Autores:  (1) Maggie D. Bailey, Escuela de Minas de Colorado y Laboratorio Nacional de Energía Renovable;  (2) Douglas Nychka, Escuela de Minas de Colorado;  (3) Manajit Sengupta, Laboratorio Nacional de Energías Renovables;  (4) Aron Habte, Laboratorio Nacional de Energías Renovables;  (5) Yu Xie, Laboratorio Nacional de Energías Renovables;  (6) Soutir Bandyopadhyay, Escuela de Minas de Colorado.  Tabla de enlaces   Resumen e introducción   Datos   Modelo jerárquico bayesiano (BHM)   Ejemplo de radiación solar   Resultados   Conclusión   Apéndice A: Estudio de simulación   Apéndice B: Estimaciones del coeficiente de remallado   Referencias  6. Conclusión  Este estudio analiza la incertidumbre al volver a calcular datos espaciales de modelos climáticos, que suele ser el primer paso en el análisis climático multimodelo. Los datos de radiación solar se vuelven a clasificar desde su cuadrícula nativa, utilizando kriging con una función de covarianza exponencial y una transformación loglineal, a la misma cuadrícula que el NSRDB. En segundo lugar, implementamos un BHM para estimar los pesos del modelo lineal al mismo tiempo que incorporamos la incertidumbre asociada con el paso de remallado. Finalmente, comparamos los dos y proporcionamos un estudio de simulación adicional en el Apéndice A. Se encontró que las estimaciones ingenuas de los coeficientes del modelo de remallado estaban dentro del rango de las distribuciones posteriores de los coeficientes del modelo en la mayoría de los casos. Estacionalmente, el mes de agosto produjo un desajuste entre el coeficiente ingenuo de remallado y la distribución posterior del WRF RCM forzado por ERA-Interim. En particular,   Vimos que las estimaciones de coeficientes resultantes en este mes para el WRF fueron mayores en el método ingenuo que en el BHM. Esto sugiere que cuando se tiene en cuenta la incertidumbre del remallado, hay un aumento menor en los datos del WRF para aumentos de unidades en el NSRDB, o que la incertidumbre del remallado puede resultar en un menor sesgo del WRF en este caso particular.  Se encontró que la cobertura posterior de los datos de prueba para los campos simulados era similar a las estimaciones ingenuas de remallado para los meses de agosto y noviembre. Esto sugiere que, si se tiene en cuenta la incertidumbre de los campos simulados y los propios parámetros del modelo, es probable que en este caso el valor real de la radiación solar todavía esté cubierto por el intervalo de credibilidad del 95%. Por lo tanto, si la media condicional del campo remallado se tomara como verdad fundamental, como suele ser el caso, los efectos posteriores del remallado en el modelado parecen ser mínimos en el caso de la radiación solar. Sin embargo, el BHM tuvo valores de RMSE más altos que los modelos ingenuos de remallado en los meses considerados, lo que indica que la adición de la incertidumbre del remallado aumentó el error de predicción para la predicción fuera de la muestra. Es importante señalar que las estimaciones ingenuas de los coeficientes de remallado dan buenas predicciones, pero no son apropiadas para evaluar los sesgos del modelo directamente, ya que los sesgos del modelo dependen del remallado.  Finalmente, este análisis sirve como marco para comprender los efectos de la reconexión dentro del contexto de la radiación solar. Si bien este estudio no encontró situaciones en las que el método de remallado BHM superó consistentemente al método de remallado ingenuo, observamos que este análisis gira en torno a la variable elegida: GHI. Se ha demostrado que el método de remallado elegido tiene un impacto en los extremos de las distribuciones (McGinnis et al. (2010)); sin embargo, los extremos no son fundamentales para la radiación solar. Un análisis futuro aplicando el método de remallado BHM a variables climáticas donde los extremos de los datos son más estudiados, tales como   como la precipitación o la temperatura, pueden producir resultados diferentes y proporcionar un ejemplo en el que el método propuesto en este artículo podría mostrar una mayor incertidumbre en el modelado aguas abajo. Además, este estudio tiene en cuenta un solo tipo de remallado (kriging con covarianza exponencial) y este análisis podría extenderse a otros tipos de interpolación para comprender los efectos posteriores de esos métodos en particular.  Este documento está   bajo licencia CC 4.0. disponible en arxiv

Read My Stories

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

Quantification's blog

Este audio es producido en el idioma original de la historia!

Navegando por la incertidumbre en el análisis climático de la radiación solar

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Una breve introducción a la teoría del cerebro de Boltzmann

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

De los foros a los feeds: cómo los algoritmos de las redes sociales influyen en la interacción digital

Una breve introducción a la teoría del cerebro de Boltzmann

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps