基于卫星遥感的新疆地面太阳辐射的时空变化分析
这是一篇关于新疆地区,太阳辐射,GEWEX-SRB,时空分布,气候倾向率的论文, 主要内容为随着世界人口和工业经济的快速发展,有限的化石燃料储备已经满足不了高涨的能源需求,改善能源结构已经成为当务之急。太阳能资源以其分布广泛、就地可取、无需运输、对环境影响小等优势,被国际公认为是未来最具竞争力的新能源之一。特定的地理位置和气候条件使得新疆具有得天独厚的太阳能资源优势,本文利用GEWEX-SRB卫星数据对新疆地区1984-2007年的地表向下太阳短波辐射通量进行分析,得到新疆地区近24年的太阳辐射时空分布规律。首先,对全天空状态与晴空状态下全疆地区多年平均太阳辐射空间分布特征以及季节分布特征进行对比分析,然后对全天空状态下全疆地区太阳辐射的年变化以及年际变化进行详细讨论,并探讨了全疆地区太阳辐射24年多年变化趋势及辐射气候倾向率的空间分布特征,最后对南、北疆各五个典型城市以及“三山夹两盆”五个地区的太阳辐射分布规律进行了深入研究,建立新疆地区太阳辐射演变规律数据库,为今后研究新疆地区乃至全国地区的气候环境变化以及有效开发太阳能提供科学依据,为新疆地区合理利用太阳能资源打下基础。主要的研究结论如下: 在全疆地区24年平均太阳辐射通量的空间分布中,全天空状态下呈现从东南方向往西北方向随着纬度的增高而逐渐减少的规律,从春季到冬季,太阳辐射逐步由经向分布向纬向分布转变;而晴空状态下,空间分布主要呈现从南向北随着纬度的增高而逐渐减少的规律,太阳辐射全年均呈现明显的纬向分布。由于受到云的影响,晴空状态下的太阳辐射通量值均高于全天空状态下的太阳辐射通量值。 在全疆地区24年平均太阳辐射通量的时间分布中,全疆地区多年平均各月地面接收太阳辐射整体呈现单峰变化趋势,接近正态分布,最大值出现在6月。全天具有辐射量的五个时段中,辐射通量大小呈现14时最大,17时、11时、20时、8时依次减小的规律。季节平均值夏季最大,春秋次之,冬季最小。 在南、北疆十个典型城市的年变化中,南疆五城市太阳辐射通量值均大于辐射量值北疆各城市,南疆五城市的辐射量平均值从大到小的排列顺序为且末、库尔勒、阿克苏、和田、喀什,北疆城市排序为哈密、吐鲁番、乌鲁木齐、伊宁、阿勒泰。“三山夹两盆”五个分区的辐射量平均值从小到大的排列顺序为阿尔泰山区、准噶尔盆地地区、天山山区、昆仑山区和塔里木盆地地区。 在新疆地区24年太阳辐射长期变化趋势中,太阳辐射整体呈现上升趋势,但增加幅度缓慢。而在季节变化趋势中,夏季太阳辐射通量变化呈减小趋势,其余各季节均呈增大趋势。其中春季太阳辐射气候倾向率增加最多,冬季太阳辐射气候倾向率增加最少。
基于不同机器学习法的黄土高原地区太阳辐射模拟比较研究
这是一篇关于太阳辐射,随机森林,BP神经网络,支持向量机,遥感的论文, 主要内容为由于我国太阳辐射观测站稀少,很难靠辐射站点的内插或者外推获得较高精度的太阳辐射数据。黄土高原地区太阳辐射观测站很少,符合本文研究的仅有14个站点,而黄土高原地区的气候、水文、生态等研究需要较高精度的太阳辐射数据,因此黄土高原地区的太阳辐射模拟研究就显得尤为重要。现有研究表明机器学习法可以很好地模拟太阳辐射,但不同的机器学习法在不同区域模拟精度不同,为了获得黄土高原地区的精度较高的太阳辐射数据,本文首先分析了各站点气象因素与太阳辐射实测值的相关性,选择了与太阳辐射相关程度较高的平均气压、平均气温、平均水汽压、日照时数、云量、云光学厚度、臭氧、可降水水汽以、DEM、坡度、坡向共11个变量作为模型的输入参数,然后对随机森林(RF)、BP神经网络和支持向量机(SVM)这三种不同机器学习法在黄土高原区的模拟结果及模拟误差进行比较研究,由于黄土高原区太阳辐射站点稀少,为了使模型的训练样本多一些,本文选取了20032009年黄土高原地区14个辐射站点的实测数据和20102016年10个辐射站点的实测数据作为模型的训练数据,其中留出了20102016年4个辐射站点的太阳辐射实测数据作为模型的验证数据,验证结果表明RF模型在黄土高原及周边地区的模拟精度较高。本文又选择了现有的时间连续性较好的三种辐射产品ERA5再分析资料、NOAAAVHRR卫星产品和CERES辐射产品,和RF模型模拟得到的太阳辐射结果进一步做了比较分析。最后利用误差较小的RF模型模拟得到了黄土高原地区97个气象站点的太阳辐射数据,通过克里金法插值得到了黄土高原地区精度较高的太阳辐射数据,且在年、月和季节尺度上分析了黄土高原地区的太阳辐射时空变化特征。本文的主要研究结论如下:(1)本文通过比较随机森林(RF)、BP神经网络、支持向量机(SVM)三种模型的训练和验证时的误差指标,发现模型训练时,RF模型的均方根误差是三种模型中最小的,模型验证时,RF模型的平均偏差和均方根误差都是三种模型误差中最小的,相关系数最大。(2)本文利用太阳辐射实测数据对随机森林(RF)、BP神经网络、支持向量机(SVM)三种模型的模拟结果进行验证,验证结果表明RF模型的模拟结果与实测数据更接近,各个误差指标均较小,RF模型拟合程度明显优于BP神经网络和SVM两个模型。总体上,RF模型模拟黄土高原地区的太阳辐射效果最优,SVM次之,BP神经网络模拟精度最低。(3)本文通过比较20032016年的ERA5再分析资料、NOAAAVHRR卫星产品和CERES-BSAF再分析资料这三种辐射产品和RF模型模拟结果和误差指标发现,RF模拟得到的太阳辐射精度更高,ERA5再分析资料次之,NOAAAVHRR卫星产品和CERES-BSAF再分析资料偏差较大。由此可知,RF模型与气象数据及遥感数据结合模拟太阳辐射月均值是一种精度较高且可靠的模拟方法,可以有效解决黄土高原区辐射站点稀少造成的太阳辐射数据缺少的问题。(4)20032016年黄土高原地区的太阳辐射在空间上呈现西北多东南少的分布特征,这14年的变化趋势表现为平均缓慢上升,其中在黄土高原的东部地区太阳辐射上升趋势较明显。20032016年黄土高原区的112月的变化趋势表现为先上升后下降的趋势。20032016年黄土高原区的季节变化趋势表现为小幅上升趋势,其中,冬季太阳辐射趋势较明显,春夏季次之,秋季上升趋势不显著。
基于神经网络的太阳辐射模拟——以华东地区为例
这是一篇关于遥感,太阳辐射,神经网络,MODIS,云,气溶胶,水汽的论文, 主要内容为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。本文利用了华东地区90个常规气象站点20012014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。通过本文的研究得出以下结论:(1)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。(2)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。(3)本文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。(4)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。(5)华东地区20012014年地表太阳辐射的变化率在-0.060.18之间,整体呈增大趋势;华东地区20012014年1月至12月的月均值变化为7.0223.89 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724 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。
基于不同机器学习法的黄土高原地区太阳辐射模拟比较研究
这是一篇关于太阳辐射,随机森林,BP神经网络,支持向量机,遥感的论文, 主要内容为由于我国太阳辐射观测站稀少,很难靠辐射站点的内插或者外推获得较高精度的太阳辐射数据。黄土高原地区太阳辐射观测站很少,符合本文研究的仅有14个站点,而黄土高原地区的气候、水文、生态等研究需要较高精度的太阳辐射数据,因此黄土高原地区的太阳辐射模拟研究就显得尤为重要。现有研究表明机器学习法可以很好地模拟太阳辐射,但不同的机器学习法在不同区域模拟精度不同,为了获得黄土高原地区的精度较高的太阳辐射数据,本文首先分析了各站点气象因素与太阳辐射实测值的相关性,选择了与太阳辐射相关程度较高的平均气压、平均气温、平均水汽压、日照时数、云量、云光学厚度、臭氧、可降水水汽以、DEM、坡度、坡向共11个变量作为模型的输入参数,然后对随机森林(RF)、BP神经网络和支持向量机(SVM)这三种不同机器学习法在黄土高原区的模拟结果及模拟误差进行比较研究,由于黄土高原区太阳辐射站点稀少,为了使模型的训练样本多一些,本文选取了20032009年黄土高原地区14个辐射站点的实测数据和20102016年10个辐射站点的实测数据作为模型的训练数据,其中留出了20102016年4个辐射站点的太阳辐射实测数据作为模型的验证数据,验证结果表明RF模型在黄土高原及周边地区的模拟精度较高。本文又选择了现有的时间连续性较好的三种辐射产品ERA5再分析资料、NOAAAVHRR卫星产品和CERES辐射产品,和RF模型模拟得到的太阳辐射结果进一步做了比较分析。最后利用误差较小的RF模型模拟得到了黄土高原地区97个气象站点的太阳辐射数据,通过克里金法插值得到了黄土高原地区精度较高的太阳辐射数据,且在年、月和季节尺度上分析了黄土高原地区的太阳辐射时空变化特征。本文的主要研究结论如下:(1)本文通过比较随机森林(RF)、BP神经网络、支持向量机(SVM)三种模型的训练和验证时的误差指标,发现模型训练时,RF模型的均方根误差是三种模型中最小的,模型验证时,RF模型的平均偏差和均方根误差都是三种模型误差中最小的,相关系数最大。(2)本文利用太阳辐射实测数据对随机森林(RF)、BP神经网络、支持向量机(SVM)三种模型的模拟结果进行验证,验证结果表明RF模型的模拟结果与实测数据更接近,各个误差指标均较小,RF模型拟合程度明显优于BP神经网络和SVM两个模型。总体上,RF模型模拟黄土高原地区的太阳辐射效果最优,SVM次之,BP神经网络模拟精度最低。(3)本文通过比较20032016年的ERA5再分析资料、NOAAAVHRR卫星产品和CERES-BSAF再分析资料这三种辐射产品和RF模型模拟结果和误差指标发现,RF模拟得到的太阳辐射精度更高,ERA5再分析资料次之,NOAAAVHRR卫星产品和CERES-BSAF再分析资料偏差较大。由此可知,RF模型与气象数据及遥感数据结合模拟太阳辐射月均值是一种精度较高且可靠的模拟方法,可以有效解决黄土高原区辐射站点稀少造成的太阳辐射数据缺少的问题。(4)20032016年黄土高原地区的太阳辐射在空间上呈现西北多东南少的分布特征,这14年的变化趋势表现为平均缓慢上升,其中在黄土高原的东部地区太阳辐射上升趋势较明显。20032016年黄土高原区的112月的变化趋势表现为先上升后下降的趋势。20032016年黄土高原区的季节变化趋势表现为小幅上升趋势,其中,冬季太阳辐射趋势较明显,春夏季次之,秋季上升趋势不显著。
基于神经网络的太阳辐射模拟——以华东地区为例
这是一篇关于遥感,太阳辐射,神经网络,MODIS,云,气溶胶,水汽的论文, 主要内容为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。本文利用了华东地区90个常规气象站点20012014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。通过本文的研究得出以下结论:(1)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。(2)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。(3)本文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。(4)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。(5)华东地区20012014年地表太阳辐射的变化率在-0.060.18之间,整体呈增大趋势;华东地区20012014年1月至12月的月均值变化为7.0223.89 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724 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。
冷藏集装箱的最大太阳辐射量研究
这是一篇关于冷藏集装箱,太阳辐射,热平衡模型,软件开发的论文, 主要内容为冷藏集装箱作为现代化生产运输中非常重要的辅助工具设备,广泛应用于生产活动中,且冷藏集装箱的销量呈每年上升趋势,市场前景好。对于冷藏集装箱来说,太阳辐射量方面的研究仍有所欠缺,没有对其进行定量的研究,这对于长期发展来说存在一定的弊端。本文基于太阳视运动规律及冷藏集装箱对太阳辐射的吸收规律,提出一种针对性强的冷藏集装箱最大太阳辐射量的数学模型,并根据应用场景,开发了一款计算软件。该模型不仅能够定量计算出特定冷藏集装箱在确定位置、特定工况下吸收的太阳辐射量,辅助设计人员进行相关仿真与设计工作,而且可以推算特定冷藏集装箱在确定位置下,何种工况可以取得最大的太阳辐射量,为进行冷藏集装箱的温控实验提供理论参考。基于此本文开展了以下主要工作:(1)研究了40ft标准冷藏集装箱吸收太阳辐射量的机理,完成了冷藏集装箱吸收太阳辐射量的数学模型,通过遍历搜索得出当太阳高度角为43°,相对方位角为11°时,40ft冷藏集装箱可以取得最大的太阳辐射量,为2.3073e+04W。(2)根据实际工程需求,将冷藏集装箱取得最大太阳辐射量的条件转换为对应日期下的时间与摆放角度。通过对冷藏集装箱进行热平衡分析,针对该数学模型,设计并搭建实验验证平台,以武汉地区的实验数据与模型计算结果对比,得出冷藏集装箱最大太阳辐射模型在箱体摆放角度上的准确率可达80%;在箱体取得最大太阳辐射量的时间上存在30min以内的误差;在箱体取得的最大太阳辐射量上存在15%的平均误差,对模型的可靠性与精确度进行了验证。(3)提出该模型主要的两个应用场景。通过冷藏集装箱最大太阳辐射模型的计算,可以求得针对具体冷藏集装箱,在已知太阳辐射强度、集装箱的摆放位置、集装箱的摆放角度及时间时,冷藏集装箱每个面吸收的太阳辐射量的大小。此结果可直接用于冷藏集装箱的太阳辐射仿真计算中,将每个面吸收的太阳辐射量,以热源的形式加载在表面,极大程度地简化了仿真计算量。通过冷藏集装箱最大太阳辐射模型的计算,可以求得针对具体冷藏集装箱,在已知实验地点、实验日期范围时,该冷藏集装箱以怎样的摆放角度在实验日期范围内的何时会取得最大的太阳辐射量,并对最大太阳辐射量进行估算。此结果可直接用于选择冷藏集装箱温控实验的实验条件,保证实验严谨性,并对冷藏集装箱中制冷机组的设计起到参考意义。(4)借助MATLAB平台的APP Designer软件开发工具,根据模型的两个主要应用场景,设计开发了可独立运行的冷藏集装箱最大太阳辐射量计算软件,实现了模型可视化,有效提高设计效率,具有较好的实用性。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:毕设客栈 ,原文地址:https://m.bishedaima.com/lunwen/55516.html