美国能源部(DOE)国家可再生能源实验室(NREL)的研究人员开发了一种新颖的机器学习方法，可以将风速数据的分辨率快速提高50倍，将太阳辐照度数据的分辨率提高25倍，而这种增强从未有过气候数据之前取得的成就。
 

研究人员通过对抗训练采用了另一种方法，其中该模型通过一次观察整个领域来产生物理上逼真的细节，以更快的速度提供高分辨率的气候数据。这种方法将使科学家能够更快，更准确地完成未来气候情景中的可再生能源研究。

NREL高级计算科学家Ryan King说：“能够增强气候预测的时空分辨率不仅对能源计划产生巨大影响，而且对农业，交通运输等产生巨大影响。” 。

King和NREL的同事Karen Stengel，Andrew Glaws和Dylan Hettinger撰写了一篇详细介绍其方法的新文章，题为“气候风和太阳数据的超高分辨率”，该文章发表在《美国国家科学院院刊》上美利坚合众国。
 

准确的高分辨率气候预测对于预测可再生能源的风，云，雨和海流的变化非常重要。短期预测可推动运营决策;中期天气预报指导日程安排和资源分配;长期的气候预测有助于基础设施规划和政策制定。

但是，金说，要保持气候预报的时空质量非常困难。缺乏针对不同场景的高分辨率数据一直是能源弹性规划中的主要挑战。出现了各种机器学习技术，以通过超分辨率增强粗略数据，这是通过添加像素来锐化模糊图像的经典成像过程。但是直到现在，还没有人使用对抗训练来超级解析气候数据。

“专业培训是这一突破的关键，”专门研究机器学习的NREL博士后Glaws说。

对抗训练是一种通过使神经网络相互竞争以生成新的，更真实的数据来提高神经网络性能的方法。NREL研究人员在模型中训练了两种类型的神经网络：一种识别高分辨率太阳辐照度和风速数据的物理特征，另一种将这些特征插入到粗略数据中。随着时间的流逝，这些网络会产生更真实的数据，并在区分真实输入和伪造输入方面有所改进。NREL研究人员能够为每个原始像素添加2500个像素。
 

NREL Stengel说：“与传统的数值方法相比，通过对抗训练可以解决许多物理方程，而传统的数值方法可以解决许多物理方程式，因此可以节省计算时间，数据存储成本，并可以更高分辨率地获取高分辨率气候数据。”专门从事机器学习的研究生实习生。

这种方法可以应用于从区域到全球范围的各种气候情景，从而改变了气候模型预测的范式。