导读:本文包含了总辐射论文开题报告文献综述及选题提纲参考文献，主要关键词:太阳总辐射量,经验系数,REOF分区法,距离反比插值法
总辐射论文文献综述
石军,张洋,肖恒,何健[1]（2019）在《江苏省太阳总辐射月经验系数计算方法的对比研究》一文中研究指出基于江苏省淮安、吕泗、南京及周边省份莒县、郑州、固始、合肥、宝山、杭州、屯溪共计10个辐射代表站建站以来历年逐月太阳总辐射和日照百分率数据,拟合各辐射代表站月经验系数a、b值作为样本,采用反距离权重插值法及REOF分区法两种气候学方法计算江苏省各无辐射观测气象站的月经验系数a、b,并分析不同气候学方法计算的月经验系数估算太阳总辐射量与实测值的差异。结果表明,采用气候学计算方法估算太阳总辐射量实际可行;以两种不同气候学方法计算的月经验系数估算太阳总辐射量效果均较好,但采用REOF分区法所得的经验系数更适用于江苏省太阳总辐射量的气候学估算。(本文来源于《水电能源科学》期刊2019年10期）
邹丽萍,宫响,庄述鹏[2]（2019）在《基于Elman神经网络的日总辐射曝辐量预估》一文中研究指出太阳辐射的预估研究对太阳能资源的有效利用有重要意义。应用山东省福山、莒县、济南叁所气象站2000—2003年的数据,建立Elman神经网络模型,对日总辐射曝辐量进行时间序列预估研究。结果表明:Elman神经网络预估效果受天气状况影响较大,晴好天气下日总辐射预估结果较精确,福山站预估与观测差值最小,范围在-2～2 MJ·m~(-2)。城市大气污染对日曝辐量影响比较显着,模型中不考虑大气污染因素,污染较重的济南市预估效果最差,平均百分比误差变大了20%,均方根误差变大7%。Elman神经网络模型预估结果优于广义回归神经网络模型结果,3个站平均百分比误差降低5%～18%,均方根误差平均减小了0.506 MJ·m~(-2)。Elman神经网络模型适应于山东省日总辐射曝辐量的长时间预估。(本文来源于《青岛科技大学学报(自然科学版)》期刊2019年05期）
张乐乐,高黎明,赵林,陈克龙[3]（2019）在《基于ITPCAS数据的青藏高原太阳总辐射时空变化特征》一文中研究指出利用青藏高原观测站数据对ITPCAS太阳总辐射数据进行评价,并基于ITPCAS数据分析青藏高原总辐射的时空变化特征。结果表明:ITPCAS总辐射数据与观测数据具有很好的一致性,能反映出青藏高原总辐射的时空变化特征。青藏高原年平均总辐射高值中心位于西藏西南部和青海柴达木盆地,低值中心位于高原东部的四川盆地和藏东南地区,高值和低值中心随季节变化发生变动。1999年之前,青藏高原总辐射整体表现为减小趋势,减小幅度约4.86 MJ/(m~2·a);2000年之后表现为上升趋势,上升幅度约8.03 MJ/(m~2·a)。从空间分布上来看,1999年之前高原西部和东南部少部分区域总辐射呈现出明显的上升趋势,其他大部分区域呈现出下降趋势或变化趋势不明显;2000年之后除高原西部和东部部分区域总辐射表现为明显的减小趋势,其他大部分区域均表现为上升趋势。(本文来源于《太阳能学报》期刊2019年09期）
蔡元刚,王明田,蔡怡亨,刘雅琳,陈东东[4]（2019）在《利用地面气象资料建立四川省日总辐射计算模型》一文中研究指出利用四川省6个辐射观测站2016-2018年日总辐射和地面气象资料,应用"个案排秩"、一元线性回归和逐步回归方法,建立四川省日总辐射计算模型(模型Ⅰ),并按日照时数是否为0建立有日照总辐射计算模型(模型Ⅱ)和无日照总辐射计算模型(模型Ⅲ)。结果表明:模型Ⅰ、模型Ⅱ和模型Ⅲ均通过0.01水平显着性检验;模型Ⅰ、模型Ⅱ和模型Ⅲ回代检验的MAPE分别为12.62%、10.02%、16.34%,NRMSE分别为16.17%、12.23%、28.40%;4个典型日应用这3个模型的MAPE分别为7.59%、4.50%、36.53%,NRMSE分别为9.22%、5.93%、40.98%;对于4个典型日在日照时数为0时不用模型Ⅲ而改用模型Ⅰ、日照时数不为0时用模型Ⅱ,其MAPE为5.79%、NRMSE为7.47%,比全部资料用模型Ⅰ模拟分别提高1.80个和1.75个百分点。建立的3个日总辐射计算模型均具有应用价值;四川省日总辐射最佳模拟方法是日照时数为0时用模型Ⅰ计算,日照时数不为0时用模型Ⅱ计算;海拔、天气状况和日照长短决定四川各地日总辐射量的大小,其中海拔和天气状况是造成四川各地日总辐射差异的主要因素。(本文来源于《中国农业气象》期刊2019年09期）
诺桑,晋亚铭,措加旺姆,周毅,索朗白姆[5]（2019）在《西藏地面太阳总辐射与紫外线的观测》一文中研究指出地面太阳光谱记录了太阳光经历大气层的烙印与信息,为大气环境、生态保护等研究提供实地依据。西藏高原空气稀薄,地面太阳辐射超强,观测西藏地面太阳光谱为太阳能利用提供实地数据。文章较系统地报道了西藏地面太阳光谱的实地观测结果,为相关高原科学研究提供高精度数据。利用RAMSES光谱仪、 CMP6太阳总辐射仪和NILU-UV太阳紫外辐射仪对西藏不同地区、不同季节太阳光谱、太阳总辐射和太阳紫外线进行了全方位的实地观测研究。观测研究了高海拔的西藏拉萨和那曲以及低海拔的北京和成都的光谱特征;研究了拉萨二分二至当地正午(北京时间13:55时)太阳光谱观测结果;对西藏地面光谱与AM1.5和AM0标准光谱进行了对比研究。观测研究了西藏拉萨和那曲太阳总辐射、太阳紫外线强度特征。研究发现拉萨夏季可见和红外区光谱光强度甚至超过AM0光谱相应波长的强度,即:拉萨地面可见光和红外光强度偶尔超过大气层顶部的相应波长光强,是由部分云的反射增量所致;拉萨光谱谱峰出现在波长476.6 nm左右,在2017年的夏至观测到的最大值为2.331 W·m~(-2)·nm~(-1)。然而,对太阳紫外线(280～400 nm)光谱的观测发现地面太阳紫外区的光谱强度总是明显低于AM0光谱相应区光强,表明短波的紫外光被大气臭氧有效吸收。虽然拉萨海拔3 680 m,但通过对拉萨当地正午太阳紫外光谱分析发现拉萨地面波长小于300 nm的太阳紫外光谱强度几乎为零,表明波长小于300 nm的太阳紫外线被大气层吸收,没有到达地面。同时,研究了西藏高海拔太阳光谱与北京、成都低海拔太阳光谱特征,揭示了各地大气成分、含量等诸多信息。报道了2010年7月—2013年12月期间西藏太阳总辐射的观测结果;结果显示拉萨当日太阳总辐射最大值中约18%超过了太阳常数(1 367 W·m~(-2))。观测发现拉萨太阳总辐射瞬时最大值达到了1 756.09 W·m~(-2)(2011年6月24日)。报道了2008年7月—2013年12月期间西藏太阳紫外线的观测结果;结果显示拉萨和那曲UVA日最大值平均值约为67 W·m~(-2), UVB日最大值平均值约为5.1 W·m~(-2);拉萨和那曲当日太阳紫外线A和紫外线B最大值变化趋势保持了很好的一致性,在5年多的观测期间紫外线强度没有出现明显的增强或减弱趋势。(本文来源于《光谱学与光谱分析》期刊2019年06期）
王刚[6]（2019）在《新疆石河子太阳总辐射特征及相关要素分析》一文中研究指出统计了新疆石河子地区1959～2003年太阳总辐射的资料。首先把新疆石河子太阳总辐射资料统一单位,在此基础上用5a滑动平均的统计方法并用最小二乘法建立方程式,计算太阳辐射气候倾向率及日照气候倾向反映太阳辐射的45a变化趋势,用小波分析方法分析太阳总辐射的周期变化规律。结果表明,新疆石河子地区的年日照时数减少,年总辐射量呈显着减少趋势,有11年的周期变化,在1981年左右有突变。初步统计能见度低于10km次数在逐年增多,认为近年来大气混浊度和大气总悬浮粒子浓度的比例增加是引起新疆石河子地区太阳总辐射量下降的原因之一,说明太阳总辐射量的变化与城市发展密切相关。(本文来源于《石河子科技》期刊2019年03期）
张艺璇,崔宁博,冯禹,乐进华,王军[7]（2019）在《西北地区地表太阳总辐射计算模型适用性评价》一文中研究指出为有效提高中国西北地区Rs预报精度,选取西北地区11个代表性气象站点1959—2015年逐日气象数据,评价了4种基于日照时数的Rs计算模型(Angstrom-Prescott,Ogelman,Bahel和Louche模型)和2种基于温度的Rs计算模型(Hargreaves和Bristow-Campbell模型)在西北地区4个分区(温带大陆性高温干旱区、温带大陆性干旱区、高原大陆性半干旱区和温带季风半干旱区)的适用性.结果表明:6种模型在西北地区的Rs模拟值与实测值均在P<0.001水平具有统计学意义;基于日照时数的Rs计算模型(R2介于0.901～0.903)精度高于基于温度的模型(R2介于0. 695～0. 719);其中,基于日照时数的模型中Bahel模型的精度最高,其R2,MAE,MRE,RMSE和NSE分别为0.903,1.624 MJ/(m2·d),15.7%,2.298 MJ/(m2·d)和0.902;基于温度的模型中Bristow-Campbell模型精度最高,其值分别为0.719,2.851 MJ/(m2·d),30.7%,3.959 MJ/(m2·d)和0. 713.因此,为有效提高西北地区Rs日值和月值预报精度,在仅有温度资料时推荐使用Bristow-Campbell模型,在仅有日照时数资料时推荐使用Bahel模型.(本文来源于《排灌机械工程学报》期刊2019年06期）
敖银银,陈正洪,成驰,孙朋杰,杨涛[8]（2019）在《随州市1961—2016年太阳总辐射气候学计算与时空分布特征》一文中研究指出为更加高效地开发利用随州市太阳辐射气候资源,更好地服务当地"叁农"发展及生态文明建设。本研究采用随州市周边4个辐射观测站和16个市县气象站日照百分率、实测日太阳总辐射值,拟合出适用于计算随州市太阳总辐射的公式参数和月太阳总辐射值,利用气候学计算方法和空间插值法对全年及各季节太阳总辐射时空分布情况进行剖析。结果显示:随州市全年和各季节太阳总辐射在空间分布上为南多北少;在时间分布上为冬低夏高、春秋居中;此外,年际和各季节均呈减小趋势,且夏季减小速率最大。随州市的太阳总辐射值时空分布与中国、湖北省太阳辐射分布情况吻合,但由于其独特的地理环境,在本区域内空间分布呈现出南多北少的特征。(本文来源于《中国农学通报》期刊2019年15期）
邹丽萍[9]（2019）在《Elman网络对日总辐射曝辐量预估的应用研究》一文中研究指出随着能源危机日益临近,人类开始面临能源资源枯竭的问题。世界各国都在努力发展新能源技术,力求在新能源技术革新中抢占先机。太阳能素有清洁能源、安全能源之称,是今后世界的主要能源之一。实现对太阳能资源的有效利用需要对太阳能资源进行合理有效的评估。目前,我国许多地区太阳辐射观测站的数目稀少,无法满足工程及科研方面的应用,因此对太阳辐射进行精确的估算显得尤为重要。本文对太阳辐射预测理论和方法进行了初步探讨,并且利用神经网络模型预估了山东省日总辐射曝辐量。首先应用主成分分析法分析了山东省济南、福山、莒县叁所气象站2000-2003年的相关数据,建立各气象因子的权重计算模型,通过对比各气象因子的权重,得到了影响日总辐射曝辐量的五个主要因素,即日平均气温、日照时数、日平均气压、日平均水汽压、日相对湿度。其次,将上述五个气象因子作为Elman神经网络模型的输入量,同时考虑到城市大气污染对太阳辐射的重要影响,添加气溶胶光学厚度作为输入量,利用山东省济南、福山、莒县叁所气象站2000-2003年共1461组数据,建立Elman神经网络模型对山东省济南、福山、莒县3所气象站的日总辐射曝辐量进行预估,预估结果的平均百分比误差分别为21.3%、12.3%、19.7%,均方根误差分别为2.20MJ·m~(-2)、1.70 MJ·m~(-2)、1.99 MJ·m~(-2),将预估结果与广义回归神经网络的预估结果进行对比,Elman神经网络模型预估结果优于广义回归神经网络模型结果,叁个站平均百分比误差降低5%~18%,均方根误差平均减小了0.506 MJ m~(-2)。另外,通过增加一个承接层,使网络的输出信息得以反馈,改进了Elman神经网络模型,应用此模型对山东省济南、福山、莒县3所气象站的太阳能日总辐射曝辐量进行了预估。结果表明:改进后的Elman神经网络模型比改进前平均百分比误差降低了6%~22%,均方根误差平均减小了0.89 MJ·m~(-2),说明该模型对太阳能日总辐射曝辐量预估更合理,对太阳能资源的有效利用有一定的参考意义。最后,本文进一步研究了Elman神经网络的训练次数及训练规模的训则对预估结果的影响。结果表明:Elman神经网络在对日总辐射曝辐量预估的应用中,其在训练次数的选择上具有一个稳定值范围,这表明了Elman神经网络在预估日总辐射曝辐量的过程中的稳定性和优越性。随着Elman神经网络训练规模的增大,日总辐射曝辐量预估的平均百分比误差、均方根误差呈下降趋势。(本文来源于《青岛科技大学》期刊2019-05-20）
彭冬梅,陈鹏翔,张旭[10]（2019）在《基于卫星遥感的新疆地表太阳总辐射估算》一文中研究指出为了实现地表太阳总辐射合理的精细化模拟,本文尝试将天文辐射分布式理论模型和总辐射气候学经验模型相结合,引入重采样后的FY-2G卫星遥感总云量资料,建立了基于卫星遥感数据的地表太阳总辐射估算模型,并以气象站点稀疏的新疆为例,完成年、季地表太阳总辐射的精细化空间模拟,同时对模拟结果进行分析和检验。结果表明:(1)新疆区域年天文辐射量由南向北递减,大致以天山为界,天山以南区域的年天文辐射量高于10 000 MJ·m~(-2),天山以北低于9750 MJ·m~(-2),叁大山脉对天文辐射的影响非常明显;(2)基于条带状重采样后的FY-2G总云量建立的日照百分率模型,其模拟的新疆区域平均绝对误差14.4%,且空间分布更加客观;(3)新疆"单站单月式"地表太阳总辐射气候学估算模型中,相关系数在夏半年较高,冬半年略有下降,且a、b系数的互补关系较为稳定;(4)从地表太阳总辐射检验结果来看,全区地表太阳总辐射的均方根误差年平均3.08 MJ·m~(-2),模拟结果夏半年好于冬半年,南疆好于北疆,其中乌鲁木齐误差最大;(5)新疆年地表太阳总辐射整体表现为由西北向东南逐渐增加的空间分布,南疆盆地的总辐射量高于北疆盆地,天山山区西部为低值中心,而春、夏季总辐射由西向东呈经向分布,秋、冬季则呈纬向分布。(本文来源于《干旱气象》期刊2019年02期）
总辐射论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
太阳辐射的预估研究对太阳能资源的有效利用有重要意义。应用山东省福山、莒县、济南叁所气象站2000—2003年的数据,建立Elman神经网络模型,对日总辐射曝辐量进行时间序列预估研究。结果表明:Elman神经网络预估效果受天气状况影响较大,晴好天气下日总辐射预估结果较精确,福山站预估与观测差值最小,范围在-2～2 MJ·m~(-2)。城市大气污染对日曝辐量影响比较显着,模型中不考虑大气污染因素,污染较重的济南市预估效果最差,平均百分比误差变大了20%,均方根误差变大7%。Elman神经网络模型预估结果优于广义回归神经网络模型结果,3个站平均百分比误差降低5%～18%,均方根误差平均减小了0.506 MJ·m~(-2)。Elman神经网络模型适应于山东省日总辐射曝辐量的长时间预估。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
总辐射论文参考文献
[1].石军,张洋,肖恒,何健.江苏省太阳总辐射月经验系数计算方法的对比研究[J].水电能源科学.2019
[2].邹丽萍,宫响,庄述鹏.基于Elman神经网络的日总辐射曝辐量预估[J].青岛科技大学学报(自然科学版).2019
[3].张乐乐,高黎明,赵林,陈克龙.基于ITPCAS数据的青藏高原太阳总辐射时空变化特征[J].太阳能学报.2019
[4].蔡元刚,王明田,蔡怡亨,刘雅琳,陈东东.利用地面气象资料建立四川省日总辐射计算模型[J].中国农业气象.2019
[5].诺桑,晋亚铭,措加旺姆,周毅,索朗白姆.西藏地面太阳总辐射与紫外线的观测[J].光谱学与光谱分析.2019
[6].王刚.新疆石河子太阳总辐射特征及相关要素分析[J].石河子科技.2019
[7].张艺璇,崔宁博,冯禹,乐进华,王军.西北地区地表太阳总辐射计算模型适用性评价[J].排灌机械工程学报.2019
[8].敖银银,陈正洪,成驰,孙朋杰,杨涛.随州市1961—2016年太阳总辐射气候学计算与时空分布特征[J].中国农学通报.2019
[9].邹丽萍.Elman网络对日总辐射曝辐量预估的应用研究[D].青岛科技大学.2019
[10].彭冬梅,陈鹏翔,张旭.基于卫星遥感的新疆地表太阳总辐射估算[J].干旱气象.2019