Mapping wind speed distribution across large regions using machine learning and asymmetric kernel estimators.
Notice bibliographique
Résumé
Wind resource assessment studies over large regions provide the basis for the preliminary identification of locations with promising wind energy prospects. In past studies, several authors have mapped the mean wind speed across large regions using spatial interpolation methods or machine learning models. In recent studies, more emphasis has been placed on mapping the entire wind speed distribution to evaluate the wind resource variability at unsampled locations. Most of these studies have assumed that the wind speed distribution across the entire region belongs to a single family of probability distribution functions and then processed to map the distribution parameters. A flexible non-parametric approach for wind speed distribution mapping is proposed in this study. The new approach is based on mapping various wind speed quantiles at some fixed percentile points in the region using a machine learning model. Then, at any unsampled location, these quantiles are used as input of an asymmetric kernel estimator of cumulative distribution function to recover the whole wind speed distribution. Asymmetric kernel estimators solve the probability leakage problem that appears when fitting symmetric kernels to bounded variables such as wind speed. The non-parametric approach for wind speed distribution mapping was more effective than a traditional approach based on mapping the parameters of a distribution function. In the best scenario, an improvement was observed between 6% (test samples) and 9% (cross-validation) of the Kolmogorov-Smirnov statistic between the observed and estimated wind speed distribution. The non-parametric approach is recommended for regions with highly variable wind regimes that cannot be captured by a single family of distribution functions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».