侧风分量计算器是在线工具，根据风速、风向和跑道方向，用公式CW=Vw×sin(θ)计算侧风分量，HW=Vw×cos(θ)计算顺风分量，并给出相对角度和侧风比例，用于评估侧风对飞机或船只起降航行稳定性的影响。

本研究解决了风速预测模型在智能电网中的应用问题，特别是由于风速的间歇性特征所带来的挑战。采用一种混合机器学习方法，通过成功变分模态分解和最小二乘支持向量机结合长短期记忆网络进行短期风速预测。结果表明，该方法相较于基准模型在根均方误差和平均绝对误差上显著降低，展示了其在风能集成中的重要应用潜力。

本文介绍了多种基于深度学习的风速预测模型，包括时空风速预测模型、智能混合模型和改进的门控循环神经网络。这些模型在短期风速预测中显著提高了准确性，能够有效处理噪声数据，为风能预测提供了创新的方法。

本文探讨了多种天气预报模型的组合方法，以提高预报准确性。研究提出了Survival-CRPS评分和卷积神经网络在风力预测中的应用，显示出显著的性能提升。同时，开发了集成后处理方法，改善极端降水事件的概率预报，验证结果优于传统方法。此外，引入了新型损失函数Exloss和极值增强策略ExEnsemble，以提高极端天气预报的准确性。

本文提出了一种新型风速预测模型，结合数据降噪技术、时序卷积网络和门控循环单元，提升了风速预测的精度和稳定性。同时，研究探讨了图神经网络和Transformer架构在风速预测中的应用，显示出优于传统模型的性能，尤其在短期预测方面。

这项研究通过进行理论和定量比较，分析了应用于卫星图像的 DNN 模型中现有的不确定性量化方法，以海洋热带气旋的风速估算任务为例，发现预测不确定性可用于提高准确性，并对不同方法的预测不确定性进行了分析。

该文综述了多种深度学习风电预测方法：利用预训练与自编码器提升数据表示；CNN-RNN融合气象网格与时间信息进行日前预测；时空风速模型模拟实体交互；神经网络将低分辨率风场提升为高分辨率三维速度场；3D-CNN分析时空风现象；图注意力与频率增强模型（GFST-WSF）提升短期风速预测；TCN与GRU结合降噪实现高精度预测；图神经网络与Transformer架构（Fast Fourier Transformer、Autoformer）建模时空依赖；TriOpts加速训练并用PFI、LIME解释预测；Windformer通过分窗与移窗建模风速变化，MSE降低2至15个百分点。

利用卫星高度计和数据同化技术提高了监测海表面动态的能力。通过训练基于模拟的神经映射方案，结果显示其优于基于观测和再分析产品的方案。这为海洋建模和观测提供了新的研究途径。

该研究提出了一种名为 Windformer 的方法，通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性，然后部分移动窗口以提供窗口之间的连接性，并最终基于详细和全局信息融合多通道特征，以动态建模风速变化过程。这种方法在提高预测准确性方面相较于目前其他先进方法，平均均方误差 (MSE) 能减少 2 到 15 个百分点。