中国RMAPS-WINDV3和ECMWF次日地面水平总辐照度预报的条件依赖检验

《Atmospheric Research》：Condition-dependent verification of day-ahead global horizontal irradiance forecasts from RMAPS-WINDV3 and ECMWF over China

　　

•基于站点优先的配对自举法验证揭示了显著的指标依赖性。
•RMAPS-WINDV3在五个气候子区域的平均绝对误差（MAE）低于欧洲中期天气预报中心（ECMWF），但均方根误差（RMSE）更高。
•正的RMSE差异集中在夏季和正午时段。
•葵花9号卫星云型识别出具有区域依赖性的多云天空误差分布特征。

引言

光伏（PV）发电的快速发展增加了对电力系统运行中可靠太阳辐射预报的需求。全球水平辐照度（GHI）的次日预报直接关系到机组组合、备用调度、电力交易以及储能和灵活负荷的管理。GHI预报误差会传导至光伏发电功率预报中，其中高辐照时段的误差尤为重要，因为这些时段对应的潜在太阳能发电量最大。因此，太阳能预报验证不仅需要描述年度或区域平均精度，还需要描述预报误差如何随时段、季节、区域和云条件变化（Diagne等，2013；Antonanzas等，2016；Yang等，2018；Yang等，2022；Wang等，2024a）。

数值天气预报（NWP）模型是次日和中期太阳能预报的核心，因为它们为电力系统决策所需的预报时效提供了物理一致的预报（Perez等，2013；Diagne等，2013）。然而，GHI预报仍受到云发生、云量、云光学特性、气溶胶负荷、水汽、边界层演变和陆面过程等不确定性的强烈影响（Jiménez等，2016；Tuononen等，2019；Yang等，2022）。全球预报系统如ECMWF综合预报系统（IFS）提供了稳健的大尺度基准，并受益于先进的资料同化与物理参数化方案，包括现代辐射方案（Hogan和Bozzo，2018；ECMWF，2023）。区域模型可能通过提供更精细的地形表征、陆-气耦合和区域气象过程而增添价值，但其对地面辐照度的益处并不必然，因为在高分辨率下云和辐射误差也可能增加。

WRF-Solar是为改进天气研究与预报（WRF）模式中太阳辐射过程表征而开发的。其发展内容包括改进的太阳位置效应处理、气溶胶-辐射相互作用、云-气溶胶-辐射耦合以及辐照相关诊断功能，在特定条件下已显示出可改善太阳辐照度预报的某些方面（Ruiz-Arias等，2014；Thompson和Eidhammer，2014；Jiménez等，2016；Jiménez等，2022）。在中国，已有研究考察了气溶胶光学厚度、云-辐射过程以及区域模型配置在GHI模拟和预报中的作用（Cheng等，2022；Wang等，2022；Wang等，2024b；Guo等，2025；Yue等，2025）。近期研究还强调，次日NWP太阳辐照度误差在很大程度上取决于气象条件和季节，且基于物理的太阳能预报在电力系统次日调度中具有直接经济价值（Dou等，2024a；Dou等，2024b；Wang等，2024a）。这些研究表明，面向太阳能的区域模型性能无法通过单一的年度平均统计量来充分表征，需要在不同区域和气象条件下进行验证。

RMAPS-WINDV3是面向中国风能和太阳能应用开发的业务性区域预报系统，基于WRF-Solar相关模型发展。鉴于其业务应用特性，重要的是不仅评估RMAPS-WINDV3平均而言是否优于或劣于ECMWF，还要评估在哪些条件下各系统表现出较低或较高的误差。这一区分很重要，因为不同的验证指标描述了预报误差的不同属性。平均绝对误差（MAE）代表误差的典型绝对量级，而均方根误差（RMSE）对大误差事件赋予更大权重。因此，一个预报系统可能在MAE上有所改善而在RMSE上有所恶化，如果它在改善大量常规案例的同时产生了更重的大误差尾部。这种指标依赖性对光伏应用尤为重要，因为常规调度和高影响备用风险可能需要对预报质量进行不同的解读（Hyndman和Koehler，2006；Yang等，2020）。

中国为条件依赖型GHI预报验证提供了一个严苛的试验平台。中国西北部以相对干燥的气候和丰沛的太阳能资源为特征；青藏高原兼具高海拔与复杂地形；中国中部和南部受季风水汽和频繁的云变化影响显著；热带南部地区则受湿润和沿海气象条件的影响。这些区域差异既可能影响典型的预报误差，也可能影响大误差事件的发生频率。因此，RMAPS-WINDV3与ECMWF的比较不应仅依赖于合并的全国统计量。在空间分布不均的站点网络中，直接合并所有站点-时间样本可能给有效记录更多的区域或站点以过大权重。采用站点优先的汇总策略——即先在各站点计算误差指标，再在气候子区域内进行汇总——更为适合评估具有区域代表性的预报性能。

统计不确定性是区域预报对比中另一个重要问题。两个预报系统之间的差异可能反映系统性的性能对比，但也可能受到各子区域内有限且分布不均的站点数量与分布的影响。这在区域结论基于站点级指标而非合并的小时样本时尤为相关。站点配对自举法重采样提供了一种实用的方法来量化RMAPS-WINDV3与ECMWF之间差异的不确定性，同时保留了每个站点对比中配对的特性（Efron和Tibshirani，1993；Wilks，2011）。本研究利用自举法置信区间来区分稳健的区域差异与数值较小或统计约束不充分的差异。

云条件是GHI预报不确定性的主导来源。晴空辐照度受太阳几何和大气透明度的约束较为严格，而多云天空辐照度则取决于云的发生、云量、光学厚度、垂直结构和时间分布。许多太阳辐射验证研究利用晴空指数或清晰度指数来分类天空条件，这提供了相对于晴空条件的辐照衰减的有效度量，但并不能直接识别导致该衰减的云类型（Lauret等，2022）。卫星云产品提供了一种互补的观测基础，用于按具有物理可解释性的云类型分层预报误差。葵花8号/9号静止气象卫星系统为东亚地区提供了高频观测，而ISCCP风格的云型概念根据云顶气压和光学厚度将云分层（Rossow和Schiffer，1999；Bessho等，2016；Imai和Yoshida，2016；JAXA，2025）。近期对中国葵花9号地表短波辐射产品的评估进一步支持了卫星辐射和云信息对于条件依赖型太阳辐射验证的相关性（Zhang等，2025）。因此，结合站点观测、NWP预报、葵花9号辐射反演和葵花9号CLP云型标签，能够实现比二元或阈值型晴/云分类更具物理分辨力的云类型验证。

本研究在葵花9号卫星覆盖约束下，于2024年对中国境内RMAPS-WINDV3和ECMWF的次日GHI预报进行了评估，采用统一的基于站点的验证框架。分析旨在回答三个问题：第一，当在站点层面计算指标并使用站点配对自举法不确定性评估时，RMAPS-WINDV3与ECMWF在各气候子区域间有何差异？第二，MAE和RMSE在解释模型性能时有何不同，这揭示了哪些关于典型误差和大误差事件的信息？第三，RMAPS-WINDV3与ECMWF的误差差异如何随时段、北京时（BJT）小时和葵花9号CLP云型变化？通过回答这些问题，本研究对两个次日GHI预报系统进行了条件依赖型验证，并确定了其差异最为显著的区域、时间尺度及云类型背景条件。

章节摘要

研究区域与气候子区域

本研究评估了2024年中国境内的次日GHI预报。中国因地理范围广、地形梯度显著和气候类型多样，为太阳辐射预报验证提供了极具挑战性的区域。该国西部地区以高地形和干旱或半干旱环境为主，而东部和南部地区则更受季风水汽、云变化和沿海影响。这些空间差异是

GHI和预报误差的总体空间格局

图2展示了2024年ECMWF、RMAPS-WINDV3和葵花9号反演结果的年均白天GHI、平均偏差（MBE）和RMSE的空间分布。所有数值均基于葵花9号覆盖验证域内满足太阳天顶角小于85°条件的有效白天样本计算得出。本节首先描述白天GHI的空间背景，然后考察相应的偏差和RMSE分布特征。

年均白天GHI在中国呈现明显的区域梯度（图2a-c）。

区域预报性能的指标依赖性

本研究的核心发现之一是RMAPS-WINDV3与ECMWF的相对性能强烈依赖于验证指标。RMAPS-WINDV3在七个气候子区域中有五个的MAE低于ECMWF，而其RMSE在五个子区域中高于ECMWF。这一结果不应被解读为矛盾，而是表明两个预报系统在误差分布特征上存在差异。

MAE代表预报误差的典型绝对量级，

结论

本研究评估了2024年中国境内RMAPS-WINDV3和ECMWF次日GHI预报的条件依赖型性能。地基辐射观测、数值预报、葵花9号辐射反演和葵花9号CLP云型标签被整合到统一的基于站点的验证框架中。采用站点优先汇总、站点配对自举法重采样、季节-小时分层和云类型分类来考察相对性能

作者贡献声明

郭良辰：原文撰写、软件、方法学、资金获取。杨阳：审阅与编辑、可视化。刘瑞进：审阅与编辑、验证。陈敏：审阅与编辑、项目管理、数据整理、概念构思。

生成式人工智能及AI辅助技术声明

在本文撰写过程中，作者使用了ChatGPT进行语言润色、可读性改进和稿件文本的编辑修改。作者对输出内容进行了审阅和编辑，并对已发表文章的内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

致谢

作者感谢本研究中使用的中国气象局（CMA）辐射观测数据、ECMWF预报数据、RMAPS-WINDV3预报数据以及葵花卫星产品的提供方。本研究由中国国家自然科学基金（项目编号42505188和42575207）以及中央级公益性科研院所基本科研业务费（项目编号IUMKY202607）资助。

郭良辰 | 杨阳 | 刘瑞进 | 陈敏