論文の概要: A Meta-Analysis of Solar Forecasting Based on Skill Score
- arxiv url: http://arxiv.org/abs/2208.10536v2
- Date: Wed, 12 Apr 2023 07:57:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 18:54:24.739416
- Title: A Meta-Analysis of Solar Forecasting Based on Skill Score
- Title（参考訳）: 習熟度に基づく日射量予測のメタ分析
- Authors: Thi Ngoc Nguyen and Felix M\"usgens
- Abstract要約: 定性的な太陽予測の総合的メタ分析を,スキルスコアに基づいて行った。
4,687点のデータベースを構築し解析した。
時間内および日内予測は日頭予測よりも改善が見られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We conduct the first comprehensive meta-analysis of deterministic solar
forecasting based on skill score, screening 1,447 papers from Google Scholar
and reviewing the full texts of 320 papers for data extraction. A database of
4,687 points was built and analyzed with multivariate adaptive regression
spline modelling, partial dependence plots, and linear regression. The marginal
impacts on skill score of ten factors were quantified. The analysis shows the
non-linearity and complex interaction between variables in the database.
Forecast horizon has a central impact and dominates other factors' impacts.
Therefore, the analysis of solar forecasts should be done separately for each
horizon. Climate zone variables have statistically significant correlation with
skill score. Regarding inputs, historical data and spatial temporal information
are highly helpful. For intra-day, sky and satellite images show the most
importance. For day-ahead, numerical weather predictions and locally measured
meteorological data are very efficient. All forecast models were compared.
Ensemble-hybrid models achieve the most accurate forecasts for all horizons.
Hybrid models show superiority for intra-hour while image-based methods are the
most efficient for intra-day forecasts. More training data can enhance skill
score. However, over-fitting is observed when there is too much training data
(longer than 2000 days). There has been a substantial improvement in solar
forecast accuracy, especially in recent years. More improvement is observed for
intra-hour and intra-day than day-ahead forecasts. By controlling for the key
differences between forecasts, including location variables, our findings can
be applied globally.
- Abstract（参考訳）: Google Scholarから1,447枚の論文をスクリーニングし,データ抽出のための320枚の論文の全文をレビューした。
4,687点のデータベースを構築し,多変量適応回帰スプラインモデル,部分依存プロット,線形回帰を用いて解析した。
10因子のスキルスコアに対する限界影響を定量化した。
解析は、データベース内の変数間の非線形性と複雑な相互作用を示す。
予測地平線は中心的な影響を持ち、他の要因の影響を支配している。
したがって、太陽予報の分析は各地平線ごとに別々に行うべきである。
気候変数は、スキルスコアと統計的に有意な相関がある。
入力に関しては、歴史的データと時空間情報が非常に有用である。
日中は、空と衛星画像が最も重要である。
日中の天気予報や局地的な気象データは非常に効率的である。
予測モデルは全て比較された。
アンサンブルハイブリッドモデルは、すべての地平線の最も正確な予測を達成する。
ハイブリッドモデルは時間内予測に優れ、画像ベース手法は日内予測に最も効率的である。
トレーニングデータが増えれば、スキルスコアが向上する。
しかし、トレーニングデータ(2000日以上)が多すぎると、過剰適合が観察される。
特に近年では、太陽の予測精度が大幅に向上している。
時間内および日内予測は日頭予測よりも改善が見られた。
位置変数を含む予測間の重要な違いを制御することで,この知見をグローバルに適用することができる。
関連論文リスト
- WeatherReal: A Benchmark Based on In-Situ Observations for Evaluating Weather Models [11.016845506758841]
我々は,地球近傍の地表面観測から得られた気象予報のための新しいベンチマークデータセットであるWeatherRealを紹介する。
本稿では,データセットの基盤となる情報源と処理手法を詳述するとともに,超局地的・極端な気象観測におけるその場観測の利点について述べる。
私たちの研究は、AIベースの天気予報研究を、よりアプリケーション中心で運用対応のアプローチへと進めることを目的としています。
論文 参考訳（メタデータ） (2024-09-14T08:53:46Z) - Predicting unobserved climate time series data at distant areas via spatial correlation using reservoir computing [5.008022566317949]
本研究は, 気象要素, 特に地表温度と圧力を, データ観測点から離れた目標地点で予測することに焦点を当てた。
その結果,予測精度は観測地点と目標地点の距離によって低下することがわかった。
論文 参考訳（メタデータ） (2024-06-05T08:39:10Z) - Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning [0.0]
近年の機械学習の発展により、この問題に対する新しいアプローチとしてMLを適用することへの関心が高まっている。
我々は'Multi-SiteBoost'という名前のワーキングMLフレームワークを開発し、初期テストの結果はバイアス補正NWPモデルのグリッド値と比較して大幅に改善された。
論文 参考訳（メタデータ） (2024-04-04T09:12:13Z) - Confidence and Dispersity Speak: Characterising Prediction Matrix for
Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。
我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。
核の基準は既存の手法よりも正確で堅牢であることを示す。
論文 参考訳（メタデータ） (2023-02-02T13:30:48Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-12-24T18:15:39Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - CAMul: Calibrated and Accurate Multi-view Time-Series Forecasting [70.54920804222031]
本稿では,一般的な確率的マルチビュー予測フレームワークであるCAMulを提案する。
多様なデータソースから表現と不確実性を学ぶことができる。
動的コンテキスト固有の方法で、各データビューからの知識と不確実性を統合する。
CAMulは、他の最先端確率予測モデルよりも精度とキャリブレーションが25%以上向上していることを示す。
論文 参考訳（メタデータ） (2021-09-15T17:13:47Z) - WeatherBench: A benchmark dataset for data-driven weather forecasting [17.76377510880905]
データ駆動型中距離天気予報のためのベンチマークデータセットを提案する。
機械学習モデルでの使用を容易にするために処理されたERA5アーカイブから得られたデータを提供する。
単純な線形回帰手法、ディープラーニングモデル、および純粋に物理的な予測モデルからベースラインスコアを提供する。
論文 参考訳（メタデータ） (2020-02-02T19:20:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。