《Cleaner Engineering and Technology》：Global Daily Surface Solar Radiation Model for Temperate Regions Considering Cloud and Terrain Effects in Google Earth Engine
编辑推荐：
本研究针对观测稀疏和地形复杂地区地表太阳辐射(SSR)精确模拟的挑战，提出了一个基于Google Earth Engine (GEE)平台的、气象驱动的半经验日尺度SSR估算模型(Semi-Model)。该模型整合了晴空辐射潜力、地形效应及云宏微观物理属性，并开发了量化地形遮蔽效应的GEE.SVF工具。在BSRN站点的评估显示模型精度高，平均误差为-0.03×103KJ/m2(10.21%)，均方根误差为3.31×103KJ/m2。模型有效量化了云和地形的影响，在复杂地形区RMSE保持在1.10–2.49×103KJ/m2以内。与广泛使用的Black模型相比，Semi-Model将RMSE降低了1.12×103KJ/m2。与机器学习模型XGBoost相比，Semi-Model在BSRN和中国气象局站点上表现相当或更优。这项研究为数据稀缺、地形异质性区域的太阳能资源评估和规划提供了一种实用、可扩展的方法。
准确估算太阳辐射，对于理解和预测地球气候、生态环境至关重要，更是开发和利用太阳能这一清洁可再生能源的基础。然而，现实情况是，许多地区，特别是那些地形崎岖、气象观测站稀疏的地方，想要获得高精度、全覆盖的地表太阳辐射(SSR)数据，依然困难重重。传统的站点观测成本高昂、分布有限，而经典的估算模型往往依赖局部气象数据，难以推广到缺乏地面数据的广袤区域。谷歌地球引擎(GEE)平台虽然集成了海量遥感数据，但其内置的地形分析工具功能有限，无法精确量化复杂地形对太阳光的遮挡效应，这成为在GEE上实现高精度SSR模拟的一个关键瓶颈。为了突破这些限制，一项新的研究在《Cleaner Engineering and Technology》上发表，旨在开发一个能够在GEE平台上运行、适用于全球温带地区、且能综合考虑云和地形影响的日尺度SSR估算模型。
为了构建这个模型，研究人员综合运用了多种关键技术方法。首先，他们开发了一个名为GEE.SVF的新工具，用于在GEE平台上精确计算天空视域因子(SVF)，以量化周围地形对天空漫射辐射的遮蔽。其次，他们建立了一个晴空辐射模型，该模型基于Iqbal Model C计算大气透过率，并集成了GEE.SVF计算的地形遮蔽信息，来模拟无云条件下的地表太阳辐射。最后，他们以计算出的晴空辐射为基准，利用从GEE平台获取的遥感数据（包括云量、云水路径、云光学厚度、云粒子有效半径和地表温度），通过非线性回归拟合，构建了一个半经验的全天候SSR估算模型（Semi-Model）。模型的训练和验证使用了来自全球15个温带气候区基准地表辐射网络(BSRN)站点、中国气象局(CMA)8个站点以及中国新疆提孜那甫河流域3个自动气象站(AWS)的地面实测数据。
4.1. 晴空模型验证
研究人员利用提孜那甫河流域3个AWS在2012-2014年间的晴空日数据验证了晴空模型的性能。结果显示，在XHX、KD和MMK三个站点，模型的均方根误差(RMSE)分别为1.69×103KJ/m2、1.10×103KJ/m2和2.49×103KJ/m2，决定系数(R2)平均值达到0.96。这表明，在考虑地形遮蔽和大气衰减后，晴空模型能够较为准确地模拟复杂山区的太阳辐射。
4.2. 全天候模型验证
利用2011-2013年15个BSRN站点的数据对构建的半经验全天候模型(Semi-Model)进行验证。模型表现出色，三年的平均误差(ME)为-0.03×103KJ/m2(10.21%)，平均绝对误差(MAE)为2.41×103KJ/m2(24.85%)，RMSE为3.31×103KJ/m2。模拟值与实测值之间的R2约为0.83，显示出高度一致性。
5.1. GEE.SVF工具的验证与敏感性分析
通过与ESRI ArcGIS Solar Analyst的视域分析结果对比，验证了GEE.SVF工具计算SVF的准确性和有效性。该工具不仅能提供与商业软件一致的SVF分布模式，还能输出更详细的方位遮蔽角信息。研究确定以5公里为半径、按5度间隔划分72个方向进行计算，能在保证精度的同时优化计算效率。
5.2. Semi-Model在其他温带气候区的验证
为了测试模型的泛化能力，研究人员使用中国南部和东南部温带区的8个CMA站点2010年和2015年的数据进行独立验证。模型在这些站点上取得了ME为0.89×103KJ/m2(26.69%)，RMSE为4.12×103KJ/m2的结果，R2约为0.65。虽然误差略高于BSRN站点，但模型整体表现稳健，证明了其在其他温带地区的适用性。分析指出，当云量(CF)接近1或云水路径(CWP)接近临界值时，模型可能出现低估，这反映了输入云数据的不确定性对模型性能的影响。
5.3. 与云基模型和机器学习模型的比较
研究将Semi-Model与广泛使用的Black云基模型以及先进的机器学习模型XGBoost进行了对比。在BSRN站点上，Semi-Model的表现显著优于调整后的Black模型，将MAE、平均相对误差(MARE)和RMSE分别降低了0.43×103KJ/m2、4.48%和0.48×103KJ/m2。在CMA站点上，Semi-Model的优势更加明显，将RMSE降低了1.12×103KJ/m2。与XGBoost模型相比，Semi-Model在BSRN站点上取得了与之相当的精度(RMSE均为3.31×103KJ/m2)，在CMA站点上甚至表现更优(RMSE: 4.12 vs. 4.29×103KJ/m2)。更重要的是，Semi-Model具有明确的物理意义和更高的可解释性，且不会像XGBoost那样偶尔产生物理上不可能的负辐射预测值。
5.4. 太阳能资源评估
利用Semi-Model，研究人员评估了2016年15个BSRN站点的太阳能资源丰度(SA)和稳定性(ST)。评估依据中国国家标准GB/T 37526-2019。结果显示，大多数站点资源丰度达到“较丰富”或“丰富”级别，其中E13站点最为突出。资源稳定性方面，E13站点在6月至9月表现“很稳定”，最利于太阳能利用。而LER站点虽然资源丰度“一般”，但在5月和12月稳定性很高。这项评估展示了模型在实际太阳能规划和选址中的应用潜力。
研究结论与意义
本研究的核心成果是开发并验证了一个在谷歌地球引擎平台上完全实现的、适用于温带地区的日尺度地表太阳辐射半经验模型。该模型创新性地整合了晴空辐射物理模型与基于遥感数据的经验统计方法，并成功将经典的地形遮蔽算法(Dozier and Frew, 1990)以GEE.SVF工具的形式集成到GEE平台，有效解决了GEE原生地形分析功能的不足。
研究表明，该Semi-Model能够以高精度（在BSRN站点RMSE为3.31×103KJ/m2）模拟温带地区的SSR，其性能显著优于传统的云基模型(Black模型)，并与先进的机器学习模型(XGBoost)表现相当甚至更优，同时避免了“黑箱”模型可能产生的物理不协调问题。模型在复杂地形区（如提孜那甫河流域）和不同温带气候区（中国CMA站点）的有效验证，证明了其强大的泛化能力和实用性。
这项研究的意义在于，它为解决数据稀缺、地形复杂区域的太阳能资源高精度评估难题，提供了一种高效、可扩展且完全基于云平台的技术方案。模型仅需地理坐标即可估算任意地点的太阳辐射潜力，结合GEE.SVF工具提供的地形遮蔽信息，可直接为光伏板最佳倾角设计提供依据，从而为区域太阳能规划、电站选址和可再生能源政策制定提供了强大的数据支持和决策工具。未来，通过集成更高分辨率的云数据、人工智能技术以及耦合人工神经网络，该框架有望进一步提升模拟精度并扩展至短临预报，在清洁能源和气候研究领域具有广阔的应用前景。
