Ensemble of Artificial Neural Networks for Seasonal Forecasting of Wind Speed in Eastern Canada
Notice bibliographique
Résumé
Efficient utilization of wind energy resources, including advances in weather and seasonal forecasting and climate projections, is imperative for the sustainable progress of wind power generation. Although temperature and precipitation data receive considerable attention in interannual variability and seasonal forecasting studies, there is a notable gap in exploring correlations between climate indices and wind speeds. This paper proposes the use of an ensemble of artificial neural networks to forecast wind speeds based on climate oscillation indices and assesses its performance. An initial examination indicates a correlation signal between the climate indices and wind speeds of ERA5 for the selected case study in eastern Canada. Forecasts are made for the season April–May–June (AMJ) and are based on most correlated climate indices of preceding seasons. A pointwise forecast is conducted with a 20-member ensemble, which is verified by leave-on-out cross-validation. The results obtained are analyzed in terms of root mean squared error, bias, and skill score, and they show competitive performance with state-of-the-art numerical wind predictions from SEAS5, outperforming them in several regions. A relatively simple model with a single unit in the hidden layer and a regularization rate of 10−2 provides promising results, especially in areas with a higher number of indices considered. This study adds to global efforts to enable more accurate forecasting by introducing a novel approach.
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 ».