Αρ. ΕΕ - WP Number: 4

Τίτλος ΕΕ - WP Title: WP4 : Deep learning neural networks in 3D radiative transfer

Έναρξη - Starting Month: 1

Λήξη - Ending Month: 42

Στόχοι ΕΕ - WP Objectives: Χρήση νευρωνικών δικτύων σε συνέργεια με το 3D μοντέλο

Συνοπτική Περιγραφή των Στόχων της ΕΕ -Brief description of the WP’s Objectives

Αντικείμενο του WP4 είναι η ανάπτυξη, αξιολόγηση και αποτίμηση των πλεονεκτημάτων και των αδυναμιών στην μεθοδολογία εκτίμησης της ηλιακής ακτινοβολίας εφαρμόζοντας τεχνικές βαθιάς μηχανικής μάθησης (deeplearning).

Περιγραφή Εργασίας - Βαθμός Υλοποίησης των Στόχων της ΕΕ - Work Description – Degree of Work Package Objectives Implementation

Οι εργασίες του WP είχαν ολοκληρωθεί κατά ένα ποσοστό (D4.1), όπως προέβλεπε το αρχικό πλάνο υλοποίησης και παρουσιάστηκε στην ενδιάμεση έκθεση πιστοποίησης. Οι υπόλοιπες εργασίες ολοκληρώθηκαν κανονικά, με βάση το επικαιροποιημένο πλάνο εργασίας.

Σε αυτό το WP, τα νευρωνικά δίκτυα βαθιάς μάθησης χρησιμοποιούνται για την ταχύτερη εκτίμηση της ακτινοβολίας σε διάφορες ατμοσφαιρικές συνθήκες. Τα δίκτυα αρχικά υλοποιήθηκαν (αλγόριθμοι, μορφή δεδομένων εισόδου και εξόδου) με σύνολα δεδομένων για τεχνητές ατμοσφαιρικές συνθήκες. Σε μεταγενέστερο στάδιο, τα αποτελέσματα από το MYSTIC και οι μετρήσεις διαχωρίστηκαν ( σε 2/3 και 1/3 του συνόλου των τιμών) ώστε να χρησιμοποιηθούν ως δεδομένα εισόδου και ελέγχου αντίστοιχα στα δίκτυα βαθιάς μάθησης.

Οι εκτιμώμενες ακτινομετρικές ποσότητες από τις ASIsαξιολογήθηκαν σε σχέση με τις μετρήσεις του δικτύου, ώστε να προσδιοριστεί η αβεβαιότητα του μοντέλου, καθώς και τα δυνατά και αδύνατα σημεία του υπό διαφορετικές καιρικές συνθήκες.

Παραδοτέα - Deliverables

D4.1: Rendered radiance database from deep learning neural networks for artificial atmospheric conditions

D4.2: Rendered radiance database from deep learning neural networks for selected measured atmospheric conditions

D4.3: Technical report on deep learning neural networks results

Συνοπτική περιγραφή των Παραδοτέων που προέκυψαν από την ΕΕ.

D4.1

Παρουσιάζεται η η μεθοδολογία εκτίμησης της ηλιακής ακτινοβολίας εφαρμόζοντας τεχνικές βαθιάς μηχανικής μάθησης (deep learning). Ο απαιτούμενος χρόνος υπολογισμού της ηλιακής ακτινοβολίας με την χρήση μοντέλων επίλυσης της εξίσωσης διάδοσης της ηλιακής ακτινοβολίας σε 3 διαστάσεις είναι υψηλός. Δημιουργήθηκε και εκτιμάται να εφαρμοστεί στο εγγύς μέλλον ένα υβριδικό μοντέλο το οποίο χρησιμοποιεί ταυτόχρονα δυο διαφορετικούς αλγόριθμους βαθιάς μηχανικής μάθησης, ένα συνελεκτικό νευρωνικό δίκτυο (Convolutional Neural Network-CNN) και ένα πλήρως συνδεδεμένο νευρωνικό Δίκτυο (Fully-connected Neural Network). Το  υβριδικό μοντέλο εκτιμά το πεδίο ηλιακής ακτινοβολίας στην περιοχή μελέτης, χρησιμοποιώντας τα δεδομένα ηλιακής ακτινοβολίας από την τεχνητή βάση που δημιουργήθηκε στο πακέτο εργασίας 3.1 μέσω του MYSTIC. Για την εκπαίδευση ενός τέτοιου μοντέλου απαιτείται ένα υψηλός αριθμός μετρήσεων, που σε αυτή την φάση του προγράμματος δεν είναι ακόμα πλήρως διαθέσιμος καθώς ακόμη δημιουργούνται δεδομένα από το MYSTIC.

D4.2

Το Παραδοτέο D4.2 του έργου αφορά τη δημιουργία και την τεκμηρίωση μιας ολοκληρωμένης βάσης δεδομένων ακτινοβολίας, η οποία προκύπτει από την εφαρμογή μοντέλων βαθιάς μάθησης σε επιλεγμένες πραγματικές ατμοσφαιρικές συνθήκες. Η βάση δεδομένων εστιάζει στην απόδοση πεδίων και ολοκληρωμένων μεγεθών ηλιακής ακτινοβολίας σε περιβάλλοντα με νεφοκάλυψη, αξιοποιώντας απεικονιστικά και ακτινομετρικά δεδομένα πεδίου.

Στο πλαίσιο του παραδοτέου περιγράφεται αναλυτικά η διαδικασία επιλογής των περιπτώσεων μελέτης, οι οποίες βασίζονται σε πραγματικές μετρήσεις από το WP2 και συνοδεύονται από αντίστοιχες τρισδιάστατες προσομοιώσεις ακτινοβολίας του WP3. Παρουσιάζεται η μεθοδολογία εφαρμογής χωρικά ενημερωμένων Συνελικτικών Νευρωνικών Δικτύων (Spatially-informedCNN – SCNN), καθώς και τα στάδια προ-επεξεργασίας των δεδομένων και η συνολική ροή παραγωγής της βάσης δεδομένων.

Ιδιαίτερη έμφαση δίνεται στις τεχνικές προδιαγραφές της βάσης δεδομένων, στη δομή της ανά χρονική στιγμή και στα συνοδευτικά μεταδεδομένα, με στόχο τη διασφάλιση της φυσικής συνέπειας, της πληρότητας και της επαναχρησιμοποίησης των παραγόμενων δεδομένων. Επιπλέον, παρουσιάζονται ενδεικτικά παραδείγματα κατανομών της κατευθυντικής ακτινοβολίας για διάφορους τύπους νεφών, αποκλειστικά για περιγραφικούς και τεκμηριωτικούς σκοπούς.

D4.3

Το συγκεκριμένο Παραδοτέο παρουσιάζει τη συστηματική ποσοτική και ποιοτική αξιολόγηση των μοντέλων βαθιάς μάθησης που αναπτύχθηκαν στο πλαίσιο του έργου D3D για την εκτίμηση της ηλιακής ακτινοβολίας υπό πραγματικές ατμοσφαιρικές συνθήκες. Το παραδοτέο αποτελεί το τελικό στάδιο του Πακέτου Εργασίας WP4 και εστιάζει στην αποτίμηση της ακρίβειας, της σταθερότητας και της φυσικής συνέπειας των εκτιμήσεων που παράγονται από τα νευρωνικά δίκτυα, αξιοποιώντας αποκλειστικά πραγματικά μετρητικά δεδομένα.

Η αξιολόγηση βασίζεται σε εκτεταμένο σύνολο συγχρονισμένων δεδομένων, το οποίο περιλαμβάνει απεικονίσεις ουρανού από συστήματα All Sky Imager και μετρήσεις ολικής και διάχυτης ηλιακής ακτινοβολίας (GHI και DHI) από πυρανόμετρα υψηλής ακρίβειας. Τα δεδομένα αυτά προέρχονται από προηγούμενα πακέτα εργασίας του έργου (WP2 και WP4) και καλύπτουν ευρύ φάσμα ατμοσφαιρικών συνθηκών, γεωμετριών ηλιακού φωτισμού και καθεστώτων νεφοκάλυψης, διασφαλίζοντας τη ρεαλιστικότητα και τη στατιστική αξιοπιστία της αξιολόγησης.

Τα αποτελέσματα της αξιολόγησης καταδεικνύουν ότι τα μοντέλα βαθιάς μάθησης επιτυγχάνουν υψηλό βαθμό ακρίβειας και στατιστικής συνέπειας, ιδίως για την ολική οριζόντια ηλιακή ακτινοβολία, όπου παρατηρείται εξαιρετικά ισχυρή συσχέτιση με τις μετρήσεις αναφοράς και περιορισμένη διασπορά σφαλμάτων. Η διάχυτη ακτινοβολία παρουσιάζει αυξημένη μεταβλητότητα και ήπια συστηματική απόκλιση σε συνθήκες έντονης ατμοσφαιρικής πολυπλοκότητας, γεγονός που αποδίδεται σε εγγενείς φυσικούς περιορισμούς και όχι σε αδυναμίες της μεθοδολογίας.

Η ανάλυση των ακραίων αποκλίσεων και της επίδρασης της ηλιακής γεωμετρίας αναδεικνύει τον καθοριστικό ρόλο των τρισδιάστατων φαινομένων σκέδασης και της χωρικής ανομοιογένειας της ακτινοβολίας, επιβεβαιώνοντας ότι τα παρατηρούμενα σφάλματα συνδέονται κυρίως με φυσικές διεργασίες και με την ασυμφωνία χωρικής κλίμακας μεταξύ απεικονιστικών δεδομένων και σημειακών μετρήσεων.

Ορόσημα – Milestones

M4.1: Radiance database from MYSTIC model for artificial atmospheric conditions

M4.2: Radiance database from MYSTIC model for selected measured atmospheric conditions

Συνοπτική περιγραφή των επιτευχθέντων Οροσήμων της ΕΕ.

Το milestone M4.1 ολοκληρώθηκε. Το M4.2 επιτεύχθηκε κανονικά, βάσει του επικαιροποιημένου πλάνου υλοποίησης του έργου.