Page 258 - 《高原气象》2021年第5期
P. 258
5 期 刘 淳等：1990-2019年中国北方沙区太阳能资源评估 1219
图6 不同季节太阳总辐射量的空间分布
Fig. 6 Spatial patterns of global solar radiation for different seasons
验系数，显著提高四川总辐射量年值的估算精度， 布模拟，原始 WordClim 的辐射产品尽管在沙区 R 2
7 个辐射站实测值与计算值的相对误差为 0. 88%~ 仅为 0. 70，但能展示许多细节，层次丰富。通过引
7. 43%，与本研究中的0. 25%~6. 94%接近。 入辐射产品数据、DEM、气温、降水、经度、纬度
前期也有相关研究使用诸如人工神经网络 等环境协变量进行回归插值，同时使用地统计模型
（ANNs）等传统机器学习算法估算太阳总辐射量， 拟合残差，得到的插值结果经未参与插值的站点验
且通过加入遥感产品，可以提高估算精度（Feng 证，R 可达 0. 92［图 3（b）］，且空间插值结果可以较
2
and Li，2018）。如李净等（2017）在神经网络模型中 好地表征太阳辐射总量的空间异质性，海拔效应也
加入气溶胶、云、水汽遥感产品后，4个辐射站点的 得到了体现［图4（b）］。
R 均大于 0. 90，且各项误差指标均小于仅用常规气 中国北方沙区 1990-2019 年平均日照时数和
2
-2
象站点数据模拟的太阳辐射结果。本研究中未考 太阳总辐射量分别为2927. 90 h和5888. 39 MJ·m ，
虑气溶胶、云和水汽等遥感产品，仅使用了常规气 呈现东西低中部高的分布特征。这主要与降水分
象要素作为协变量用于估算总辐射量月值，并且是 布有关，中部的柴达木盆地-库姆塔格沙漠-河西西
将所有辐射站点一起训练，得到适用于整个沙区的 部-黑河下游一带沙区是我国的极端干旱区，降水
2
反演模型，但验证集的R 仍达到了0. 92。与本研究 稀少，云量很低，日照充足，总辐射量高。但太阳
预试验中的 ANNs、支持向量机（SVM）、随机森林 总辐射量最大值出现的区域与日照时数最大值区
（RF）等传统机器学习算法相比，xgboost 算法在进 域并不完全重合，总辐射量最大值出现在柴达木盆
行超大样本训练时，用时更短、训练效率更高且精 地沙漠一带，但日照时数最大值出现在甘肃河西和
度较高。因此，在进行多站点、长时间序列的辐射 阿拉善西部沙区。这种差异主要受海拔和纬度影
值反演时，可考虑引入xgboost算法，提高统计反演 响：柴达木盆地沙漠海拔多在 2700 m 以上，且纬度
效率和精度。 更偏南，降水稀少、大气透明度且纬度较低，使得
4. 2 沙区太阳能资源时空分布 该区成为中国北方沙区总辐射量最高的区域。另
本研究中借鉴卢毅敏等（2010）的方法，使用广 外，尽管南疆西部沙区降水也十分稀少且纬度与甘
义线性回归克里金将站点辐射数据插值为分辨率 肃河西地区接近，但春季由于风沙天气盛行，大气
为 1 km的栅格数据，同时使用了 WorldClim的 1 km 透明度明显下降，春季总辐射量显著低于西北其他
辐射产品作为空间协变量用于优化辐射的空间分 沙区，年总辐射量也较同纬度其他沙区偏低（冯刚
