李净
, 冯姣姣
Li Jing, Feng Jiaojiao
中图分类号: P422.1
文献标识码: A
文章编号: 1000-0690（2016）05-0780-07
收稿日期: 2015-04-8
修回日期: 2015-10-28
网络出版日期: 2016-07-20
版权声明: 2016 《地理科学》编辑部 本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:
作者简介:
作者简介：李净（1978-），女，甘肃会宁人，博士，副教授，主要研究方向为辐射平衡和定量遥感。E-mail:li_jinger@163.com
展开
摘要
定量模拟太阳辐射对认识西北地区气候变化至关重要,但西北地区辐射站点稀少,而气象站点较多,利用众多的气象站点观测值模拟太阳辐射是获得太阳辐射数据很好的方法之一。利用LM (Levenberg-Marquardt) 算法对普通的BP神经网络进行优化（优化后的BP神经网络简称LM-BP神经网络）模拟太阳辐射,通过与传统气候模型模拟的太阳辐射结果对比发现,LM-BP神经网络模型的模拟精度最高,模拟值与实测值的拟合程度明显优于H-S模型和A-P模型。由此利用西北地区159个气象站点的气象数据和LM-BP神经网络模型模拟了1990~2012年这些气象站点的太阳总辐射月总量,将LM-BP神经网络模拟的气象站点的太阳辐射和25个辐射观测站的实测太阳辐射数据相结合,通过空间插值得到了西北地区太阳总辐射的空间分布,并分析了其时空分布及变化特征。研究结果发现西北地区1990~2012年的年均总辐射月总量变化为262~643 βMJ/m2,呈现“中间高,两端低”的空间分布特征。LM-BP神经网络模型的模拟精度高,是一种很有发展前景的辐射模拟方法,可将其应用在无辐射观测地区的太阳辐射模拟中。
关键词：
Abstract
Solar radiation data can be used to simulate surface dynamic and thermal process. Solar radiation data is the important input parameter of the models in ecology, hydrology, crop, solar radiation transmission, global circulation and so on. Quantitative simulation of solar radiation is important for understanding climate change in Northwest China. However, the solar radiation stations are sparse in Northwest China, so using small amount of radiation site data interpolating or extrapolating is difficult to obtain the spatial distribution of solar radiation data. There are more many weather stations in Northwest China, so it is one of the best methods to simulate the solar radiation by using a large number of meteorological observations. In this article, the LM (Levenberg-Marquardt) algorithm is used to optimize the BP neural network (LM-BP neural network is abbreviation of BP neural network for the optimization). This article simulates solar radiation using LM-BP neural network, H-S and A-P climate models at Urumqi, Kashi, Hami, Xining and Guyuan radiation stations and uses MPE, MBE and RMSE indexes of accuracy assessment to test the three models. The results indicate that LM-BP neural network has the highest accuracy in model simulations, showing satisfactory performance compared with the simulation results of traditional two climate models, simulated and observed values of fitting degree model is superior to H-S and A-P climate models. So we selects the LM-BP neural network model to simulate solar radiation in Northwest China. Basing on the meteorological data from 159 weather stations in Northwest, we apply the BP neural network optimized LM (Levenberg - Marquardt) algorithm to simulate the total month solar radiation during 1990-2012 in these meteorological observation stations. Then the solar radiation value of the 159 weather stations and the measured radiation data of the 25 radiation observation station to obtain the spatial-temporal distribution of annual average solar radiation by interpolation, and analyzes. These results indicate that average annual total radiation in 1990-2012 in Northwestern ranges from 262 MJ/m2 to 643 MJ/m2, presenting the distribution pattern of high in the middle, low on both end. LM neural network is a promising method for solar radiation simulation, which can be used in the simulation of solar radiation in the area of no radiation observation.
Keywords：
太阳辐射作为天气、气候形成和演变的基本动力,从根本上决定着地球大气的能量平衡过程。太阳辐射数据可用于模拟地表动力和热力过程,是生态、水文、作物、太阳辐射传输、全球环流等模型的重要输入参数[1,2]。定量模拟太阳辐射对了解和认识干旱半干旱地区气候变化至关重要,西北地区辐射台站稀少且分布不均,因此仅利用稀少的辐射站点资料进行内插或外推获得的辐射数据具有很大不确定性,内插或者外推在较大范围得到的值过于依赖周边数值,无法刻画空间非均一性。中国气象站点较多,而BP（Back propagation）神经网络模型利用气象数据对太阳辐射具有很好的预测性,国内一些学者利用BP神经网络模型估算了太阳辐射,通过实测数据验证,模型误差较小,取得了很好的预测结果[3~6]。在国外,利用温度、日照时数、相对湿度、经纬度等数据基于BP神经网络模型估算太阳辐射[7~14],取得了较好的结果。
以上研究都是基于单个站点模拟太阳辐射,无法获得区域尺度上连续分布的太阳辐射数据,而区域尺度上的气候、生态、水文等模型的建立需要空间连续分布的太阳辐射数据;且BP神经网络模型存在收敛速度慢、学习时间长等问题,为了克服BP算法存在的这些缺点。本文采用LM （Levenberg-Marquardt）算法优化后的BP神经网络,即LM-BP神经网络模型,利用西北地区159个气象站点的气象数据,模拟了1990~2012年的太阳总辐射月总量,结合25个辐射观测站的数据通过空间插值方法得到西北地区太阳总辐射的精细化空间分布数据,可定量地分析西北地区太阳总辐射的变化状况,以期为无辐射观测地区太阳辐射提供一种可靠的计算方法。
西北地区深居中国内陆,是全球同纬度最干旱的地区之一,也是中国气候变化的敏感区和生态脆弱区,包括西北五省,即陕西省、甘肃省、青海省、宁夏回族自治区和新疆维吾尔自治区。研究区地域辽阔,地形复杂,以高原、盆地和山地为主,太阳辐射资源丰富,由于深居内陆,加之高大山脉阻隔湿润气流到达,降水较少且分布不均[15]。
气象观测资料及太阳辐射资料均来自中国气象局科学数据共享服务网（http://www.cma.gov.cn/）,包括1988~2012年西北地区184个气象站的气温、日照时数、气压、水汽压和相对湿度的月总量资料,25个辐射观测站的数据也采用总辐射月总量资料（MJ/m2）,由于这些站点的建站时间不同,资料的时间长度不尽相同,且存在一些缺测,本文在数据分析之前对资料进行了处理,对于某些要素个别月份的缺测值采用插值方法补充。为保证数据序列的一致性,选取气象资料完整的184个气象站的数据进行研究,其中包括有辐射观测的站点25个,无辐射观测的站点159个（图1）,选取乌鲁木齐、喀什、哈密、西宁和固原5个辐射站点作为验证点,因而这5个站点的辐射数据不参与LM-BP神经网络模型的建立。鉴于逐日太阳辐射量的随机性较大,而总辐射月总量可以反映出太阳总辐射的变化趋势,因此本文选择总辐射月总量进行研究。
图1 西北地区常规气象站及太阳辐射站分布
Fig.1 The distribution of conventional meteorological stations and solar radiation stations in Northwest China
BP神经网络模型采用误差反向传播算法,该算法存在收敛速度慢、学习时间长、易陷入局部最小等问题,为了克服BP算法存在的这些缺点,人们提出了许多改进的BP算法,其中LM算法又称阻尼最小二乘法[16],是梯度下降法与高斯-牛顿法的结合,该算法既具有高斯-牛顿法的局部快速收敛特性,又具有梯度下降法的全局搜索特性,迭代过程不再沿着单一的负梯度方向,大大提高了网络的收敛速度和泛化能力。故本研究选用基于LM算法优化后的BP神经网络（以下简称LM-BP神经网络）模型进行西北地区太阳辐射估算研究。
LM优化算法的网络训练函数采用trainlm,其学习规则为：
式中,e为误差向量;J为网络误差对权值导数的Jacobian矩阵;I为单位矩阵;μ为一标量,其值决定了算法是根据牛顿法还是梯度法来实现。当系数μ为0时,上式即为牛顿法;当系数μ的值很大时,上式变为步长较小的梯度下降法算法。
为了分析LM-BP神经网络模型的模拟精度,将神经网络模拟的辐射值与基于日照百分率的A-P模型、基于温度日较差的H-S模型的模拟结果进行对比,2种气候学模型的表达式如下：
式中,a、b为经验系数,H为实际太阳辐射,H0为计算太阳辐射的基值,一般为天文辐射、晴天总辐射及理想大气总辐射,此处选用天文辐射,Si为日照百分率,ΔT为温度日较差,天文辐射H0的计算如下[17]：
式中,I0为太阳辐射常数（1 367 W/m2）,f为日地距离修正系数,λ为地理纬度,δ为太阳赤纬角,ωs为日出时的太阳时角,n为1月1日起计算的目的序数,f、δ、ωs的计算如下[8]：
利用乌鲁木齐、喀什、哈密、西宁和固原5个台站2010~2012年的实测数据比较了不同模型的拟合精度,图2为A-P模型、H-S模型、LM-BP模型的模拟值与实测值的对比图。H-S模型的模拟值明显低于实测值,其中西宁站的模拟值近似于水平曲线,几乎没有变化,模拟效果较差,而A-P模型的模拟效果则明显优于H-S模型,与前2种经验模型相比,LM-BP神经网络模型的模拟效果最佳,更逼近于实测值,模拟精度更高。
图2 5个台站3种模型模拟值与实测值的对比
Fig.2 β Comparison among observed and measured values of the five stations using three models
为比较分析不同模型的模拟精度,采用平均百分比误差（MPE）、平均偏离误差（MBE）和均方根误差（RMSE）3个精度评价指标对3种模型的模拟结果进行了精度验证和误差分析。
式中,Hie代表总辐射月总量的预测值,Him代表实测值,N为样本个数,平均偏离误差MBE体现了模型长期拟合性能,均方根误差RMSE能够反映出估值灵敏度及模型短期拟合信息,MPE越小则说明模型预估精度越高。此外,还利用模拟值与实测值之间的相关系数R来检验不同模型的拟合程度,R越接近于1,表明模型拟合程度越高,各台站的各项统计误差及拟合程度见表1。LM-BP模型的模拟效果最好,各项统计指标的误差均最小,各站点的平均百分比误差均小于20%,均方根误差均小于100βMJ/m2,相关系数R均大于0.94,说明LM-BP模型的精度较高。相比于前两种经验模型,神经网络模型模拟结果的各项误差均为最小,模拟值与实测值之间的拟合程度明显高于其他两个模型,模型精度最高,由此可以得出优化后的神经网络模型模拟效果最佳,更接近于实测值。
表1 ββ3种模型误差的统计指标
Table 1 ββStatistic indicators of the different models
| 模型 | 统计指标 | 台站 | ||||
|---|---|---|---|---|---|---|
| 乌鲁木齐 | 喀什 | 哈密 | 西宁 | 固原 | ||
| A-P模型 | MPE(%) | 31 | 15 | 31 | 21 | 17 |
| MBE(MJ/m2) | 94 | 61 | 132 | 92 | 76 | |
| RMSE(MJ/m2) | 123 | 75 | 145 | 103 | 95 | |
| R | 0.87 | 0.94 | 0.96 | 0.66 | 0.72 | |
| H-S模型 | MPE(%) | 37 | 32 | 39 | 28 | 25 |
| MBE(MJ/m2) | 127 | 150 | 147 | 122 | 113 | |
| RMSE(MJ/m2) | 165 | 189 | 164 | 134 | 126 | |
| R | 0.63 | 0.52 | 0.56 | 0.08 | 0.36 | |
| LM-BP模型 | MPE(%) | 18 | 8 | 20 | 14 | 13 |
| MBE(MJ/m2) | 60 | 35 | 94 | 66 | 58 | |
| RMSE(MJ/m2) | 93 | 43 | 111 | 77 | 70 | |
| R | 0.94 | 0.99 | 0.96 | 0.96 | 0.94 | |
由前面的比较分析可知LM-BP神经网络模型有很高的模拟精度,所以本文采用LM-BP神经网络模型模拟西北地区1990~2012年的太阳辐射。本文以MATLAB7.0为计算平台,对西北地区20个辐射观测站1988~2012年的辐射数据进行网络训练,并用乌鲁木齐、喀什、哈密、西宁和固原5个站点2010~2012年的实测数据进行模型的精度验证,5个站点的模拟值与实测值进行对比结果如图3。待网络训练稳定后模拟了西北地区1990~2012年159个常规气象观测站的太阳总辐射月总量。
图3 βLM-BP模型的太阳总辐射模拟
Fig.3 βComparison among measured values and estimated values by LM-BP model of the five stations
以MATLAB 7.0和ArcGIS10.0为计算平台,运用LM-BP神经网络模型模拟了西北地区1990~2012年159个常规气象观测站的太阳总辐射月总量,结合25个辐射观测站的实测值,得到184个站点多年平均的年均和季节太阳总辐射月总量结果。最后采用径向基函数法对该地区184个站点1990~2012年的年均太阳辐射值进行空间插值得到整个西北地区的年均太阳辐射分布图（图4）。
图4 β β西北地区年均太阳辐射空间分布
Fig.4 ββThe spatial distribution of annual average global solar radiation in Northwest China
从图4可以看出,青海高原的太阳总辐射最丰富,且高原西部大于东部,其次,甘肃、青海、新疆三省交界处也是太阳总辐射较为丰富的地区,高值中心出现在青海高原中北部大柴旦站附近,年均总辐射月总量高达643β MJ/m2,这是因为高原海拔高,空气稀薄洁净,大气对太阳辐射的削弱作用小,到达地面的太阳辐射强。低值中心集中在陕西省和甘肃河东地区,以陕西省宝鸡站的年均总辐射月总量最低,为262 βMJ/m2,陕西省蒲城站次之,年均总辐射月总量为269 βMJ/m2。其次,在塔里木盆地和准格尔盆地,也形成了局部的低值区,主要是因为云量多,大气透明度低所导致的,塔里木盆地虽然云量少,但受到塔克拉玛干沙漠的影响,沙尘天气多,大气透明度较差,削弱了到达地面的直接辐射,总辐射较弱。受水汽影响,天山北部雨水丰富,太阳总辐射在准格尔盆地附近形成了低值区。整体来看,西北地区从东南和西北向中部增加,中部地区辐射最为丰富,两边地区太阳辐射较少[18~21] ,即西北地区太阳总辐射呈现“中间高,两端低”的空间分布特征。
本文利用常规气象观测资料,通过改进的LM-BP神经网络模型模拟了西北地区1990~2012年159个常规气象站点的太阳总辐射月总量,结合25个辐射观测站的实测数据,通过空间插值得到了该区的年均太阳总辐射的空间分布,进而分析了太阳总辐射的时空分布及变化特征。通过本文的研究得出以下结论：
1） 通过气候模型（基于日照百分率的A-P模型和基于温度日较差的H-S模型）和LM-BP神经网络模型对太阳总辐射模拟结果的对比表明,LM-BP神经网络模型的模拟精度高,适用于西北干旱地区太阳辐射的模拟,是一种很有发展前景的辐射模拟方法,可将其应用在无辐射观测地区的太阳辐射模拟中。
2） 西北地区1990~2012年的年均总辐射月总量变化为262~643βMJ/m2,太阳总辐射整体上从东南和西北向中部增加,呈现“中间高,两端低”的空间分布特征。
本文主要是利用神经网络模型模拟太阳辐射,缺乏对太阳辐射物理机理的研究,没有深入研究造成不同地区太阳辐射变化差异的原因和机理,这方面的研究还有待进一步深入。
The authors have declared that no competing interests exist.
| [1] |
中国三种太阳辐射起始数据分布式模拟 [J].Distributed Modeling of Three Kinds of Initial Data for Global Solar Radiation Simulation in China. |
| [2] |
我国地面太阳辐射量的时空变化研究 [J].A Study on Spatial and Temporal Variation of Solar Radiation in China. |
| [3] |
利用神经网络估算太阳辐射 [J].Solar radiation estimation using artificial neural networks. |
| [4] |
小波分析在太阳辐射神经网络预测中的应用研究 [J].
Study of Application of Wavelet Analysis to Neural Networks for the Forecast of Solar Irradiance.
|
| [5] |
太阳散射辐射逐日预测模型研究 [J].
Study on Daily Solar Diffuse Radiation Forecasting Model.、 [Lin Xingchun, Cao Shuanghua, Cao Jiacong. Study on Daily Solar Diffuse Radiation Forecasting Model.
|
| [6] |
Prediction of Monthly Mean Daily Diffuse Solar Radiation Using Artificial Neural Networks and Comparison With Other Empirical Models [J]. |
| [7] |
Liu Y et al. An Analysis of Thermal and Solar zone Radiation Models Using an Angstrom-Prescott Equation and Artificial Neural Networks [J]. |
| [8] |
Estimation of Monthly Average Daily Global Solar Irradiation Using Artificial Neural Networks [J]. |
| [9] |
Artificial Neural Network Estimation of Global Solar Radiation Using Air Temperature and Relative Humidity [J].
|
| [10] |
ANN-based Modelling and Estimation of Daily Global Solar Radiation Data: a Case Study [J].
|
| [11] |
Modelling of Solar Energy Potential in Nigeria Using an Artificial Neural Network Model [J].
|
| [12] |
Ghanbarzadeh A et al. The Potential of Different Artificial Neural Network (ANN) Techniques in Daily Global Solar Radiation Modeling Based on Meteorological Data [J].
|
| [13] |
Estimation of Global Solar Radiation Using ANN Over Turkey [J].
|
| [14] |
Artificial Neural Network Model Based on Interrelationship of Direct, Diffuse and Global Solar Radiations [J]. |
| [15] |
西北地区中、东部降水趋势的初步研究 [J].A Preliminary Study on Trends and Interannual Variaration of Precipitation in Central and Western Portions of Northwest Region of China. |
| [16] |
|
| [17] |
Solar engineering of thermal processes [M]. |
| [18] |
陕西黄土高原近50年日照时数的变化 [J].Variation of Sunshine Hours over Loess Plateau of Shaanxi in Recent 50 Years. |
| [19] |
宁夏太阳辐射逐日、月、年总量的变化特征 [J].
Change Characteristics of Daily, Monthly and Annual Solar Radiation in Ningxia Hui Autonomous Region.
|
| [20] |
西北地区生长季参考作物蒸散变化成因的定量分析 [J].
Quantification of the Causes for Reference Crop Eapotranspiration Changes in Growing Season in Northwest China.、 [Cao Wen, Shen Shuanghe, Duan Chunfeng. Quantification of the Causes for Reference Crop Eapotranspiration Changes in Growing Season in Northwest China.
|
| [21] |
1961~2007年西北地区地面太阳辐射长期变化特征研究 [J].Research on Secular Variation of Solar Radiation over Northwest China from 1961 to 2007. |
/
| 〈 |
|
〉 |
