维度网讯，美国研究团队开发出一款机器学习模型，以云的类型和云量作为输入参数，实现对地表太阳辐照度波动的预测。该模型最初在俄克拉荷马州单个站点完成训练后，研究者在全球另外15个地点检验了其性能，结果表明模型具备跨气候区的泛化能力。

模型基于2021年开发的随机森林算法，利用俄克拉荷马州南部大平原（SGP）大气辐射测量项目（ARM）站点2014至2018年的数据训练。输入变量为云类型和云量，输出则包含平均有效透射率（ET）、ET标准差，以及每分钟ET变化的标准差——后者捕捉由云运动引发的快速太阳“斜坡”事件（辐照度骤升或骤降），对电网运维至关重要。2021年的研究显示，仅靠云类型和云量就能解释42%的快速波动成因。

为验证该关系在其他气候下的适用性，团队将分析扩展至ARM在阿拉斯加、澳大利亚、巴布亚新几内亚、亚速尔群岛、阿根廷、得克萨斯州、科罗拉多州和加利福尼亚州的站点，以及美国国家海洋和大气管理局（NOAA）地表辐射平衡网络（SURFRAD）在伊利诺伊州、内华达州等地的7个观测站。由于测站仪器配置不同，研究者改用RADFLUX估算云量（替代原全天空成像仪），并采用NOAA SURFRAD站点基于辐射数据和云高仪数据的云分类方法，检验模型的鲁棒性。

结果表明，53%的站点决定系数（r²）与原始研究持平或更优；其余站点中近一半的r²下降幅度控制在0.1以内，合计73%的站点具有相同或更高的预测能力。所有站点的均方误差（MSE）均小于0.0015，验证了该关系可推广至美国中部以外的不同云气候学区域。不过，在山区、干旱区、热带及高纬度等极端环境中（如阿拉斯加站点），部分云类型的太阳变率可预测性有所降低。

相关论文以《云类型和云量预测太阳变率》为题发表于《Solar Energy》期刊，研究由科罗拉多大学博尔德分校、NOAA全球监测实验室和NOAA全球系统实验室的研究人员共同完成。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com