Neuer Diffusionsansatz liefert hochauflösende Winddaten zu Bruchteil der Kosten
In der Wetterforschung und bei der Optimierung von Windturbinenanlagen ist hochauflösende, präzise Winddaten unverzichtbar. Derzeit ist die Beschaffung solcher Daten jedoch mit hohen Kosten und erheblichem Aufwand verbunden.
Traditionelle Rekonstruktionsmethoden bieten entweder günstige Lösungen oder hohe Genauigkeit, selten beides gleichzeitig. Deep‑Learning‑Ansätze, insbesondere Diffusionsmodelle, wurden als vielversprechende Lösung vorgeschlagen, weil sie Fortschritte aus dem Bereich der natürlichen Bild‑Super‑Resolution nutzen. Winddaten unterscheiden sich jedoch stark von Bilddaten: Sie bestehen aus mehr als zehn Eingangskanälen, im Gegensatz zu den üblichen drei RGB‑Kanälen.
Um die große Anzahl von Bedingungsvariablen in Diffusionsmodellen besser zu nutzen, wurde die sogenannte Composite Classifier‑Free Guidance (CCFG) entwickelt. CCFG erweitert die klassische classifier‑free guidance (CFG) auf mehrere Bedingungseingaben und lässt sich in jedes bereits mit standard‑CFG‑Dropout trainierte Diffusionsmodell einbauen.
Tests zeigen, dass CCFG bei Wind‑Super‑Resolution höhere Bild‑Qualität liefert als herkömmliche CFG. Das neue Modell WindDM, das mit CCFG trainiert wurde, erreicht damit den aktuellen Stand der Technik in der Rekonstruktion von Winddynamik und reduziert die Kosten im Vergleich zu klassischen Verfahren um bis zu 1.000‑fach.