G-2024-67
Interpolation-free deep learning for meteorological downscaling on unaligned grids across multiple domains with application to wind power
, et référence BibTeX
À mesure que le changement climatique s'intensifie, la transition vers des sources d'énergie plus propres devient de plus en plus urgente. Avec l'accélération prévue de la production d'énergie éolienne, des prévisions probabilistes fiables de vent sont essentielles pour assurer une utilisation efficace de cette ressource. Cependant, étant donné que les modèles de prévision numérique du temps sont coûteux en termes de calcul, les prévisions probabilistes sont produites à des résolutions trop grossières pour capturer tous les comportements de vent à l'échelle méso. Le downscaling statistique, généralement utilisé pour améliorer la résolution des simulations de modèles climatiques, constitue une solution viable avec des coûts de calcul réduits, en apprenant une correspondance entre des variables à basse résolution (BR) et des variables météorologiques à haute résolution (HR). En exploitant l'apprentissage profond, nous évaluons un modèle de downscaling basé sur une architecture U-Net de pointe, appliqué à un membre d'ensemble issu d'une prévision probabiliste à grande échelle de la vitesse du vent. L'architecture est modifiée pour intégrer (1) une stratégie d'alignement de grille apprise pour résoudre les décalages de grille BR-HR et (2) un module de traitement pour des prédicteurs atmosphériques multi-niveaux. Afin d'étendre l'applicabilité du modèle de downscaling au-delà des domaines spatiaux fixes à l'ensemble de la région canadienne, nous évaluons une approche d'apprentissage par transfert. Nos résultats montrent que la stratégie d'alignement de grille apprise fonctionne aussi bien que les étapes classiques d'interpolation en prétraitement, et que la vitesse du vent à BR à plusieurs niveaux est suffisante en tant que prédicteur, permettant ainsi une architecture plus compacte. De plus, ils suggèrent que l'extension à de nouveaux domaines spatiaux en utilisant l'apprentissage par transfert est prometteuse, et que les vitesses du vent obtenues par downscaling montrent un potentiel d'amélioration de la détection des rampes de puissance éolienne, un phénomène critique pour l'énergie éolienne.
Paru en septembre 2024 , 90 pages
Axe de recherche
Application de recherche
Document
G2467.pdf (17 Mo)