Skillful forecasting of offshore winds from satellite scatterometer constellations
本文介绍了 WindCastNet，这是一种新型的基于卫星的临近预报框架，该框架利用来自散射计星座的不规则观测数据，能够准确预测北海海域日内提前量的离岸风速和风向，其性能显著优于传统的数值天气预报模型和持续性方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
驱动海上风电场巨大涡轮机旋转的风是一种反复无常的资源。它在几分钟内就会改变速度和方向，受移动速度快于许多传统预测工具追踪能力的天气系统驱动。对于管理电网的工程师来说，这种多变性是一个持续的挑战；他们需要准确知道未来一小时内将产生多少电力，以平衡供需，防止停电或能源浪费。几十年来，预测这种风的最佳方法是通过复杂的数值天气预报模型。这些是试图重建大气物理过程的大型计算机模拟，但它们更新缓慢，且在发布预测时，所依赖的数据往往已经是几小时前的了。虽然这些模型在预测几天后的天气方面表现良好，但在处理最依赖近期观测数据的近期未来预测时却显得力不从心。
最近的一项研究详细介绍了一种绕过这些缓慢模拟的新方法。该方法不再尝试从头开始计算风的物理特性，而是由一个科学家团队开发了一个直接从风本身学习的系统，利用卫星群来观察海洋表面。这种被称为 WindCastNet 的方法将风视为一种可以被识别并向前投影的模式，而不是一组需要求解的方程。通过分析来自绕地球运行的卫星星座的原始数据，该系统可以以惊人的准确度预测未来几小时内北海的风向行为。这种从基于物理的计算向基于观测的学习的转变，为管理电网中日益增长的风能份额提供了一种更快、响应更及时的途径。
这项创新的核心在于研究人员处理数据的方式非常独特。卫星并不是像固定摄像机那样悬停在海洋上方；它们以极地轨道绕地球飞行，每天只能经过同一个地点几次。这意味着它们收集的风力数据是零散且不规则的，在空间和时间上都存在空白。传统的计算机模型通常需要整齐、连续的数据网格才能工作，这使得过去很难使用这类卫星信息。研究人员通过构建一种专门的神经网络解决了这个问题，这是一种旨在理解这些杂乱、不完整模式的人工智能。他们教会了系统如何观察现有的风力测量数据，无论这些数据多么分散，并理解它们之间的时间间隔。该系统通过识别风场通常如何演变来学习填补缺失的部分，从而即使在卫星仅扫描了该区域一小部分的情况下，也能生成覆盖整个海域的风速和风向的完整图像。
在与气象部门使用的标准天气模型进行对比测试时，这个新系统在短期预测方面展现出了明显的优势。在布满风电场的北海地区，与现有的最佳数值模型相比，该模型将一小时后预测的风速误差降低了 23%，将两小时后预测的误差降低了 7%。它也显著优于一种名为“持续性”的简单方法（即假设风会像现在这样精确地吹下去），在最初的三小时内表现尤为突出。该系统能够在任何特定时间做出预测，无论是 20 分钟还是 2 小时后，而无需为每个间隔运行新的模拟。这种灵活性使电网运营商能够根据需求随时获取更新，而不必等待预定的预测周期。
然而，研究也指出了这种方法的局限性。当风在海上稳定地朝一个方向吹拂时，该系统表现最佳。当天气变得混乱时，例如在强风暴期间或不同风向模式发生碰撞时，预测误差会增加。这部分是因为该模型仅基于北海的数据进行训练；它无法看到可能很快进入该区域的大西洋远处的天气系统。由于缺乏来自其特定训练区域之外的信息，它无法在这些变化进入卫星视野之前预见到这些即将到来的变化。此外，该系统预测的是水面上方 10 米处（这是标准测量高度）的风速，而不是涡轮叶片的高度，尽管两者密切相关。
尽管存在这些局限性，但结果表明，曾经被认为因过于不规则而无法直接用于预测的卫星数据，可以作为一种强大且独立的短期天气情报来源。研究人员发现，通过直接从观测数据中学习，该系统捕捉到了风的真实行为，包括传统模型经常忽略的风电场自身产生的细微影响。这为一种更快、更能响应能源行业即时需求的全新天气预报方式打开了大门。随着世界继续建设海上风电容量，像这样的工具通过将来自太空的原始、不规则信号转化为可靠的、分钟级的风力预报，为维持电力供应提供了切实可行的方法，从而为驱动我们未来的风力保驾护航。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。