[论文解读] Weather Analogs with a Machine Learning Similarity Metric for Renewable Resource Forecasting

Weiming Hu, Guido Cervone+2 more|arXiv (Cornell University)|Mar 7, 2021

Meteorological Phenomena and Simulations被引用 4

一句话总结

本文提出了一种基于机器学习的气象相似性度量方法，用于天气模拟集合（AnEn）预报，用神经网络训练的度量替代传统的加权欧几里得距离，从而无需事先进行特征选择或权重优化即可充分利用所有气象变量。该方法在风速和太阳辐照度预报方面优于传统AnEn，能更有效地校正大误差，并更好地利用更大的历史数据档案，提升了空间预测精度，并增强了对模型更新的鲁棒性。

ABSTRACT

The Analog Ensemble (AnEn) technique has been shown effective on several weather problems. Unlike previous weather analogs that are sought within a large spatial domain and an extended temporal window, AnEn strictly confines space and time, and independently generates results at each grid point within a short time window. AnEn can find similar forecasts that lead to accurate and calibrated ensemble forecasts. The central core of the AnEn technique is a similarity metric that sorts historical forecasts with respect to a new target prediction. A commonly used metric is Euclidean distance. However, a significant difficulty using this metric is the definition of the weights for all the parameters. Generally, feature selection and extensive weight search are needed. This paper proposes a novel definition of weather analogs through a Machine Learning (ML) based similarity metric. The similarity metric uses neural networks that are trained and instantiated to search for weather analogs. This new metric allows incorporating all variables without requiring a prior feature selection and weight optimization. Experiments are presented on the application of this new metric to forecast wind speed and solar irradiance. Results show that the ML metric generally outperforms the original metric. The ML metric has a better capability to correct for larger errors and to take advantage of a larger search repository. Spatial predictions using a learned metric also show the ability to define effective latent features that are transferable to other locations.

研究动机与目标

• 解决传统AnEn相似性度量方法存在的局限性，即需要启发式特征选择和计算成本高昂的权重优化。
• 提升风速和太阳辐照度等可再生能源资源的预报精度与校准能力。
• 增强在模型更新和有限历史数据条件下的基于模拟的预报鲁棒性。
• 通过学习可迁移的潜在特征，在不同网格点间实现有效的空间预测。
• 利用现代机器学习架构，实现更灵活、更精确的天气模拟识别。

提出的方法

• 采用三元组神经网络架构，在变换后的潜在空间中学习相似性度量，使用对比损失将相似的天气预报分组。
• 通过反向模拟技术训练模型，将模型预报误差与历史模拟关联，引导预测特征的学习。
• 使用预训练的嵌入网络（基于LSTM）将原始NWP预报变量转换为低维潜在空间，相似性在此空间中计算。
• 在潜在空间中重新定义相似性度量，使所有气象变量均可被充分利用，无需人工加权。
• 利用大规模历史NWP预报和观测数据训练模型，确保对模型变更的鲁棒性。
• 通过在每个网格点独立应用学习到的度量生成空间预测，实现可扩展的高分辨率预报。

实验结果

研究问题

• RQ1 基于机器学习的相似性度量是否能在可再生能源预报的AnEn中优于传统的加权欧几里得距离？
• RQ2 与传统AnEn相比，该机器学习度量在纠正大预报误差方面表现如何？
• RQ3 所学习的度量在空间位置间的泛化能力有多强，能否提升网格化预报的性能？
• RQ4 基于机器学习的方法是否降低了对NWP模型更新的敏感性，并提高了对模型参数变化的容忍度？
• RQ5 神经网络学习到的潜在特征是否能捕捉到具有物理意义的天气模式，从而改善模拟选择？

主要发现

• 基于机器学习的相似性度量在风速和太阳辐照度预报方面显著优于传统AnEn度量。
• 由于能够利用更广泛的气象变量，该机器学习度量在纠正大预报误差方面表现出更强的能力。
• 使用学习到的度量进行空间预测，其精度更高，且校准效果优于最优的传统AnEn。
• 该方法对NWP模型更新更具鲁棒性，在更长的历史数据档案中仍能保持性能，而传统AnEn在模型变更下性能会下降。
• 神经网络学习到的潜在特征可在不同位置间迁移，并有效表征与可再生能源预报相关的天气型态。
• 采用对比损失的三元组网络在潜在空间中生成的聚类更一致、更具物理意义，从而产生更高质量的集合预报。