王雪潔， 施國(guó)萍， 周子欽， 甄洋

(1.南京信息工程大學(xué)長(zhǎng)望學(xué)院，南京 210044； 2.南京信息工程大學(xué)地理科學(xué)學(xué)院，南京 210044)

0 引言

太陽(yáng)能作為地球最主要的能量來(lái)源和基本動(dòng)力，推動(dòng)了地表的幾乎全部自然地理過(guò)程，使地理環(huán)境得以形成和有序發(fā)展[1]。也是氣候形成和演變過(guò)程中重要的外參數(shù)[2]，是陸面過(guò)程的主要驅(qū)動(dòng)因子。太陽(yáng)輻射影響大氣圈、水圈、陸地圈層中的物質(zhì)與能量交換，對(duì)太陽(yáng)輻射研究可以促進(jìn)對(duì)碳循環(huán)、水循環(huán)等的研究，對(duì)全球氣候變化也有重要意義。

隨著科技的進(jìn)步，農(nóng)業(yè)、電力和城市建設(shè)等行業(yè)對(duì)太陽(yáng)輻射的研究提出了新的要求[3-5]。我國(guó)太陽(yáng)輻射觀測(cè)臺(tái)站較少，且測(cè)站空間分布不均勻。而再分析數(shù)據(jù)，即經(jīng)過(guò)對(duì)太陽(yáng)輻射觀測(cè)資料(包括地面觀測(cè)、衛(wèi)星，還有雷達(dá)、探空等)的質(zhì)量控制，再同化入全球模式后得到的數(shù)據(jù)，有著時(shí)間序列長(zhǎng)、空間分布廣的特點(diǎn)，可以極大彌補(bǔ)地面觀測(cè)數(shù)據(jù)的不足。但是，再分析數(shù)據(jù)受資料源、模式等影響，無(wú)法完全達(dá)到真實(shí)模擬大氣的程度，具有一定程度的偏差，建立訂正模型對(duì)于使用再分析數(shù)據(jù)來(lái)說(shuō)顯得極為重要。目前已有相關(guān)研究利用地面站點(diǎn)地表輻射數(shù)據(jù)對(duì)再分析輻射數(shù)據(jù)進(jìn)行了多尺度的驗(yàn)證。研究表明太陽(yáng)輻射與云量、氣溶膠、水汽等有關(guān)[6-7]。再分析資料與我國(guó)太陽(yáng)輻射站點(diǎn)觀測(cè)資料相比，絕大部分高于臺(tái)站數(shù)據(jù)[8-10]。6種再分析地表輻射產(chǎn)品(NCEP-NCAR reanalysis, NCEP-DOE reanalysis, Climate Foreast System Reanalysis (CFSR) ,ECMWF Interim Reanalysis (ERA Interim),Modem-Era Retrospective Analysis for Research and Applications (MERRA) reanalysis,The Japanese 55-year reanalysis)，全球月均偏差為11.25～49.80 W/m2，并且發(fā)現(xiàn)在中國(guó)范圍上，云量和氣溶膠的低估都可能導(dǎo)致再分析地表輻射的高估，夏秋季節(jié)明顯好于春冬季節(jié)[8-9]。

隨著機(jī)器學(xué)習(xí)的發(fā)展，越來(lái)越多的研究者開(kāi)始使用機(jī)器學(xué)習(xí)進(jìn)行不同地區(qū)的太陽(yáng)輻射的預(yù)報(bào)偏差的訂正。大量的研究表明，機(jī)器學(xué)習(xí)模型效果較理論參數(shù)模型、經(jīng)驗(yàn)?zāi)Ｐ透訙?zhǔn)確。陳昱文等[11]利用氣象站點(diǎn)的4個(gè)觀測(cè)要素，挖掘觀測(cè)數(shù)據(jù)的時(shí)序特征并結(jié)合氣溫預(yù)報(bào)結(jié)果訓(xùn)練機(jī)器學(xué)習(xí)模型，對(duì)結(jié)果進(jìn)行偏差訂正，發(fā)現(xiàn)集成學(xué)習(xí)方法在數(shù)值模式預(yù)報(bào)結(jié)果訂正中具有較大的應(yīng)用潛力； 李凈等[12]利用ERA5(ECMWF Reanalysis 5)等產(chǎn)品，將人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林3種機(jī)器學(xué)習(xí)模擬黃土高原地區(qū)的太陽(yáng)輻射并對(duì)3種方法進(jìn)行比較； Benali等[13]將智能持久性、人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林這3種方法進(jìn)行比較，預(yù)測(cè)了法國(guó)的太陽(yáng)輻射，二者結(jié)果都表明隨機(jī)森林的模擬精度最高； Yu等[14]利用4種機(jī)器學(xué)習(xí)方法，包括梯度提升回歸樹(shù)、隨機(jī)森林、多元自適應(yīng)回歸樣條和人工神經(jīng)網(wǎng)絡(luò)對(duì)地面96個(gè)站點(diǎn)日、月尺度的太陽(yáng)輻射進(jìn)行模擬評(píng)估，驗(yàn)證了訓(xùn)練數(shù)據(jù)集基于隨機(jī)森林方法的太陽(yáng)輻射估計(jì)值與地面測(cè)量值的相關(guān)性最好。隨機(jī)森林的訂正方法在海洋環(huán)境預(yù)報(bào)[15]、氣溫?cái)?shù)值預(yù)報(bào)[16]、空氣質(zhì)量[17]等方面都有應(yīng)用且精度很高。Babar等[18]利用ERA5和云、反照率、輻射數(shù)據(jù)集(CLARA-A2)建立隨機(jī)森林回歸模型對(duì)挪威地區(qū)日平均全球水平輻照度(GHI)進(jìn)行估計(jì)，發(fā)現(xiàn)隨機(jī)森林模型的估計(jì)值較原來(lái)的預(yù)報(bào)值更精確，能夠更好地估計(jì)。但是目前很少有研究對(duì)中國(guó)范圍內(nèi)的ERA5的高精度太陽(yáng)輻射數(shù)據(jù)進(jìn)行空間訂正，沒(méi)有連續(xù)的空間分布訂正資料。

本文利用2013年全國(guó)93個(gè)輻射站的總輻射逐時(shí)觀測(cè)資料對(duì)ERA5同期再分析輻射資料進(jìn)行了評(píng)估，并選擇相關(guān)氣象要素及地理要素作為隨機(jī)森林學(xué)習(xí)的輸入量，對(duì)全國(guó)93個(gè)站點(diǎn)上ERA5輻射量的值進(jìn)行了訂正，進(jìn)而對(duì)ERA5輻射產(chǎn)品進(jìn)行空間分布上的訂正，得到訂正后的逐時(shí)輻射空間分布圖。利用ERA5輻射產(chǎn)品作為輸入變量進(jìn)行隨機(jī)森林回歸，對(duì)中國(guó)范圍內(nèi)的高空間分辨率格網(wǎng)數(shù)據(jù)進(jìn)行逐時(shí)數(shù)值訂正，解決了太陽(yáng)輻射站點(diǎn)不均的問(wèn)題，為高精度太陽(yáng)輻射量空間分布資料的獲取提供一種方法。

1 數(shù)據(jù)源與研究方法

1.1 數(shù)據(jù)源

①使用歐洲中心天氣預(yù)報(bào)中心(European Centre for Medium-Range Weather Forecasts，ECMWF)發(fā)布的第五代再分析數(shù)據(jù)集ERA5(ECMWF Reanalysis 5)中相關(guān)數(shù)據(jù)進(jìn)行分析與訂正，主要包括太陽(yáng)下行短波輻射(mean surface downward shot-wave radiation flux，MSDWSWRF)、地表反照率、水汽、總云量、臭氧、高云、低云、中云、冰云、水云產(chǎn)品，時(shí)間為2013年，時(shí)間分辨率為1 h，空間分辨率為0.25°×0.25°； ②中國(guó)93個(gè)輻射站點(diǎn)信息(經(jīng)度、緯度和海拔)，以及2013年逐時(shí)的太陽(yáng)總輻射量。

1.2 研究方法

1.2.1 數(shù)據(jù)評(píng)估指標(biāo)

采用絕對(duì)誤差(absolute error，AE)、平均絕對(duì)誤差(mean absolute error,MAE)、均方根誤差(root mean squared error,RMSE)和相關(guān)系數(shù)(R)來(lái)分別描述偏離程度、不確定性、準(zhǔn)確性和相關(guān)性。表達(dá)式分別為：

AE=|x-y|

，

(1)

，

(2)

，

(3)

，

(4)

式中：x為估計(jì)值；y為觀測(cè)值；n為樣本數(shù)；i為樣本序號(hào)，i=1,2，…，n;Cov(·)為協(xié)方差函數(shù)；D(·)為方差函數(shù)。

本文主要運(yùn)用MAE，RMSE和R進(jìn)行逐時(shí)資料的再分析資料與實(shí)測(cè)值、逐時(shí)訂正值與實(shí)測(cè)值之間的誤差對(duì)比分析。AE用于比較ERA5再分析資料的模擬值和隨機(jī)森林回歸值與中國(guó)地面站點(diǎn)輻射量的月均實(shí)測(cè)值之間的差異。

1.2.2 隨機(jī)森林回歸

1)隨機(jī)森林算法。該算法是基于多棵決策樹(shù)的一種集成學(xué)習(xí)算法，且森林中的每一棵決策樹(shù)之間沒(méi)有關(guān)聯(lián)，模型的最終輸出由森林中的每一棵決策樹(shù)共同決定。隨機(jī)森林用于分類(lèi)時(shí)，采用N個(gè)決策樹(shù)分類(lèi)，將分類(lèi)結(jié)果采用簡(jiǎn)單投票法得到最終分類(lèi)，提高分類(lèi)準(zhǔn)確率。選取與太陽(yáng)輻射有關(guān)的因子，即時(shí)間、經(jīng)緯度、地表反照率、海拔、天頂角余弦、總云量、臭氧、水汽、低云、中云、高云、冰云、水云作為輸入數(shù)據(jù)，輸出量為每小時(shí)輻射值。算法步驟為： ①用有抽樣放回的方法(bootstrap)從樣本集中選取n個(gè)樣本作為一個(gè)訓(xùn)練集； ②用抽樣得到的樣本集生成一棵決策樹(shù)，在每一個(gè)決策樹(shù)節(jié)點(diǎn)不重復(fù)地選擇m個(gè)特征，使用基尼指數(shù)找到最佳的劃分特征； ③重復(fù)第二步N次之后生成N棵決策樹(shù)； ④用訓(xùn)練得到的隨機(jī)森林對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，并采用票選法決定預(yù)測(cè)的結(jié)果。

2)特征重要性分析。基尼指數(shù)用作對(duì)隨機(jī)森林訓(xùn)練樣本特征進(jìn)行重要性分析，比較每個(gè)特征在隨機(jī)森林中的每棵樹(shù)所做的貢獻(xiàn)?；嶂笖?shù)越小表示集合中被選中的樣本被分錯(cuò)的概率越小，也就是說(shuō)集合的純度越高，反之，集合越不純。設(shè)VIM為變量重要性評(píng)分，GI為基尼指數(shù)，假設(shè)有m個(gè)特征X1，X2，…，Xm，則GI的計(jì)算公式為：

，

(5)

式中：K為類(lèi)別數(shù)；pmk為節(jié)點(diǎn)m中類(lèi)別k所占的比例。在節(jié)點(diǎn)m上，特征Xi在節(jié)點(diǎn)m分支前后的基尼指數(shù)變化為：

VIMim=GIm-GIg-GIh

，

(6)

式中GIg和GIh為分支后新的基尼指數(shù)。特征Xi在第j棵決策樹(shù)的重要性為特征Xi在決策樹(shù)j中出現(xiàn)的節(jié)點(diǎn)m的基尼指數(shù)變化量的和，記為VIMij。若隨機(jī)森林模型中有N棵樹(shù)，特征Xi的變量重要性評(píng)分VIMi為出現(xiàn)的所有決策樹(shù)j中的VIMij的總和。最后，把所有求得的重要性評(píng)分做一個(gè)歸一化處理即可。

3)K折交叉驗(yàn)證。該方法用于模型調(diào)優(yōu)，可以減少過(guò)擬合的問(wèn)題。為了進(jìn)一步檢驗(yàn)?zāi)Ｐ头夯芰?，基于?dú)立樣本數(shù)據(jù)，因訓(xùn)練集較大選擇5折交叉驗(yàn)證以降低訓(xùn)練成本。步驟為： 將數(shù)據(jù)分為5組，每次從訓(xùn)練集中，抽取出5份中的一份數(shù)據(jù)作為驗(yàn)證集，剩余4組作為測(cè)試集，重復(fù)5次。測(cè)試結(jié)果采用5組數(shù)據(jù)的測(cè)試誤差的平均值作為最后精度評(píng)價(jià)。原始數(shù)據(jù)集劃分成訓(xùn)練集和測(cè)試集以后，其中測(cè)試集除了用作調(diào)整參數(shù)，也用來(lái)測(cè)量模型的好壞。K折交叉驗(yàn)證對(duì)網(wǎng)格搜索(GridSearchCV)是很重要的，用來(lái)選擇模型的最優(yōu)參數(shù)，本文將全部數(shù)據(jù)集按照7∶3劃分為訓(xùn)練集和測(cè)試集進(jìn)行5折交叉驗(yàn)證。

1.3 隨機(jī)森林模型

1.3.1 模型參數(shù)取值

使用隨機(jī)森林模型進(jìn)行學(xué)習(xí)時(shí)，參數(shù)對(duì)模型準(zhǔn)確度意義重大。網(wǎng)格搜索算法(GridSearchCV)是一種通過(guò)遍歷給定的參數(shù)組合來(lái)優(yōu)化模型表現(xiàn)的方法，再利用K折交叉驗(yàn)證，得到最優(yōu)模型。隨機(jī)森林算法參數(shù)眾多，最終優(yōu)化模型參數(shù)取值如表1所示。

表1 模型參數(shù)取值

隨機(jī)森林模型參數(shù)優(yōu)化的一般步驟是： 先保持其他參數(shù)為默認(rèn)值，對(duì)待定參數(shù)設(shè)置范圍，然后不斷縮小范圍，最終確定參數(shù)值。子樹(shù)數(shù)量對(duì)模型的準(zhǔn)確性影響最大，設(shè)置過(guò)低會(huì)導(dǎo)致模型不準(zhǔn)確，設(shè)置過(guò)高會(huì)增加模型復(fù)雜度，所以首先確定子樹(shù)數(shù)量。設(shè)置范圍從[50,70]縮小為[50,57]，最終確定子樹(shù)數(shù)量為56。其他參數(shù)仍然利用網(wǎng)格搜索方法，得到最終模型。

1.3.2 5折交叉驗(yàn)證模型的精度

經(jīng)過(guò)5折交叉驗(yàn)證模型，結(jié)果如表2所示，決定系數(shù)平均值為0.855，說(shuō)明建立的隨機(jī)森林模型的精度較高，模型模擬較優(yōu)，穩(wěn)定性良好。

表2 5折交叉驗(yàn)證模型結(jié)果

1.3.3 特征重要性分析

特征重要性可以看出每個(gè)輸入量對(duì)模型預(yù)報(bào)所做的貢獻(xiàn)，將時(shí)間、經(jīng)緯度、地表反照率、海拔、天頂角、水汽、總云量、臭氧、高云、低云、中云、冰云、水云作為最終輸入量，輸出量為每小時(shí)輻射量。利用基尼指數(shù)作為評(píng)價(jià)指標(biāo)來(lái)衡量特征重要性。由圖1可以看出，天頂角數(shù)據(jù)重要性最大，為0.325，高云重要性最小，為0.004。說(shuō)明天頂角對(duì)地表太陽(yáng)輻射量影響較大，高云對(duì)地表太陽(yáng)輻射量影響很小。

圖1 特征重要性比較

2 結(jié)果與分析

2.1 訂正前后的精度分析

圖2為1月、4月、7月、10月ECMWF再分析數(shù)據(jù)與地面站觀測(cè)數(shù)據(jù)小時(shí)地表輻射的訂正前((a)—(d))后((e)—(h))逐時(shí)輻射量散點(diǎn)分布對(duì)比圖。訂正前，MAE分別為112.22 W/m2,141.91 W/m2,140.08 W/m2和125.50 W/m2，RMSE分別為155.84 W/m2,201.50 W/m2,196.69 W/m2和175.27 W/m2，R分別為0.74,0.80,0.79,0.77。結(jié)果表明不同月份的小時(shí)輻射數(shù)據(jù)誤差不同且較大，1月和10月的離散程度小，相關(guān)程度也較小，4月和7月的離散程度大，相關(guān)程度也較大。訂正后，各月份的訂正值與站點(diǎn)值的離散程度減小，相關(guān)性明顯提高，MAE分別為47.99 W/m2，78.77 W/m2，96.44 W/m2和58.38 W/m2，RMSE分別為87.90 W/m2，133.53 W/m2，160.59 W/m2和102.29 W/m2，R分別為0.91，0.91，0.88和0.92； 1月、4月、7月、10月的各誤差指標(biāo)變化幅度不同，MAE分別降低了57.24%，44.49%，31.15%和53.48%，RMSE分別降低了43.60%，33.73%，18.35%和41.64%，R分別提高了0.17，0.11，0.09和0.15，可見(jiàn)4個(gè)月中1月的ERA5地表太陽(yáng)輻射值訂正效果最好。

(a) 1月訂正前 (b) 4月訂正前 (c) 7月訂正前 (d) 10月訂正前

(e) 1月訂正后 (f) 4月訂正后 (g) 7月訂正后 (h) 10月訂正后

2.2 月均輻射值變化

2013年ERA5再分析資料與中國(guó)氣象站點(diǎn)資料訂正前后的月均輻射變化如圖3所示?？梢钥闯觯喺癊RA5太陽(yáng)輻射量的值較站點(diǎn)值偏高，總體規(guī)律都是夏秋輻射量高、春冬輻射量低。訂正后的值接近站點(diǎn)實(shí)測(cè)值，誤差較小。

圖3 訂正前后月輻射均值

誤差指標(biāo)比較如表3所示，訂正前的MAE，RMSE和R分別是27.60 W/m2，29.87 W/m2和0.97，訂正后三者值分別為3.34 W/m2，3.85 W/m2和1.00。MAE下降了87.90%，RMSE下降了87.11%，R提高了0.03。

表3 3種誤差指標(biāo)比較

2.3 訂正前后分月的誤差分布規(guī)律

圖4(a)為ERA5再分析資料與中國(guó)地面站點(diǎn)輻射量的月均值絕對(duì)誤差比較，圖4(b)—(d)為對(duì)每個(gè)月的小時(shí)數(shù)據(jù)求MAE，RMSE和R的分月誤差比較。得出的結(jié)果是，在訂正前，ERA5數(shù)據(jù)與地面站點(diǎn)的AE在10.28～49.53 W/m2之間，且夏秋季絕對(duì)誤差小，春冬季絕對(duì)誤差大；MAE在107.80～142.75 W/m2之間，RMSE在148.85～202.15 W/m2之間，R在0.74～0.80之間； 訂正后，AE在-5.91～7.08 W/m2之間，MAE在40.00～98.31 W/m2之間，RMSE在70.98～164.07 W/m2之間，R在0.87～0.94之間。此結(jié)果說(shuō)明： 隨機(jī)森林模型對(duì)ERA5地表太陽(yáng)輻射量的訂正效果較好；MAE和RMSE隨著時(shí)間的變化也有所規(guī)律，明顯看出夏秋季2種誤差指標(biāo)較大，春冬季較小。

(a) AE (b) MAE (c) RMSE (d) R

2.4 簡(jiǎn)單交叉驗(yàn)證

為了進(jìn)一步驗(yàn)證隨機(jī)森林模型的穩(wěn)定性，在中國(guó)范圍內(nèi)采用均勻分布的方法選取6個(gè)站點(diǎn)(表4)，分別為阿克蘇、剛察、長(zhǎng)春、綿陽(yáng)、建甌和北海，將其2013年所有樣本數(shù)據(jù)作為模型的驗(yàn)證數(shù)據(jù)集，不參與訓(xùn)練，其余站點(diǎn)的樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，進(jìn)行訓(xùn)練，訂正結(jié)果的比較如表5所示。從表5中看出，對(duì)于本身離散程度大、相關(guān)性弱的站點(diǎn)數(shù)據(jù)，經(jīng)過(guò)隨機(jī)森林的訂正后精度有明顯的提高，而本身離散程度小、相關(guān)性較高的站點(diǎn)數(shù)據(jù)，經(jīng)過(guò)隨機(jī)森林訂正后能夠保持精度或者有小幅度的提高。說(shuō)明隨機(jī)森林的模擬精度高，有較好的穩(wěn)定性。

表4 6個(gè)站點(diǎn)的信息

表5 6個(gè)站點(diǎn)前后訂正的誤差指標(biāo)分析

2.5 訂正前后的空間分布變化

圖5為利用上述建立的隨機(jī)森林模型對(duì)1月、4月、7月、10月的北京時(shí)間15日13時(shí)ERA5總輻射進(jìn)行訂正前后的空間分布圖。圖5(a)—(d)和(e)—(h)分別為訂正前后的空間分布結(jié)果。由圖5可見(jiàn)，太陽(yáng)輻射量訂正前后的宏觀分布規(guī)律一致，訂正后ERA5太陽(yáng)輻射量在局部地區(qū)有明顯的下降，對(duì)ERA5太陽(yáng)輻射量偏高的情況有所改進(jìn)，通過(guò)隨機(jī)森林訂正后的分布圖局部特征更加明顯，精度得到提高。

(a) 1月訂正前(b) 4月訂正前(c) 7月訂正前(d) 10月訂正前

圖5-1 訂正前后太陽(yáng)輻射的空間分布

(e) 1月訂正后(f) 4月訂正后(g) 7月訂正后(h) 10月訂正后

圖5-2 訂正前后太陽(yáng)輻射的空間分布

3 結(jié)論與討論

1)本文首先對(duì)2013年的再分析資料ERA5和地面觀測(cè)的太陽(yáng)總輻射數(shù)據(jù)進(jìn)行了對(duì)比。從總體上看，兩者有較大的差異，ERA5的地表太陽(yáng)輻射量要高于地面觀測(cè)數(shù)據(jù)，這與前人研究一致； ERA5輻射量與站點(diǎn)值的AE夏秋季小，春冬季大； 1月和10月的離散程度小，相關(guān)程度也較小，4月和7月的離散程度大，相關(guān)程度也較大。訂正前，2013年MAE，RMSE和R的值分別是27.60 W/m2，29.87 W/m2和0.97，對(duì)小時(shí)數(shù)據(jù)分月比較，ERA5數(shù)據(jù)與地面站點(diǎn)的AE在10.28～49.53 W/m2之間，且夏秋季AE小，春冬季AE大；MAE在107.80～142.75 W/m2之間，RMSE在148.85～202.15 W/m2之間，R在0.74～0.80之間。

2)利用5折交叉驗(yàn)證和網(wǎng)格搜索選擇模型參數(shù)，得到模型最優(yōu)參數(shù)和交叉驗(yàn)證的模型得分并評(píng)價(jià)模型的穩(wěn)定性，從得分可以驗(yàn)證模型的模擬較優(yōu)，穩(wěn)定性較好。將時(shí)間、經(jīng)緯度、地表反照率、海拔、天頂角、水汽、云量、高云等作為輸入?yún)?shù)進(jìn)行隨機(jī)森林訓(xùn)練。從2013年總體上看，MAE下降了24.26 W/m2，RMSE下降了26.02 W/m2，R提高了0.03，說(shuō)明隨機(jī)森林回歸模型取得了相對(duì)有效的訂正結(jié)果。對(duì)小時(shí)數(shù)據(jù)處理并分月比較，訂正后的AE在-5.91～7.08 W/m2之間，MAE在40.00～98.31 W/m2之間，RMSE在70.98～164.07 W/m2之間，R在0.87～0.94之間，訂正后的離散程度減小，相關(guān)性明顯提高。MAE和RMSE隨著時(shí)間的變化有所規(guī)律，明顯看出夏秋季2種誤差指標(biāo)較大，春冬季較小。1月、4月、7月、10月的各誤差指標(biāo)增長(zhǎng)幅度不同，4個(gè)月中1月的ERA5地表太陽(yáng)輻射量訂正效果最好。

3)利用簡(jiǎn)單交叉驗(yàn)證，進(jìn)一步驗(yàn)證隨機(jī)森林模型的穩(wěn)定性。阿克蘇、剛察、長(zhǎng)春、綿陽(yáng)、建甌、北海站點(diǎn)的太陽(yáng)輻射量訂正后的MAE，RMSE和R均有提高。結(jié)果表明對(duì)于本身離散程度大、相關(guān)性弱的站點(diǎn)數(shù)據(jù)，經(jīng)過(guò)隨機(jī)森林的訂正后精度有明顯的提高，而本身離散程度小、相關(guān)性較高的站點(diǎn)數(shù)據(jù)，經(jīng)過(guò)隨機(jī)森林訂正后能夠保持精度或者有小幅度的提高。說(shuō)明隨機(jī)森林的模擬精度高，有較好的穩(wěn)定性。

4)通過(guò)隨機(jī)森林的回歸，對(duì)ERA5進(jìn)行了空間分布上的訂正，訂正前后的宏觀規(guī)律一致，訂正后ERA5太陽(yáng)輻射量在局部地區(qū)有明顯的下降，精度得到提高。隨機(jī)森林模型對(duì)ERA5地表太陽(yáng)輻射量能夠進(jìn)行有效地訂正，在實(shí)現(xiàn)大樣本數(shù)據(jù)訓(xùn)練時(shí)能夠保證速度，訓(xùn)練的模型精度較高，實(shí)現(xiàn)較為方便快捷，能夠更好地進(jìn)行太陽(yáng)輻射產(chǎn)品的數(shù)據(jù)融合，得到的全國(guó)范圍的連續(xù)的太陽(yáng)輻射數(shù)據(jù)能夠?yàn)檗r(nóng)業(yè)、電力和城市建設(shè)等行業(yè)研究提供基礎(chǔ)數(shù)據(jù)。