论文部分内容阅读
太阳辐射是地球上的主要能量来源,几乎为地球上一切生物提供能量,太阳辐射决定着地表能量的收支平衡。太阳辐射数据是农作物模型、水文模型及气候变化模型等的重要参数,定量模拟太阳辐射对了解全球及区域气候变化至关重要。全球太阳辐射观测站点稀少且分布不均,仅利用稀少的辐射站点数据进行内插或者外推得到的辐射数据精度较低,因此,太阳辐射数据的缺乏限制了相关领域的研究。影响太阳辐射变化的不确定因素较多,并且各影响因素会相互影响,而BP(Back Propagation)神经网络模型具有较强的非线性处理能力,但以往太阳辐射的模拟研究都是基于单个站点,且BP神经网络模型存在收敛速度慢、训练时间长等问题,为了克服BP算法的这些缺点,本文利用LM(Levenberg-Marquardt)算法优化过的BP神经网络,即LM-BP神经网络模型来模拟太阳辐射。现有的神经网络模型在模拟太阳辐射时很少考虑云、气溶胶、水汽等高空大气因素对太阳辐射的影响,因此本文在全面分析各种因素对太阳辐射影响的基础上,将 MODIS提供的气溶胶、云、水汽高空大气遥感产品和常规气象数据结合,利用LM-BP模型来模拟太阳辐射。由于华东地区的数据质量较好,所以本文将华东地区作为实验区来验证本文太阳辐射模拟的方法。本文利用华东地区90个常规气象站点2001~2014年的纬度、海拔、气溶胶光学厚度、云量、云光学厚度、可降水水汽、日照时数、气压以及气温输入 LM-BP神经网络模型模拟了常规气象站的太阳辐射月均值,并用辐射站点的实测数据验证了该模型,该模型的拟合优度高达0.95,均方根误差基本控制在2 MJ·m-2以内,平均偏离误差基本在-1 MJ·m-2到1 MJ·m-2之间,精度较高。最后,结合13个辐射站点的实测值,通过空间插值得到该区太阳辐射月均值的空间分布,并分析了其时空分布特征。 本研究主要内容包括:⑴日照时数、风速和太阳辐射呈正相关关系,气压、气溶胶、可降水水汽、云光学厚度、云量和太阳辐射呈负相关关系,整体上,各因素对不同区域太阳辐射的影响程度不同。⑵太阳辐射穿过大气层到达地表时,云、气溶胶、水汽等大气因子对太阳辐射的影响较大,在模拟太阳辐射时应该考虑这些因素。⑶通过建立不同结构的神经网络模拟模型,与实测值对比发现,在纬度、海拔、日照时数、气压、气温的基础上,加入气溶胶光学厚度、云量、云光学厚度、可降水水汽之后模型的模拟精度最高,拟合优度高达0.95,均方根误差最小值仅为0.57 MJ·m-2,平均偏离误差基本在-1 MJ·m-2到1 MJ·m-2之间,平均百分比误差基本控制在10%以内。⑷将MODIS和常规气象数据结合利用LM-BP神经网络来模拟太阳辐射是一种很好的太阳辐射模拟方法,适合对辐射观测稀少地区的太阳辐射进行模拟。⑸华东地区2001~2014年地表太阳辐射的变化率在-0.06~0.18之间,整体呈增大趋势;华东地区2001~2014年1月至12月的月均值变化为7.02~23.89 MJ·m-2,整体呈现“中间低,两边高”的分布特征;四季的太阳辐射月均值的变化范围为7~24 MJ·m-2,从整体分布来看,夏季太阳辐射最强,其次为春季、秋季,冬季太阳辐射最弱。