Машинное обучение повысило точность оценки солнечной радиации

В новом исследовании, опубликованном в журнале Remote Sensing, ученые использовали методы аугментации данных в сочетании с моделью машинного обучения LightGBM для оценки как диффузной, так и прямой солнечной радиации. Этот подход изобретательно использует данные о солнечной продолжительности, собранные с более чем 2 453 метеостанций, успешно обходя традиционные препятствия в виде разреженных и неравномерно распределенных наблюдений на земле.

Основой данного исследования является новаторское применение алгоритмов машинного обучения, которые обучаются на расширенных наборах данных для прогнозирования компонентов солнечной радиации с беспрецедентной точностью. Методология является особенно революционной, поскольку не требует локальных данных для калибровки, что делает ее универсальным решением.

Проверка данной модели на независимых наборах данных не только подтвердила ее эффективность в Китае, но и указала на ее потенциал для глобального применения. Более того, создание нового спутникового набора данных, полученного в результате этого исследования, выделяется своей превосходной точностью по сравнению с существующими наборами данных, предоставляя детализированное пространственное распределение компонентов солнечной радиации.