LSTM and Transformer-based framework for bias correction of ERA5 hourly wind speeds
Notice bibliographique
Résumé
Reanalysis-derived wind speeds are central to large-scale wind resource assessment (WRA). However, their coarse spatial resolution often introduces significant biases, particularly in complex terrains and coastal areas. A deep learning (DL) framework using LSTMs or Transformers was introduced to correct systematic biases and temporal variability in reanalysis-derived wind speeds by modeling a time-resolved scaling factor, which is then used to adjust ERA5 wind speeds. The proposed framework's spatiotemporal generalization capability was rigorously evaluated using a test set of 170 independent stations distributed throughout Canada in diverse environmental conditions. Results showed that the DL framework outperformed a standard bias correction method based on the Global Wind Atlas. It improved the median wind speed, the temporal variability, and the probability distributions of ERA5 wind speeds in coastal areas and complex terrains. Specifically, in coastal regions, the DL models increased the explained variability of median wind speed by over 70% relative to ERA5. In regions characterized by high surface roughness length, such as forests and urban areas, these models achieved average improvements of more than 10% in MAE and RMSE of the time series. While the DL models performed well in representing the probability distribution of the most typical wind speed values, some challenges remain in improving the distribution of extreme wind speeds. Overall, this framework represents a promising advancement in enhancing the accuracy of reanalysis-derived wind speeds in large-scale WRA. By reducing biases in ERA5 wind data, the DL framework supports more reliable site selection and estimation of long-term energy production.
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 ».