基于物理约束深度学习的CMIP6太阳辐射偏差校正及其对非洲太阳能规划的影响

《Renewable Energy》：Physics-constrained Deep Learning Bias Correction of CMIP6 Solar Radiation Over Africa and Its Implications for Solar Power Planning in a Changing Climate.

本文提出了一种物理约束深度学习(PhysConDL)框架，有效校正CMIP6（耦合模式比较计划第六阶段）中非洲地区地表太阳辐射(Rs)的系统性偏差。该方法将辐射传输原理融入神经网络架构，显著提升了太阳能资源评估的可靠性，为非洲气候变化背景下的光伏(PV)基础设施规划提供了科学依据。

　　

系统偏差

大气动力学、云层过程和气溶胶负荷在非洲各地形成了不同的区域辐射模式，影响着太阳能资源的可用性。图(2)揭示了CMIP6各模型在地表太阳辐射(Rs)方面存在显著的系统性偏差，这些偏差严重影响了太阳能资源评估。虽然CMIP6历史模拟的多模型集合平均(MME)与SARAH-2.1观测数据显示出广泛的一致性，但突出的区域偏差依然存在，这削弱了未来太阳能资源预测的可靠性。

结论

本研究证明了我们的物理约束深度学习(PhysConDL)框架在解决CMIP6非洲地表太阳辐射模拟中的系统性偏差方面具有强大能力。通过将基本的辐射传输原理融入神经网络架构，我们成功地将整个非洲大陆的模型偏差降低了70-85%，多模型集合偏差从1.8 W/m²降至接近零的值。该框架的有效性在于其能够捕捉复杂的云-气溶胶-辐射相互作用，同时保持物理一致性，为非洲不断变化的气候条件下的太阳能规划提供了更可靠的基础。