太阳辐照度场地适应

概述

基于卫星的模型描述了广泛区域和悠久历史上的长期太阳能资源，但在任何单一点的不确定性相对较高。地面测量准确且低不确定性地描述单点，但时间较短。站点适应结合了两者，将测量的局部准确性转移到长距离、具有区域代表性的卫星记录中。结果是一个多年数据集，既保留了基于卫星模型的悠久历史，又保持了地面测量的低不确定性和局部代表性。

表1：输入数据源的特征及现场适应结果。

场地适应有两个目标：

• 消除建模数据与测量数据之间的系统性偏差，

• 改善两个数据集频率分布之间的拟合度。

这些方法将基于卫星的GHI（全球水平辐射）和DNI（直接法向辐照度）及其衍生参数调整到卫星和大气输入无法解析的局部条件。如果应用不当，无论是针对非系统偏差，还是低质量地面数据，它们反而会降低数据集质量，而非改善。

场地适应过程

场地适应遵循固定顺序。经过质量控制的地面测量构成站点参考，并与 Solargis卫星模型 数据在两者重叠期间进行相关。校正参数由这些重叠中得出，应用于完整的卫星记录，生成一个站点适配的时间序列和报告。

校正参数假设模型与测量数据之间的系统差异在一到两年期间保持稳定。为了消除时间分辨率差异及点与像素概念差异的影响，所有指标均基于小时聚合数据计算。Solargis卫星数据以15分钟为单位提供，地面测量通常为1分钟至60分钟。

图1：Solargis场地适应过程。

场地适应挑战

卫星与地面数据的空间不匹配

卫星辐射计将信号在数平方公里范围内积分，而地面站则在单一点测量。在复杂区域，如频繁雾气的狭窄山谷或沿海地区，一个像素可以代表与站点经历的不同条件混合。这种不匹配现象被称为 金块效应，占GHI和DNI每小时RMSD（均方根偏差）的近一半，且在间歇性云层和气溶胶变化条件下最为强烈。

DNI和DIF灵敏度

DNI对云层、气溶胶、水汽和地形阴影高度敏感，GHI与DNI不确定性的关系是非线性的：GHI中的小误差可能对应更大的DNI误差。DIF（漫射水平辐射）并非独立建模。它通过闭包关系 由GHI和DNI推导，其中 是太阳天顶角（参见 太阳辐照度分量 和 太阳辐照度数据验证）。由于DIF是两个较大量的残差，GHI或DNI的微小绝对变化会产生DIF的相对变化，比例上远大得多。这种效应在干旱、高DNI的气候中最为强烈，弥漫比例通常为GHI的15-30%。

建立一个好的参考

该站点适配数据集的准确性只能与基于地面测量建立的参考数据相同。有两个条件决定该参考是提升卫星数据还是增加噪声：测量的不确定性和长度，以及质量控制。

地面测量的不确定性必须低于基于卫星的模型，否则调整无法改善数据集。即使是安装良好且维护良好的A类火航量仪，测量不确定性约为3%，这为适应后可实现的不确定性设定了实际底线。

地面测量长度也是决定可实现不确定性降低的重要因素。测量时间越长，包含的关于该地点的信息越多，这直接降低了对该地点太阳辐射的不确定性。

即使是维护良好的传感器也会产生错误读数， 只有经过质量控制的数据才能用于场地适应。参考文献中未校正的读数会直接传播到现场适配数据集中。Solargis在适应前采用多层次质量控制框架——相关程序详见 《太阳辐照度地面测量 》和《 地面测得太阳数据的协调》。

表2：不同测量周期的适用性。

图2：场地适应GHI和DNI数据相对于地面测量长度的可实现不确定性指示范围。

注意：SPN1是一种非旋转的影子带辐射计，不能作为适应参考。其测量的DIF设计上被低估，实际测量不确定性约为10-20%，无法提升卫星数据。传感器特性在《 太阳辐照度地面测量 》条目中有详细讨论。

适应方法

站点适应采用多种方法以提升复杂度，从卫星输出值的统计校正到基于卫星的太阳能资源模型本身的调整。在实践中，这些方法会结合使用，选择取决于参考数据的质量以及对场地和太阳资源物理的理解。由于产生的能量值在亚小时层面变化， 目标是实现所有时间尺度的准确性，而不仅仅是年平均值，后者通常需要按季节分别应用这些方法。

统计偏差校正

比率法调整GHI和DNI的长期月均和年均值。在重叠期间计算地面测量与卫星来源太阳辐射的比值，并应用于重新校准长期卫星数据集。该方法简单，但仅修正平均偏置：不对齐频率分布，也未充分利用测量中的完整信息。它是许多测量-相关-预测（MCP）方法的基础。

分布适应

拟合累积分布函数（CDF）可以对齐卫星和地面数据的CDF，并匹配其平均值，从而提升典型值和极端值的表现。它通常除了偏置外，还会降低RMSD。正确应用需要了解该地的太阳能资源，通常逐季进行。

模型的适应

专家方法会调整基于卫星的模型本身，并重新计算这三个组成部分，从而保持GHI、DNI和DIF的相互一致性。它们需要操作太阳能资源模型，以便修改其输入并重新运行模型。

清晰度指数的适应 使用清晰度指数（ ），即地表辐射与大气顶层辐射的比值作为关键模型输入。它基于地面测量和太阳辐射模型，通过最小二乘回归校准，以对齐地面测量和卫星参数之间的小时或日差，并用于重新计算GHI、DIF和DNI。它降低了平均偏置、RMSD和KSI（柯尔莫哥洛夫-斯米尔诺夫检验积分），但由于使用单一参数，限制了其处理复杂大气效应的能力。

模型输入的调整会 用更详细的参数替代清晰度指数，如气溶胶光学深度（AOD）或云指数，并重新计算整个模型。通过解决气溶胶和云描述中的季节性和区域性不准确，将平均偏置降至测量仪器预期的不确定性范围内，同时最小化RMSD和KSI。它能校正亚小时级误差，尤其适用于半干旱和沙漠地区，因为气溶胶和云层主导变异。

DIF的治疗

场地适应基于验证过的主要输出GHI和DNI。在基础和高级基于数值的方法中，DIF作为残差反向计算，以确保闭包方程始终成立;在专家方法中，模型将这三个组成部分一起重新计算。由于GHI和DNI是独立调整的，弥散分数（）在适应后可能会发生变化，DIF的相对变化通常是GHI变化的数倍。测量的DIF不作为独立的适应目标：它是通过更高且通常系统性不确定性的仪器获得的，Solargis仅将其作为诊断工具，以验证适应数据集的内部一致性。

注意： 位点适应后，DIF和弥散分数（D2G）会发生变化，DIF的相对变化通常大于GHI或DNI。这源于DIF是一个导生残差，而非独立适应的参数。特定时期内变化的方向和规模取决于遗址和测量周期。

常见陷阱

如果缺乏必要的专业知识，网站适应可能会削弱数据集质量，但表面上看似成功。典型的失效模式包括：

• 没有物理建模的数据操作可能会破坏GHI、DNI和DIF之间的关系，最明显表现为负的DIF值。

• 仅校正平均偏差即可获得准确的年度数据，但在日、小时和亚小时层面仍有较大误差。

• 参考期内罕见事件，如大型沙尘暴、野火或火山灰，如果在适应前未排除，则会影响长期结果。

• 过短的参考资料无法涵盖所有季节，会导致对观察季节的过度纠正，并误导其他季节。

评估结果

三个指标量化了这一提升，这些指标均来自所有重叠期内的每小时白天数据对：

• 平均偏差，以绝对和相对形式（相对于白天平均GHI）描述卫星数据与测量值的系统性偏差。

• RMSD以绝对和相对形式描述两个数据集之间波动的幅度。

• KSI描述两种频率分布在极端值下的匹配程度。

偏见和不确定性是不一样的。场地适应可以在不确定性保持在参考数据设定的水平（最多约3%）和场地特征的同时，将偏置降至零。单纯的报告偏差可以描述年平均值，但对更细致时间尺度的准确性毫无说明。

图3： 卫星基GHI和DNI值的累积分布图，分布于站点适应前后。

延伸阅读

• 《基于卫星的DNI和GHI时间序列的站点适配：概述与SolarGIS方法》：Cebecauer， T.;Suri， M. AIP会议论文集第1734号，150002（2016年）。

• 《对来自卫星和德国辐射测量站太阳辐射数据的不同比较参数分析》：Espinar， B.;拉米雷斯，L.;德鲁斯，A.;贝耶，H.G.;萨尔萨莱霍，L.F.;波洛，J.;Martín， L. 《太阳能》，83（1）， 118–125（2009）。

• “卫星来源的小时辐照度的有效精度”：Zelenka， A.;佩雷斯，R.;西尔斯，R.;Renne， D. 《理论与应用气候学》，62,199–207（1999）。