机器翻译，未经校对人员审核，可能存在错误。
在本文件中
我们将全面验证Solargis的土壤损失模型，详细介绍其方法论、输入数据、评估框架、统计结果，以及基于与51个全球站点测量土壤数据比较的关键发现。
概述
污染是指空气中颗粒在光伏（PV）面板上的积累，是一种具有显著空间和时间变化的复杂现象。它是光伏性能建模中主要的不确定性来源之一，使得精确的土壤建模对于光伏系统的规划和运行至关重要。
本文件详细评估了Solargis的土壤损失模型，通过客观验证评估其性能和局限性。
地理范围 | 全球 |
时间分辨率 | 每日数值 |
数据参数 | 土壤损失 |
计算指标 | 偏置、MAD、RMSD |
参考时期 | 通常为~1年，日期因车站而异 |
参考资料 | 若干公开数据集 |
图1：用于验证土壤模型的场地地图。
太阳光污染损失模型概述
Solargis的土壤模型采用了针对光伏模块量身定制的基于物理的方法。它估算了沉积在面板上的空气颗粒质量，经验上将其与污垢比（SR）及污垢损失联系起来。该模型每日运行，涵盖自然（降雨）和人工清洁事件。
参考数据与预处理
地面观测：这些观测对于验证模型至关重要，因为它们能直接测量土壤对光伏性能的影响。然而，由于土壤监测的复杂性和成本，这些数据有限。
参考数据的挑战：
不同的测量方法：各站点使用各种仪器和方法，即使在类似条件下，测量的污水比例也可能存在不一致。
时间分辨率变化：一些站点在不同间隔记录数据，增加了质量控制和比较的统一性。
缺失场地信息：不完整的元数据（如模块倾斜、安装类型、清洗计划）会影响污渍数据的解读。
有限的历史数据：虽然一年的数据通常足以捕捉季节性趋势，但长期模式可能未被发现。
地理覆盖有限：尽管样本广泛，但部分气候和地形代表性不足。
数据质量控制：参考数据经过专家审查和预处理，包括：
标记可疑或错误的条目。
将数据汇总为每日数值以保持一致性。
检测并标记手动清洁事件。
校正测量偏移以确保可比性（见图2，是偏移校正和清洁事件检测的示例）。
图2：偏移修正示例。检测到的人工清洁事件会被标记。
全球数据源：该模型依赖全球数据集，支持全球应用。然而，这些源的空间分辨率低于高度局部的土壤特性，带来了一定的不确定性。
颗粒物浓度：PM2.5和PM10数据取自MERRA-2和CAMS EAC4再分析模型，经过协调以消除不一致，并为土壤估计提供可靠的输入（见图3的整体概览）。
降雨量：利用测量降雨数据以最大限度减少模型降水的不确定性，因为降雨是光伏模块自然清洁的关键因素。
额外天气参数包括ERA5和ERA5Land重新分析的风速、温度、相对湿度和大气压，因为这些因素会影响污垢积累和清理。
光伏模块配置：安装类型和倾斜等场地特定细节均来自测量元数据，确保模型符合实际安装参数。
数据处理：所有观测数据均经过质量控制并汇总为每日数值，并进行额外过滤以识别和纠正潜在误差。
局部颗粒源：五个具有强烈本地排放（如附近工业或农业）的地点被视为异常值。这些排放量未被全球再分析模型捕获，因此这些站点会分别分析，以避免整体结果被扭曲。
评估期：评估时间因站点而异，通常约一年，具体取决于数据可用性。
积累期：模型考虑颗粒积聚的整整24小时，包括夜间，以准确反映每日污染动态。
配置与优化：测试了多种模型配置。最终版本被选中以整体表现最佳，并探索了不同的降雨净化效率，以优化模型对局部条件的响应。
图3：Solargis土壤损失模型数据的全球汇总图。
验证结果
Solargis的土壤模型利用 涵盖广泛气候条件的51个地面站点数据进行了评估。验证重点是将建模的土壤损失与测量值进行比较，利用每日时间分辨率和多个统计指标评估准确性和一致性。
主要发现：
该模型总体上与 参考数据高度对齐，准确追踪了土壤流失的平均趋势。然而，性能因地点而异，尤其是在存在强烈局部空气颗粒物且全球再分析模型无法检测到的地方。
大气参数，尤其是悬浮颗粒物的浓度，对 模型性能有显著影响。雨水具有清洁和污渍的双重作用，但目前型号尚未包含湿沉积功能。
风速和相对湿度等额外因素也可能影响土壤的积累和清理，但模型未完全考虑，可能导致建模数据与测量数据之间的观测差异。
验证站点数量 | 土壤损失[%]偏差 | 污垢损失 [%] stdev |
|---|---|---|
51（所有网站） | -0.5% | 1.7% |
46（无异常值） | 0.1% | 0.9% |
偏差 表示 建模与测量的土壤损失之间的平均偏差。对于所有地点，模型略微低估了土壤损失，低估了-0.5%。当排除异常值（具有强烈本地排放的站点）时，偏差提升至0.1%，表明整体系统性差异几乎不存在。
标准差 （stdev）反映了 偏差的分布。所有地点均为1.7%，但排除异常值后降至0.9%，显示出在无强烈局部颗粒源的地区更为一致。
时间与空间分析
图4：显示 建模与观察日污染损失的时间序列。该模型捕捉了平均趋势，尽管测量数据通常因局部事件和测量噪声而显示更大的变异性。
图5：呈现 GTI加权土壤损失的月平均值。该模型倾向于略高估土壤积聚区域的损失，而在积累较高的地区则低估损失。受强烈本地排放影响的五个异常点有清晰标注。
图6：展示了 一个异常值站点的时间序列，该站在人工清理前的旱季测量土壤损失达到极高值，表明模型输入数据未捕捉到的强烈局部颗粒物来源。
图7：排放图确认离群点s的局部颗粒物排放较高，支持观察到的差异。
图4：建模与观察到的土壤损失时间序列[%]。
图5：建模与观察到的土壤损失 [%]。观测值绘制在横轴上，建模值在纵轴上，1：1的直线（红点）表示理想一致。五个离群点在红色闭合线内高亮显示。
图6：受局部排放强烈影响的场地中，建模与观察到的土壤损失时间序列[%]。
图7：排放图，突出图6现场状况。
尽管土壤本身复杂且局部变异，Solargis模型展现出强烈的一致性和可靠性，有效追踪每日污垢积累趋势。其基于物理的设计允许适应特定场地条件，但仍需进一步改进以更准确捕捉湿沉积、颗粒特性和局部排放的影响。
结论
土壤复杂性：土壤在空间和时间上变化很大，即使在小距离或短时间尺度内也常有显著变化。这使得准确建模对于可靠的光伏系统性能估计至关重要。
模型验证：Solargis的土壤模型已在全球51个地面站点进行了严格验证，并进行了严格的质量控制以确保参考数据的可靠性。该模型整体表现良好，尤其是在单独考虑局部发射离群值时。
模型灵活性：基于物理的模型设计使其能够适应特定场地条件，并支持针对不同环境和PV配置开发定制化的修正方案。
不确定性因素：不确定性的关键来源包括输入数据的空间分辨率、清洁动态（尤其是降雨和风力）以及参考测量的质量和完整性。由于遗址数量有限，某些气候和系统类型未能完全代表。
研究与未来改进：持续研究聚焦于改进雨水和风净化效率的建模，这些效率常受限于可用数据的时间分辨率。未来的模型版本将采用湿沉积工艺，并考虑黑碳、有机碳、硫酸盐和花粉等颗粒的物理化学性质，这些特性会显著影响土壤和光伏性能。