综述:地面太阳光谱辐照度建模综述:当前方法与机器学习机遇

《Energy》:Review of solar spectral irradiance modelling at ground level: Current methods and machine learning opportunities

【字体: 大 中 小 】 时间:2026年01月09日 来源:Energy 9.4

编辑推荐:

  太阳光谱辐照度的准确获取对于太阳能的高效利用和太阳能收集系统的战略规划至关重要。由于专用测量仪器的高成本,光谱辐照度建模已成为工业发电、农业和建筑应用等多个领域的流行替代方案。本综述对现有的地面光谱辐照度建模方法进行了全面评估,同时探讨了机器学习(ML)在该领

  
太阳光谱辐照度的准确获取对于太阳能的高效利用和太阳能收集系统的战略规划至关重要。由于专用测量仪器的高成本,光谱辐照度建模已成为工业发电、农业和建筑应用等多个领域的流行替代方案。本综述对现有的地面光谱辐照度建模方法进行了全面评估,同时探讨了机器学习(ML)在该领域的潜力。综述首先考察了影响光谱辐照度的大气参数(例如气体、气溶胶和云的组分),总结了它们在不同波长上的具体效应以及通过不同物理或数值模型的可获取性。对各种主流物理模型的系统比较表明,使用更相关的大气参数作为输入并提高时空分辨率可以提高光谱辐照度预测的准确性。然而,其准确性仍然依赖于通过测量或建模获得的准确参数获取。相比之下,统计参数化方法可以减少对复杂输入数据的依赖,从而提高计算效率并在某些条件下(如晴空条件)保持高精度。此外,机器学习是一种有前景的方法,可以进一步提高光谱辐照度建模的准确性和效率。通过利用大数据集和先进算法,机器学习(ML)模型能够捕捉传统物理模型难以表征的数据中的复杂模式和关系。这使得能够在更广泛的大气条件下更准确地预测光谱辐照度。然而,与用于总辐照度预测的机器学习(ML)模型相比,用于光谱建模的机器学习(ML)方法仍处于发展阶段。挑战在于建立大气参数与光谱辐照度输出之间可靠的波长依赖关系。通过本综述,研究人员旨在为研究人员和实践者提供全面的基础,以更好地理解光谱辐照度建模的现状,并确定未来发展的关键领域。
2. 影响太阳光谱辐照度的参数
本节系统回顾了影响太阳光谱辐照度的大气组分、气象参数以及大气指数。大气组分包括分子气体、气溶胶和云层,它们通过吸收、散射和反射改变太阳辐射的光谱分布。气体如臭氧(O3)主要吸收紫外线,水汽(H2O)和二氧化碳(CO2)在近红外波段有强吸收,瑞利散射(Rayleigh scattering)强度与波长的负四次方(λ-4)成正比,主要影响短波波段。气溶胶(aerosol)通过米氏散射(Mie scattering)和吸收影响光谱,不同气溶胶类型(如海盐、粉尘、黑碳)在特定波段有主要散射和吸收带。云层的光学性质取决于液水与冰水的比例、粒子浓度和高度等,不同云类型(如积云、卷云)的透射率差异较大,水汽路径(PWV)含量对特定波段影响显著。

2.1. 大气组分对光谱辐照度的影响
大气组分通过波长依赖的吸收和散射过程改变地面光谱辐照度。气体组分中,瑞利散射主要影响短波;臭氧(O3)在200-350 nm和550-700 nm吸收;水汽(H2O)在920-970 nm、1120-1180 nm等波段强吸收;二氧化碳(CO2)在1350-1450 nm等波段吸收。气溶胶分为海盐、硝酸盐、硫酸盐、黑碳、棕碳、粉尘、含氧有机物等,其散射和吸收波段各异。云层的辐射效应更为强烈,其光学厚度和相态(液冰比)决定透过率,不同云类型(如层云、积云)的透射率范围从1%到90%不等。

2.2. 影响光谱辐照度的气象参数
气象参数如温度、湿度、风速、压力等可通过地面观测或卫星遥感获取。温度影响气体光化学反应速率和散射效率;湿度调节气溶胶吸湿增长;风驱动对流和扩散;压力梯度决定垂直分布和水汽输送。这些参数可用于驱动气体模型(如NAME、HYSPLIT、PCTM、TOMCAT、REAM)、气溶胶模型(如TM5、EMEP、FDL-AM3、GCM)和云模型(如Prognostic Closures、Diagnostic Closures等),以推断难以直接测量的高空气象变量,为辐射传输计算提供输入。

2.3. 影响光谱辐照度的大气指数
大气指数通过参数化关系简化大气状态的描述。空气质量(Airmass, AM)表征辐射路径长度,用于计算总透过率。透过率可分解为各大气组分的透过率乘积。浊度系数包括林克浊度(Linke Turbidity, TL)和埃氏浊度(?ngstr?m Turbidity,β和α),分别表征整体浊度和波长依赖的气溶胶光学厚度。云量指数如晴朗指数(clearness index, kt)和佩雷斯清晰指数(Perez clearness index, kp)通过地面辐照度数据导出,用于描述天空状况。这些指数可替代复杂的气象参数,提升计算效率。

3. 主流太阳光谱辐照度模型
本节比较了辐射传输模型(RTMs)和统计参数化模型。辐射传输方程是理论核心,不同求解方法(离散纵标法、蒙特卡洛法、逐线法等)适用于不同场景。

3.1. 辐射传输方程
辐射传输方程描述了辐射强度沿路径的变化,包含吸收、发射和散射项。求解方法包括逐线法(Line-by-Line Method)用于高精度光谱分析,蒙特卡洛法(Monte Carlo Method)用于复杂非均匀介质,离散纵标法(Discrete Ordinates Method)用于天气和气候模型,以及两流近似(Two-Stream Approximation)用于快速通量估算。

3.2. 光谱辐照度模型输入参数比较
辐射传输模型如MODTRAN、libRadtran、6SV、SBDART、LBLRTM需要详细输入,包括大气廓线、气溶胶参数、云参数和几何参数。统计参数化模型如RTTOV、RRTM、SMARTS、SEDES2使用简化输入,如温度、压力、气体浓度、浑浊度指数和晴朗指数。不同模型对输入参数的需求影响其适用性和精度。

3.3. 光谱辐照度模型性能比较
辐射传输模型通常精度较高,但计算时间长(50-200秒/光谱),误差水平为7%-15% nRMSE。统计参数化模型计算快(约0.5秒/光谱),但精度有限(16%-22% nRMSE),尤其在不适用条件下。SMARTS在晴空下表现良好(约5%光谱残差),但在复杂大气下性能下降。整体上,模型选择需在精度、效率和适用性之间权衡。

4. 基于机器学习的光谱建模
本节探讨了机器学习(ML)在光谱辐照度建模中的潜力和现状。

4.1. 数据驱动建模方法
数据驱动方法通过从观测数据中学习模式,无需预定义物理方程,具有输入灵活、计算高效和自适应学习等优势。在光谱建模中,ML可替代部分辐射传输计算或直接预测光谱参数。

4.2. 机器学习和总辐照度(GHI)建模
ML在GHI预测中已广泛应用,基于气象站测量、天空图像或卫星数据,采用随机森林、LSTM、CNN等模型,取得了较低的RMSE(如2.46-81.82 W/m2)。这些技术可迁移至光谱建模。

4.3. 光谱辐照度中的机器学习建模尝试
目前ML在光谱建模中的应用主要集中于特定波段,如使用人工神经网络(ANN)简化辐射传输,或预测气溶胶光学厚度(AOD)在500 nm、440 nm、675 nm等单点波长。相关性分析显示,晴朗指数(kt)与各波段辐照度线性相关最强;水汽路径(PWV)与940 nm波段具有显著单调相关;空气质量(AM)和温度呈中等相关。Spearman相关系数高于Pearson表明存在非线性关系,这支持ML模型学习波长依赖的特征权重。未来ML有潜力从单波长预测扩展到多波段或全光谱重建。

5. 光谱模型未来发展的讨论
本节讨论了输入参数对确定性光谱模型和数据驱动光谱模型的影响。

5.1. 确定性光谱模型中的大气参数
确定性光谱模型需要全面的多维大气描述,参数获取依赖地面测量、卫星遥感和高空探测。高精度模型需要高时空分辨率输入,但存在测量成本高、计算延迟和空间误差等挑战。简化输入参数(如使用大气指数)可提高实用性,但可能限制适用性。

5.2. 数据驱动光谱模型中的大气参数
数据驱动模型依赖输入与输出之间的数据相关性。相关性分析揭示了不同波长上参数影响的差异,这有助于ML模型学习波长特定的特征权重。ML在光谱建模中仍处于初期,面临建立可靠波长依赖关系的挑战。其优势在于可融合多源地面参数,提升模型实用性和效率。

6. 结论与展望
本文全面综述了太阳光谱辐照度建模方法,总结了大气参数的影响、主流模型的优缺点以及机器学习的潜力。研究表明,辐射传输模型精度高但计算成本大,统计参数化模型效率高但适用性有限,机器学习(ML)有望在简化计算的同时保持精度。未来研究应提高模型的时间分辨率以捕捉云引起的快速变化,并简化输入以增强可获取性。通过降低输入复杂度并保持波长特定精度,下一代光谱模型可支持光伏优化、精准农业等多种应用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号