近几十年青藏高原与华北地区地表太阳辐射变化特征及其影响因素的对比分析

地表太阳总辐射具有较大的时空变化特征,不同地区的影响因素也存在显著差异。本文利用1961—2016年青藏高原与华北地区的地表太阳总辐射资料,在进行严格的质量控制和均一化处理的基础上,深入分析了两个地区总辐射的年际变化趋势,同时结合云量和气溶胶光学厚度观测资料,探讨了两个地区总辐射变化的影响因素。结果表明:(1)1961—2016年青藏高原和华北地区总辐射总体呈下降趋势,但2008年后青藏高原西部和东部地区总辐射变化趋势相反,而华北地区站点总辐射均呈上升趋势。(2)青藏高原西部地区总辐射的下降主要受到云量变化的影响,而东部地区低云量和气溶胶的下降是总辐射上升的重要原因。(3)在2006—2016年,华北地区总辐射的变化受气溶胶的影响更加显著。

基于天气二次分类的地表太阳辐射预测方法

为提高地表太阳辐射在复杂天气情况下的预报精确度并减小预报的时间成本,结合广州市白云区的历史气象数据,提出了一种以中国气象局的天气划分标准对历史天气进行分类的方法,并在各天气的子模型下使用支持向量回归(support vector regression, SVR)对地表辐照度进行预报。由于天气类型较多,因此对各子模型利用极限梯度提升(extreme gradient boosting, XGBoost)算法进行特征分析,并利用Mann-Whitney检验,合并了特征重要性类似的序列,实现了天气的二次分类,降低了模型的复杂度。结果显示,本文模型在连续12个月的预报中,相关系数、准确率和合格率均超过了评判指标的要求,具有较高的预测精度。且预报总计用时10.633 h,相比其余模型的13~34 h,预报速度更快,迎合了光伏电站中对太阳辐射预报的及时性的需求。

CMA-WSP2.0在江苏地表太阳辐射预报中的检验评估

基于江苏省南京、淮安及吕泗三个标准辐射站2023年6月至12月总辐射观测数据,对中国气象局风能太阳能气象预报系统(CMA-WSP2.0)的地表太阳辐射产品进行检验评估。结果表明:(1)CMA-WSP2.0对南京、淮安和吕泗3 d内太阳辐射的整体预报效果较好,逐15 min第1d的预报与观测值相关系数可达0.85、0.87和0.86,随着预报时效增加,预报效果逐渐降低。(2)以淮安站为例,10—12月预报效果明显优于6—9月,说明秋冬季节明显高于夏季,其中11月预报效果最好,准确率高达92.2%,而7月预报效果最差,准确率仅66.6%,这与梅雨期强降水过程多、天气变化复杂有关。(3)从日变化来看,在11:00—15:00时段模式预报效果偏低,尤其7月。未来将探索应用多种方法对CMA-WSP2.0预报产品进行订正优化以提升其适用性。

云南省地表太阳辐射模型适用性评价及优化

由于当前辐射站点较少数据较难获取,且现有地表辐射估算模型在云南省的适用性不强,需要探究出适合云南省的高精度太阳辐射估算模型。利用气象和遥感数据筛选出海拔、日照百分率等7种因子构建出适用于云南省的多因子综合估算模型(multi-factor comprehensive estimation model,MFCE),并逐月计算模型中的参数及计算结果的精确度。MFCE模型各月相关系数均在0.7以上,比其他模型平均增长了0.3;均方根误差分布在16.21~33.73 MJ/m^(2),比其他模型均有所下降。MFCE模型估算结果及精度较传统模型均有很大提升,该模型的提出对云南省太阳辐射的研究以及太阳能的合理利用提供帮助和科学基础。

复杂天气和地形下的地表太阳辐射估算模型及其在超短期光伏发电功率预测中的应用

为了研究表面太阳辐射估算模型在超短期光伏功率预测中的应用,并减少多云天气对预测的干扰,利用电荷耦合器件/红外光谱(CCD/IRS)数据对表面太阳辐射估计模型进行了优化,构建了一种有效的超短期光伏功率预测模型,并通过实验证明了它的可靠性。首先介绍了CCD/IRS数据的原理,接着在考虑云量影响的情况下改进了太阳表面辐射估算模型。分别选择了多云和无云2种不同的天气类型来验证估算模型。实验结果表明:与传统算法相比,所提出的地表太阳辐射估算模型在多云天气和复杂地形条件下具有更大的优势,可用于光伏功率预测;基于地表太阳辐射估算模型构建的超短期光伏功率估算模型可用于在无云天气下获得准确有效的预测结果,提出的预测模型在多云天气中的偏差也得到了显着的改进。表面太阳辐射估算模型对于超短期光伏发电量的准确预测和安全运行具有重要的参考价值。

1998-2002年中国地表太阳辐射的时空变化分析

地表太阳辐射是陆气能量交换过程中重要的物理参数和生态参数,利用卫星数据反演地表太阳辐射对于全面认识地表太阳辐射空间差异性和年际变化特征具有重要的意义。本文利用GMS-5静止气象卫星数据反演了中国区域1998-2002年地表太阳辐射值,在此基础上分析了我国地表太阳辐射的时空分布特征。结果表明：（1）青藏高原的地表太阳辐射最大,川黔地区最小,都位于北纬22~35°这一带;除川黔地区外,地表太阳辐射从东向西增强,西部随纬度升高而减小,东部以长江流域最小,向南北增加,西南最大,北部次之,至东北地区随纬度升高而减小;（2）各月地表太阳辐射量分布复杂,最小值都出现在12月,但最大值出现时间受雨季影响很大,珠江、长江一带主要在雨季过后的7月,华北、东北和青藏高原主要出现在雨季前的6月及5月,西南地区则在季风雨季前的4-5月;（3）5年来东部沿海地区地表太阳辐射增加了13.71%（＋4.37W/m2.a）,西藏高原地区地表太阳辐射减少了9.31%（-3.47W/m2.a）,全国地表太阳辐射平均减少了0.84%（-0.27W/m2.a）。

云图纹理分析结合SVM的地表太阳辐射预测

太阳能资源的间歇性与不稳定性为地表太阳辐射的准确预测带来很大的挑战.本研究通过对全天空图像进行纹理特征分析,并结合支持向量机模型,实现了对地表太阳辐射的预测.首先,基于全天空图像,利用数字图像处理技术提取与太阳辐射相关的图像纹理特征,包括反差、熵、灰度相关与能量;然后,结合图像特征与辐射衰减系数建立回归模型;最后,基于支持向量机模型实现地表太阳辐射的预测.实验结果表明:本文算法的预测精度明显优于基于统计的传统算法,同时优于基于云团遮挡预测的算法,为准确预测复杂天气条件下的地表太阳能辐射提供重要的参考依据.

秦巴山区地表太阳辐射的时空动态及农业气候区划研究

运用GIS空间分析,研究了秦巴山区1960—2015年地表太阳辐射的时空动态。结果表明:①秦巴山区地表太阳辐射量年平均值为4482.77 MJ/m^2,呈现由南向东北、西北递增的态势;年际变异系数为8.85%,呈现由西南向东北递减的态势。②地表太阳辐射量年际变化呈明显下降趋势,年平均递减率为-10.17 MJ/m^2,1970—1992年下降尤为明显;空间上呈现西北局部不显著的微增和东部普遍显著性的减少。③年内地表太阳辐射量呈单峰型,最大值在7月,最小值在12月,空间上由南向西北、东北递增;7月年递减率为-0.49 MJ/m^2,以西南剑阁县、北川县和东南保康县递减明显;12月年递减率为-0.715 MJ/m^2,以汉滨区递减最快;④结合降水量和≥10℃积温,将秦巴山区分为5个农业气候区。秦巴山区地表太阳辐射量呈"北高南低的纬向变化,高纬东西分异",年内递减区表现为"夏季纬向变化,冬季涡旋状"的空间差异。因此,区域内部地表太阳辐射量空间差异大,利用光能资源助力农业扶贫,应体现区域差异。

浙江省中尺度数值预报系统的地表太阳辐射预报订正方法

利用2019年杭州站辐射观测数据及浙江省中尺度数值预报业务系统(Zhejiang WRF ADAS real_time modeling system,ZJWARMS)逐时模拟结果,评估ZJWARMS对地表太阳辐射的模拟效果。在此基础上,选取ZJWARMS输出的短波辐射通量、云量、地表温度、比湿等10个气象因子,建立不同天气分型的地表太阳辐射预报(model output statistics,MOS)订正模型。结果表明:ZJWARMS能较好地模拟太阳辐射的日变化特征,其与观测值的相关系数达0.82,但总体上模拟值较观测值偏大,晴天时误差相对较小,阴雨天时误差明显增大。MOS模型订正后,预报效果明显改进,平均绝对百分比误差由订正前的273.4%下降至46.3%,均方根误差由246.7 W·m^(-2)下降至105.0 W·m^(-2)。MOS模型订正效果在不同月份存在一定差异,8月订正效果最好,订正后平均绝对百分比误差由126.6%下降到26.3%,4月订正效果相对较差,订正后平均绝对百分比误差为56.6%。

中国地表太阳辐射再分析数据与观测的比较

利用我国地表太阳辐射台站资料和海上观测资料与同期的NCEP/NCAR,NCEP/CFSR再分析资料进行比较,检验再分析资料是否能够反映中国地区的太阳辐射特征。结果表明:1979年之前NCEP/NCAR太阳辐射资料的可信度较低,存在虚假的明显上升趋势,1979年之后两套再分析资料的可信度均较高,在我国东部和低纬度地区的可信度好于西部和高纬度地区;由逐6 h再分析数据直接计算得到的逐日太阳辐射比实际观测偏低,剔除太阳辐射为零的情况计算逐日资料更合理。在大陆地区,NCEP/NCAR,NCEP/CFSR再分析资料与台站太阳辐射资料的1979—2009年共31年平均误差分别为10.37 W·m^(-1)和-42.68 W·m^(-2),误差的标准差分别为12.31 W·m^(-2)和4.19 W·m^(-2);在海洋区域,NCEP/NCAR,NCEP/CFSR再分析资料与海上观测太阳辐射资料的平均误差分别为-161.19 W·m^(-2)和-179.66 W·m^(-2),误差的标准差分别为37.07 W·m^(-2)和35.36 W·m^(-2)。与大陆台站资料相比,海上观测与再分析资料的误差偏大,这可能与海上观测资料较少,限制了NCEP模式的评估和改进有关。

1980—2013年湖北省地表太阳辐射时空特征及其驱动因子分析

太阳辐射是驱动地表能量交换的源泉,其变化对人类生存环境影响重大。本文利用Yang Hybrid model(YHM)模型模拟地表太阳辐射值,通过线性倾向估计、相关分析等方法探讨了34年间(1980—2013年)湖北地区地表太阳辐射的时空变化特征及其驱动因子。研究表明:1)湖北地区地表太阳总辐射1980—2013年间增加了2.54×10-3MJ m-2day-1,四季变化差异明显,夏季>春季>秋季>冬季; 2)地表太阳总辐射值在湖北区域呈现出"东高西低、北多南少"的空间分布特征; 3)其主要影响因子是低云量和总云量,随着LCC减少(增加)研究区的SSR在增加(减少),LCC与SSR四季负相关关系明显(RWVE.LCC:-0.83—-0.59,RWVE.TCC:-0.70—-0.36)。

1960-2005年京津冀地区地表太阳辐射变化及成因分析

利用1960—2005年京津冀地区的地面太阳辐射资料,综合分析了该地区45年太阳辐射的分布状况和变化趋势,并结合云量、降水量、气溶胶光学厚度和大气含水量,分析了该地区太阳辐射的变化原因。结果表明:(1)京津冀地区的太阳辐射并没有出现20世纪80年代末到90年代中期的"变亮"现象;同期冬、春季总辐射下降,夏、秋季上升;(2)在1985—1997年间,依据总辐射变化情况,京津冀地区被分为截然相反的两个区域:东部地区总辐射增加,倾向率为1.016 MJ.m-2.mon-1.(10a)-1;西部地区总辐射减少,倾向率为10.092MJ.m-2.mon-1.(10a)-1;(3)总辐射增加的区域,主要是由于云量减少、降水量减少所伴随的日照时数增加以及气溶胶光学厚度降低所造成的;(4)总辐射减少的区域,云量、气溶胶光学厚度和降水量变化并不显著,总辐射持续减少。

基于系统辨识的地表太阳辐射Box-Jenkins模型的建立

利用天文辐射作为输入数据,采用系统辨识的方法得到地表太阳辐射的BJ(Box-Jenkins)模型,并通过残差分析和零极点检验。该方法可用于预测5～15min时间间隔的地表太阳辐射,为太阳能电站的功率输出预测提供太阳能辐射数据。

2003～2012年中国地表太阳辐射时空变化及其影响因子

利用中国94个气象站提供的辐射观测数据对3个主要的太阳短波辐射卫星产品进行质量评价,选择准确度较高的CERES-EBAF数据并结合MODIS数据,分析中国10 a地表太阳辐射的时空变化特征,并对其影响因素进行初步分析。结果表明:青藏高原高寒生态区始终是地表太阳辐射的高值区,而四川东部和重庆等地组成的川渝生态地区是"低值圈";月均地表太阳辐射受季节变化影响明显,在四季均呈现先增后减的变化特征;2003~2012年期间,我国地表太阳辐射呈现出先增后减的年际变化特征,10 a来,华北生态地区增加最多,为13.50%(+21.33 W/m2),华南生态地区减少了14.27%(-21.56 W/m^2);相比水汽含量,总云量可能是引起中国地表太阳辐射变化的主要因素。

结合极轨卫星MODIS和静止气象卫星MTSAT估算黑河流域地表太阳辐射

基于MODIS和MTSAT卫星数据发展了一种新的地表入射太阳辐射估算算法。算法以复杂辐射传输模拟(MODTRAN和LibRadtran)建立的查找表为核心,通过结合MODIS的大气及陆地产品和MTSAT可见光通道的数据获取时空连续的区域太阳辐射资料。新查找表算法的运用可以从理论上保障地表太阳辐射的估算精度;而极轨卫星MODIS和静止气象卫星MTSAT的结合可以充分发挥二者的优点,得到高时间分辨率和高空间分辨率的地表太阳辐射产品。利用黑河综合遥感联合试验3个站的太阳辐射观测数据评价算法的精度,结果表明:算法可以给出较高的计算精度,而计算的太阳辐射资料可以作为地表过程模型和生态模型中相关地表辐射的输入量。

利用MODIS资料计算不同云天条件下的地表太阳辐射

利用MODIS气溶胶和云产品卫星数据与大气辐射传输模式RSTAR,进行了晴空和有云条件下地表太阳辐射计算,并与香河综合辐射站的地基辐射测量值相比较。分析表明,晴空下二者相关性较好,相关系数平方R^2值为0.95,均方根误差RMSE为38.8 W/m^2。有云条件下,计算结果较差于晴空条件下,R^2值为0.88,RMSE为88.2 W/m^2。观测显示,香河站云—气溶胶共存现象较多,而MODIS仅按单一层的云进行微物理参数反演,导致模式输入参数误差,给地表太阳辐射计算结果引入误差。为了分析云-气溶胶共存状态对计算地表太阳辐射的影响,利用RSTAR计算了不同光学厚度的云和气溶胶在特定波段卫星观测的辐亮度值,并对于特定波段卫星接收的辐亮度值,用不同垂直结构的云和气溶胶分别反演其光学和微物理参数,再利用反演的结果分别计算相应的地表太阳辐射。结果表明:相对于单一云层的反演结果,云下气溶胶光学厚度(AOD)为0.1时,由反演误差所导致的地表太阳辐射估算误差较小;而随着AOD增加影响明显增大,在AOD为1.2时,相对误差达17.79%~18.38%。对于污染较重的华北地区而言,分析云覆盖下的气溶胶对地表太阳辐射的影响,有助于提高有云条件下地表太阳辐射的计算精度。

两种反演地表净太阳辐射的参数化模式在北京地区的比较

地表净太阳辐射(NSSR)在地表辐射平衡、地-气能量交换、天气预报、气候变化和太阳能利用等研究方面具有重要的作用。利用卫星遥感技术能在广大的空间区域内快速地获取地表净太阳辐射的分布情况,特别是在无人观测的极地和海洋区域。本文基于CERES/SSF卫星数据,分别采用两种地表净太阳辐射(NSSR)的卫星反演参数化模式——Li模式与Masuda模式计算了北京市上甸子地区2005年1、4、7和10月的NSSR,并将反演结果与上甸子大气本底站的实测结果进行了对比分析,并对两种模式进行了修正以更好地反演北京地区的地表净太阳辐射。结果显示:Li模式和Masuda模式反演结果与实测结果间的平均绝对误差在晴空条件下分别为62.2和50.8 W/m2,在云天条件下分别为82.1和71.8 W/m2;Li模式相对于Masuda模式具有偏大的趋势,在晴天和云天条件下两者的平均绝对偏差分别为11.5和10.2 W/m2;对Li模式和Masuda模式进行线性拟合回归后能有效减小反演过程中的系统性偏差,修改后的Li模式和Masuda模式在所有天空状况下反演的月平均NSSR值与观测值间的平均绝对误差分别为-1.8和-3.4 W/m2,均方根误差分别为19.6和26.0 W/m2。

1961～2003年中国大陆地表太阳总辐射变化趋势

利用中国大陆30个气象站1961～2003年地表太阳总辐射观测数据,研究了辐射年总量和季节总量的变化趋势及其空间分布特征,并探讨了其原因。结果表明:1961～1989年中国大陆地表太阳总辐射总体呈减少趋势,减少约11%;1990～2003年间略有回升,但其均值仍比1961～1965年的均值低8.2%。大部分地区春夏两季减少明显,约占年减少量的55%～85%。对各站点观测数据的趋势分析表明,地表太阳总辐射随时间的变化大致可分为4种类型,其特征分别为:1961～2003年间持续减少(占总站点数20%);20世纪60年代初到80年代中期呈显著减少趋势,其后线性趋势不明显(占总站点数40%)或呈逐步增加趋势(占总站点数16.7%);1961～2003年间无显著变化(占总站点数23.3%)。这4种类型在空间分布上无明显的区域特征。日照时数减少是总辐射减少的主要原因,可以解释地表太阳辐射年总量变化的72%,日照时数随风速的增大而增加。

西北地区地表太阳总辐射计算模型适用性评价

为有效提高中国西北地区Rs预报精度,选取西北地区11个代表性气象站点1959—2015年逐日气象数据,评价了4种基于日照时数的Rs计算模型(Angstrom-Prescott,Ogelman,Bahel和Louche模型)和2种基于温度的Rs计算模型(Hargreaves和Bristow-Campbell模型)在西北地区4个分区(温带大陆性高温干旱区、温带大陆性干旱区、高原大陆性半干旱区和温带季风半干旱区)的适用性.结果表明:6种模型在西北地区的Rs模拟值与实测值均在 P< 0.001水平具有统计学意义;基于日照时数的 Rs计算模型(R^2介于0.901~0.903)精度高于基于温度的模型(R^2介于0.695~0.719);其中,基于日照时数的模型中Bahel模型的精度最高,其R^2, MAE,MRE,RMSE和NSE 分别为0.903,1.624 MJ/(m^2 ·d),15.7%,2.298 MJ/(m^2 ·d)和0.902;基于温度的模型中Bristow- Campbell模型精度最高,其值分别为0.719,2.851 MJ/(m^2 ·d),30.7%,3.959 MJ/(m^2 ·d)和0.713.因此,为有效提高西北地区Rs日值和月值预报精度,在仅有温度资料时推荐使用Bristow-Campbell模型,在仅有日照时数资料时推荐使用Bahel模型.

四川省不同区域地表太阳总辐射模型适用性评价

选用1994-2016年四川省7个辐射站气象数据,在3个辐射区(川西高原Ⅰ区、川东盆地Ⅱ区和川西南山地Ⅲ区)中评价了 6种地表太阳总辐射(R_(s))估算模型在3种天气类型(晴、多云、阴)下的适用性,并分析基于天气类型的组合模型在不同区域的模拟效果,以探寻最适宜全省不同区域的R_(s)估算方法。结果表明:(1)各经验模型在四川省整体表现良好(决定系数R2介于0.554~0.934,P<0.001),Ⅰ区(甘孜和红原站)模拟效果最好的为日照时数模型A-P (平均绝对误差MAE为2.210±0.714MJ·m^(−2)·d^(−1)),Ⅱ区(成都、绵阳和泸州站)、Ⅲ区(峨眉山和攀枝花站)模拟效果最佳的均为混合模型Chen (Ⅱ区MAE为1.510±0.027MJ·m^(−2)·d^(−1),Ⅲ区为1.930±0.006MJ·m^(−2)·d^(−1));(2) 6个模型在四川省3种天气类型下的模拟效果呈晴天>多云>阴天的规律,日照时数模型(A-P和Ba模型)能更好地模拟晴天时的R_(s),混合模型(Chen和Ab模型)则在多云和阴天时模拟效果更佳,Ⅰ区在晴天、多云、阴天3种天气下模拟效果最好的模型分别是A-P (整体评价指标 GPI 为 0.850)、Ab (1.294)、Ba (0.862),Ⅱ区分别为 A-P (0.381)、Chen (1.358)、Chen(1.742),Ⅲ区分别为 Chen (0.204)、Chen (0.857)、Chen (0.526);(3)基于天气类型的组合模型(M_(新))模拟各区R_(s)的效果均比未组合前各模型的效果好(3个区GPI分别为0.558、0.582、0.134)。因此,推荐使用基于天气类型的组合模型来估算四川省Rs。