Autoren:  (1) Maggie D. Bailey, Colorado School of Mines und National Renewable Energy Lab;  (2) Douglas Nychka, Colorado School of Mines;  (3) Manajit Sengupta, National Renewable Energy Lab;  (4) Aron Habte, National Renewable Energy Lab;  (5) Yu Xie, National Renewable Energy Lab;  (6) Soutir Bandyopadhyay, Colorado School of Mines.  Linktabelle   Zusammenfassung und Einführung   Daten   Bayesianisches hierarchisches Modell (BHM)   Beispiel für Sonnenstrahlung   Ergebnisse   Abschluss   Anhang A: Simulationsstudie   Anhang B: Schätzungen des Regridding-Koeffizienten   Verweise  4 Beispiel für Sonnenstrahlung  Das in Abschn. beschriebene Modell 3 wurde einmal für jeden Standort in einem Teilgebiet Kaliforniens angepasst, das im rechten unteren Bereich von Abbildung 2 dargestellt ist und Küsten- und Binnengebiete umfasst. Darüber hinaus wurde das Modell für vier separate Monate (Februar, Mai, August und November) in allen Jahren mit überlappenden Daten (1998–2009) angepasst. Zunächst werden alle Kovariaten in das Modell einbezogen. Allerdings erwiesen sich nicht alle Kovariaten als signifikant. Insbesondere wurde festgestellt, dass CanRCM4.ERA-Int für die meisten Standorte für die Monate Februar, Mai und November keine Bedeutung hatte und für etwa die Hälfte der Standorte im Monat August keine Bedeutung hatte. Die saisonale Kovariate hatte für keinen der Monate eine Bedeutung, was zu erwarten ist, da die Daten in einen einzelnen Monat jeder Saison aufgeteilt wurden. Aus diesem Grund wurde die saisonale Kovariate für alle vier Monate entfernt.  4.1 Posteriorverteilung der Modellkoeffizienten  Häufig wird der aus dem Kriging resultierende neu geordnete Datensatz als Grundlage für die weitere Analyse verwendet. In diesem Abschnitt wird die Methode zur Analyse der Unsicherheit beschrieben, die mit dem Regridding- und linearen Modellvorhersageschritt und den nachgelagerten Effekten verbunden ist, indem Auszüge aus den Posterior-Verteilungen jedes β in Gleichung generiert werden. 1.   4.2 Vorhersageabdeckung  Diese Studie berücksichtigt auch die Abdeckung der späteren Vorhersagen, dh den Bruchteil der Tage, an denen das Vorhersageintervall den tatsächlich beobachteten Wert enthält. In diesem Teil der Analyse werden die Daten eines einzelnen Jahres als Testsatz verwendet, während die restlichen Jahre als Trainingssatz verwendet werden. Es gibt 12 Jahre überlappender Daten, die zu 12 Vorhersageergebnissen außerhalb der Stichprobe führen. Die endgültige Abdeckung ist die durchschnittliche Abdeckung für die 12 Falten.  Dieses Dokument ist   . auf arxiv unter der CC 4.0-Lizenz verfügbar

Read My Stories

The publication about the quantity of something. The theory about why that quantity is what is. And research!

Quantification's blog

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Aufdeckung von Solarenergieprojektionen: Bayesianische Modellanalyse über die Jahreszeiten hinweg

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

Genuine Content Creation in the Age of AI: Why Startups Need Quality Content

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon Decoded 2024: Celebrating Our AI Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

Genuine Content Creation in the Age of AI: Why Startups Need Quality Content

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps