数据稀疏热带地区太阳辐照度预报：一种新颖的空间站点自适应WRF–LSTM混合方法

《Earth》：Solar Irradiance Forecasting in Data-Sparse Tropical Regions Using a Novel Spatial Site-Adapted WRF–LSTM Hybrid Approach

　　

在数据稀疏的热带地区，由于复杂地形、快速发展的对流云以及有限的地面观测，准确的太阳辐照度预报仍然具有挑战性。本研究提出了一种新型混合预报框架，该框架将天气研究与预报（WRF）模型（10 km）与基于站点的长短期记忆（LSTM）偏差校正相结合，并辅以三种创新的空间站点自适应策略，以生成空间连贯的短期辐照度场。该混合系统利用来自8个BMKG站点（2023年）的逐时全球水平辐照度（GHI）数据以及GK2A卫星云信息，动态校正WRF预报偏差，捕获标准数值天气预报（NWP）模型无法解析的非线性云–辐照度相互作用。结果表明，混合WRF–LSTM系统将1–3天预报的均方根误差（RMSE）降低了120–127 W/m²，相对RMSE（rRMSE）降低了26%，同时将相对平均偏差误差（rMBE）从原始WRF的31–36%降低至2.5–4.1%，其中最大的改进出现在初始WRF误差较高的区域。在空间自适应方法中，平均方案使RMSE最小化，但空间连贯性较弱；距离加权方案与区域再分析数据（R² = 0.37）实现了最强的空间一致性，且偏差最小；高程方案则保证了全域覆盖，但技能中等。本研究表明，将动力学NWP建模与基于LSTM的偏差校正及定制化空间迁移策略相结合，为热带环境中短期太阳辐照度预报和资源制图提供了一种稳健、可扩展的方法。所提出的框架对于观测数据稀疏且地形高度异质地区的光伏发电预测、电网管理和可再生能源规划具有实际意义。

论文解读：数据稀疏热带地区太阳辐照度预报的WRF–LSTM混合方法

全球变暖导致地表温度持续上升，推动能源系统向低碳转型。太阳能光伏发电成本显著下降，印尼拥有丰富太阳能资源，但西爪哇地区地形复杂、对流云系快速形成，且地面观测数据稀疏，给短期太阳辐照度预报带来巨大挑战。传统数值天气预报（NWP）模型在热带对流环境中误差较大，而纯机器学习模型依赖高质量历史数据。针对这些问题，本研究提出一种将天气研究与预报（WRF）模型（10 km）与基于站点的长短期记忆（LSTM）偏差校正相结合的新型混合框架，并辅以三种创新的空间站点自适应策略，以生成空间连续的短期辐照度场。

研究人员利用印尼气象、气候与地球物理局（BMKG）8个自动气象站（AWS）2023年的逐时全球水平辐照度（GHI）数据，结合GK2A卫星云信息，动态校正WRF预报偏差。结果表明，混合WRF–LSTM系统将1–3天预报的均方根误差（RMSE）降低120–127 W/m²，相对RMSE（rRMSE）降低26%，相对平均偏差误差（rMBE）从原始WRF的31–36%降至2.5–4.1%，改善最大的区域出现在初始WRF误差较高的地区。三种空间自适应方法中，平均方案最小化RMSE但空间连贯性弱；距离加权方案与区域再分析数据（R² = 0.37）的空间一致性最强且偏差最小；高程方案确保全区域覆盖但技能中等。该研究证明，动态NWP建模与LSTM偏差校正及定制化空间迁移策略的集成，为热带数据稀疏和地形异质地区的短期太阳辐照度预报及资源制图提供了稳健、可扩展的方法，对光伏功率预测、电网管理和可再生能源规划具有实际意义。论文发表在《Earth》。

主要关键的技术方法包括：数据来源为BMKG 8个AWS站（西爪哇，2023年）、GK2A卫星可见光反射率与云指数、NCEP GFS全球强迫场（0.25°，3小时）、SRTM数字高程。WRF模拟采用双向嵌套域（30 km/10 km，31×31格点，33垂直层），配置Thompson微物理、RRTMG辐射、MM5近地面、Noah陆面、MYNN边界层及Kain-Fritsch对流方案，输出逐时GHI。LSTM偏差校正以WRF预报和GK2A云信息为输入，通过门控机制学习WRF与观测的非线性残差，使用滑动窗口（24/48/72小时），按时间顺序70%训练、30%测试。空间站点自适应分别采用平均偏差全场应用、50 km距离缓冲迁移、按高程分级迁移三种方案，并用ERA5-Land再分析进行空间一致性评估。

研究结果方面：

3.1 数据完整性与质量控制
8个AWS数据集缺失比例在0.09%至11.06%之间，缺失集中在2月、5月、10月和12月下旬。质量控制程序确保了站间同质性，并得到逐时白天辐照度记录。

3.2 LSTM超参数
针对每个AWS单独优化LSTM结构。多数站点采用24个隐藏单元，IDMA 1调整为12个，PLRT为48个；dropout率为0.0001，IDMA 1为0.001；训练100个epoch，Adam优化器，批量大小20（JTNG为24）。

3.3 WRF导出的GHI空间分布
WRF输出显示西爪哇GHI呈明显南北梯度：北部低地平均约600 W/m²，中部高地因地形云约300 W/m²。该模式在1–3天预报中保持，但随预报时效增加梯度变平滑。

3.4 混合WRF–LSTM性能评估
与单独WRF相比，混合模型在所有站点显著降低误差。BJMG站RMSE降幅最大（约187.65 W/m²），UJGT降幅最小（约83.42 W/m²）。各站点RMSE总体降低约120–127 W/m²，rRMSE下降超过25%，MBE最多降低128 W/m²，R²增加0.18–0.20。R²提升在原始WRF技能最低的站点最显著，如UJGT（ΔR²≈0.263）。在1DA、2DA、3DA三个时效，混合预测与观测的散点更贴近回归线，表明系统性偏差和非线性云相关误差得到有效校正。

3.5 空间站点自适应方案
平均方案（方案1）计算各站WRF–LSTM与WRF的平均差，全场统一应用。距离方案（方案2）以50 km缓冲半径限制校正区域，约33%区域未覆盖；除BJSR站孤立外，其余站点平均区域校正为122.60 W/m²。高程方案（方案3）按高程分类（0–10、10–500、>500 m）分组应用校正。空间图显示：原始WRF高值最多；方案1场均匀平滑；方案2仅缓冲区内调整，未覆盖区显示为黑色；方案3明显呈现地形分层。

3.6 空间站点自适应方案评估
以ERA5-Land为参考，原始WRF的rRMSE=78.72%，rMBE=25.48%。方案1误差最低（RMSE=113.23 W/m²，rRMSE=38.32%），但R²仅为0.17，空间变异性捕获不足。方案2的RMSE略高，但MBE最低（25.67 W/m²，rMBE=8.64%），R²最高（0.37），空间一致性最好；该指标仅在50 km缓冲区内计算。方案3实现全区域覆盖，但R²=0.09、rRMSE=39.04%，表明在热带对流气候中，动态云过程比静态高程更能控制GHI梯度。总体而言，没有单一方案在所有指标上最优。距离方案在数据覆盖足够时最具潜力。

3.7 建议与未来研究方向
未来可采用高分辨率或集合WRF，将卫星云光学特性更显式地纳入LSTM输入，探索Transformer、卷积LSTM、图神经网络等先进时空架构，并引入贝叶斯深度学习等不确定性量化。空间上应发展动态可变缓冲半径，并结合地质统计学或机器学习迁移技术，同时随着AWS网络扩展，进行留一站交叉验证等严格空间验证。

讨论部分指出，距离加权方案在空间连续性和准确性之间提供了更好的平衡；平均方案点误差小但缺乏空间代表性，高程方案覆盖全但精度有限。静态50 km阈值仍是近似，难以完整反映西爪哇微气候梯度。结论部分翻译如下：WRF模拟再现了西爪哇地表辐照度的南北梯度，但持续存在系统性高估和较长时效不确定性的增加。通过引入历史模型-误差关系，混合WRF–LSTM框架显著提升了预报技能，降低了RMSE和偏差，并在所有站点持续提高相关性。性能增益在初始WRF误差较大的区域最大，且改进在1–3天预报时效内保持稳定，显示出运营太阳能规划的强大潜力。为将局部校正空间推广，评估了三种站点自适应策略。基于距离的方法在准确性和空间连续性之间提供了最佳平衡，而平均值和高程方法各自表现出覆盖范围与精度之间的明显权衡。这些发现强调了在异质热带地形中迁移校正时，需结合观测邻近性和中尺度空间结构的重要性。与ERA5-Land的比较进一步表明，全球再分析能提供稳定的大尺度模式，但在表征局地云和地形效应方面仍有限。未来工作应优先增加AWS网络密度。此外，探索更高分辨率或集合WRF配置将有助于进一步改进空间自适应。整合卫星云属性并实施先进机器学习架构，可为数据稀疏热带地区的实时辐照度预报提供额外增益。