Találati lista | Tudóstér

001-es BibID:	BIBFORM087360
035-os BibID:	(WoS)000545899300003 (Scopus)85087622962
Első szerző:	Baran Ágnes (matematikus)
Cím:	Machine learning for total cloud cover prediction / Ágnes Baran, Sebastian Lerch, Mehrez El Ayari, Sándor Baran
Dátum:	2021
ISSN:	0941-0643 1433-3058
Megjegyzések:	Accurate and reliable forecasting of total cloud cover (TCC) is vital for many areas such as astronomy, energy demand and production, or agriculture. Most meteorological centres issue ensemble forecasts of TCC; however, these forecasts are often uncalibrated and exhibit worse forecast skill than ensemble forecasts of other weather variables. Hence, some form of post-processing is strongly required to improve predictive performance. As TCC observations are usually reported on a discrete scale taking just nine different values called oktas, statistical calibration of TCC ensemble forecasts can be considered a classification problem with outputs given by the probabilities of the oktas. This is a classical area where machine learning methods are applied. We investigate the performance of post-processing using multilayer perceptron (MLP) neural networks, gradient boosting machines (GBM) and random forest (RF) methods. Based on the European Centre for Medium-Range Weather Forecasts global TCC ensemble forecasts for 2002-2014, we compare these approaches with the proportional odds logistic regression (POLR) and multiclass logistic regression (MLR) models, as well as the raw TCC ensemble forecasts. We further assess whether improvements in forecast skill can be obtained by incorporating ensemble forecasts of precipitation as additional predictor. Compared to the raw ensemble, all calibration methods result in a significant improvement in forecast skill. RF models provide the smallest increase in predictive performance, while MLP, POLR and GBM approaches perform best. The use of precipitation forecast data leads to further improvements in forecast skill, and except for very short lead times the extended MLP model shows the best overall performance.
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	Neural Computing & Applications. - 33 (2021), p. 2605-2620. -
További szerzők:	Lerch, Sebastian (1986-) (matematikus) El Ayari, Mehrez (1989-) (informatikus) Baran Sándor (1973-) (matematikus, informatikus)
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:

001-es BibID:	BIBFORM135141
Első szerző:	Mayer Martin János
Cím:	Post-processing of ensemble photovoltaic power forecasts with distributional and quantile regression methods / Mayer, Martin János; Baran, Ágnes; Lerch, Sebastian; Horat, Nina; Yang, Dazhi; Baran, Sándor
Dátum:	2026
ISSN:	0038-092X
Tárgyszavak:	Műszaki tudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban folyóiratcikk
Megjelenés:	Solar Energy. - 307 (2026), p. 1-36. -
További szerzők:	Baran Ágnes (1972-) (matematikus) Lerch, Sebastian (1986-) (matematikus) Horat, Nina Yang, Dazhi Baran Sándor (1973-) (matematikus, informatikus)
Pályázati támogatás:	K142849 OTKA
Internet cím:	Szerző által megadott URL DOI Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon: