突破性的机器学习方法可快速生成更高分辨率的气候数据

美国能源部（DOE）国家可再生能源实验室（NREL）的研究人员开发出一种新型机器学习方法，可快速将风速数据的分辨率提高50倍，将太阳辐照度数据提高25倍——这是气候数据从未达到的增强。

研究人员采用另一种方法，采用对抗性训练，即模型通过一次观察整个场来生成物理上逼真的细节，以更快的速度提供高分辨率气候数据。这种方法将使科学家能够更快、更准确地在未来的气候情景中完成可再生能源研究。

NREL的高级计算科学家Ryan King说："为了提高气候预测的空间和时间分辨率，不仅对能源规划、农业、交通等产生了巨大影响。

King和NREL的同事凯伦·斯滕格尔、安德鲁·格劳斯和迪伦·海廷格撰写了一篇新文章，详细介绍了他们的方法，标题为"气候风和太阳数据的对抗性超级分辨率"，发表在《美国国家科学院学报》上。

准确、高分辨率的气候预测对于预测为可再生能源提供燃料的风、云、雨和海流变化非常重要。短期预测推动运营决策;中期天气预报指导调度和资源分配;长期气候预测为基础设施规划和决策提供信息。

然而，金说，在气候预测中很难保持时间和空间质量。缺乏不同情景的高分辨率数据是能源复原力规划中的一大挑战。各种机器学习技术已经出现，通过超分辨率来增强粗数据，这是通过添加像素来锐化模糊图像的经典成像过程。但直到现在，还没有人利用对抗性训练来超级解决气候数据。

专门从事机器学习的NREL博士后Glaws说："对抗性训练是取得这一突破的关键。

对抗训练是一种通过让神经网络相互竞争来生成新的、更现实的数据来提高神经网络性能的方法。NREL的研究人员在模型中训练了两种类型的神经网络，一种是识别高分辨率太阳辐照度和风速数据的物理特性，另一种是将这些特性插入粗数据。随着时间的推移，网络产生更逼真的数据，并改进区分真实和虚假输入。NREL 的研究人员能够为每个原始像素添加 2，500 像素。

专门从事机器学习的 NREL 研究生实习生 Stengel 说："通过使用对抗性训练，与传统的气候预测数值方法不同，这种方法可能涉及求解许多物理方程，从而节省了计算时间、数据存储成本，使高分辨率气候数据更易于访问。

这种方法可应用于从区域到全球范围的广泛气候情景，改变气候模型预测的范式。