Estimating Surface Solar Irradiance from GOES Satellite with Particle Filter Model and Joint Probability Distribution
Notice bibliographique
Résumé
. A satellite retrieval of surface solar irradiance (SSI) based on GOES satellite data is presented and validated for the French Guiana with 4 years of in situ measurements from 6 ground stations. We propose a particle filter approach combining GOES satellite observations and in situ data. We propose an original observation function based on a joint probability distribution and taking advantage of the characteristics of both involved types of data. The statistical results are compared with those of existing estimation methods and they are found to be in accordance. The daily bias ranges from −12 W/m2 (−6% of the mean of measurements) to 12 W/m2 (6%), depending on the stations. The daily root mean square difference ranges between 23 W/m2 (10%) and 27 W/m2 (15%). The correlation coefficient is close to 0.92. There is no seasonal climatic effect on the method, the bias and RMSD remain similar for both the rainy and the dry seasons, but better correlation is observed in the rainy season than in the dry season. Uncertainties are mainly due to the presence of specific tropical atmospheric conditions during the dry season.The method has been tested through various tests: cross-validation scheme has highlighted the potential generalization of the model in a temporal dimension; the ability of the method to effectively duplicate anomalies in surface solar irradiance time series has also been tested. The robustness of the results shows the interest of the method compared to other existing estimation methods. Because of its simplicity of implementation, this method opens new prospects in estimating surface solar irradiance. It is concluded that using a particle filter and original observation function method allow a high-quality surface solar irradiance estimation in French Guiana.Résumé. Une méthode d'estimation de l'irradiance solaire de surface (SSI) à partir de données satellites GOES est présentée et validée par comparaison avec 4 années de mesures in situ provenant de 6 stations météorologiques de Guyane Française. Dans cet article, nous proposons une approche par filtre particulaire combinant observations du satellite GOES et données in situ. Nous proposons une fonction d'observation originale basée sur une distribution de probabilité conjointe des 2 types de données. Les résultats statistiques sont conformes à ceux des méthodes existantes. Le biais journalier varie de −16 W/m2 (−6% de la moyenne des mesures) à 12 W/m2 (6%). L'erreur quadratique moyenne (RMSD) est comprise entre 23 W/m2 (10%) et 27 W/m2 (15%). Le coefficient de corrélation est de 0,92. La méthode est peu sensible aux variations climatiques saisonnières, le biais et RMSD restent similaires en saison des pluies comme en saison sèche, mais une meilleure corrélation est observée pendant la saison des pluies. Les incertitudes sont principalement dues à la présence de conditions atmosphériques tropicales spécifiques en saison sèche.La méthode a été soumise à différents tests: un processus de validation croisée a mis en évidence la possible généralisation du modèle dans une dimension temporelle, la capacité du modèle à reproduire efficacement des anomalies dans les séries temporelles d'irradiance solaire de surface a aussi été testée. La robustesse des résultats obtenus montrent l'intérêt du modèle par rapport aux autres méthodes d'estimation existantes. A cause de sa simplicité de mise en oeuvre cette méthode ouvre de nouvelles perspectives en matière d'estimation de l'irradiance solaire au sol. Nous concluons que l'utilisation d'un filtre particulaire combinée à une fonction d'observation originale permet une estimation de haute qualité de l'irradiance solaire au sol en Guyane Française.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».