Improving Reanalysis Hub-Height Wind Speeds and Wind Shear Across Large Spatial Domains Using Near-Surface Observational Networks

Sintesi Tecnica: Miglioramento delle velocità del vento a altezza mozzo e del wind shear in ampi domini spaziali tramite rianalisi

Problematica
I dati accurati sulla velocità del vento a lungo termine alle altezze del mozzo delle turbine (tipicamente 80–100 m) sono essenziali per la valutazione delle risorse eoliche. Tuttavia, i dati osservativi diretti a queste elevazioni sono scarsi a causa dell'elevato costo di manutenzione delle torri meteorologiche alte. Sebbene i prodotti di rianalisi come ERA5 forniscano dati sul vento coerenti e a lungo termine a diverse altezze, la loro risoluzione spaziale grossolana e le semplificate parametrizzazioni dei processi su scala sub-griglia (come la complessità del terreno e la convezione) possono portare a bias, particolarmente in topografie complesse.

Gli approoli di machine learning (ML) esistenti per correggere i dati di rianalisi si basano tipicamente sull'addestramento in località dove esistono osservazioni all'altezza del mozzo. Ciò ne limita l'applicabilità a località non campionate o ad ampi domini dove tali dati non sono disponibili. Inoltre, l'estrapolazione verticale dei venti vicino alla superficie corretti all'altezza del mozzo si basa spesso su assunzioni semplificate (ad esempio, stabilità neutra) o sulla Teoria della Similarità di Monin–Obukhov (MOST), che richiede dati sui flussi superficiali o profili di vento/temperatura a due altezze—dati raramente disponibili in ampie reti. La sfida è sviluppare un framework che migliori le stime della velocità del vento all'altezza del mozzo su ampi domini spaziali utilizzando solo osservazioni meteorologiche vicino alla superficie ampiamente disponibili.

Metodologia
Gli autori propongono un nuovo framework di Machine Learning, la Power Law Informed Neural Network (POWLIN), progettata per correggere simultaneamente le velocità del vento ERA5 a 100 m e predire l'esponente di wind shear (WSE) tra 10 m e 100 m.

• Fonti dei Dati:

  • Dati di Addestramento: Il modello utilizza osservazioni di routine vicino alla superficie (velocità del vento a 10 m) dalle reti dell'Environment and Climate Change Canada (ECCC) e dell'US Automated Surface Observing System (US-ASOS). Per vincolare l'apprendimento del wind shear, il framework incorpora gli WSE derivati dalla MOST calcolati dall'Oklahoma Mesonet (OKM), che fornisce dati ad alta frequenza di temperatura e profili del vento a più altezze.
  • Dati di Valutazione: Il Tall Tower Dataset (TALLDB), contenente osservazioni del vento a più altezze da oltre 250 stazioni globali, è utilizzato per la validazione indipendente.
  • Predittori: Il modello riceve in input variabili meteorologiche ERA5 (vento a 10 m e 100 m, altezza dello strato limite, pressione superficiale, temperatura a 2 m), caratteristiche del terreno locale (lunghezza di rugosità media del settore, deviazione standard della pendenza a diverse scale) e caratteristiche temporali.

• Architettura del Modello e Funzione di Perdita:

  • L'architettura è un modello di deep learning sequence-to-sequence basato su Multi-Head Self-Attention (MHA).
  • Funzione di Perdita Composta: L'innovazione principale è l'integrazione del profilo della legge di potenza nella funzione di perdita. Il modello predice due output: un fattore di correzione ($CF_{100m}$) per le velocità del vento ERA5 a 100 m e un esponente di wind shear ($\alpha$).
  • La perdita primaria minimizza l'errore tra il vento osservato a 10 m e il vento a 100 m verticalmente estrapolato dal modello (corretto da $CF_{100m}$ e $\alpha$).
  • Un termine di perdita ausiliario minimizza l'errore tra l' $\alpha$ predetto e lo WSE derivato dalla MOST dalle stazioni OKM. Una procedura di masking assicura che questa perdita ausiliaria sia applicata solo dove esistono i dati OKM, consentendo al modello di apprendere dalla densa rete a 10 m pur essendo vincolato dai dati di shear più radi.
  • Regolarizzazione: Per evitare l'overfitting sui dati rumorosi degli obiettivi WSE derivati dalla MOST, la variabilità diurna dello WSE è rappresentata tramite forme funzionali compatte (polinomi di Chebyshev, serie di Fourier o una funzione logistica doppia) invece di predire valori indipendenti per ogni ora.

• Confronti con Baseline:

  • ERA5: Dati di rianalisi non aggiustati.
  • CF10m: Un modello ML che corregge solo il vento a 10 m, estrapolato all'altezza del mozzo utilizzando lo shear derivato da ERA5.
  • POWLIN-2L: Un approccio a due strati che apprende lo shear tra 10–40 m (usando i target MOST) e utilizza lo shear ERA5 per 40–100 m.

Risultati Chiave

• Performance Vicino alla Superficie: A 10 m, i framework ML hanno generalmente migliorato le prestazioni di ERA5 attraverso le reti ECCC, OKM e US-ASOS. La configurazione CF10m ha mostrato il miglioramento maggiore a 10 m, probabilmente a causa di un processo di ottimizzazione più semplice rispetto alla perdita composta di POWLIN.
• Performance all'Altezza del Mozzo: Quando valutato contro le stazioni TALLDB (10–100 m), POWLIN-1L (che apprende lo shear nell'intero intervallo 10–100 m) ha superato le altre configurazioni, particolarmente nell'intervallo 40–100 m e in condizioni atmosferiche stabili.
  • POWLIN-1L ha ridotto la Deviazione Assoluta Mediana (MAD) e l'Errore Quadratico Medio (RMSE) rispetto a ERA5.
  • Ha migliorato la variabilità temporale (Centered RMSE) delle velocità del vento alle altezze del mozzo, mentre CF10m (che si affida allo shear di ERA5 per l'estrapolazione) ha spesso deteriorato la correlazione temporale alle altezze superiori.
• Predizione del Wind Shear: Gli WSE predetti dal ML hanno generalmente superato i valori derivati da ERA5. Le rappresentazioni funzionali compatte (Chebyshev, DLogistic, Fourier) hanno prodotto esponenti di shear più accurati rispetto all'approccio "Full 24h" non vincolato, dimostrando che imporre vincoli fisici sul ciclo diurno aiuta a regolarizzare il modello.
• Generalizzazione: Il framework si è generalizzato con successo a località non viste, incluse quelle in terreni complessi (ad esempio, siti NWTC), correggendo bias sistematici come la sottostima nelle zone di accelerazione orografica e la sovrastima in aree ad alta rugosità.

Significato e Rivendicazioni
Il documento sostiene di offrire una soluzione pratica e scalabile per migliorare le stime della velocità del vento all'altezza del mozzo dai dati di rianalisi su ampi domini spaziali (scala continentale). La sua importanza primaria risiede in:

1. Efficienza dei Dati: Raggiunge correzioni all'altezza del mozzo utilizzando solo variabili meteorologiche vicino alla superficie (vento a 10 m) per l'addestramento, bypassando la necessità di una rete densa di torri alte.
2. Consistenza Fisica: Integrando il profilo della legge di potenza nella funzione di perdita e utilizzando lo shear derivato dalla MOST come vincolo, il modello apprende relazioni fisicamente coerenti tra terreno, stabilità e wind shear.
3. Doppio Output: Il framework migliora simultaneamente le stime della velocità del vento e fornisce esponenti di wind shear più accurati rispetto ai prodotti standard di rianalisi, il che è critico per la valutazione delle risorse eoliche.
4. Robustezza: L'uso di forme funzionali compatte per l'esponente di shear previene l'overfitting su dati target rumorosi, consentendo al modello di generalizzare efficacemente attraverso diversi regimi climatici e topografici in Nord America.

Gli autori concludono che, sebbene l'attuale framework si basi su ERA5, la metodologia è trasferibile ad altri dataset di rianalisi o ad alta risoluzione, a condizione che siano disponibili osservazioni vicino alla superficie. Il lavoro futuro suggerisce di incorporare ulteriori dati di addestramento da reti diverse (ad esempio, New York State) e di validare il modello contro dati operativi di parchi eolici.