英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文

英文翻译

原文标题_Comparison of empirical daily surface incoming solar

radiation models____

译文标题 日常地表入射太阳辐射经验模型的比较

日常地表入射太阳辐射经验模型的比较

Je acute;ro circ;me G. Fortin, Franc cedil;ois Anctil,Le acute;on-E acute; tienne Parent, Martin A. Bolinder

摘要： 大多数环境和农艺模型采用气候输入的方法，如温度，太阳辐射和降雨量。在加拿

大， 很少有自动气象站可以监测太阳辐射。因此，地表入射的太阳辐射量必须由其他气象数据估计。本研究的目的是对三个经验模型进行比较研究，以估计水平面上的地表入射太阳辐射。前两种方法使用基于纬度和日常温度范围的传统和长期利用的线性方法。更新的方法使用神经网络（NN）来建立基于纬度和温度范围的类似回归，但在公式中提供更多的灵活性以及非线性激活功能。来自位于美国东北部11个站点的全球每日太阳辐射数据用于优化和测试不同的模型。即使使用标准的无约束非线性方案局部优化了经典模型的系数，NNs显着改善了入射表面太阳辐射的估计。

关键词：全球太阳辐射;神经网络;经验模型;作物生长模型;Mesonet

1. 介绍

地表入射的太阳辐射观测的可用性对于诸如蒸散量估计或植物生长和发育模型的应用是必需的。在加拿大，只有少数自动气象站能够监测进入的太阳辐射。因此，必须分析其他常规观察到的气象数据，以模拟现场表面太阳辐射。

通常使用两种经典方法来模拟表面进入的太阳辐射（Tymvios等，2005）。第一个，基于模拟物理过程的复杂辐射传递模型，研究入射太阳辐射和陆地大气体之间的物理相互作用，如瑞利散射，辐射吸收臭氧和水蒸气以及气溶胶灭绝（Leckner，1978; Bird和Riordan，1986; Gueymard，1989,2000; La Casiniere等，1997）。第二个是基于地球表面和大气顶部的太阳辐射比与最大和最小日温之间的差异之间的经验关系。假设强烈的昼夜变暖和夜间降温必须导致在晴空下最小和最大日温度之间的较大差异（Bristow和Campbell，1984; McCaskill，1990; Bindi and Miglietta，1991; De Jong and Stewart，1993; Donatelli and Campbell ，1998; Allen等，1998; Donatelli和Bellocchi，2001; Mahmood和Hubbard，2002）。通常选择后一种方法，因为它具备的简便性和所需的输入变量较少。

本研究的目的是比较两种经验模型和一系列多层感知器网络的性能，用于估计常规观测气象数据的每日面临的太阳辐射。 多层感知器是使用具有非线性激活功能的三层或更多层神经元（节点）的标准线性感知器的修改。它比感知器更强大，因为它可以区分不可线性分离的数据。

所有型号均采用代表美国东北部气候的数据集进行了优化和测试。

1. 理论

2.1. 经验模型

用于本比较研究的经验模型是HS模型，MH模型和去偏的MH模型。 选择HS模型作为参考模型，因其长期被证明的效能及其简便的公式。 我们还选择比较一个更新的和更复杂的模型，该模型据报道，已经显示出优于HS模型，即MH模型。

Hargreaves和Samani（1982）开发了一个简单的经验模型（HS），用于模拟在水平面（R）上收到的日表面太阳辐射，以估计蒸散量。 他们假设在一天中的大气透过率与最高（Tmax）和最低（Tmin）空气温度之间的差异的平方根成比例。 该模型通过将日常温度范围和在大气顶部（TOA）（Ra）的水平表面上接收的日常太阳辐射相结合来模拟R，如下所示：

(1)

其中R和Ra为MJ / m2，b是经过定义为0.5的经验系数，一个是经验系数a，考虑到空气中的灰尘和气压随高度变化定义为0.16 。 另外，使用卖家开发的标准几何法估算地面辐射Ra（1965）。

(2)

其中F是纬度，DOY是一年中的日数，并且

(3)

(4)

(5)

ws，de和dr分别是日出时的小时角、弧度偏差和偏心因子。

2.2神经网络

神经网络（NN）已经成为快速接受的工具以及在大范围科学领域的有效的模型。它们包括计算算法模仿生物神经元的四个基本功能。 这些功能接收来自其他神经元或源头的输入，

组合它们，执行操作并输出最终结果（Klerfors，1998）。 一旦网络的架构设立，自主变量之间的关系可以进行训练或优化，以预测或估计因变量（Haykin，1994）。 NNs的特点通过他们的架构，激活功能和训练算法。 在本文中，所有NN分析和计算使用嵌入到MATLAB中的函数完成神经网络工具箱。

具有偏差的多层感知器网络（MLP）包含一层隐藏的神经元和单个输出神经元。这项研究由于它们的采用MLP能够使用有限数量近似任何函数不连续性的特性（Cybenko，1989; Hornik等人，1989）。自从给定的表面进入太阳辐射的模拟位置是多变量插值问题，MLP

功能R必须通过以下线性进行优化多变量函数的组合：

(6)

其中x是i维输入向量，j是隐藏神经元的数量，omega;是神经重量，beta;是神经偏倚。S型切线激活函数G1和线性激活函数G2计算如下：

(7)

(8)

其中j是前一个神经元层中信息的加权和。

(9)

由MacKay（1992）提出，其中a和g是自动生成的客观函数参数，通过贝叶斯正则化设定其最优值。 贝叶斯调节减少多样化的错误，因为最小化限制了权重，导致小值的错误。 因此，响应中的大波动由于大量输入的网络不太可能发生。 其他常见的泛化增强方法，如“停止操作”或“交叉验证”方法，分割基于三部分的数据。 贝叶斯规则只需要两个数据集。

1. 实验方案

3.1. 数据

每日温度和太阳辐照值从11个位于纬度45.08N和47.38N之间和经度69.98W和73.98W之间的Mesonet蒙特勒网络（图1）的气象站获得。 其中七个是聚集在蒙特利尔南部的一个流域，其他的是沿着圣劳伦斯河向东延伸蒙特利尔和Kamouraska之间的其他流域。 蒙特利尔地区呈现大陆性气候和Kamouraska是沿海地区（Anctil和Coulibaly，2004）。 参数的平均日值是在表1中。Kamouraska地区稍冷并显示出了最小的日常温度范围。气象观察要在5分钟的时间步长之后再开始进行。

六个代表站（Saint-Roch-Des-Aulnaies，Saint-Constant，Covey-Hill，Howick，LArti fi ce和Cranberry Brook）用于训练神经网络并优化经验模型，5个站（Russeltown，Saint-Celestin，Saint-Chrysostome，Saint-Con-stant和圣但尼 - 德卡穆拉斯加）用于测试。子集的划分，是以便表示不论是集中在单一流域或是站点向东扩散的每一个站点，如果一个或多个测试变量是在某一天没有记录，为了数据的严谨，我们将把一整天的数据删去，在2004年和2005年，每个台站每天提供250个的照射值。使用的数据代表通常可用于具有很少观察力的大空间区域站点和有限的时间覆盖的站点。这说明需要扩展空间和时间的方法覆盖面。但是，我们认为这个短暂的时间覆盖率，因为站点的庞大数量，在很大程度上得到了正面的补偿，在11个站点中，有2522个观察站变量：1385个用于培训，1137个用于验证。

3.2模型

正确选择输入变量和选择一个隐藏层中神经元的最佳数量很大程度上确定NN的性能。决策过程中必须考虑涉及到隐藏层中的变量或神经元导致非常大的待测试的变量组合。在这个应用中，目标是估计每日入射太阳辐射（R）。我们选择候选人之间的MLP输入向量三个可用经验模型使用的参数：每日进入的外星辐射（Ra），最小和最大每日空气温度（Tmax和Tmin），校正天空太阳辐射（ICSKY）和一年中的日数（DOY）本申请的初步分析总结为，变量的选择更显着的表现增益高于神经元的数量隐藏层。因此，我们开始了使用五项隐藏的最适合的变量组合神经元，然后进行确定最优隐藏层中的神经元数。

最初选择变量的组合在单独测试所有变量，并选择一个产生最佳性能的模型。这个最好的变量是分别结合每个剩余的变量，而产生最佳建模性能的，是保留并与每个剩余变量组合单独。 这个迭代过程可以持续到所有变量被使用，但是一旦停止了对补充投入的考虑，则会变得不利于模型的功能表现。

3.3功能评估

使用MAE（平均绝对误差）和RMSE（均方根误差）评估模型的性能绝对误差。 MAE是描述不考虑方向下的平均磁场的线性分数规则错误（这是一个线性分数因为所有错误都是同等重要的）：

其中R是观察到的入射太阳能的模拟辐射R，n是观测次数，k是时间步。 除了误差加权之外，RMSE与MAE非常相似。 它描述了误差的平均幅度如下：

由于误差在平均之前平方，所以加权更大会产生更大的误差。 MAE和RMSE的分数范围从0到infin;（较低的值是首选），并且误差在相同的单位和规模。 MAE和RMSE之间的大误差表示时间序列的大变化。 通过定义，RMSE大于或等于MAE。

其中SSref是HS模型的性能得分值。 负的的值表明替代模型具有对效果的负面影响。 Senbeta等人 （1999）建议的大于10％的值可以被认为是模拟中指示替代模型的重要性性能的。

1. 成果与结论

4.1. 经验模型

模型的性能值如表2所示。训练和验证值之间的差异很小，这表明所有型号都具有很好的泛化能力。 仅仅验证结果将在下文讨论。

还对MH1和MH2型号进行了优化。 MH1模型参数的优化（c = 0.034，d = 0.538，e = 0.837）比HS模型提高了1.8％和3.2％基于MAE和基于RMSE的功能得分。 增益与初始MH1相比，性能表现有较大提高（表2）。 中位错误从2.31下降到0.32MJ / m 2。 然而，使用Senbeta等 （1999）的论证，这个收益不足以取代原来的更加简约的HS模式。 最后，优化的MH2参数（f = 1.33和g = 0.93）与优化的MH1模型相比没有改善（表2）。

4.2. 神经网络

NN输入选择使用5隐藏神经元的MLP。最好的单输入MLP被设置为单独进入外来辐射（Ra），导致MAE-基于和RMSE的技能分数与MH1和HH2模型相比较（表2）.Ra参数，也用于HS模型，优于其他四个待选项，其中包括修正后的天空太阳辐射（ICSKY）被作为使用楷模。使用Ra和最大空气的双输入MLP温度改善模型性能超过最好的单输入MLP，但仍低于HS的表现。更高绩效是通过使用地外辐射量、Tmax和Tmin两个空气温度的三重输入MLP，Tmax和Tmin两个空气温度的结合被证明比它们各自单独考虑更加有效，这种情况适用于所有的经验模型。基于MAE和基于RMSE的技能最佳三重输入MLP的分数验证值为0.60和0.53。这转化成r2分别为19.6％和17.9％。因此，三重输入MLP可能是HS的强大替代品。重输入MLP包括DOY进一步提高模型的表现，对于基于MAE的表现提高了22.6％而基于RMSE的表现提高了19.4%。最后，使用输入法输入XML修正后的天空太阳辐射并没有改善MLP的功能表现。提出的四重输入的MLP因此包括入射的外来辐射，Tmax和Tmin，以及一年的天数。基于MSE的反馈MLP程序改进了MAE和RMSE的模型性能。

选择输入MLP的四元组的隐藏节点的数量，得到了优化（表2）。 一个隐藏的8神经元MLP实现了最好的性能。 这个基于MAE和基于RMSE的性能表现，对于HS模型来说，在性能上增益达到24.5％和21.3％。验证分散四重输入8隐藏神经元MLP

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26539]，资料为PDF文档或Word文档，PDF文档可免费转换为Word