Güneş Radyasyonu İklim Analizinde Yeniden Şebeke Belirsizliğinde Gezinme

Bağlantı Tablosu

Özet ve Giriş

Veri

Bayes Hiyerarşik Modeli (BHM)

Güneş Radyasyonu Örneği

Sonuçlar

Çözüm

Ek A: Simülasyon Çalışması

Ek B: Yeniden Izgaralama Katsayısı Tahminleri

Referanslar

6. Sonuç

Bu çalışma, genellikle çok modelli iklim analizinin ilk adımı olan, iklim modellerinden mekansal verilerin yeniden düzenlenmesindeki belirsizliği analiz etmektedir. Güneş radyasyonu verileri, üstel kovaryans fonksiyonu ve loglineer dönüşüm ile kriging kullanılarak NSRDB ile aynı ızgaraya yeniden ızgaralanır. İkinci olarak, yeniden ızgaralama adımıyla ilişkili belirsizliği de dahil ederken doğrusal model ağırlıklarını tahmin etmek için bir BHM uyguluyoruz. Son olarak ikisini karşılaştırıyoruz ve Ek A'da ek bir simülasyon çalışması sunuyoruz. Saf yeniden gridleme modeli katsayı tahminlerinin çoğu durumda model katsayılarının sonsal dağılımları aralığında olduğu bulundu. Mevsimsel olarak, Ağustos ayı, saf yeniden ızgaralama katsayısı ile ERA-Interim tarafından zorlanan WRF RCM için sonsal dağılım arasında bir uyumsuzluk yarattı. Özellikle,

WRF için bu ay ortaya çıkan katsayı tahminlerinin naif yöntemde BHM'ye göre daha yüksek olduğunu gördük. Bu, yeniden şebekeleme belirsizliği hesaba katıldığında, NSRDB'deki birim artışlar için WRF verilerinde daha küçük bir artış olduğunu veya yeniden şebekeleme belirsizliğinin bu özel durumda WRF'den daha az yanlılığa yol açabileceğini göstermektedir.

Simüle edilen alanlar için test verilerinin arka kapsamının, Ağustos ve Kasım ayları için basit yeniden sınıflandırma tahminlerine benzer olduğu bulunmuştur. Bu, simüle edilen alanların ve model parametrelerinin yeniden ızgaralama belirsizliği hesaba katıldığında, bu durumda güneş ışınımının gerçek değerinin hala %95'lik güvenilir aralık tarafından kapsanabileceğini göstermektedir. Bu nedenle, yeniden ızgaralanan alanın koşullu ortalaması temel gerçek olarak alınırsa (çoğu zaman olduğu gibi), güneş ışınımı durumunda yeniden ızgaralamanın modelleme üzerindeki aşağı yönlü etkileri minimum düzeyde görünür. Bununla birlikte, BHM'nin, dikkate alınan aylarda saf yeniden sınıflandırma modellerinden daha yüksek RMSE değerleri vardı; bu, yeniden sınıflandırma belirsizliğinin eklenmesinin, numune dışı tahmin için tahmin hatasını arttırdığını gösteriyor. Saf yeniden sınıflandırma katsayısı tahminlerinin iyi tahminler verdiğini ancak model sapmalarını doğrudan değerlendirmenin uygun olmadığını, çünkü model sapmalarının yeniden sınıflandırmaya bağlı olduğunu belirtmek önemlidir.

Son olarak bu analiz, güneş radyasyonu bağlamında yeniden ızgaralama etkilerini anlamak için bir çerçeve görevi görmektedir. Bu çalışma, BHM yeniden ızgaralamanın saf yeniden ızgaralama yönteminden tutarlı bir şekilde daha iyi performans gösterdiği durumları bulmasa da, bu analizin seçilen değişken etrafında döndüğünü not ediyoruz: GHI. Seçilen yeniden ızgaralama yönteminin dağılımların uç noktaları üzerinde bir etkiye sahip olduğu gösterilmiştir (McGinnis ve diğerleri (2010)), ancak aşırı uçlar güneş ışınımının merkezinde değildir. Verilerin uç noktalarının daha geniş çapta incelendiği iklim değişkenlerine BHM yeniden ızgaralama yöntemini uygulayan gelecekteki bir analiz;

yağış veya sıcaklık gibi farklı sonuçlar verebilir ve bu makalede önerilen yöntemin akış aşağı modellemede daha yüksek belirsizlik gösterebileceği bir örnek sağlayabilir. Ek olarak, bu çalışma tek bir yeniden ızgaralama tipini (üstel kovaryansla kriging) hesaba katmaktadır ve bu analiz, söz konusu belirli yöntemlerin aşağı yöndeki etkilerini anlamak için diğer enterpolasyon türlerine genişletilebilir.