11 徐伟-基于AI的全地形风资源降尺度技术研究与应用_莱维塞尔.pdf

《11 徐伟-基于AI的全地形风资源降尺度技术研究与应用_莱维塞尔.pdf》由会员分享，可在线阅读，更多相关《11 徐伟-基于AI的全地形风资源降尺度技术研究与应用_莱维塞尔.pdf（38页珍藏版）》请在三个皮匠报告上搜索。

1、北 京 莱 维 塞 尔 科 技 有 限 公 司基于AI的全地形风资源降尺度技术研究与应用演讲人：徐伟日期：2025/12/4目录 引言引言 方法与过程应用 结果检验与讨论 应用情况Contents 将气象模式（如 WRF、ECMWF）输出的低分辨率（数公里至数十公里）风速数据，通过物理模型/统计方法/机器学习方法提升为高分辨率（数十米至数百米）空间风速场的技术。不同于：基于测风塔的流体力学模拟仿真。8.31m/s9km分辨率7.15m/s100m分辨率引言：什么是降尺度？引言：为什么降尺度？-解决“宏观风速趋势可知，微观分布不明”的核心痛点 业务需求：在工程前期获得精细的资源分布，支持项目规划

2、/资源评估/微观选址/可行性研究。传统路径：借助测风塔，使用CFD或WAsP方法，实现有限空间的资源仿真；外扩距离有限，耗时较长。引言：降尺度在哪个阶段最需要 提高项目判断的成功率 提升决策效率 减小投资风险引言：大规模的降尺度西藏自治区那曲市比如县全球天气计算模式实测数据订正算法观测资料数据同化9 km 3 km 100 m 引言-市场案例目录 引言 方法与过程应用方法与过程应用 结果检验与讨论 应用情况Contents方法与过程：技术路线图方法与过程：不同方法的对比分析动力降尺度统计降尺度AI降尺度优点准确率较高天气事件保留较好兼顾准确性与效率可以实现高维学习计算效率极高准确性尚可缺点计算

3、量巨大不适于大规模计算计算量大大规模计算成本较高数据更新成本高缺少物理性约束黑盒子/可解释性差精度依赖数据量 选取平原、山地1、山地2三个区域进行对比，每个区域三折训练，一折验证。模型评估时，选取山地2训练，山地1和测试2进行测试，评估模型的泛化能力。方法与过程：实验区域的选取方法与过程：输入数据情况平原山地1山地2方法与过程：数据处理的核心问题和解决方法（()）()()特点 集成学习：通过多个决策树的集成来减少过拟合，提升泛化能力。特征重要性：能够评估各个特征的重要性，方便特征选择。鲁棒性：对噪声和异常值有较高的鲁棒性。方法与过程：方法1-随机森林RF（Random Forest，随机森林）

4、是一种基于决策树的集成学习方法，通过构建多个决策树并综合它们的预测结果来提高模型的准确性和稳定性。不连续、锯齿状平原山地1山地2方法与过程：方法1-随机森林的应用效果U-net 是一种基于卷积神经网络（CNN）的图像分割模型，通过对称的“U 型”架构（编码器-解码器+跳跃连接），将图像的高层语义特征与底层细节特征融合，实现像素级的精准分割。其核心设计逻辑是：先通过下采样提取图像本质特征，再通过上采样恢复空间细节。特点小样本适配性：对称架构让网络能重复利用编码器提取的特征，减少对新数据的依赖；强鲁棒性与泛化性：跳跃连接通过多尺度特征融合，降低了单一层级噪声对整体结果的影响方法与过程：方法2-U-

5、net模型结构 两个卷积核运算过程，会得到两个输出 一个卷积核运算过程，会得到一个输出方法与过程：方法2-U-net卷积层方法与过程：方法2-U-net反卷积层 池化层(下采样层)随机池化：方法简单，泛化能力强（带有随机性），越大的值被选为代表值的可能性越大。最大池化能很好地保留纹理特征方法与过程：方法2-U-net池化层跳跃连接方法与过程：方法2-U-net跳跃连接山地1山地2平原方法与过程：方法2-U-net降尺度效果 在全局风速变化和连续性较好，但是局部风速差异小，局部纹理不明显方法与过程：两种方法的对比-平原1方法与过程：两种方法的对比-山地1方法与过程：两种方法的对比-山地2目录 引

6、言 方法与过程应用 结果检验与讨论结果检验与讨论 应用情况Contents方法与过程：改进-基于物理信息U-net的降尺度技术为了有效提取局部纹理，本文在U-net的跳跃连接中加入注意力机制，使模型能够更关注那些对重建细节重要的特征，同时，在损失函数中，考虑地形效应和粗糙度效应。具体模型如下：方法与过程：改进-Attention U-net方法与过程：加入物理约束后的U-net预测结果 全局风速变化和连续性较好，局部纹理明显；山地1的训练效果如下：方法与过程：物理U-net可解释性及误差结果可视化（山地1）平原(7