Auteurs:  (1) Maggie D. Bailey, École des mines du Colorado et National Renewable Energy Lab ;  (2) Douglas Nychka, École des mines du Colorado ;  (3) Manajit Sengupta, Laboratoire national des énergies renouvelables ;  (4) Aron Habte, Laboratoire national des énergies renouvelables ;  (5) Yu Xie, Laboratoire national des énergies renouvelables ;  (6) Soutir Bandyopadhyay, École des Mines du Colorado.  Tableau des liens   Résumé et introduction   Données   Modèle hiérarchique bayésien (BHM)   Exemple de rayonnement solaire   Résultats   Conclusion   Annexe A : Étude de simulation   Annexe B : Estimations des coefficients de remaillage   Les références  6. Conclusion  Cette étude analyse l'incertitude liée au remaillage des données spatiales à partir de modèles climatiques, qui constitue souvent la première étape de l'analyse climatique multimodèle. Les données de rayonnement solaire sont regroupées à partir de leur grille native, en utilisant le krigeage avec une fonction de covariance exponentielle et une transformation log-linéaire, vers la même grille que la NSRDB. Deuxièmement, nous implémentons un BHM pour estimer les poids du modèle linéaire tout en intégrant l'incertitude associée à l'étape de remaillage. Enfin, nous comparons les deux et fournissons une étude de simulation supplémentaire à l'annexe A. Les estimations naïves des coefficients du modèle de remaillage se sont avérées se situer dans la plage des distributions a posteriori des coefficients du modèle dans la plupart des cas. Sur le plan saisonnier, le mois d'août a produit un décalage entre le coefficient de remaillage naïf et la distribution a posteriori du WRF RCM imposé par ERA-Interim. En particulier,   nous avons vu que les estimations des coefficients résultants ce mois-ci pour le WRF étaient plus élevées dans la méthode naïve que dans la méthode BHM. Cela suggère que lorsque l’incertitude du remaillage est prise en compte, il y a une augmentation plus faible des données du WRF pour les augmentations d’unités dans la NSRDB, ou que l’incertitude du remaillage peut entraîner moins de biais de la part du WRF dans ce cas particulier.  Il a été constaté que la couverture a posteriori des données de test pour les champs simulés était similaire aux estimations naïves de remaillage pour les mois d'août et de novembre. Cela suggère qu'en tenant compte de l'incertitude de remaillage des champs simulés et des paramètres du modèle eux-mêmes, la valeur réelle du rayonnement solaire dans ce cas est toujours susceptible d'être couverte par l'intervalle de crédibilité de 95 %. Par conséquent, si la moyenne conditionnelle du champ remaillé était prise comme vérité terrain, comme c'est souvent le cas, les effets en aval du remaillage sur la modélisation semblent minimes dans le cas du rayonnement solaire. Cependant, le BHM présentait des valeurs RMSE plus élevées que les modèles de remaillage naïfs au cours des mois considérés, ce qui indique que l'ajout de l'incertitude de remaillage augmentait l'erreur de prédiction pour les prévisions hors échantillon. Il est important de noter que les estimations naïves du coefficient de remaillage donnent de bonnes prédictions mais ne sont pas appropriées pour évaluer directement les biais du modèle puisque les biais du modèle dépendent du remaillage.  Enfin, cette analyse sert de cadre pour comprendre les effets de remaillage dans le contexte du rayonnement solaire. Bien que cette étude n'ait pas trouvé de situations dans lesquelles le remaillage BHM surpassait systématiquement la méthode de remaillage naïve, nous notons que cette analyse tourne autour de la variable choisie : GHI. Il a été démontré que la méthode de remaillage choisie a un impact sur les extrêmes des distributions (McGinnis et al. (2010)), mais les extrêmes ne sont pas essentiels au rayonnement solaire. Une analyse future appliquant la méthode de remaillage BHM aux variables climatiques où les extrêmes des données sont plus largement étudiés, comme   comme les précipitations ou la température, peuvent donner des résultats différents et fournir un exemple où la méthode proposée dans cet article pourrait montrer une incertitude plus élevée dans la modélisation en aval. De plus, cette étude prend en compte un seul type de remaillage (krigage avec une covariance exponentielle) et cette analyse pourrait être étendue à d'autres types d'interpolation pour comprendre les effets en aval de ces méthodes particulières.  Cet article est   sous licence CC 4.0. disponible sur 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

Cet audio est produit dans la langue originale de l'histoire !

Naviguer dans l’incertitude du remaillage dans l’analyse climatique du rayonnement solaire

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Comment améliorer votre flux de travail par 10 : 17 applications essentielles

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Comment améliorer votre flux de travail par 10 : 17 applications essentielles

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps