Устранение неопределенности переопределения сетки в анализе климата солнечной радиации

Таблица ссылок

Аннотация и введение

Данные

Байесовская иерархическая модель (БХМ)

Пример солнечного излучения

Полученные результаты

Заключение

Приложение A: Моделирование

Приложение B: Оценки коэффициентов перераспределения

Рекомендации

6. Заключение

В этом исследовании анализируется неопределенность при перераспределении пространственных данных из климатических моделей, что часто является первым шагом в многомодельном анализе климата. Данные о солнечном излучении пересчитываются из исходной сетки с использованием кригинга с экспоненциальной ковариационной функцией и лог-линейным преобразованием в ту же сетку, что и NSRDB. Во-вторых, мы реализуем BHM для оценки весов линейной модели, учитывая при этом неопределенность, связанную с шагом перераспределения сетки. Наконец, мы сравниваем эти два показателя и приводим дополнительное исследование моделирования в Приложении А. Было обнаружено, что наивные оценки коэффициентов модели переопределения сетки в большинстве случаев находятся в пределах диапазона апостериорных распределений коэффициентов модели. В сезонном плане август привел к несоответствию между наивным коэффициентом пересчета и апостериорным распределением для WRF RCM, вызванным ERA-Interim. В частности,

мы увидели, что итоговые оценки коэффициентов в этом месяце для WRF были выше при использовании наивного метода, чем при использовании BHM. Это говорит о том, что, если принять во внимание неопределенность пересчета, увеличение данных WRF для увеличения единиц в NSRDB будет меньшим, или что неопределенность пересчета может привести к меньшему смещению со стороны WRF в этом конкретном случае.

Было обнаружено, что апостериорное покрытие тестовых данных для смоделированных полей было аналогично наивным оценкам повторной сетки для августа и ноября. Это говорит о том, что при учете неопределенности привязки моделируемых полей и самих параметров модели истинное значение солнечной радиации в этом случае, скорее всего, все еще будет укладываться в 95%-ный доверительный интервал. Поэтому, если условное среднее поля с измененной сеткой принять за основную истину, как это часто бывает, последующие эффекты изменения сетки на моделировании кажутся минимальными в случае солнечной радиации. Тем не менее, BHM имел более высокие значения RMSE, чем наивные модели пересчета в рассматриваемые месяцы, что указывает на то, что добавление неопределенности пересчета увеличило ошибку прогнозирования для прогнозирования вне выборки. Важно отметить, что наивные оценки коэффициентов пересчета сетки дают хорошие прогнозы, но не подходят для непосредственной оценки смещений модели, поскольку смещения модели зависят от пересчета координат.

Наконец, этот анализ служит основой для понимания эффектов перераспределения сетки в контексте солнечной радиации. Хотя в этом исследовании не было обнаружено ситуаций, когда пересчет BHM последовательно превосходил наивный метод пересчета, мы отмечаем, что этот анализ вращается вокруг выбранной переменной: GHI. Было показано, что выбранный метод пересчета оказывает влияние на экстремумы распределений (McGinnis et al. (2010)), однако экстремумы не имеют решающего значения для солнечной радиации. Будущий анализ с применением метода пересчета BHM к климатическим переменным, где экстремальные значения данных изучаются более широко, например

таких как осадки или температура, могут давать разные результаты и служить примером того, как метод, предложенный в этой статье, может показать более высокую неопределенность при моделировании ниже по течению. Кроме того, в этом исследовании учитывается один тип перераспределения сетки (кригинг с экспоненциальной ковариацией), и этот анализ можно распространить на другие типы интерполяции, чтобы понять последующие эффекты этих конкретных методов.