей на каждый оригинальный пиксель.
Выпускница NREL Карен Стенгель, которая специализируется на машинном обучении, сказала: «Состязательное обучение - в отличие от традиционного численного подхода к прогнозированию климата, который включает в себя решение многих физических уравнений - экономит время и затраты на хранение данных. Таким образом, климатические данные высокого разрешения становятся более доступными».
Этот подход может использоваться при моделировании различных климатических сценариев, как региональных, так и глобальных масштабов, изменяя парадигму прогнозирования климатических моделей.