Self-Attentive Transformer for Fast and Accurate Postprocessing of Temperature and Wind Speed Forecasts
Notice bibliographique
Résumé
Abstract Current postprocessing techniques often require separate models for each lead time and disregard possible interensemble relationships by either correcting each member separately or by employing distributional approaches. In this work, we tackle these shortcomings with an innovative, fast, and accurate transformer which postprocesses each ensemble member individually while allowing information exchange across variables, spatial dimensions, and lead times by means of multiheaded self-attention. Weather forecasts are postprocessed over 20 lead times simultaneously while including up to fifteen meteorological predictors. We use the EUPPBenchmark dataset for training which contains ensemble predictions from the European Centre for Medium-Range Weather Forecasts’ integrated forecasting system alongside corresponding observations. The work presented here is the first to postprocess the 10- and 100-m wind speed forecasts within this benchmark dataset, while also correcting 2-m temperature. Our approach significantly improves the original forecasts, as measured by the continuous ranked probability score (CRPS), with 16.5% for 2-m temperature, 10% for 10-m wind speed, and 9% for 100-m wind speed, outperforming a classical member-by-member approach employed as a competitive benchmark. Furthermore, being up to 6 times faster, it fulfills the demand for rapid operational weather forecasts in various downstream applications, including renewable energy forecasting. Significance Statement Accurate weather forecasts are essential for the daily functioning of a myriad of societal and economical actors. Current weather forecasting models, however, still contain significant biases and insufficient model uncertainty. Therefore, in this study, we develop a model to improve the accuracy of wind speed and temperature forecasts, two essential weather variables, for e.g., the agricultural, transport, or renewable energy sector. The method is a fast and flexible deep learning algorithm which improves around 16.5% for temperature and 10% for wind speed as compared to the original forecasts. Future research could further enhance accuracy by tailoring the model to specific geographic regions classified based on different climatological conditions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».