一种概率方法，用于量化来自哥白尼大气监测服务（CAMS）辐射服务的1分钟辐照度估计的不确定性

《Solar RRL》：A Probabilistic Approach to Quantify the Uncertainty of the 1 Min Irradiance Estimates from the Copernicus Atmosphere Monitoring Service (CAMS) Radiation Service

中国气象卫星业务系统通过多源数据融合与概率模型构建，为全球辐射监测提供不确定性量化服务。本研究基于地面观测数据库，建立首个考虑太阳天顶角、云量、气溶胶光学厚度等CRS输入参数的概率不确定性模型，通过条件累积分布函数（CDF）实现分钟级辐射偏差的量化表达。验证显示，该模型在均方根误差（RMSD）小于50 W/m2、连续概率评分（CRPS）达50 W/m2的条件下，具有空间泛化性和抗训练站点选择干扰能力。研究为光伏系统发电量预测、气候模式参数化改进提供关键不确定量评估方法。

　　随着全球对太阳能资源评估和利用的重视程度不断提高，Copernicus Atmosphere Monitoring Service (CAMS) 提供的辐射服务（CRS）成为关键的数据来源。该服务基于卫星数据和大气模型，为欧洲、非洲、南美洲以及亚洲-大洋洲地区提供全球水平辐照度（GHI）、束垂直辐照度（BNI）和漫反射水平辐照度（DHI）的估算。CRS 的数据不仅用于支持政策制定和公共管理，还被商业用户用于能源规划和优化。然而，现有的研究大多仅关注平均验证指标，这些指标仅能提供典型的、聚合后的结果，而无法提供单个数据点的不确定性信息。因此，本研究旨在系统分析 CRS 估算值与地面观测数据之间的偏差，构建一个能够描述这种偏差不确定性的查找表（Look-up Table, LUT）。

CRS 的不确定性分析涉及多个关键步骤。首先，通过建立一个高质量的地面观测数据库，研究团队收集了大量地面观测数据，这些数据来源于全球多个高质量测量网络，并经过严格的筛选和质量控制，确保数据的可靠性和代表性。其次，利用这些数据，构建一个基于 CRS 模型输入参数的查找表，该表描述了偏差的累积分布函数（CDF）在不同地理和气候条件下的分布特性。查找表的构建过程通过将 CDF 条件化到 CRS 模型输入参数的分箱（binning）上，实现了对不同时间点和空间位置的偏差不确定性进行量化描述。

在构建查找表的过程中，研究团队采用了一种基于 CRS 输入参数的分箱策略，包括太阳天顶角（SZA）、清晰天空指数（kc）和云覆盖率等参数。通过将这些参数进行分箱处理，研究团队能够将 CRS 估算值与地面观测值之间的偏差数据进行分类，从而得到一个可以用于不确定性估算的查找表。此外，研究团队还对 CRS 模型的不确定性进行了参数化和非参数化的概率模型分析，评估了不同模型在不同天况下的表现。结果表明，该不确定性模型在所有天况下都表现出良好的校准和锐度，平均连续排名概率得分（CRPS）为 50 W/m2，且对训练站点的选择具有很强的鲁棒性。

为了验证该不确定性模型的有效性，研究团队进行了多个检验运行，包括在良好建模的地点和困难建模的地点。检验运行的结果显示，该模型在不同地理和气候条件下均能提供可靠的不确定性估计，尤其是在具有复杂地形和云况变化的地点，模型能够捕捉到偏差的分布特性。此外，研究团队还对模型的校准和锐度进行了详细评估，结果表明模型在大多数情况下均能提供准确的不确定性估计，并且在不同天况下表现出良好的一致性。

CRS 的不确定性模型的构建和应用具有重要的实际意义。首先，该模型能够为用户提供详细的不确定性信息，帮助他们更好地理解和评估 CRS 数据的可靠性。其次，该模型的构建过程不需要依赖外部数据，仅需使用 CRS 内部可用的信息，这使得模型能够被集成到 CRS 的日常运营流程中。此外，该模型的构建和应用也为未来的不确定性分析提供了基础，研究团队计划进一步优化模型，探索更高效的维度减少方法，并结合机器学习技术，如神经网络，来提升模型的性能。

本研究的成果表明，CRS 的不确定性模型能够有效描述不同地理位置和天况下的偏差分布特性，并且具有良好的校准和锐度。该模型不仅为 CRS 用户提供了更精确的不确定性信息，也为相关领域的研究和应用提供了新的思路和方法。未来，研究团队将继续优化该模型，探索其在不同时间分辨率和空间分辨率下的应用，并进一步验证其在实际场景中的可靠性。此外，研究团队还计划将该模型与其他不确定性分析方法进行比较，以确定其在不同应用场景中的优势和局限性。