Globalni tim istraživača je napravio korake u usavršavanju metoda za prognozu vremena, sa posebnim fokusom na rešavanje upornog pitanja „kvantilnog ukrštanja“. Ovaj fenomen narušava redosled predviđenih vrednosti u vremenskoj prognozi i proizilazi iz procesa numeričkog predviđanja vremena (NVP) — metoda predviđanja u dva koraka koji uključuje posmatranja i zakone atmosferske evolucije.
Uprkos napretku NVP-a, modeli i dalje daju pristrasne i nedovoljno rasute prognoze. Da bi se ovo ublažilo, prošli pokušaji su istraživali neparametarske metode kao što su kvantilne regresione neuronske mreže (KRNN) i njihove varijante, dizajnirane da daju kvantile koji odražavaju rangove vrednosti u distribuciji prognoze. Međutim, ove metode se često suočavaju sa „kvantilnim ukrštanjem“, što ometa tumačenje prognoze.
Ad hoc rešenja, poput naivnog sortiranja, nisu rešila suštinski problem. Uđite u proboj tima: model neuronske mreže kvantilne regresije bez ukrštanja (NCKRNN).
Ovu inovaciju, koju su razvili profesor Daži Jang i njegovi saradnici sa Tehnološkog instituta u Harbinu, Tehnološkog instituta Karlsrue, Kineske akademije nauka, Nacionalnog univerziteta Singapura, UK Pover Netvorks, Kineske meteorološke uprave, Meteorološkog biroa Heilongjiang i Univerziteta u Budimpešti tehnologije i ekonomije, prilagođava tradicionalnu KRNN strukturu. NCKRNN model modifikuje strukturu tradicionalnog KRNN-a dodavanjem novog sloja koji čuva redosled ranga izlaznih čvorova, tako da su niži kvantili ograničeni da budu stalno manji od viših bez gubitka tačnosti.
Njihovi nalazi su objavljeni u časopisu Napredak atmosferskih nauka.
Profesor Jang naglašava: „Naš NCKRNN model održava prirodni redosled vrednosti prognoze, obezbeđujući da niži kvantili ostanu manji od viših. Ovo povećava tačnost i značajno poboljšava interpretabilnost prognoze.“
Dr Martin J. Maier sa Univerziteta za tehnologiju i ekonomiju u Budimpešti dodaje: „Ideja je jednostavna, ali efikasna: neuronska mreža indirektno uči razlike između kvantila kao međupromenljivih i koristi ove nenegativne vrednosti na aditivni način za procenu kvantili, koji po sebi garantuju njihov sve veći poredak.“
„Štaviše, ovaj sloj koji se ne prelazi može se dodati širokom spektru različitih struktura neuronske mreže, osiguravajući široku primenljivost predložene tehnike.
Zaista, uspešno primenjen na prognoze sunčevog zračenja, ovaj inovativni pristup mašinskom učenju pokazao je značajna poboljšanja u odnosu na postojeće modele. Njegov prilagodljiv dizajn omogućava besprekornu integraciju u različite sisteme vremenske prognoze, obećavajući jasnija i pouzdanija predviđanja za niz vremenskih varijabli.
Dr Sebastian Lerch sa Tehnološkog instituta u Karlsrueu kaže: „Predloženi model neuronske mreže za kvantilnu regresiju je veoma uopšten i može se primeniti na druge ciljne varijable uz minimalne adaptacije. Stoga će metoda takođe biti od interesa za druge vremenske prilike i klimu aplikacije izvan predviđanja sunčevog zračenja.“
Dr Ksiang’ao Ksia sa Instituta za fiziku atmosfere pri Kineskoj akademiji nauka zaključuje: „Mašinsko učenje ima važne izglede za primenu u oblasti istraživanja vremena i klime. Ova studija pruža poučnu studiju slučaja o tome kako primeniti napredno mašinsko učenje metode numeričkih modela predviđanja vremena kako bi se poboljšala tačnost vremenskih prognoza i klimatskih predviđanja.“
Međunarodni istraživački tim se sastoji od pojedinaca sa različitim pozadinama, koji obuhvataju atmosferske nauke, solarnu energiju, računarsku statistiku, inženjering i nauke o podacima. Značajno je da su određeni članovi tima uključeni u ovu studiju sarađivali na preglednom radu koji razjašnjava osnovne koncepte i nedavna dostignuća u krivuljama solarne energije.
Objavljen 1. marta u Napredcima u atmosferskim naukama, ovaj pregledni rad ne samo da uspostavlja čvrsto razumevanje principa modeliranja krive solarne energije, već funkcioniše i kao mostobran za atmosferske naučnike, povezujući njihovo znanje o zračenju sa praktičnim korišćenjem solarne energije.
