NASA POWER
PulseAugur coverage of NASA POWER — every cluster mentioning NASA POWER across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架统一太阳能分析、问答和预测
一篇新研究论文介绍了一种名为“太阳能智能”（Solar Intelligence）的混合框架，旨在统一太阳能分析、科学问答和机器学习预测。该系统整合了来自 NASA POWER、Biosphere 2 和研究论文语料库的数据。它使用 DuckDB 进行结构化查询，融合 BM25 和 ChromaDB 以从语言模型中获取基于证据的答案，并使用 XGBoost 模型进行每日预测。该框架可通过多个接口访问，服务于学生、研究人员和能源分析师。
-
新框架预测热带气候下的有机光伏材料效率
研究人员开发了一个新的计算框架，用于预测有机光伏（OPV）材料在真实热带条件下的年功率转换效率（PCE）曲线。该框架名为Climate-Native，结合了分子动力学模拟、图神经网络和序列深度学习模型。它使用喀麦隆特定地点的NASA POWER气候数据来预测PCE，其性能比静态效率预测高出35%-48%，并识别出在季节变化中性能一致的材料。
-
新方法利用深度学习改进电力负荷预测
研究人员开发了一种基于Delta的目标重构方法，用于使用LSTM和Transformer等深度学习模型的短期电力负荷预测。该方法预测时间步长之间的负荷变化，而不是绝对负荷，旨在稳定学习过程。使用来自印度和NASA POWER气象数据进行的实验表明，这种重构显著提高了提前一小时的预测精度，将神经网络的MAPE降低了50%以上，尽管其有效性因模型和预测范围而异。
-
机器学习结合气候数据预测塞拉利昂水稻产量
一篇新发表在arXiv上的研究探讨了在数据受限环境下利用机器学习预测水稻产量的潜力，重点关注塞拉利昂。研究人员发现，仅使用作物统计数据训练的模型，其表现不优于简单的持续性预测。然而，当加入免费的卫星气候数据后，机器学习模型（特别是XGBoost）将预测误差显著降低了三分之一，并指出早期降雨是关键预测因子。研究还指出，过去的产量崩溃是由制度因素而非气候造成的，并基于这些发现提出了政策建议。