基于神經網絡的西北地區(qū)太陽輻射模擬及時空特征分析.pdf

1、太陽輻射作為天氣、氣候形成和演變的基本動力,它從根本上決定著地球大氣的能量平衡過程。太陽輻射數據可以用于模擬地表動力和熱力過程,是生態(tài)、水文、作物、太陽輻射傳輸、全球環(huán)流等模型的重要輸入參數,定量模擬太陽輻射對了解和認識干旱半干旱地區(qū)氣候變化至關重要。西北地區(qū)輻射臺站稀少且分布不均,因此僅利用稀少的輻射站點資料進行內插或外推獲得的輻射數據具有很大不確定性,內插或者外推在較大范圍得到的值太平滑,無法刻畫空間非均一性,而BP(Back pr

2、opagation)神經網絡模型對太陽輻射具有很好的預測性,但以往的研究都是基于單個站點模擬太陽輻射,且BP神經網絡模型存在收斂速度慢、學習時間長等問題,為了克服BP算法存在的這些缺點,本文采用LM(Levenberg-Marquardt)算法優(yōu)化后的BP神經網絡,即LM-BP神經網絡模型,利用西北地區(qū)159個氣象站點的氣象數據,模擬了1990—2012年的太陽總輻射月總量,結合25個輻射觀測站的實測數據,通過空間插值得到了該區(qū)太陽總輻

3、射的空間分布,并分析了其時空分布及變化特征。本文的研究結果可為西北地區(qū)太陽輻射的研究及各類模型提供重要的理論參考和數據支持,同時也為無輻射觀測地區(qū)太陽輻射的計算提供一種可靠的方法。具體內容分為以下幾個部分:
　　(1)神經網絡模型能夠較好地處理回歸模型不能解決的非線性問題,但輸入變量信息的冗余使得神經網絡的求解變得不穩(wěn)定且收斂速度較慢。通過定量分析各個輸入變量對輸出變量的影響程度,對所選的輸入變量進行優(yōu)化約簡,剔除模型中存在的冗余

4、變量,從而降低神經網絡的輸入維數,簡化網絡結構,提高網絡的收斂速度和學習效率。
　　(2)以MATLAB為計算平臺,采用算法改進后的LM-BP神經網絡模型,模擬了西北地區(qū)烏魯木齊、喀什、哈密、西寧、固原5個代表站點的太陽總輻射月總量,結合實測數據,并與兩種經驗模型(基于日照百分率的A-P模型和基于溫度日較差的H-S模型)的模擬結果進行精度驗證和誤差分析,得出LM-BP神經網絡模型的模擬精度比較高。
　　(3)利用LM-BP神

5、經網絡模型模擬了西北地區(qū)1990—2012年159個氣象站點的太陽總輻射月總量,結合25個輻射觀測站的實測數據,對該區(qū)太陽總輻射月總量進行空間插值,研究了太陽總輻射的時空分布及變化特征,并分析了影響太陽總輻射變化的主要原因。
　　通過本文的研究得出以下結論:
　　(1)與傳統BP算法相比,利用LM算法改進后的BP神經網絡模型,即LM-BP模型具有更好的非線性映射能力,訓練時間明顯縮短,訓練誤差很小,表現出很好的擬合性。利用L

6、M-BP模型和兩種經驗模型分別模擬了5個代表站點的太陽總輻射,結合實測數據,對三種模型的模擬結果進行精度驗證和誤差分析,結果表明,LM-BP模型模擬太陽輻射的效果最佳,精度最高,模擬值與實測值的擬合程度明顯優(yōu)于其他兩種經驗模型。
　　(2)西北地區(qū)1990—2012年的年均總輻射月總量變化為262~643 MJ/m2,呈現“中間高,兩端低”的空間分布特征;該區(qū)幾乎所有地方的太陽總輻射均呈現顯著的減少趨勢,傾向率變化為–88.9~3

7、0.1 MJ/(m2·10a);1961—2012年,太陽總輻射以–74.8 MJ/(m2·10a)的速率呈遞減趨勢,其變化分為兩個階段:1961—1989年為顯著減小階段,變化率為–237 MJ/(m2·10a),1990—2012年為緩慢的增大階段,但增大趨勢不明顯,變化率為14 MJ/(m2·10a)。
　　(3)太陽總輻射的季節(jié)分布表明,四季的平均總輻射月總量的變化為170~830 MJ/m2;太陽總輻射月總量的年內分布表