Postprocessing Wind Forecasts Using Neural Networks

Abstract

Cyclonic activity and complex landscape contribute to volatile wind conditions in Iceland, making accurate wind forecasts difficult. Postprocessing is the field of weather forecasting where systematic biases and errors are corrected using historical data and computational methods. In recent years, neural networks and other machine learning methods have come to the forefront of weather forecasting. In this work, neural networks are applied to postprocess numerical weather forecasts from The Copernicus Climate Change Service, using approximately 30 years of observational data from the Icelandic Meteorological Office as ground truth. The features used to train the network are discussed and evaluated experimentally. Neural networks are found to improve wind forecasts, especially when trained on data extracted from a digital elevation model. Some engineered features, such as those that replicate the effects of ocean winds, show promise. Other engineered features, such as the Brunt-Väisälä frequency, are not seen to offer an appreciable benefit. Future work could include the use of convolutional methods to process digital elevation data, the revision of feature extraction methods, and the investigation of approaches to include the type of terrain in training data.

Tíðar lægðir og flókið landslag stuðla að miklum vindsveiflum á Íslandi og nákvæmar vindspár geta reynst erfiðar. Eftirvinnsla veðurspáa felur í sér notkun sögulegra gagna og tölfræðilegra aðferða við leiðréttingu á kerfisbundnum skekkjum í veðurlíkönum. Á undanförnum árum hafa tauganet og aðrar vélanámsaðferðir verið framarlega í þróun veðurspáa. Í þessari ritgerð er djúpum tauganetum beitt til eftirvinnslu vindaspáa frá Copernicus Climate Change Service, og 30 ár af vindaspám frá Veðurstofu Íslands eru notuð sem viðmiðunargildi. Tilraunirnar snúa sérstaklega að breytunum sem notaðar eru í þjálfunargögnunum fyrir tauganetin. Í ljós kemur að tauganet reynast vel í eftirvinnslu vindaspáa, sér í lagi þegar þau eru þjálfuð með gögnum úr stafrænu hæðarlíkani. Sumar afleiddar breytur lofa góðu, til að mynda þær sem draga saman áhrif sjávarvinda. Aðrar breytur, eins og Brunt-Väisälä tíðnin, eru ekki jafn vænlegar. Framtíðarvinna gæti til að mynda falið í sér notkun földunaraðferða við vinnslu hæðarlínugagna, endurskoðun aðferða við breytusmíði og að nýta landslagsgerð sem þjálfunargögn.