动力-机器学习相结合的太阳辐射月尺度预报
刘文静
王传辉
钟亦鸣
侍永乐
严小静
安徽省公共气象服务中心,合肥 230031
摘要：为建立中国太阳辐射月尺度预报方法,基于1979-2020年中国 53 个站的逐月水平面总辐射(GHI)数据、欧洲中期天气预报中心第五代大气再分析数据(ERA5)、日本全球大气海洋耦合模式(MRI-CGCM)历史回报数据,对1979-2017年平均 GHI分月作 EOF分解,得到主要空间模态和对应的时间系数.利用各模态时间系数,通过相关分析对 ERA5 再分析数据和 MRI-CGCM 模式回报数据中环流场进行普查,分月份选取通过显著性检验的区域作为预报因子,采用机器学习方法建立时间系数预报模型.通过对中国各月 GHI 前三模态对应的时间系数的预报,进而实现 GHI的月尺度预报.建模过程中采用多种机器学习算法并与传统逐步回归方法作对比,通过平均误差和平均绝对误差等方法检验.结果表明:在本研究中RF、GBDT、DTR和KNN这 4 种机器学习方法均优于传统逐步回归方法,RF在平均误差和平均绝对误差检验中表现均最优.进一步利用 RF 模型对 2017 年和 2018 年预报结果进行对比检验和 ACC评分发现,本模型对各个月份均有一定的预报能力,冬半年预报效果优于夏半年的,其中 1月、11-12月在两年预报中表现最好;从区域上看,整体南方的优于北方的,东部的优于西部的,误差最小的区域主要位于华东、华南等地.
关键词：MRI-CGCM模式机器学习月尺度预报太阳辐射
分类号：P456(天气预报)
资助基金：国家自然科学基金(42075188)中国气象局公共气象服务中心创新基金项目(Z2022006)
论文发表日期：2025-11-30
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：9( 99-107 )
英文信息