利用物理信息多模式降尺度进行偏差校正的CMIP6对2050年沿海直接法向辐照度的预测

《Solar Energy》:Bias-Corrected CMIP6 projections of coastal direct normal irradiance to 2050 using physics-informed multi-model downscaling

【字体: 大 中 小 】 时间:2026年10月24日 来源:Solar Energy 7.9

编辑推荐:

   • 清晰度指数迁移使驱动因子与目标的相关性从 0.06 提升到 0.99。 • 分位数增量映射(QDM)将一个虚假的 +8–10% 增强信号翻转为轻微下降。 • 25 个 CMIP6 模型的集合使模型间离散度成为最大的不确定性来源。 • 气溶胶光学厚度(AOD)对预测的影响被

  

• 清晰度指数迁移使驱动因子与目标的相关性从 0.06 提升到 0.99。
• 分位数增量映射(QDM)将一个虚假的 +8–10% 增强信号翻转为轻微下降。
• 25 个 CMIP6 模型的集合使模型间离散度成为最大的不确定性来源。
• 气溶胶光学厚度(AOD)对预测的影响被量化,既可作为诊断工具也可作为预测因子。
• DNI 预计到 2050 年基本保持稳定;情景排序跟随空气质量变化,而非辐射强迫。

引言
聚光太阳能发电(Concentrated Solar Power,CSP)将太阳直射光——即直接法向辐照度(direct normal irradiance,DNI)——转化为可调度的电力,尤其适用于干旱、高辐照地区,可在这些地方提供可储存的稳定电力。可信的多十年 DNI 预测对于 CSP 所需的长周期投资至关重要,因为今天投运的电站将运行在与其最初 DNI 评估时所处的气候条件显著不同的气候环境下。

然而,这类预测面临结构性障碍。直接法向辐照度(DNI)并未在第六阶段耦合模式比较计划(CMIP6)中存档。CMIP6 是一个国际框架,协调全球的建模团队在不同情景下模拟地球过去、现在和未来的气候。全球模式存档的是地表向下短波辐射(CMIP6 变量 rsds),其等价于全球水平辐照度(GHI),定义为水平面上的直射与散射辐射之和(CF/CMIP6 标准名 surface_downwelling_shortwave_flux_in_air [1])。因此,CMIP6 存档中没有单独的 DNI [1]。DNI 资源只能通过统计降尺度推断。已有的大多数 CMIP6 太阳能资源研究针对光伏的 GHI [2][3],聚焦内陆或全球区域 [4],并报告在高排放路径下本世纪末温和的辐照度下降,例如印度部分地区降幅超过 10% [5]。针对地面参照沿海站点的 DNI 预测仍然稀缺,而这些站点的资源对湿度、云和气溶胶最为敏感;许多已发表的预测仅依赖单一气候模式以及原始或轻度校正的驱动因子 [6]。本研究案例区域——巴基斯坦——尤其值得关注,该国面临长期电力缺口,电网以化石能源为主。巴基斯坦太阳能资源极为丰富,南部(沿海)地区年 DNI 超过 4.9 kWh/m2·天 [7]。

近期高分辨率研究显示降尺度对太阳能资源预测的价值,但也揭示了重要局限。Zhu 等 [8] 针对中国(2015–2060)开发了包含气溶胶–辐射耦合的 10 km WRF-Chem 数据集,但仅预测了 GHI、水平直接辐射以及基于 GHI 的光伏功率,DNI 仅用于验证。更重要的是,他们将 18 个 CMIP6 模型合并为单一偏差校正集合后再进行降尺度,消除了模型间不确定性,而采用单条碳中线路径的做法也限制了对比不同情景。计算限制还导致模拟仅在每五年中的四个月份运行,从而对年估计引入不确定性。Carvalho 等 [9] 在葡萄牙使用更精细的 6 km 网格和三组 SSP,但仅依赖一个通用环流模式(GCM)(MPI-ESM-1.2-HR),未能解决模型间不确定性。其光伏估计基于 GHI,排除了气溶胶,且未来变化采用原始的历史–未来差值,而非基于观测或保持趋势的偏差校正。

这一局限并非动力降尺度研究独有。更广泛的多模式评估从另一个方向得出类似结论。Olusegun 等 [10] 评估了尼日利亚地区 15 个 Africa-CORDEX 区域模式(RCM)以及 16 个 CMIP5 和 16 个 CMIP6 全球模式(GCM),发现区域模式更高的分辨率和更复杂的物理过程并未在太阳辐射性能上胜过更粗糙的全球模式。这表明更精细的分辨率本身并不能保证更好的太阳能资源预测。类似地,Adigun 等 [11] 在非洲使用 40 个 CMIP6 模式的集合,但和 Olusegun 等 [10] 一样依赖 ERA5 再分析而非地面观测,并聚焦全球辐射或光伏集成辐照度而非 DNI。两项研究都将模式插值到统一网格上,这在沿海站点尤为有害,因为它混合了陆海条件,可能扭曲控制直射辐射的湿度、云和气压场。事实上,Adigun 等 [11] 报告沿海网格单元中偏差最大,这为开展本研究提供了有力依据。两项研究均未对预测结果进行偏差校正:Olusegun 等 [10] 指出偏差校正是必要步骤但未实施,而 Adigun 等则将 40 个模型合并为单一技能加权平均,实际上是把模型间结构不确定性平均化,而非对其加以量化。

Ha 等 [12] 使用配对的 CMIP5/CMIP6 集合预测聚光太阳能输出,指出一个关键挑战:由于 DNI 在 CMIP 存档中不可得,他们将 DNI 估计为全局辐照度的固定比例(Rd ≈ 0.75·RSDS)。该代理变量仅对照再分析验证,并未做分布性偏差校正。本文提出的清晰度指数迁移函数直接弥补了这一不足,将驱动因子与目标的相关性从原始 GHI 的 0.06 提升至 0.99。Polo 等 [13] 将 DNI 固定为典型气象年(TMY)气候值,仅改变定日镜—接收器路径上的大气衰减。其分析使用原始插值的多模式气溶胶光学厚度(AOD),既未提供偏差校正的 DNI 预测,也未给出正式的模型间不确定性预算。在较短时间尺度上,Rathnayake 与 Wijewardane [14] 对南亚站点的带储能聚光太阳能系统进行了 30–360 分钟时间尺度的 DNI 预报。结果表明仅用 GHI 不足以估计 DNI,因为云和气溶胶对直射与总辐照度的影响不同,而清晰度指数和太阳几何是强预测因子。这些发现面向短期预报,而非多十年尺度的资源评估。

Bracht 等 [15] 为巴西未来建筑气象数据采用类似的两步框架:先对表面 GHI 做月度量级映射(QDM),再分解出直射成分。但他们使用通用的 Boland–Ridley 分解、一个小型 CORDEX 集合,且目标是建筑能耗而非太阳能资源。本文则使用站址校准的迁移函数和一个更大的多模式集合,专注于资源评估。

综合来看,这些研究揭示了一个反复出现的权衡:更高的空间分辨率往往以牺牲集合规模、情景覆盖、时间连续性或直接 DNI 为代价。这对南亚尤为重要——CMIP6 和 CORDEX 均不提供 DNI,可用的 GCM–RCM 组合太少,无法支持稳健的不确定性分析。现有以直射光为焦点的研究要么从 GHI 估算 DNI,要么保持 DNI 资源固定仅改变大气衰减,要么仅涉及短期预报。没有一项研究提供了经过地面验证、偏差校正、包含四维不确定性预算的多十年 DNI 预测——这正是本研究要弥补的空白。本研究采取不同的路线。DNI 通过一个经地面观测校准、具有物理内涵的迁移函数重构,并分别应用于经偏差校正的 CMIP6 模型,从而让粗糙的气候网格单元充当预测器而非最终产品。这使得全部 25 个 CMIP6 模型可在四个 SSP 情景下、以连续月度分辨率保留到 2050 年,同时捕捉季风循环,并将预测不确定性、结构不确定性、模型间不确定性和情景不确定性加以区分。一个受控消融实验进一步隔离了偏差校正的作用。

选择全球多模式集合而非区域降尺度存档,这一点得到了 Dosio 等 [16] 的支持,他们在非洲比较了大型 CMIP5/CMIP6 集合和 CORDEX/CORDEX-CORE 集合。他们发现模拟数量从 CMIP5 的 33 个急剧下降到 CORDEX-CORE 的 9 个,而高分辨率的 CORE 方案因计算需求仅涉及三个 RCM 组。CORDEX-CORE 还缺少 RCP4.5,限制了一致的情景对比。更重要的是,Dosio 等 [16] 发现区域降尺度的附加价值并不一致地存在,尤其是对于平均值量;在某些区域,全球和区域集合甚至预测出方向相反的变率。CORDEX 框架内部也已直接检验了不同模式分辨率对区域预测的影响。这与 Olusegun 等 [10] 的发现一致:尼日利亚地区更精细的 CORDEX 网格并未提升太阳辐射技巧。对于依赖大集合、四个 SSP 和显式 DNI 预测的本研究而言,这些局限使区域存档不太适用。区域存档提供的 GCM–RCM 组合更少、情景覆盖有限,且无直接 DNI,限制了不确定性的模型间成分和情景成分。区域模式可以改善空间场上的过程表征,尤其是季风动力学等特征;但本研究聚焦单一的地面参照沿海站点,空间特异性通过站址校准的迁移函数与模型专属的 QDM 获得,而非依赖更精细的驱动网格。因此,统计降尺度在保留更大集合、更广情景覆盖和不统计分析所需灵活性的前提下,提供了所需的本地化。

沿海环境在方法论上尤为苛刻。第一,CMIP6 网格单元(约 100 km)将海洋和陆地混在一个格盒中,沿海站点的近地面湿度、温度、气压和云被系统性误表,而这些恰恰是调节直射光的场,使偏差校正成为前提条件而非优化细节 [17]。主要问题在于网格单元对单一沿海站点条件的代表性。约 100 km 的网格同时包含陆地和海洋区域,其近地面条件可能与站点实际观测不同。我们的方法是在估计 DNI 之前,使用本地验证的观测数据集对模式变量进行校正(细节见 2.4 节)。因此,模式或参考数据集的网格尺寸并不直接影响最终预测。第二,在南亚背景下,尤其是,季风季节性变化很大 [18],要求按日历月解析所有统计量。更复杂的是,气候预测的不确定性常被混淆,模型间、情景、结构和预测等贡献被报告为单一带宽或被忽略,反而掩盖了哪些成分真正占主导 [19]。

本研究针对巴基斯坦卡拉奇附近的一个沿海站点,作出以下五项贡献:(i)面向直射光、经地面验证的降尺度,预测 CSP 关注的资源 DNI,这正是在陆海网格偏差最严重的场景;(ii)一个物理启发的迁移函数,通过清晰度指数剥离天文学周期,提升驱动因子与目标的相关性,并包含 AOD 对预测模型的影响;(iii)基于 25 个 CMIP6 模型的显式四维不确定性分解;(iv)受控的"有/无偏差校正"实验,以隔离校正的作用;(v)一个端到端可复现的流程,在既定协议下对机器学习架构进行基准评估。

需要指出的是,本文提出的迁移函数可被理解为一种站址校准、按月分辨的分离模型:它在保留这些经典方案的清晰度指数物理机制的同时,将其系数适配到本地沿海条件。因此,它不是物理模型的黑箱替代品,而是一个具有物理内涵的回归模型。

小节摘录
数据与方法
方法论框架见图 1。

驱动因子场的偏差校正
图 2 展示了用于 DNI 估计的气象预测因子的观测值、原始 CMIP6 值和经偏差校正的 CMIP6 值。结果将 25 个模型、4 个 SSP 情景下的所有数据合并呈现,而非仅以集合平均给出,从而能完整反映模型间变异性。在偏差校正之前,超范围比例最高的变量依次为气压、相对湿度、清晰度指数和风速,分别为 26.4%、21.4%、17.2% 和 14.7%,这与预期一致。

结论与建议
本研究采用一个结合 QDM 与 25 个 CMIP6 模型集合的物理启发"完美预报"(perfect-prognosis)框架,针对一个沿海站点在四个 SSP 情景下预测到 2050 年的 DNI,并量化预测不确定性、结构不确定性、模型间不确定性和情景不确定性。清晰度指数表述将预测因子与目标的相关性从约 0.06 提升到 0.99,并取得良好的样本外表现(测试 R2=0.977;RMSE=7.4 kWh/m2·月)。预测的平均 DNI 将保持接近其……

CRediT 作者贡献声明
Ahmed Raza:撰写原稿、软件、方法、调查、数据整理、概念化。
Romaisa Shahjehan:可视化、软件、正式分析、数据整理。
Syeda Hijab Fatima:可视化、软件、方法、正式分析。
Momina Ahmad:撰写—审阅与编辑、验证、监督、软件、资源、项目管理、资金获取、正式分析、概念化。

利益冲突声明
作者声明不存在任何可能影响本文工作发表或内容的已知财务利益或个人关系。

致谢
作者感谢世界气候研究计划(WCRP)的耦合模式工作组,该工作组协调了第六阶段耦合模式比较计划(CMIP6),并感谢各气候建模团队产生和共享其模式输出;感谢地球系统网格联合会(Earth System Grid Federation)和 Pangeo 社区对这些数据的存档与访问支持;感谢情景社区开发本研究所使用的共享社会经济路径(SSPs)。本研究还使用了气象……

Ahmed Raza | Romaisa Shahjehan | Syeda Hijab Fatima | Momina Ahmad
相关新闻
生物通微信公众号
微信
新浪微博

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