关于使用气象参数和基于卫星图像的指数来改进太阳辐射估计

科学领域:

• 可再生能源系统可再生能源系统
• 农业气象 农业气象学
• 遥感应用 遥感应用

背景情况:

• 太阳辐射 (Rs) 是太阳能应用,灌计划和水资源管理的关键因素.
• 精确估计太阳辐射对于优化这些过程至关重要.
• 现有的模型通常依赖于有限的数据,需要改进的预测方法.

研究的目的:

• 评估气象参数,卫星衍生指数及其用于预测太阳辐射的组合的有效性.
• 为了比较各种机器学习模型的性能,包括多层感知器 (MLP),M5树和XGBoost,用于太阳辐射估计.
• 研究混合模型的潜力,如MLP-遗传算法 (GA) 和使用M5树/XGBoost的变化模式分解 (VMD),以提高预测准确度.

主要方法:

• 采用了三种情景:气象数据 (情景1),卫星指数 (情景2) 和综合数据 (情景3).
• 使用的机器学习算法:MLP (Levenberg-Marquardt,渐变下降,批量训练),M5树和XGBoost.
• 开发了混合模型:MLP-LVM-GA,VMD-M5树和VMD-XGB,以改善预测.

主要成果:

• 综合数据场景 (场景3) 始终在所有测试模型中产生最低的估计误差.
• 与基础MLP模型相比,MLP-LVM-GA混合模型显示出显著的错误减少 (14.7-32.67%).
• VMD-M5树型和VMD-XGB混合型的表现有所改善,特别是在第3场景中,测试组中的错误分别减少了37%和42%.

结论:

• 将气象和卫星数据结合起来,可以提供最准确的太阳辐射估计.
• 混合机器学习模型,特别是那些结合GA或VMD的机器学习模型,在预测准确度方面提供了显著的改进.
• 这些发现支持整合各种数据源和先进的建模技术,以有效评估太阳辐射.