基于相似日和Elman神經(jīng)網(wǎng)絡(luò)的逐時(shí)太陽總輻射預(yù)測(cè)

王小潔，陳珍莉，王 旭，施晨曉，劉霄燕

(海南省氣象信息中心，海南省南海氣象防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室，海南 ?？?570203)

太陽輻射是地球大氣系統(tǒng)中主要的能量來源，也是影響氣候變化的重要因子.下墊面和大氣之間的熱量平衡由輻射收支平衡決定，其在大氣環(huán)流和調(diào)節(jié)氣候特征起到主要決定性作用.太陽輻射能是具有清潔、可再生的新能源，研究太陽總輻射的特征可以為輻射能源的開發(fā)利用提供科學(xué)理論基礎(chǔ).

從十九世紀(jì)開始太陽輻射觀測(cè)至今已有180多年的歷史，隨著輻射數(shù)據(jù)在各個(gè)領(lǐng)域的廣泛應(yīng)用，對(duì)輻射數(shù)據(jù)可靠性和連續(xù)性的要求越來越高.輻射觀測(cè)存在由于儀器故障、設(shè)備斷電等原因造成數(shù)據(jù)缺測(cè)和異常，此外太陽輻射設(shè)備觀測(cè)儀器造價(jià)昂貴，導(dǎo)致輻射站點(diǎn)分布稀疏，使研究和數(shù)據(jù)應(yīng)用存在問題.因此，國內(nèi)外許多專家學(xué)者對(duì)輻射數(shù)據(jù)構(gòu)建預(yù)測(cè)、模擬模型進(jìn)行諸多研究.蔡元?jiǎng)俒1]等基于氣象常規(guī)觀測(cè)資料建立四川省日總輻射模擬模型.敖銀銀[2]等利用經(jīng)驗(yàn)公式構(gòu)建太陽總輻射模擬模型分析并插值法隨州區(qū)太陽輻射空間分布特征.曹其夢(mèng)[3]等根據(jù)輻射數(shù)據(jù)的時(shí)間序列中存在的相關(guān)關(guān)系，即將某一時(shí)次的輻射量是過去輻射量基礎(chǔ)上的隨機(jī)波動(dòng)，通過自協(xié)方差函數(shù)和自相關(guān)函數(shù)來表示.Benmouiza[4]等利用自回歸-滑動(dòng)平均(ARMA)和非線性自回歸(NAR)神經(jīng)網(wǎng)絡(luò)方法預(yù)報(bào)輻射預(yù)報(bào)模型.Colak[5]等利用ARMA和累積式自回歸-滑動(dòng)平均方法(ARIMA)對(duì)太陽輻射進(jìn)行在不同時(shí)效上的預(yù)報(bào).

二十世紀(jì)，隨著衛(wèi)星遙感技術(shù)不斷完善，遙感數(shù)據(jù)得到了廣泛的應(yīng)用，學(xué)者們開始結(jié)合衛(wèi)星數(shù)據(jù)應(yīng)用經(jīng)典氣候?qū)W模型或者輻射傳輸理論反演太陽輻射量，獲取更高精度的太陽輻射分布[6-7].衛(wèi)星數(shù)據(jù)存在時(shí)效性不高、數(shù)據(jù)處理量的問題，導(dǎo)致預(yù)測(cè)數(shù)據(jù)時(shí)效性較差.隨著人工智能算法研究的興起，莊述鵬[8]等和馮姣姣[9]等利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等對(duì)太陽輻射進(jìn)行預(yù)報(bào)和模擬，此預(yù)測(cè)方法不僅可以結(jié)合氣象要素對(duì)輻射數(shù)據(jù)的影響來進(jìn)行復(fù)雜的非線性擬合，同時(shí)還克服了太陽輻射序列的隨機(jī)性.目前大部分研究集中在逐日輻射量和月輻射量的預(yù)測(cè)模擬上，對(duì)于?？诘貐^(qū)逐時(shí)總輻射預(yù)測(cè)的研究較少，且輻射數(shù)據(jù)逐小時(shí)變化特征明顯，與多個(gè)要素之間相互影響.黃海靜[10]等結(jié)合天氣預(yù)報(bào)、天氣現(xiàn)象和日照時(shí)數(shù)，建立不同天氣類型的分型標(biāo)準(zhǔn)，以天氣類型、氣溫日較差和歷史輻射值作為輸入因子利用小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)海口地區(qū)太陽總輻射量,但歷史天氣預(yù)報(bào)獲取復(fù)雜且輻射站點(diǎn)分布稀疏不利于輻射空間分布分析.因此，筆者利用輻射及其相關(guān)氣象要素，針對(duì)輻射時(shí)間序列數(shù)據(jù)中非線性、非平穩(wěn)性的特征，建立基于相似日選取和Elman神經(jīng)網(wǎng)絡(luò)的?？诘貐^(qū)逐時(shí)總輻射預(yù)測(cè)模型，旨在找到精確的輻射預(yù)測(cè)模型，以期提高輻射數(shù)據(jù)預(yù)測(cè)精度，為輻射數(shù)據(jù)的質(zhì)量控制和缺少輻射觀測(cè)地區(qū)提供精確的預(yù)測(cè)模型，滿足業(yè)務(wù)服務(wù)需求，進(jìn)一步提高輻射數(shù)據(jù)的使用率.

1 研究資料

海南省從二十世紀(jì)50年代開始輻射觀測(cè).在二十世紀(jì)90年代建立起全省輻射自動(dòng)觀測(cè)網(wǎng)絡(luò)，分別建立在?？谡尽⑷齺喺竞臀魃痴?，其中?？谳椛溆^測(cè)站屬于二級(jí)站，觀測(cè)項(xiàng)目為總輻射和凈全輻射.輻射量與多個(gè)氣象要素之間相互影響，其中氣壓、氣溫、相對(duì)濕度、降水、日照和云量等要素對(duì)輻射量的影響較大.由于云量沒有逐時(shí)觀測(cè)，獲取逐時(shí)云量數(shù)據(jù)不便.考慮到數(shù)據(jù)可靠性，采用2009～2019年?？谥饡r(shí)本站氣壓、氣溫、相對(duì)濕度、降水量、日照、太陽高度角和太陽總輻射曝輻量數(shù)據(jù).其中2009～2018年共10 y數(shù)據(jù)為訓(xùn)練測(cè)試樣本集，2019年為驗(yàn)證集.因通常日出之前、日落之后輻照量為零，研究時(shí)段只選取了6～19時(shí)逐時(shí)總輻射曝輻量.經(jīng)過數(shù)據(jù)質(zhì)量控制后的樣本集數(shù)據(jù)共有52 181條，其中2019年作為驗(yàn)證數(shù)據(jù)共5 110條.

2 研究方法

2.1 數(shù)據(jù)質(zhì)量控制對(duì)選取的氣象數(shù)據(jù)和總輻射曝輻量進(jìn)行質(zhì)量控制，首先剔除缺測(cè)值和超出氣候閾值的奇異值記錄.剔除總輻射曝輻量小于0的記錄；剔除總輻射曝輻量小于凈全輻射曝輻量的記錄；剔除日照時(shí)數(shù)大于可日照時(shí)數(shù)的記錄.

2.2 數(shù)據(jù)歸一化不同的要素之間單位和量級(jí)不同，為了消除各氣象要素與總輻射曝輻量之間的數(shù)量級(jí)和單位給預(yù)測(cè)模型帶來的誤差，采用離差歸一化方法對(duì)數(shù)據(jù)進(jìn)行線性變化，將數(shù)據(jù)結(jié)果壓縮到0～1之間，具體公式為

(1)

其中，xi為某時(shí)次歸一化后的數(shù)據(jù)，xn為同一時(shí)次未做歸一化的數(shù)據(jù)，xmax，xmin分別為該要素序列的最大值最小值.

2.3 模型構(gòu)建

2.3.1 輸入因子篩選地面太陽總輻射主要受到日照時(shí)數(shù)，天文輻射量等要素影響.綜合分析后，選取與輻射數(shù)據(jù)相互影響的本站氣壓、氣溫、相對(duì)濕度、降水量、日照和太陽高度角等氣象要素.氣溫是總輻射量強(qiáng)弱的側(cè)面表達(dá)，氣壓反映了大氣層中空氣分子的密集程度，降水量和相對(duì)濕度反應(yīng)空氣中的水汽含量.分析其與太陽總輻射的相關(guān)關(guān)系，選取通過顯著性檢驗(yàn)的要素作為模型的輸入變量，氣象要素與總輻射曝輻量間的相關(guān)關(guān)系詳見表1.

表1 2009～2019年不同氣象因子與逐日太陽總輻射相關(guān)關(guān)系

通過相關(guān)性分析和顯著性檢驗(yàn)，本站氣壓、氣溫、相對(duì)濕度、降水量、日照和太陽高度角6個(gè)要素與總輻射曝輻量之間都呈顯著相關(guān)關(guān)系，其中氣壓、降水、相對(duì)濕度呈負(fù)相關(guān)關(guān)系，說明氣壓、降水和相對(duì)濕度對(duì)?？诘貐^(qū)的輻射具有削弱作用，其中以相對(duì)濕度對(duì)太陽輻射的削弱效果最明顯.太陽高度角、日照時(shí)數(shù)和氣溫與總輻射曝輻量呈顯著的正相關(guān)關(guān)系，與施紅[11]等的結(jié)論相符.

根據(jù)相關(guān)性分析的結(jié)果，選取2009～2018年?？诘貐^(qū)本站氣壓、氣溫、相對(duì)濕度、降水量、日照時(shí)數(shù)和太陽高度角6個(gè)要素為模型輸入因子，總輻射曝輻量為輸出參考因子，選取2019年數(shù)據(jù)為驗(yàn)證集.結(jié)合相似日算法改進(jìn)模型構(gòu)建小時(shí)總輻射預(yù)測(cè)模型.

2.3.2 相似日原理相似日是指與研究日氣象特征相似的樣本歷史日，將一段時(shí)間內(nèi)的歷史日作為待篩選樣本，通過構(gòu)建氣象要素特征向量，分析待篩選樣本日的歷史氣象要素特征向量與待預(yù)測(cè)日氣象要素特征向量之間的相似程度，兩者之間相似程度越高則表明歷史日與待預(yù)測(cè)日的氣象要素特征越相近，通過分析歷史時(shí)間序列，選取相似程度最高或者相似度達(dá)到閾值要求的歷史日即為相似日，若干符合條件的相似日組成相似日時(shí)間序列.

由于神經(jīng)網(wǎng)絡(luò)算法中普遍存在的泛化能力差等問題，且太陽輻射的變化受多種氣象因素的相互影響，又存在日變化和季節(jié)變化規(guī)律，輻射數(shù)據(jù)的預(yù)測(cè)精度受到這些因素的影響.當(dāng)預(yù)測(cè)日與樣本日的氣象環(huán)境如氣溫、日照時(shí)數(shù)和相對(duì)濕度等要素較為相近時(shí)，輻射也會(huì)出現(xiàn)相應(yīng)的規(guī)律.為了找到氣象因素和變化規(guī)律與預(yù)測(cè)時(shí)次相似的時(shí)段，通常采用歐式距離[12]、相關(guān)系數(shù)公式[13]、灰色關(guān)聯(lián)分析法[14]和模糊聚類[15]等方法來挑取相似日.為避免輻射量隨季節(jié)變化的因素對(duì)預(yù)測(cè)精度造成誤差，選取根據(jù)預(yù)測(cè)時(shí)的氣象狀況篩選預(yù)測(cè)日歷年同期前30 d的相似性達(dá)0.8以上的若干天組成相似日時(shí)間序列，選取灰色關(guān)聯(lián)分析法分析特征向量之間的相似程度.

構(gòu)建相似日時(shí)間序列的步驟分為3個(gè)部分，首先構(gòu)建表征預(yù)測(cè)日和待篩選樣本日氣象特征的氣象日特征向量，再根據(jù)灰色關(guān)聯(lián)分析法分析兩兩特征向量之間的相似程度，根據(jù)總關(guān)聯(lián)度篩選最后組成相似日特征矩陣.

1) 構(gòu)建特征向量 首先將與總輻射變化相關(guān)的氣象要素量化表達(dá)，通過對(duì)輻射及其影響要素進(jìn)行相關(guān)性分析，選取重要影響因素,構(gòu)建預(yù)測(cè)日的日特征向量.

通過對(duì)氣象要素和總輻射曝輻量的相關(guān)性分析，可以看出總輻射曝輻量與日照時(shí)數(shù)、相對(duì)濕度和太陽高度角之間的相關(guān)性較大.考慮太陽高度角的變化與站點(diǎn)經(jīng)緯度和季節(jié)變化有關(guān)，受實(shí)際天氣變化影響較小，因此選取日照時(shí)數(shù)和相對(duì)濕度2個(gè)氣象要素來體現(xiàn)日特征.由于在日出之前和日落之后的太陽輻射量為0，而?？谌甑淖畲罂扇照諘r(shí)間為14 h，實(shí)際最大可日照時(shí)間受季節(jié)的變化呈現(xiàn)明顯的夏季長冬季短的季節(jié)變化規(guī)律.為了研究方便選取6～19時(shí)共14 h的數(shù)據(jù)進(jìn)行研究，將日照不足14 h時(shí)次的輻射值以0補(bǔ)齊，將研究的數(shù)據(jù)時(shí)間序列統(tǒng)一，構(gòu)建基于最大可日照時(shí)數(shù)的逐時(shí)輻射時(shí)間序列.因此,設(shè)定每日的特征向量包括6～19時(shí)逐時(shí)日照時(shí)數(shù)和逐時(shí)相對(duì)濕度，共28個(gè)元素.特征向量T為

T=[SiRhi]，

(2)

其中，i為時(shí)次，S為日照時(shí)數(shù)，Rh為相對(duì)濕度.以上數(shù)據(jù)都經(jīng)過歸一化處理，降低量綱對(duì)模型精度的影響.以相似度ri作為篩選標(biāo)準(zhǔn)，將兩者間相似度大于0.8的篩選日的本站氣壓、氣溫、相對(duì)濕度、降水、日照時(shí)數(shù)和太陽高度角構(gòu)建新的時(shí)間序列作為預(yù)測(cè)模型的輸入數(shù)據(jù).

2) 相似度分析 通過定量計(jì)算預(yù)測(cè)日和篩選日的相似度，計(jì)算待預(yù)測(cè)日特征向量中第k個(gè)氣象要素與待預(yù)測(cè)日天氣現(xiàn)象特征向量間的關(guān)聯(lián)系數(shù)公式

(3)

其中，ρ為分辨系數(shù)，取0.5；x0為待預(yù)測(cè)日特征向量；xi為待篩選日特征向量；i=1,2，…,m;k=1,2,…,n；m為特征向量內(nèi)元素?cái)?shù)，n為待篩選日個(gè)數(shù).

3) 總關(guān)聯(lián)度分析 通過計(jì)算獲得待篩選日和待預(yù)測(cè)日特征向量之間的關(guān)聯(lián)系數(shù)，計(jì)算待預(yù)測(cè)日與第i個(gè)待篩選日的總關(guān)聯(lián)度

(4)

選取相似度ri大于某一標(biāo)準(zhǔn)的若干個(gè)相似日，對(duì)應(yīng)的氣象要素組成的時(shí)間序列作為待預(yù)測(cè)日的相似日時(shí)間序列.

2.3.3 Elman神經(jīng)網(wǎng)絡(luò)大氣中各個(gè)要素之間相互影響，是一個(gè)復(fù)雜非線性關(guān)系，傳統(tǒng)的回歸方法和逐時(shí)總輻射氣象計(jì)算方法難以解決這一非線性問題.神經(jīng)網(wǎng)絡(luò)具有高度學(xué)習(xí)能力，用于解決傳統(tǒng)算法中不能解決的非線性關(guān)系問題，可以通過動(dòng)態(tài)學(xué)習(xí)行為學(xué)習(xí)復(fù)雜模型，文獻(xiàn)[16-18]都已證明其逼近能力能夠解決大多數(shù)的非線性問題.

Elman神經(jīng)網(wǎng)絡(luò)是一種反饋型神經(jīng)網(wǎng)絡(luò)，一般分為4層：輸入層、中間層、承接層和輸出層[19].承接層作為一次訓(xùn)練的延時(shí)算子，通過承接層的延遲和存儲(chǔ)，使隱含層的輸出關(guān)聯(lián)到輸入，使系統(tǒng)具有適應(yīng)時(shí)變特征，可以不考慮外部噪聲對(duì)系統(tǒng)影響，以任意精度逼近任意非線性映射[20].與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)等算法相比，Elman的學(xué)習(xí)速度更快，具有更好地泛化能力.

研究數(shù)據(jù)具有強(qiáng)的非線性特征，基于普通的多元回歸方法、經(jīng)驗(yàn)公式方法預(yù)測(cè)輻射數(shù)據(jù)難以解決這一問題造成的誤差.為了減少數(shù)據(jù)時(shí)間序列的隨機(jī)性對(duì)預(yù)測(cè)結(jié)果的影響，采用基于相似日分類的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法，以期消除時(shí)間序列中非平穩(wěn)特性造成的預(yù)測(cè)誤差.首先將數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，其中2009～2018年在算法中分別隨機(jī)選取不同數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，2019年為驗(yàn)證數(shù)據(jù)集，對(duì)各個(gè)輸入輸出數(shù)據(jù)進(jìn)行歸一化處理.根據(jù)相關(guān)性分析，選取對(duì)總輻射變化影響較大的6個(gè)氣象因素作為模型的輸入數(shù)據(jù)集，同時(shí)為了加快模型的訓(xùn)練時(shí)間和提高模型精度，以相關(guān)性最高的相對(duì)濕度和日照時(shí)數(shù)2個(gè)表征氣象特征的數(shù)據(jù)構(gòu)建特征向量，引入灰色關(guān)聯(lián)分析法選取相似日，組成基于相似日的6個(gè)要素特征矩陣作為輸入因子，總輻射曝輻量作為模型期望輸出進(jìn)行訓(xùn)練，預(yù)測(cè)2019年總輻射曝輻量，最后與實(shí)際觀測(cè)總輻射曝輻量對(duì)比，進(jìn)行誤差分析.

3 結(jié)果分析

3.1 誤差分析

3.1.1 誤差評(píng)價(jià)指標(biāo)根據(jù)相關(guān)系數(shù)(R)、均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)3個(gè)誤差統(tǒng)計(jì)評(píng)價(jià)指標(biāo)驗(yàn)證2個(gè)模型的預(yù)測(cè)結(jié)果的精度，并進(jìn)行誤差分析.RMSE和MAE越小表示模型預(yù)測(cè)的效果越好，反之，說明模型預(yù)測(cè)效果越差.相關(guān)系數(shù)R表示預(yù)測(cè)值和實(shí)測(cè)值擬合度，R越接近與1，表示預(yù)測(cè)擬合程度越高.

(5)

(6)

(7)

其中，xi代表預(yù)測(cè)值，Xi為實(shí)測(cè)值，n為樣本數(shù).

3.1.2 模型誤差分析利用Elman神經(jīng)網(wǎng)絡(luò)算法、相似日-Elman神經(jīng)網(wǎng)絡(luò)算法對(duì)?？诘貐^(qū)逐時(shí)總輻射曝輻量進(jìn)行預(yù)測(cè)，擬合結(jié)果如圖1和表2.

a Elman神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)測(cè)值擬合結(jié)果b 相似日-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值的擬合結(jié)果圖1 Elman神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值、相似日-Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值分別與實(shí)測(cè)值擬合結(jié)果

表2 2個(gè)模型誤差統(tǒng)計(jì)指標(biāo)

從圖1和表2中可以看出，基于相似日改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)算法模型的預(yù)測(cè)值相較于未改進(jìn)的Elman算法預(yù)測(cè)值更接近真值.從表2中的R,MAE和RMSE，通過相似日篩選的算法模型預(yù)測(cè)結(jié)果相對(duì)較好，真值和預(yù)測(cè)值之間具有較高的擬合度，擬合趨勢(shì)線斜距接近于1，R為0.97，MAE為0.16 MJ·m-2，RMSE為0.24 MJ·m-2;未改進(jìn)Elman算法模型，R為0.93，MAE為0.35 MJ·m-2,RMSE為0.47 MJ·m-2.未改進(jìn)Elman算法模型的預(yù)測(cè)結(jié)果相關(guān)性雖然通過0.01的顯著性檢驗(yàn)，但預(yù)測(cè)出來的結(jié)果相對(duì)離散，MAE和RMSE相對(duì)偏大.尤其當(dāng)總輻射曝輻量觀測(cè)值低于1 MJ·m-2時(shí)或者曝輻量大于2 MJ·m-2時(shí)，未經(jīng)相似日篩選的模型預(yù)測(cè)結(jié)果與真值偏離較大，存在若干奇異點(diǎn),說明未改進(jìn)的模型在曝輻量較低時(shí)的模擬效果較差，與算法的泛化能力較弱有關(guān).在曝輻量數(shù)值較低，且有較多要素影響太陽輻射到達(dá)地面的輻射的時(shí)候，基于相似日篩選的模型可以更好地識(shí)別能力，更高地預(yù)報(bào)精度.

根據(jù)2個(gè)模型結(jié)果計(jì)算的RMSE繪制預(yù)測(cè)誤差箱型圖，如圖2所示.在反應(yīng)誤差分布的箱形圖上，改進(jìn)后的Elman算法預(yù)測(cè)的總輻射曝輻量箱體較窄，預(yù)測(cè)誤差的中位數(shù)和平均數(shù)也更接近于0，平均預(yù)測(cè)誤差在±0.5 MJ·m-2范圍內(nèi).未經(jīng)過相似日篩選的Elman算法模型預(yù)測(cè)值相對(duì)觀測(cè)真值整體偏低，平均預(yù)測(cè)誤差在-1.4～0.7 MJ·m-2之間，中位數(shù)和平均值遠(yuǎn)離0，表明改進(jìn)后基于相似日篩選的Elman算法預(yù)測(cè)精度比未改進(jìn)的算法精度好，準(zhǔn)確度更高，更好的預(yù)測(cè)了?？诘貐^(qū)的總輻射曝輻量.

圖2 預(yù)測(cè)相對(duì)誤差箱形圖

為數(shù)據(jù)清晰展示方便分析和驗(yàn)證不同季節(jié)狀況下的預(yù)測(cè)效果，從四季中分別選取2019年2月、5月、8月、12月中旬的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值、基于相似日篩選的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值以及實(shí)際觀測(cè)值就預(yù)測(cè)結(jié)果精度進(jìn)行分析.

從圖3和圖4中可以看出，2個(gè)模型的整體預(yù)測(cè)結(jié)果都比真值偏低，在日極值上的預(yù)測(cè)效果都不太理想，但基于相似日篩選的模型預(yù)測(cè)值相對(duì)未經(jīng)過篩選的預(yù)測(cè)值結(jié)果更接近于觀測(cè)真值，能夠精確預(yù)測(cè)總輻射隨時(shí)間的變化趨勢(shì)，具有明顯優(yōu)勢(shì).夏季5月中旬2個(gè)模型的預(yù)測(cè)精度較差，?？谙募径喽虝r(shí)暴雨，大氣中水汽含量和云量的變化受影響較大，從而影響太陽輻射，加大了模型的預(yù)報(bào)難度，導(dǎo)致夏季模型預(yù)測(cè)效果較差.冬季12月中旬總輻射曝輻量2個(gè)模型基本能預(yù)報(bào)準(zhǔn)確，但研究時(shí)段內(nèi)曝輻量出現(xiàn)2次突變，而2個(gè)模型都沒有很好的擬合出來，需結(jié)合實(shí)際天氣情況進(jìn)一步分析此變化的成因精進(jìn)模型.未經(jīng)篩選的預(yù)測(cè)模型雖然能預(yù)測(cè)出真值的大致趨勢(shì)，但與真值相差較大，且會(huì)出現(xiàn)奇異值.說明通過相似日篩選之后的模型有效的提高了預(yù)測(cè)的精準(zhǔn)度，進(jìn)一步優(yōu)化總輻射預(yù)測(cè)算法的精確度.

圖3 2019年2月、5月、8月、12月中旬太陽總輻射曝輻量預(yù)測(cè)結(jié)果

圖4 2019年2月、5月、8月、12月中旬2個(gè)模型太陽總輻射曝輻量預(yù)測(cè)模型結(jié)果相對(duì)誤差分析

3.2 總輻射時(shí)空變化特征分析由于輻射觀測(cè)儀器造價(jià)昂貴，就海南省來說，省內(nèi)只部署了3個(gè)輻射站，分別位于海口站、三亞站、西沙站.考慮到海南島經(jīng)緯輻射跨度小，太陽可能輻射量差異不大，具有可參照性，利用氣象要素對(duì)沒有輻射觀測(cè)儀器站點(diǎn)進(jìn)行預(yù)測(cè)，分析輻射的空間分布[21].經(jīng)過驗(yàn)證分析，基于相似日篩選的Elman神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)太陽總輻射具有更高的精度，可以通過該算法利用各個(gè)觀測(cè)站的氣象要素?cái)?shù)據(jù)預(yù)報(bào)當(dāng)?shù)氐妮椛渲?，為分析海南輻射分布特征提供科學(xué)依據(jù).

圖5 2019年瓊北地區(qū)年小時(shí)平均總輻射空間分布

以瓊北地區(qū)為例，選取瓊山、文昌、定安、澄邁、臨高5個(gè)瓊北市縣的氣象要素結(jié)合模型預(yù)測(cè)2019年瓊北地區(qū)太陽總輻射數(shù)據(jù)，并根據(jù)?？谡居^測(cè)的太陽總輻射數(shù)據(jù)，分析瓊北地區(qū)小時(shí)平均太陽總輻射的空間分布.

從年平均分布圖上來看，瓊北地區(qū)的年平均小時(shí)總輻射值在1.05 ～1.14 MJ·m-2之間，空間分布較為均勻，具體呈現(xiàn)南高北低，東西輻射高的特征，其中東部的總輻射值最高，北部的總輻射值最低.因?yàn)楸辈康乩砦恢闷?，易受到冷空氣的影響?dǎo)致輻射值偏低.南部受到冷空氣影響較弱.

為了進(jìn)一步研究瓊北地區(qū)總輻射各季節(jié)的空間分布情況，對(duì)研究區(qū)2019年四季小時(shí)平均總輻射進(jìn)行分析，其中2～4月為春季，5～7月為夏季，8～10月為秋季，11～次年1月為冬季.

從圖6中可以看出，夏季輻射最強(qiáng)，冬季輻射最弱，春季小時(shí)平均總輻射在1.03 ～1.15 MJ·m-2，夏季小時(shí)平均總輻射在1.30～1.45 MJ·m-2之間，秋季小時(shí)平均總輻射在0.9～1.18 MJ·m-2之間，冬季小時(shí)平均總輻射在0.75～0.81 M·m-2之間.四季輻射資源的空間分布均勻，具體呈現(xiàn)東西高，南北低的特征.春季北部和南部的輻射分布相對(duì)較少；夏季總輻射較其他季節(jié)較高，最大出現(xiàn)在文昌，約為1.45 MJ·m-2,?？诤投ò蔡柨傒椛湎鄬?duì)較弱；秋季總輻射值與春季相近，西部總輻射值相對(duì)其他區(qū)域較高.冬季相對(duì)其他季節(jié)總輻射較弱，西部總輻射相對(duì)其他區(qū)域較強(qiáng)，北部和南部受冷空氣影響較弱.在秋冬2季，西部較為干燥，水汽含量較低，日照時(shí)數(shù)較長，輻射相對(duì)較強(qiáng).

圖6 2019年瓊北地區(qū)春、夏、秋、冬季小時(shí)平均總輻射空間分布

輻射是地球的能量主要來源，是影響作物生長發(fā)育的主要因素，不同作物習(xí)性對(duì)輻射強(qiáng)弱變化要求不同，因此研究區(qū)域內(nèi)輻射的日變化具有重要意義.由于夜間沒有太陽輻射，對(duì)2019年平均日輻射最大值空間分布進(jìn)行研究，如圖7所示.

圖7 2019年瓊北地區(qū)年日平均小時(shí)最大值總輻射空間分布

從圖7可以看出，總輻射日最大值的空間分布也呈現(xiàn)了北部低東西高的特征，日最大值均值在2.09～2.28 MJ·m-2范圍內(nèi)；在北部和南部的輻射日最大值較小，東西部輻射日最大值較大，其中澄邁和文昌的輻射日最大值較大，幾乎都大于2.25 MJ·m-2，臨高的輻射日最大值相對(duì)澄邁和文昌較小，在2.19～2.20 MJ·m-2之間.說明瓊北地區(qū)日較差呈現(xiàn)北部和南部偏小，東部和西部偏大的特征.

4 結(jié)束語

通過對(duì)可能影響輻射變化的氣壓、氣溫和相對(duì)濕度等氣象要素和輻射值的進(jìn)行相關(guān)性分析.選取與總輻射相關(guān)系數(shù)較高，能表征天氣特征的相對(duì)濕度和日照時(shí)數(shù)，構(gòu)建預(yù)測(cè)時(shí)次當(dāng)日和歷史每日特征向量，并通過灰色關(guān)聯(lián)分析法選取兩者間相似度大于0.8當(dāng)日的本站氣壓、氣溫、相對(duì)濕度、降水、日照時(shí)數(shù)和太陽高度角6個(gè)氣象要素作為模型輸入向量，太陽總輻射曝輻量作為輸出真值.結(jié)果表明，通過相似日篩選的Elman神經(jīng)網(wǎng)絡(luò)輻射預(yù)測(cè)算法對(duì)總輻射的預(yù)測(cè)效果顯著，是一種有效的太陽輻射預(yù)測(cè)算法.根據(jù)建立的輻射預(yù)測(cè)模型，利用氣象要素對(duì)沒有輻射觀測(cè)儀器站點(diǎn)進(jìn)行預(yù)測(cè)，分析?？谡局車锌h即瓊北地區(qū)的輻射空間分布，瓊北地區(qū)輻射空間分布均勻，具體呈現(xiàn)南多北少特征；時(shí)間分布上總輻射呈現(xiàn)冬季低夏季高，春秋季居中的特征.

通過相似日篩選輸入數(shù)據(jù)集構(gòu)建的Elman神經(jīng)網(wǎng)絡(luò)模型增加了模型預(yù)測(cè)的精度，但是在不連續(xù)陰天，或者持續(xù)無日照太陽輻射較低的時(shí)候，模型預(yù)測(cè)精度有所下降.下一步工作可以考慮接入實(shí)況數(shù)據(jù)，例如三維云數(shù)據(jù)，進(jìn)一步提高模型的預(yù)測(cè)精度，減少預(yù)測(cè)值與真值之間的相對(duì)誤差.此外，只選取了瓊北地區(qū)的國家站的氣象數(shù)據(jù)作為模型輸入數(shù)據(jù)，預(yù)報(bào)瓊北地區(qū)的太陽總輻射.在后續(xù)研究中，可以考慮區(qū)域站數(shù)據(jù)結(jié)合衛(wèi)星數(shù)據(jù)預(yù)報(bào)當(dāng)?shù)氐奶柨傒椛淞?，精?xì)化分析地區(qū)的太陽總輻射分布，同時(shí)可以結(jié)合其他2個(gè)輻射站的數(shù)據(jù)，根據(jù)地形特征等因素，預(yù)報(bào)全省太陽總輻射分布，研究海南省太陽總輻射空間分布.