基于卫星数据和人工神经网络的逐时太阳辐射模拟研究
作者机构:北京邮电大学经济管理学院
出 版 物:《中国农业资源与区划》 (Chinese Journal of Agricultural Resources and Regional Planning)
年 卷 期:2024年
核心收录:
学科分类:07[理学] 070601[理学-气象学] 0706[理学-大气科学]
基 金:国家自然科学基金项目“智能助教的可信治理研究:公平性和隐私性的影响机制与提升优化”(72374031)
主 题:太阳辐射 气象卫星 人工神经网络 优化算法 损失函数
摘 要:[目的]地面太阳辐射数据的获取受限于稀少的太阳辐射观测站点,气象卫星可以提供较高的时间和空间分辨率数据,为模拟太阳辐射提供了新的数据源;引入人工神经网络模型模拟太阳辐射可以获取更精准的数据指导农业生产。[方法]利用气象卫星数据构建模拟太阳辐射的模型,在晴天和有云2种天气情况下,分别借助随机梯度下降算法(Stochastic Gradient Descent, SGD)、均方根传播算法(Root Mean Square Propagation, RMSprop)、自适应动量估计算法(Adaptive Momentum Estimation, Adam)优化的BP神经网络方法构建不同输入变量组合的晴空模型和云空模型,选取最优的算法和模型;再综合晴空模型和云空模型的结果,得到全天空条件下的太阳辐射模拟结果。[结果](1)BP神经网络的优化算法中,RMSprop和Adam算法比SGD算法表现更好,损失函数收敛更快且更稳定,误差更小;晴空模型采用RMSprop算法优化的BP神经网络模型,相关系数R为0.950,均方根误差RMSE为84.27 W·m-2,平均绝对误差MAE为58.99 W·m-2;云空模型采用Adam算法优化的BP神经网络模型,R为0.884,RMSE为124.13 W·m-2,MAE为88.08 W·m-2。(2)利用卫星数据和地面气象数据共同作为输入变量构建的模型相比于不利用地面气象数据构建的模型效果更优,R增加0.015,RMSE减小11.93%,MAE减小21.77%。在云空模型的输入变量中增加反映云透光性的云光学厚度也可以减小模型的误差,R增加0.018,RMSE减小6.45%,MAE减小7.41%。(3)在输入变量相同的情况下,晴空模型模拟地面太阳辐射的精度比云空模型更高,R增加0.066,RMSE减小32.11%,MAE减小33.03%。晴空较有云的天气状况更加稳定,模拟效果更好。[结论]通过不同优化算法的选择,以及利用卫星数据和地面气象数据共同构建模型,可以显著提升模型的精度。模型可以应用于解决部分地区太阳辐射值缺失的问题,对于需要利用太阳辐射数据进行研究的农业领域具有重要的意义。