作者：  (1) Maggie D. Bailey，科罗拉多矿业学院和国家可再生能源实验室；  (2) Douglas Nychka，科罗拉多矿业学院；  (3) Manajit Sengupta，国家可再生能源实验室；  (4) Aron Habte，国家可再生能源实验室；  (5) 谢宇，国家可再生能源实验室；  (6) Soutir Bandyopadhyay，科罗拉多矿业学院。 链接表 摘要和简介 数据 贝叶斯分层模型 (BHM) 太阳辐射示例 结果 结论 附录 A：模拟研究 附录 B：重新网格化系数估计 参考 六，结论 本研究分析了气候模型空间数据重新网格化的不确定性，这通常是多模型气候分析的第一步。使用具有指数协方差函数和对数线性变换的克里金法将太阳辐射数据从其原始网格重新网格化到与 NSRDB 相同的网格。其次，我们实现 BHM 来估计线性模型权重，同时纳入与重新网格化步骤相关的不确定性。最后，我们比较了两者，并在附录 A 中提供了额外的模拟研究。在大多数情况下，我们发现朴素的重新网格化模型系数估计值在模型系数的后验分布范围内。从季节性来看，8 月份在 ERA-Interim 强制的 WRF RCM 的朴素重新网格化系数和后验分布之间产生了不匹配。尤其，  我们看到，本月 WRF 的系数估计值在朴素方法中高于 BHM。这表明，当考虑重新网格化的不确定性时，NSRDB 中单位增加的 WRF 数据的增加较小，或者在这种特殊情况下，重新网格化的不确定性可能会导致 WRF 的偏差较小。 结果发现，模拟场测试数据的后验覆盖率与 8 月和 11 月的朴素重新网格估计相似。这表明，当考虑到模拟场的重新网格化不确定性和模型参数本身时，这种情况下太阳辐射的真实值仍然可能被95%的可信区间覆盖。因此，如果将重新网格化场的条件平均值作为地面实况（通常如此），则在太阳辐射的情况下，重新网格化对建模的下游影响似乎很小。然而，在所考虑的几个月内，BHM 的 RMSE 值高于朴素重新网格化模型，这表明重新网格化不确定性的增加增加了样本外预测的预测误差。值得注意的是，朴素的重新网格化系数估计可以提供良好的预测，但不适合直接评估模型偏差，因为模型偏差取决于重新网格化。 最后，该分析可作为理解太阳辐射背景下重新并网效应的框架。虽然本研究没有发现 BHM 重新网格化始终优于朴素重新网格化方法的情况，但我们注意到该分析围绕所选变量：GHI。事实证明，所选择的重新网格化方法对分布的极值有影响（McGinnis 等人（2010）），但是极值并不是太阳辐射的核心。未来的分析将 BHM 重新网格化方法应用于气候变量，其中数据的极端值得到更广泛的研究，例如 如降水或温度，可能会产生不同的结果，并提供了一个示例，其中本文提出的方法可能在下游建模中显示出更高的不确定性。此外，本研究考虑了单一类型的重新网格化（具有指数协方差的克里金法），并且该分析可以扩展到其他类型的插值，以了解这些特定方法的下游影响。 本文可在 CC 4.0 许可下 。 在 arxiv 上获取

Read My Stories

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

Quantification's blog

該音頻是用故事的原始語言製作的！

解决太阳辐射气候分析中重新网格化的不确定性

About Author

註釋

標籤

这篇文章刊登在

Related Stories

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

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

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

从论坛到信息流：社交媒体算法如何塑造数字互动

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

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

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

从论坛到信息流：社交媒体算法如何塑造数字互动

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps