Machine learning and statistical approaches for wind speed estimation at partially sampled and unsampled locations; review and open questions
Notice bibliographique
Résumé
Wind resource assessment (WRA) depends on the availability of accurate, long-term wind speed data. In locations where such data is limited (partially sampled locations, PSL) or completely missing (unsampled locations, USL), various physical, statistical, and machine-learning methods have been developed to address these gaps. This paper presents a comprehensive and up-to-date review of statistical and machine-learning methods for estimating long-term wind speed at PSLs and USLs. It was found that the “Measure Correlate Predict” (MCP) is still the method of choice for estimation at PSL. However, this approach has evolved with the adoption of machine learning, especially Artificial Neural Networks, and reanalysis wind data as the reference site. In general, reanalysis datasets have seen growing adoption for WRA at both PSLs and USLs due to their global coverage, high temporal resolution, and demonstrated accuracy. At USLs, uncorrected and bias-corrected reanalysis wind speed data are used for WRA, with the Global Wind Atlas predominantly used to correct reanalysis wind speed data. There is also a growing effort to develop machine learning models, including deep learning models for reanalysis bias correction at USLs using explanatory variables derived from high-resolution topographic and land use datasets. Challenges to estimating long-term wind speed at PSLs and USLs are identified and discussed: data uncertainties, disparity in the accuracy of reanalysis wind data, model transferability, and nonstationary conditions. Finally, recommendations for future research and development directions are presented, including techniques that consider documented non-stationarity in wind speed data.
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 ».