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  6 Fazit  Diese Studie analysiert die Unsicherheit beim Regridding von räumlichen Daten aus Klimamodellen, was häufig der erste Schritt in der Klimaanalyse mit mehreren Modellen ist. Die Sonnenstrahlungsdaten werden mithilfe von Kriging mit einer exponentiellen Kovarianzfunktion und einer loglinearen Transformation aus ihrem nativen Raster in dasselbe Raster wie die NSRDB übertragen. Zweitens implementieren wir ein BHM, um lineare Modellgewichte zu schätzen und dabei die mit dem Regridding-Schritt verbundene Unsicherheit zu berücksichtigen. Abschließend vergleichen wir die beiden und stellen in Anhang A eine zusätzliche Simulationsstudie zur Verfügung. Es wurde festgestellt, dass die Koeffizientenschätzungen des naiven Regridding-Modells in den meisten Fällen innerhalb des Bereichs der Posteriorverteilungen der Modellkoeffizienten lagen. Saisonal gesehen führte der Monat August zu einer Diskrepanz zwischen dem naiven Regridding-Koeffizienten und der durch ERA-Interim erzwungenen Posteriorverteilung für das WRF-RCM. Insbesondere,   Wir haben gesehen, dass die resultierenden Koeffizientenschätzungen in diesem Monat für den WRF bei der naiven Methode höher waren als bei BHM. Dies deutet darauf hin, dass es bei Berücksichtigung der Regridding-Unsicherheit zu einem geringeren Anstieg der WRF-Daten für Einheitenerhöhungen in der NSRDB kommt oder dass die Regridding-Unsicherheit in diesem speziellen Fall zu einer geringeren Verzerrung durch das WRF führen kann.  Es wurde festgestellt, dass die hintere Abdeckung der Testdaten für die simulierten Felder den naiven Regridding-Schätzungen für die Monate August und November ähnelte. Dies deutet darauf hin, dass der wahre Wert der Sonnenstrahlung in diesem Fall unter Berücksichtigung der Regridding-Unsicherheit der simulierten Felder und der Modellparameter selbst wahrscheinlich immer noch durch das glaubwürdige 95-Prozent-Intervall abgedeckt wird. Wenn also der bedingte Mittelwert des Regridded-Feldes als Grundwahrheit herangezogen würde, was häufig der Fall ist, scheinen die nachgelagerten Auswirkungen des Regridding auf die Modellierung im Fall der Sonnenstrahlung minimal zu sein. Allerdings hatte das BHM in den betrachteten Monaten höhere RMSE-Werte als die naiven Regridding-Modelle, was darauf hindeutet, dass die Hinzufügung der Regridding-Unsicherheit den Vorhersagefehler für die Vorhersage außerhalb der Stichprobe erhöhte. Es ist wichtig zu beachten, dass die Schätzungen des naiven Regridding-Koeffizienten zwar gute Vorhersagen liefern, aber nicht zur direkten Bewertung der Modellverzerrungen geeignet sind, da Modellverzerrungen vom Regridding abhängen.  Schließlich dient diese Analyse als Rahmen für das Verständnis von Regridding-Effekten im Kontext der Sonnenstrahlung. Während diese Studie keine Situationen fand, in denen das BHM-Regridding die naive Regridding-Methode durchweg übertraf, stellen wir fest, dass sich diese Analyse um die ausgewählte Variable dreht: GHI. Es hat sich gezeigt, dass die gewählte Regridding-Methode einen Einfluss auf die Extreme der Verteilungen hat (McGinnis et al. (2010)), allerdings sind Extreme für die Sonnenstrahlung nicht von zentraler Bedeutung. Eine zukünftige Analyse, bei der die BHM-Regridding-Methode auf Klimavariablen angewendet wird, bei denen Extreme der Daten umfassender untersucht werden, z   B. Niederschlag oder Temperatur, können zu unterschiedlichen Ergebnissen führen und ein Beispiel dafür sein, dass die in diesem Dokument vorgeschlagene Methode möglicherweise eine höhere Unsicherheit in der nachgelagerten Modellierung aufweist. Darüber hinaus berücksichtigt diese Studie eine einzelne Art von Regridding (Kriging mit einer exponentiellen Kovarianz) und diese Analyse könnte auf andere Arten der Interpolation ausgeweitet werden, um die nachgelagerten Auswirkungen dieser bestimmten Methoden zu verstehen.  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!

Bewältigung der Regridding-Unsicherheit in der Klimaanalyse der Sonnenstrahlung

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded 2024: Celebrating Our AI Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

HackerNoon Decoded 2024: Celebrating Our AI Community!

Welcome to HackerNoon Decoded: The Best of 2024 Tech Blogging

HackerNoon Decoded 2024: Celebrating Our Management Community!

HackerNoon Decoded 2024: Wir feiern unsere Produktmanagement-Community!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps