A simple and efficient algorithm to estimate daily global solar radiation from geostationary satellite data
A simple and efficient algorithm to estimate daily global solar radiation from geostationary satellite data
复制标题
一种简单有效的算法，用于根据对地静止卫星数据估算每日全球太阳辐射
DOI：
10.1016/j.energy.2011.03.007
复制
发表时间：
2011-05
期刊：
影响因子：
9
通讯作者：
Jiulin Sun
中科院分区：
文献类型：
--
作者：
Ning Lu;Jun Qin;Kun Yang;Jiulin Sun
地表太阳总辐射是自然界中最主要的可再生能源。地球静止轨道卫星数据被用来映射在许多反演算法中的GSR，其中地面GSR测量仅用于验证卫星反演。在这项研究中，提出了一个简单的算法与人工神经网络（ANN）建模，探索地面每日GSR测量和多功能运输卫星（MTSAT）的全通道观测之间的非线性物理关系，努力充分利用这两个数据集所包含的信息。采用奇异值分解方法提取卫星数据中的主信号，并提出了一种新的方法来提高人工神经网络在高空的性能。一个三层前馈神经网络模型进行了训练，一年的日常GSR测量在10个地面站点。训练好的人工神经网络用于连续两年的日GSR映射，其性能在中国所有83个地面站点进行了验证。评估结果表明，该算法可以快速，有效地建立人工神经网络模型，估计从地球同步卫星数据的日GSR具有良好的精度在空间和时间。
Surface global solar radiation (GSR) is the primary renewable energy in nature. Geostationary satellite data are used to map GSR in many inversion algorithms in which ground GSR measurements merely serve to validate the satellite retrievals. In this study, a simple algorithm with artificial neural network (ANN) modeling is proposed to explore the non-linear physical relationship between ground daily GSR measurements and Multi-functional Transport Satellite (MTSAT) all-channel observations in an effort to fully exploit information contained in both data sets. Singular value decomposition is implemented to extract the principal signals from satellite data and a novel method is applied to enhance ANN performance at high altitude. A three-layer feed-forward ANN model is trained with one year of daily GSR measurements at ten ground sites. This trained ANN is then used to map continuous daily GSR for two years, and its performance is validated at all 83 ground sites in China. The evaluation result demonstrates that this algorithm can quickly and efficiently build the ANN model that estimates daily GSR from geostationary satellite data with good accuracy in both space and time.
登录
查看更多内容
DOI：
10.1007/978-94-009-6421-1_13
发表时间：
1984
期刊：
--
影响因子：
--
作者：
C. Gautier
通讯作者：
C. Gautier
影响因子：
--
作者：
N. Lu;Ronggao Liu;Jiyuan Liu;S. Liang
通讯作者：
N. Lu;Ronggao Liu;Jiyuan Liu;S. Liang
影响因子：
9
作者：
S. Younes;R. Claywell;T. Muneer
通讯作者：
S. Younes;R. Claywell;T. Muneer
DOI：
10.1175/jam2290.1
发表时间：
2005-09
期刊：
Journal of Applied Meteorology
影响因子：
--
作者：
H. Deneke;A. Feijt;A. Lammeren;C. Simmer
通讯作者：
H. Deneke;A. Feijt;A. Lammeren;C. Simmer
影响因子：
4.4
作者：
Aires, F;Prigent, C;Rothstein, M
通讯作者：
Rothstein, M