• CN 62-1175/P
  • ISSN 1006-7639
  • 双月刊
  • 中国科技核心期刊
  • 中国学术期刊综合评价数据库统计源期刊
  • 中文科技期刊数据库收录期刊

干旱气象, 2022, 40(2): 327-332 DOI: 10.11755/j.issn.1006-7639(2022)-02-0327

技术报告

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

顾婷婷,, 潘娅英, 张加易

浙江省气象服务中心,浙江 杭州 310017

Correction method of surface solar radiation forecast based on ZJWARMS

GU Tingting,, PAN Yaying, ZHANG Jiayi

Zhejiang Meteorological Service Center, Hangzhou 310017, China

责任编辑: 黄小燕;校对:蔡迪花

收稿日期: 2021-01-28   修回日期: 2021-07-19  

基金资助: 浙江省气象局重点项目(2020ZD15)

Received: 2021-01-28   Revised: 2021-07-19  

作者简介 About authors

顾婷婷(1985—),女,江苏兴化人,硕士,高级工程师,主要从事专业气象服务产品研究.E-mail:gutt1985@yeah.net

摘要

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%。

关键词: ZJWARMS; 地表太阳辐射; 效果评估; 订正

Abstract

Using the radiation observational data at Hangzhou station and the hourly simulation output data by Zhejiang WRF ADAS real_time modeling system (ZJWARMS), the forecast effect of radiation was evaluated in 2019. On this basis, the MOS correction models under different weather conditions were built based on ten meteorological factors from ZJWARMS output, including shortwave radiation flux, cloud cover, surface temperature, humidity, etc. The results showed that ZJWARMS had a good ability in simulating the diurnal variations of surface solar radiation, the correlation coefficient between simulation value and observation value of radiation was 0.82. However, the system generally overestimated surface solar radiation. The lowest error appeared on sunny days, while there was a significant increase of error on overcast days or rainy days. The correction model could effectively improve the prediction effect of surface solar radiation. After the correction of MOS model, the mean absolute percentage error decreased from 273.4% to 46.3%, and the root mean square error dropped from 246.7 W·m-2 to 105.0 W·m-2. The correction effect exited difference in different months, and that in August was the best, and the mean absolute percentage error decreased from 126.6% to 26.3%, while the correction error was larger in April, the mean absolute percentage error was 56.6%.

Keywords: ZJWARMS; surface solar radiation; effect evaluation; correction

PDF (1714KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

顾婷婷, 潘娅英, 张加易. 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[J]. 干旱气象, 2022, 40(2): 327-332 DOI:10.11755/j.issn.1006-7639(2022)-02-0327

GU Tingting, PAN Yaying, ZHANG Jiayi. Correction method of surface solar radiation forecast based on ZJWARMS[J]. Arid Meteorology, 2022, 40(2): 327-332 DOI:10.11755/j.issn.1006-7639(2022)-02-0327

引言

太阳能作为可再生能源的一种,具有巨大的开发潜力,其开发利用被认为是解决全球能源危机与气候问题的有效途径之一[1]。在太阳能的众多利用方式中,光伏发电因其转换效率高、使用期长,受到越来越多的关注。随着光伏并网的快速增长,光伏功率预报已成为制约光伏发电并网消纳的重要瓶颈[2]。地表太阳总辐射作为影响光功率预报的关键因子,其在时间变化上具有不连续、不确定性,如何提高其预报准确率已成为提高太阳能利用率亟待解决的问题[3-4]

随着中尺度气象数值模式的不断发展,预报时空分辨率的不断提高,数值模式在太阳辐射的预报中得到广泛应用[5-7]。中尺度数值模式对地面太阳辐射预报具有一定的可信度,但由于模式对云辐射参数化描述不够细致,导致模式输出的太阳辐射预报值明显偏大,不能满足光伏发电预报系统的精度要求[8-9]。因此,相关研究从模式的云微物理结构方面进行了改进,通过三维云分析方法同化卫星、雷达等资料改进云量预报效果[10-11],可以在一定程度上改进云天时太阳辐射模拟效果,但在晴天时辐射预报误差会增大,难以获得理想的预报效果。近年来,结合中尺度气象模式和MOS(model output statistics)订正方法进行太阳辐射预报研究受到广泛关注,可以有效提高太阳辐射的预报精度[12-15]

浙江省中尺度数值预报业务系统(Zhejiang WRF ADAS real_time modeling system,ZJWARMS)于2011年5月投入业务试运行,该系统基于WRF模式和ADAS(ARPS data analysis system,ADAS)同化系统,可输出未来72 h逐时气象要素预报产品。国内一些研究检验了ZJWARMS对降水、10 m风场等气象要素的模拟效果[16-17],但目前基于该系统的地表太阳辐射预报评估及订正研究尚不多见。为此,本文利用ZJWARMS预报结果及杭州站辐射观测资料,分析评估ZJWARMS对地表太阳辐射的模拟效果,并尝试建立适用于杭州地区的太阳辐射预报订正方法,从而提高太阳辐射的预报精度,以期为光伏电站的发电量预报提供依据。

1 资料和方法

1.1 资料

所用资料为:杭州辐射观测站(120°10'12″E,30°13'48″N)2019年1—12月逐时太阳总辐射数据,数据经过质量控制和订正;浙江省气象科学研究所提供的ZJWARMS模拟资料,具体包括同期逐时太阳短波辐射通量、10 m比湿、地表温度、2 m气温、2 m相对湿度、2 m水汽混合比、地表气压、总云量、500 hPa相对湿度及850 hPa露点温度。

1.2 ZJWARMS简介

浙江省中尺度数值预报业务系统(ZJWARMS)是基于WRF中尺度数值模式研发的,采用ADAS数据同化系统[18]。模式在初始场实现了对常规地面观测资料、探空资料、雷达资料和飞机报的实时同化,采用非绝热初始化或湿绝热方法[19],对位温、水汽场等进行修正,从而获取高质量的预报初始场。主要物理方案包括:WSM 6-Class微物理方案[20]、RRTMG长波及短波辐射传输方案[21]、Noah陆面过程方案[22]及UCM城市方案[23]、Yonsei University行星边界层参数化方案[24]、Monin-Obukhov近地面层方案[25]等。

1.3 模拟方案设计

模式设置两重嵌套,模拟中心点为117°E、32°N,外层嵌套区域水平分辨率为9 km×9 km,网格数为265×265,内层区域水平分辨率为3 km×3 km,网格数为205×187。模式层顶气压为10 hPa,垂直方向上分36层。每天08:00(北京时,下同)开始起报,时间步长为20 s,积分时长72 h,逐时输出各物理量场预报值。模拟时间为2019年1—12月,为保证时间上的持续性,取24 h预报时效内的模拟值进行分析。

1.4 方法

基于ZJWARMS输出结果及杭州站太阳总辐射观测数据,设计了杭州地区逐时地面太阳辐射预报订正模型。首先,为有效消除天文辐射的影响,提高预报稳定性,将辐射观测数据转化为清晰度指数来建立订正模型。其次,筛选与地面总辐射显著相关的ZJWARMS输出物理量,并进行降维处理。最后,利用线性判别分析方法[26]将不同天气进行分型,考虑不同季节、不同时次的辐射变化特征,分别建立相应的订正方程。

1.4.1 清晰度指数

地面太阳总辐射除以对应时刻的天文辐射值,得到该时刻的清晰度指数(Q),具体公式[27]如下:

Q=II0

式中:Q为清晰度指数,表征大气层对天文辐射的衰减程度;II0(W·m-2)分别为地表太阳辐射、天文辐射。

1.4.2 线性判别分析

线性判别分析是监督学习的线性判别方法,即数据集的每个样本有类别输出。其基本思想为:给定训练集样例,将样例投影到一维直线上,使得同类样例的投影点尽可能接近和密集(类内离散度尽可能小),异类投影点尽可能远离(类间离散度尽可能大)。

给定数据集D={(xi,yi)i=1m},yi{0,1},假设投影直线是向量w,则对于任意一个样本xi,它在直线w的投影为wTxi,定义目标函数[28]为:

$J(\vec{w})=\frac{\vec{w}^{\mathrm{T}} S_{\mathrm{b}} \vec{w}}{\vec{w}^{\mathrm{T}} S_{\mathrm{n}} \vec{w}}$

式中:向量w是投影的方向向量;wT是向量w的转置;SbSn分别是投影前两类别的类间和类内离散度矩阵。这样求投影方向的问题就转化为求该准则函数最大值的问题。

1.4.3 误差分析指标

选用均方根误差(root mean square error, RMSE)、平均绝对百分比误差(mean absolute percentage error, MAPE)及相关系数(R)来评估辐射模型的预报效果,具体公式[29]如下:

RMSE=1mi=1m(xi-yi)2MAPE=1mi=1m|xi-yi|y-×100%R=i=1m(xi-x-)(yi-y-)i=1m(xi-x-)2i=1m(yi-y-)2

式中:i表示第i时刻;m表示时刻序列长度;xi表示系统输出的第i时刻预报值;yi表示第i时刻的观测值;x-表示预报序列平均值;y-表示观测序列平均值。

2 ZJWARMS预报精度检验

为评估ZJWARMS对地表太阳辐射的模拟效果,将模拟结果插值到杭州站,与太阳辐射观测值进行对比。图1为2019年杭州站地表太阳辐射观测值与ZJWARMS模拟值及均方根误差逐时变化。可以看出,地表太阳辐射日变化呈单峰型分布,ZJWARMS能较好地模拟太阳辐射的日变化特征,与观测值的相关系数达0.82,且通过α=0.01的显著性检验。但总体上模拟值较观测值偏大,且均方根误差随太阳辐射值的增大而增大,早晚较小,光伏发电的高峰时段(09:00—15:00)误差明显增大,12:00均方根误差最大(313.0 W·m-2)。

图1

图1   2019年杭州站地表太阳辐射观测值与ZJWARMS模拟值(a)及均方根误差(b)逐时变化

Fig.1   The hourly variation of surface solar radiation observation value and simulation value by ZJWARMS (a) and root mean squared error (b) at Hangzhou station in 2019


不同天气条件下,系统对太阳辐射的模拟效果存在较大差异,根据李芬等[30]、郑有飞等[31]的研究引入清晰度指数来定量描述不同天气状况对太阳辐射的影响。将清晰度指数Q划分为4类:晴天(Q≥0.5)、多云(0.2≤Q<0.5)、阴天或小雨(0.1≤Q<0.2)和中雨及以上(Q<0.1)。表1为2019年不同天气条件下杭州站地面太阳辐射观测值与ZJWARMS模拟值的对比分析。可以看出,晴天时太阳辐射模拟值的平均绝对误差百分比最小,为33.1%,其与观测值的相关系数达0.83,且通过α=0.01的显著性检验;多云时太阳辐射模拟值的平均绝对误差百分比为97.8%,其与观测值的相关系数为0.69;阴雨天气时太阳辐射模拟误差明显增大,平均绝对误差百分比均大于200%。

表1   2019年不同天气条件下杭州站地表太阳辐射观测值与ZJWARMS模拟值对比分析

Tab.1  The comparison analysis of surface solar radiation observation value and simulation value by ZJWARMS at Hangzhou station under different weather conditions in 2019

天气类型地表太阳辐射/(W·m-2)平均绝对百分比
误差/%
相关系数
观测值模拟值
中雨及以上31.7187.8723.30.61**
阴天或小雨105.9335.2239.70.63**
多云282.3464.497.80.69**
晴天572.4570.733.10.83**

注:**表示通过α=0.01的显著性检验。

新窗口打开| 下载CSV


3 预报订正与效果分析

3.1 MOS订正模型建立

由以上分析结果可知,ZJWARMS能较好模拟地表太阳辐射的总体变化趋势,但预报值总体偏大,特别在阴雨天气条件下模拟误差较大,尚不能满足光伏发电预报精度的要求,需针对系统模拟结果进行进一步订正。研究表明,太阳辐射变化与水汽含量、云量、湿度、温度等多个气象因子有关[32-33],在MOS订正方程中引入相关气象因子会有效提高辐射预报效果。参考陈正洪等[34]的研究成果,选取系统输出的10个气象因子作为预报因子,如表2所示。

表2   ZJWARMS输出的气象因子与地表太阳辐射观测值的相关系数

Tab.2  The correlation coefficients between meteorological factors outputed by ZJWARMS and observated surface solar radiation

气象因子相关系数
10 m比湿0.168**
地表温度0.596**
2 m气温0.423**
2 m相对湿度-0.413**
2 m水汽混合比0.168**
地表气压-0.233**
总云量-0.318**
入射短波辐射通量0.791**
500 hPa相对湿度-0.188**
850 hPa露点温度0.103*

注:*、**分别表示通过α=0.05、0.01的显著性检验。

新窗口打开| 下载CSV


考虑所选气象因子之间存在一定的共线性关系,因此对所选气象因子进行主成分分析,得到相互独立的组合因子作为预报因子。依据清晰度指数4种天气条件的划分标准,采用线性判别分析进行天气判别,从而建立不同天气类型、不同季节、不同时次的清晰度指数MOS订正模型。然后,将得到的清晰度指数预报值,通过对应时次的天文辐射反算,得到最终的太阳辐射订正结果。

3.2 MOS模型订正效果

为验证MOS模型的订正效果,选取2019年1月、4月、8月、10月4个典型月份分别代表冬、春、夏、秋不同季节的订正结果进行评估分析。图2是杭州站2019年4个典型月份地表太阳辐射观测值、ZJWARMS模拟值及MOS模型订正值的对比。可以看出,MOS模型订正后的太阳辐射值能较好反映实际地表太阳辐射变化特征,其与观测值的相关系数达0.92,且通过α=0.01的显著性检验。相比ZJWARMS原始输出结果,MOS模型订正后结果明显更接近观测值,平均绝对百分比误差由订正前的273.4%下降至订正后的46.3%,均方根误差由246.7 W·m-2下降至105.0 W·m-2,预报效果改进明显。

图2

图2   杭州站2019年4个典型月份地表太阳辐射观测值、ZJWARMS模拟值及MOS模型订正值的对比

Fig.2   Comparison of surface solar radiation observation values with simulation values by ZJWARMS and correction values by MOS model at Hangzhou station in four typical months of 2019


图3为杭州站2019年4个典型月份07:00—18:00 ZJWARMS模拟的太阳辐射及MOS模型订正结果的平均绝对百分比误差逐时变化。可以看出,ZJWARMS模拟的不同时刻平均绝对百分比误差波动较大,15:00后模拟误差明显增大,尤其在17:00前后误差达到最大,说明ZJWARMS对于日落时间的太阳辐射预报存在较大误差。MOS模型订正后,各时刻的预报误差均有明显改进,且误差波动较小,除了16:00和17:00外,其他时刻的平均绝对百分比误差均为30%~50%。

图3

图3   杭州站2019年4个典型月份07:00—18:00ZJWARMS模拟的地表太阳辐射及MOS模型订正结果的平均绝对百分比误差逐时变化

Fig.3   The hourly variation of mean absolute percent error of surface solar radiation simulation values by ZJWARMS and correction values by MOS model at Hangzhou station from 07:00 BST to 18:00 BST in four typical months of 2019


表3为杭州站2019年4个典型月份ZJWARMS模拟及MOS模型订正后地表太阳辐射的误差分析。可以看出,各月MOS模型订正后地表太阳辐射误差较ZJWARMS模拟误差均大幅下降,且与观测值的相关系数明显提高。MOS模型订正后,8月预报效果最好,平均绝对百分比误差仅为26.3%,而均方根误差也由订正前的229.5 W·m-2下降到105.4 W·m-2,相关系数达0.94;其次为10月,订正后平均绝对百分比误差为49.9%,均方根误差下降到107.1 W·m-2;4月MOS模型订正效果相对较差,订正后的均方根误差为122.9 W·m-2,平均绝对百分比误差最大为56.6%。

表3   杭州站2019年4个典型月份ZJWARMS模拟及MOS模型订正后地表太阳辐射的误差分析

Tab.3  The error analysis of surface solar radiation simulation values by ZJWARMS and correction values by MOS model at Hangzhou station in four typical months of 2019

月份方 案均方根误差/(W·m-2)平均绝对百分比误差/%相关系数
1月ZJWARMS模拟250.7375.80.71**
MOS模型订正后81.654.90.90**
4月ZJWARMS模拟275.0287.90.72**
MOS模型订正后122.956.60.91**
8月ZJWARMS模拟229.5126.60.77**
MOS模型订正后105.426.30.94**
10月ZJWARMS模拟240.7324.70.67**
MOS模型订正后107.149.90.91**

注:**表示通过α=0.01的显著性检验。

新窗口打开| 下载CSV


4 结论

(1)ZJWARMS能较好地模拟地表太阳辐射的日变化特征,模拟值与观测值的相关系数达0.82,但总体存在模拟值较观测值偏大现象,早晚误差较小,光伏发电的高峰时段(09:00—15:00)误差明显增大。另外,不同天气条件下模拟效果存在较大差异,晴天误差最小,阴雨天误差明显增大。

(2)考虑与地表太阳辐射相关的气象影响因子,建立不同天气、不同季节、不同时刻的MOS订正模型。MOS模型订正后预报效果明显改进,相比ZJWARMS输出结果,平均绝对百分比误差由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。但是,MOS订正模型对不同月份的改进效果存在一定差异,其中8月订正效果最好,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%。

ZJWARMS对地表太阳辐射有较好的预报效果,可为光伏电站的发电量预报及电力科学调度提供参考依据。然而,预报值与实际观测仍存在一定的误差,开展预报订正研究非常必要。通过MOS模型订正后,地表太阳辐射的预报精度明显提升,但除了夏季外,其他季节的订正仍需进一步改进提高。究其原因可能是ZJWARMS中未充分刻画气溶胶-云-辐射的反馈机制,在今后的研究中将尝试在模式初始场中同化卫星资料改进三维云结构,从而提高云的预报效果。另外,进一步考虑气溶胶对云的间接影响,引入气溶胶的观测数据,以期改进ZJWARMS对云量及太阳辐射的模拟效果。

参考文献

马金玉, 罗勇, 申彦波, .

太阳能预报方法及其应用和问题

[J]. 资源科学, 2011, 33(5):829-837.

[本文引用: 1]

李芬, 陈正洪, 陈驰, .

太阳能光伏发电量预报方法的发展

[J]. 气候变化研究进展, 2011, 7(2):136-142.

[本文引用: 1]

HAUPT S E, KOSOVIĆ B.

Variable generation power forecasting as a big data problem

[J]. IEEE Transactions on Sustainable Energy, 2017, 8(2):725-732.

DOI      URL     [本文引用: 1]

李遥, 李照荣, 王小勇, .

基于斜面辐射算法的短期光伏功率预测方法研究

[J]. 干旱气象, 2020, 38(5):869-877.

[本文引用: 1]

王明欢, 赖安伟, 陈正洪, .

WRF模式模拟的地表短波辐射与实况对比分析

[J]. 气象, 2012, 38(5):585-592.

[本文引用: 1]

ROBERT H, HADRIEN V, WILFRED W.

Comparisons of next-day solar forecasting for Singapore using 3DVAR and 4DVAR data assimilation approaches with the WRF model

[J]. Renewable Energy, 2020, 147: 663-671.

DOI      URL     [本文引用: 1]

吴焕波, 石岚.

基于WRF-OLAR数值模式的太阳总辐射预报性能分析

[J]. 内蒙古大学学报(自然科学版), 2019, 50(2):154-161.

[本文引用: 1]

黄鹤, 王佳, 刘爱霞, .

TJ-WRF逐时地面太阳辐射的预报订正

[J]. 高原气象, 2015, 34(5):1445-1451.

DOI      [本文引用: 1]

利用中尺度数值模式TJ-WRF对2012年1月9日至2月29日逐时地面太阳辐射通量进行了模拟,评估了模式预报效果并对其进行统计订正。结果表明,TJ-WRF模式对地面太阳辐射具备一定的模拟能力,预报值与实测值的相关系数为0.831,其中,晴天预报效果最好,相关系数高达0.978;云量预报的准确度及未考虑气溶胶的影响是导致模式误差的主要原因,建立TJ-WRF预报值与实测值的差值和气象要素模拟量之间的关系实现对地面辐射预报的订正效果最佳,订正后相对均方根误差降到24.75%,平均绝对百分比误差为19.34%。

彭继达, 程兴宏, 孙治安, .

两种不同初始场对太阳辐射模拟效果的影响

[J]. 高原气象, 2014, 33(5):1352-1362.

DOI      [本文引用: 1]

利用2010年1,4,7和10月ECMWF和NCEP再分析资料作为初始场和边界条件,应用辐射模式系统WRF-SES2模拟了北京观象台的总辐射、散射辐射和直接辐射,并与观测值进行对比,重点分析了模式初始场云量差异对辐射模拟的影响。结果表明:(1) 1,4,7和10月多数时段总辐射模拟值较观测值偏大,散射辐射模拟值较观测值偏小,总云量模拟值小于观测值,直接辐射误差分布范围较总辐射、散射辐射大。(2) 多数时段采用ECMWF再分析资料作为初边值条件模拟(简称EC方案)的总辐射、直接辐射、散射辐射误差小于NCEP资料作为初边值条件模拟(简称NCEP方案)的误差,即EC方案模拟太阳短波辐射效果优于NCEP方案,这可能与ECMWF再分析资料中的云微物理量误差相对较小有关。(3) 1月和4月总辐射模拟效果较好,平均绝对误差最小,其中1月两种方案误差分布范围最小,且介于-50~200 W·m<sup>-2</sup>之间,10月次之,7月稍差;1,4月和10月两种方案模拟误差较接近,而7月EC方案模拟的总辐射误差小于NCEP方案。(4) 1月直接辐射模拟效果较好,4月和10月次之,7月稍差;除4月外,其他3个月EC方案模拟的直接辐射误差小于NCEP方案。(5) 1月和10月散射辐射模拟效果较好,4月和7月稍差;4个月EC方案模拟的散射辐射误差小于NCEP方案。(6) EC和NCEP方案对总辐射、直接辐射和散射辐射的模拟准确率受初始场中云量模拟效果的影响较大,当总云量模拟误差较小时,总辐射的模拟误差亦相对较小。(7) 在多云和有降水天气过程时,EC和NCEP方案模拟的太阳辐射误差较大,需要通过资料同化方法改进模式初始场,并对模拟结果做进一步订正。

段华, 潘晓滨, 臧增亮, .

基于GSI同化系统的卫星辐射率资料的同化试验

[J]. 干旱气象, 2015, 33(6):895-901.

[本文引用: 1]

程兴宏, 刘瑞霞, 申彦波, .

基于卫星资料同化和LAPS-WRF模式系统的云天太阳辐射数值模拟改进方法

[J]. 大气科学, 2014, 38(3):577-589.

[本文引用: 1]

武辉芹, 时珉, 赵增保, .

基于EC细网格数值预报产品的太阳辐照度订正技术

[J]. 气象科技, 2020, 48(5):752-757.

[本文引用: 1]

孙朋杰, 陈正洪, 成驰, .

一种改进的太阳辐射MOS预报模型研究

[J]. 太阳能学报, 2015, 36(12):2048-2053.

[本文引用: 1]

苏兆达, 程兴宏, 杨兴东, .

太阳辐射预报滚动订正方法研究

[J]. 气象科技, 2016, 44(2):259-268.

[本文引用: 1]

HADRIEN V, ANDRIVO R, ALEXANDRE T.

Probabilistic forecasting of day-ahead solar irradiance using quantile gradient boosting

[J]. Solar Energy, 2018, 173:313-327.

DOI      URL     [本文引用: 1]

杨程, 姜瑜君, 余贞寿, .

基于偏最小二乘回归的区域换式风速预报订正技术研究

[J]. 气象, 2019, 45(5):676-684.

[本文引用: 1]

邱金晶, 陈锋, 董美莹, .

浙江省快速更新同化系统的建立与检验评估

[J]. 气象科技进展, 2015, 5(6):6-12.

[本文引用: 1]

许娈, 余贞寿, 邱金晶, .

强台风“利奇马”登陆前后多模式降水预报评估对比分析

[J]. 气象科学, 2020, 40(3):303-314.

[本文引用: 1]

闫之辉, 邓莲堂.

WRF模式中的微物理过程及其预报对比试验

[J]. 沙漠与绿洲气象, 2007, 1(6):1-6.

[本文引用: 1]

黄海波, 陈春艳, 朱雯娜.

WRF模式不同云微物理参数化方案及水平分辨率对降水预报效果的影响

[J]. 气象科技, 2011, 39(5):529-536.

[本文引用: 1]

沈元芳, 黄丽萍, 徐国强, .

长波辐射对大气变化的敏感性和在WRF模式中的应用检验

[J]. 气象学报, 2004, 62(2):213-227.

[本文引用: 1]

CHEN F, DUDHIA J.

Coupling an advanced land surface-hydrology model with the Penn state-NCAR MM5 modeling system. Part I: model implementation and sensitivity

[J]. Monthly Weather Review, 2001, 129:569-585.

DOI      URL     [本文引用: 1]

KUSALA H, KONDO H, KIKEGAWA Y, et al.

A simple single-layer urban canopy model for atmospheric models: comparison with multilayer and slab model

[J]. Boundary-Layer Meteorol, 2001, 101(3):329-358.

DOI      URL     [本文引用: 1]

HONG S Y, PAN H L.

Nonlocal boundary layer vertical diffusion in a medium-range forecast model

[J]. Monthly Weather Review, 1996, 124(10):2322-2339.

DOI      URL     [本文引用: 1]

JIMENEZ P A, DUDHIA J, GONZALEZ-ROUCO J F, et al.

A revised scheme for the WRF surface 1ayer formulation

[J]. Monthly Weather Review, 2012, 140(3):898-918.

DOI      URL     [本文引用: 1]

李航. 统计学习方法[M]. 北京: 清华大学出版社, 2012:239.

[本文引用: 1]

李芬, 胡超, 马年骏, .

多时间尺度下基于k-means和SVM的北京地区散射比建模研究

[J]. 太阳能学报, 2018, 39(9):2515-2522.

[本文引用: 1]

陆荣秀, 蔡莹杰, 朱建勇, .

基于自权值线性判别分析算法的图像处理研究

[J]. 华东交通大学学报, 2020, 37(3):135-142.

[本文引用: 1]

施能. 气象统计预报[M]. 北京: 气象出版社, 2009:5-7.

[本文引用: 1]

李芬, 胡超, 马年骏, .

不同天气类型下计及PM2.5的直散分离模型研究

[J]. 太阳能学报, 2017, 38(12):3339-3347.

[本文引用: 1]

郑有飞, 尹炤寅, 吴荣军, .

1960-2005年京津冀地区地表太阳辐射变化及成因分析

[J]. 高原气象, 2012, 31(2):436-445.

[本文引用: 1]

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·(10 a)-1; 西部地区总辐射减少, 倾向率为10.092 MJ·m-2·mon-1·(10 a)-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。

曹越前, 张武, 药静宇, .

半干旱区云量变化特征及其与太阳辐射关系的研究

[J]. 干旱气象, 2015, 33(4):684-693.

[本文引用: 1]

潘晓, 李得勤, 公颖, .

基于CloudSat探测的辽宁地区夏季云系特征

[J]. 干旱气象, 2020, 38(5):716-725.

[本文引用: 1]

陈正洪, 孙朋杰, 张荣.

误差逐步逼近法在太阳辐射短期预报中的应用

[J]. 太阳能学报, 2015, 36(10):2377-2383.

[本文引用: 1]

/