📄 aardwetenschappen

A Hybrid Sunshine–Temperature–Humidity Model for Estimating the Monthly Mean Daily Global Solar Radiation of Tébessa, Algeria

Deze studie toont aan dat het toevoegen van relatieve zonningsduur aan een op temperatuur en vochtigheid gebaseerd model de nauwkeurigheid aanzienlijk verbetert en de systematische bias van maandelijkse gemiddelde dagelijkse globale zonnestraling voor Tébessa, Algerije, vermindert, ondanks de hoge collineariteit van de voorspellers op maandelijkse schaal.

Oorspronkelijke auteurs: Tidjani Boutora

Gepubliceerd 2026-09-22

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Tidjani Boutora

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Om de kracht van de zon te benutten, moeten ingenieurs eerst precies weten hoeveel energie er op een specifieke locatie de grond bereikt. Deze meting, bekend als globale zonnestraling, vormt het fundament voor het ontwerpen van elk systeem dat zonlicht omzet in elektriciteit of warmte. In een ideale wereld zouden wetenschappers simpelweg een gespecialiseerd instrument genaamd een pyranometer op elke potentiële locatie plaatsen om deze gegevens direct te registreren. Deze apparaten zijn echter duur in aanschaf, installatie en onderhoud, waardoor grote delen van de wereld, inclusief een groot deel van Algerije, zonder directe gegevens blijven. Om deze hiaten op te vullen, vertrouwen onderzoekers op semi-empirische modellen: wiskundige relaties die zonne-energie schatten met behulp van weervariabelen die veel gemakkelijker te verzamelen zijn, zoals luchttemperatuur, luchtvochtigheid en het aantal uren dat de zon schijnt. De uitdaging ligt in het vinden van de juiste combinatie van deze variabelen om een schatting te maken die zowel nauwkeurig als betrouwbaar is, vooral in regio's waar het klimaat droog is en het terrein hoog ligt.

In het oostelijke hoogland van Algerije ging een onderzoeker aan de slag om deze schattingen voor de stad Tébessa te verbeteren. Ze begonnen met een model dat ze eerder hadden ontwikkeld voor een andere stad, dat alleen luchttemperatuur en luchtvochtigheid gebruikte om de hoeveelheid zonnestraling te voorspellen. Hoewel deze aanpak goed werkte in sommige plaatsen, slaagde het er niet in om de energieniveaus in Tébessa en andere locaties op grote hoogte met een continentaal klimaat nauwkeurig te voorspellen. De onderzoeker vermoedde dat temperatuur en luchtvochtigheid alleen niet voldoende waren, omdat ze reageren op de zon in plaats van de transparantie van de atmosfeer voor de zon te meten. Om dit op te lossen, introduceerden ze een derde ingrediënt: de relatieve zonneschijningsduur, wat simpelweg de verhouding is tussen de werkelijke aantal zonuren en de maximaal mogelijke uren daglicht. Door deze directe maatstaf toe te voegen van hoe lang de zon daadwerkelijk schijnt, creëerden ze een nieuwe, vierdelige formule die specif으로 is ontworpen voor het koude, semi-aride klimaat van Tébessa.

De onderzoeker testte de nieuwe formule tegenover tien jaar aan geregistreerde weergegevens, waarbij de voorspellingen werden vergeleken met de werkelijke metingen van nationale zonnemonitoringscentra. De resultaten toonden aan dat het nieuwe model inderdaad een verbetering was. Het verminderde de systematische fout, of de consistente neiging om te hoog of te laag in te schatten, met meer dan de helft vergeleken met de oude methode. De algehele nauwkeurigheid nam ook toe, waarbij het gemiddelde verschil tussen de voorspelde en werkelijke waarden daalde tot een zeer kleine marge. Het model presteerde bijzonder goed tijdens de warmere, helderdere maanden van het jaar, waar de toevoeging van de zonneschijngegevens hielp om de eerdere overschattingen te corrigeren. De onderzoeker merkte echter op dat de verbetering minder merkbaar was tijdens de winter, wanneer de weersomstandigheden van maand tot maand nauwelijks veranderen, waardoor het moeilijk is voor enige variabele om een bepaalde periode van een andere te onderscheiden.

Ondanks het succes van de nieuwe formule, onthulde de studie een subtiele maar belangrijke beperking in de manier waarop de gegevens zich gedroegen. De drie weervariabelen die in het model werden gebruikt — zonneschijn, temperatuur en luchtvochtigheid — waren zo nauw met elkaar verbonden in de maandelijkse gemiddelden dat de statistische analyse hun individuele effecten niet duidelijk kon scheiden. In het droge, hooggelegen klimaat van Tébessa stijgen en dalen deze drie factoren in perfecte synchronisatie met de seizoenen: naarmate de dagen langer worden en de lucht helderder wordt, warmt de lucht tegelijkertijd op en wordt deze droger. Omdat ze in elkaars pas bewegen, kon het model niet definitief bewijzen welke enkele variabele het meeste werk deed, ook al bleek de zonneschijningsduur de meest gevoelige factor te zijn bij testen. Dit betekende dat hoewel de nieuwe formule beter werkte, de onderzoeker niet geheel zeker kon zijn hoeveel krediet er aan de zonneschijngegevens versus de temperatuurgegevens gegeven moest worden bij het kijken naar maandelijkse gemiddelden.

De studie concludeert dat voor praktische technische doeleinden in Tébessa en soortgelijke hooglandregio's de nieuwe vier-variabele formule het beste beschikbare instrument is, dat een nauwkeurigere en minder bevooroordeelde schatting biedt dan eerdere methoden. De onderzoeker waarschuwt echter dat om de unieke bijdrage van de zonneschijningsduur echt te begrijpen, toekomstige studies dagelijkse gegevens moeten gebruiken in plaats van maandelijkse gemiddelden. Op dagelijkse basis kan het weer genoeg variëren om de perfecte link tussen zonneschijn en temperatuur te verbreken, waardoor wetenschappers precies kunnen zien hoeveel elk factor ertoe doet. Totdat dergelijke gedetailleerde dagelijkse gegevens worden geanalyseerd, vormt het nieuwe model een belangrijke stap voorwaarts, het biedt een betrouwbare manier om zonne-energie te schatten in een regio waar directe metingen schaars zijn, terwijl het de complexe interactie tussen de zon, de lucht en de grond benadrukt.

Technische Samenvatting: Een Hybride Zonneschijn–Temperatuur–Luchtvochtigheid Model voor het Schatten van de Maandelijkse Gemiddelde Dagelijkse Globale Zonnestraling in Tébessa, Algerije

Probleemstelling
Betrouwbare schatting van de globale zonnestraling ( $H$ ) is een vereiste voor het ontwerp van zonne-energiesystemen, maar directe pyranometrische metingen zijn schaars in heel Algerije. Hoewel semi-empirische correlaties met routinematige meteorologische gegevens een praktisch alternatief bieden, toonde eerder werk van de auteur aan dat een tweevariabele model gebaseerd op enkel temperatuur ( $T$ ) en relatieve luchtvochtigheid ( $RH$ ) slecht presteerde bij de overdracht naar continentale, hooggelegen locaties zoals Tébessa (fout ~6,82%). De auteur으로 hypotheseerde dat thermische voorspellers alleen niet in staat zijn om de atmosferische transmissiviteit in semi-aride hooglanden te vatten, omdat zij reageren op, in plaats van de binnenkomende straling te bepalen. De studie stelt dat de afwezigheid van een directe beschrijver van atmosferische transparantie—specifiek de duur van de zonnestraling—de oorzaak is van deze degradatie.

Methodologie
De studie richt zich op Tébessa, Algerije (35,404°N, 8,124°E, 850 m asl), een locatie met een koud semi-aride (BSk) klimaat. De dataset bestaat uit een tienjarige (2015–2024) maandelijkse klimatologische normaal van globale irradiatie van het Renewable Energy Development Centre (CDER), aangevuld met gegevens over de duur van de zonnestraling, temperatuur en luchtvochtigheid van het Algerijnse Nationale Meteorologische Bureau (ONM).

De kern van de methodologische aanpak omvat:

Modelformulering: Het uitbreiden van de vorige tweevariabele correlatie ( $H/H_0 = aT^2 + bRH + c$ ) naar een vierparameter hybride model door relatieve duur van de zonnestraling ( $\sigma = S/S_0$ ) als een derde voorspeller te introduceren:
$H/H_0 = a\sigma + bT^2 + cRH + d$
Kandidaatvergelijking: Zes kandidaat-modellen werden gekalibreerd en vergeleken, variërend van het vorige thermische-alleen model tot het voorgestelde hybride model, een klassiek Ångström–Prescott model, en variaties inclusief interactietermen of kwadratische zonnesterm-termen.
Kalibratie en Validatie: Coëfficiënten werden geschat met behulp van Ordinary Least Squares (OLS) op de 12 maandwaarden. Vanwege het feit dat de gegevens een klimatologische normaal vertegenwoordigen (waarbij interjaarlijkse variantie verwaarloosbaar is), is de effectieve steekproefomvang 12, niet 120. Bijgevolg werd de prestatie beoordeeld via leave-one-month-out cross-validatie om schattingen buiten de steekproef te waarborgen.
Statistische Rigor: Tien statistische indicatoren werden gebruikt, waaronder RMSE, MBE en de Student $t$ -statistiek. Cruciaal was dat de studie een multicollineariteitsdiagnose uitvoerde met behulp van Variance Inflation Factors (VIF) om de onafhankelijkheid van de voorspellers te beoordelen.

Belangrijkste Resultaten
Het voorgestelde hybride model (M3) leverde de volgende prestatie-indicatoren voor Tébessa:

Nauwkeurigheid: RMSE = 0,243 MJ·m⁻²·dag⁻¹ (nRMSE = 1,31%) en $R^2$ = 0,9984.
Bias Reductie: De systematische bias (MBE) werd met 56% verminderd ten opzichte van het vorige thermische-alleen model (van +0,0072 naar +0,0032 MJ·m⁻²·dag⁻¹). De Stone $t$ -statistiek verbeterde van 0,094 naar 0,043, wat wijst op een niet-significante bias.
Vergelijking: Het hybride model verbeterde de klassieke Ångström–Prescott correlatie met 31,5% in RMSE.
Sensitiviteit: De sensitiviteitsanalyse toonde aan dat de relatieve duur van de zonnestraling ( $\sigma$ ) de meest invloedrijke voorspeller is; een perturbatie van ±10% in $\sigma$ verandert de helderheidsindex met ±1,78%, vergeleken met ±1,31% voor $RH$ en ±1,24% voor $T$ .

Diagnose van Multicollineariteit
Een kritieke bevinding van de studie is de aanwezigheid van ernstige multicollineariteit onder de voorspellers bij het gebruik van maandelijkse klimatologische normalen. De voorspellers ( $\sigma$ , $T^2$ en $RH$ ) zijn bijna perfect gecorreleerd (bijv. de correlatie tussen $\sigma$ en $RH$ is −0,962), wat resulteert in extreem hoge Variance Inflation Factors (181 voor $\sigma$ , 633 voor $T^2$ , 142 voor $RH$ ).

Gevolg: Hoewel de zonnesterm de algehele bias en nauwkeurigheid van de schatting aanzienlijk verbetert, is de regressiecoëfficiënt voor $\sigma$ niet statistisch significant op het 5%-niveau ( $p = 0,234$ ) in het vierparameter model. De gegevens kunnen de individuele bijdrage van zonnestraling niet uniek onderscheiden van temperatuur of luchtvochtigheid omdat, op een maandelijkse normaal, alle drie de variabelen worden gedreven door dezelfde jaarlijkse zonnecyclus.

Betekenis en Claims
Het artikel claimt drie primaire bijdragen:

Een gevalideerd Hybride Model: Het biedt een gekalibreerde, vierparameter correlatie voor Tébessa die nauwkeuriger en minder biased is dan eerdere thermische-alleen formuleringen, specifiek voor semi-aride hooglandlocaties.
Kwantitatieve Diagnose: Het gaat verder dan aannames door te kwantificeren waarom de verbetering bescheiden is (4,2% reductie in RMSE) en waarom de zonnestatistiek geen individuele significantie mist: de multicollineariteit inherent aan maandelijkse klimatologische normalen voorkomt de scheiding van voorspellers.
Praktische Aanbeveling: De studie concludeert dat hoewel de zonnesterm behouden moet blijven voor engineering-toepassingen om de systematische bias te verminderen, een definitieve scheiding van de effecten van de voorspellers kalibratie op dagelijkse gegevens (of maandgegevens van individuele jaren) vereist waarbij zonnestraling en temperatuur onafhankelijk kunnen variëren. De auteur beveelt het gebruik van door satellieten afgeleide dagelijkse zonnestralingsproducten (bijv. CM SAF SARAH-3) aan voor toekomstige verfijningen, waarbij wordt opgemerkt dat dergelijke gegevens nu beschikbaar zijn voor de regio.

De auteur neemt een bescheiden standpunt in door te erkennen dat hoewel machine learning-benaderingen een hogere nauwkeurigheid kunnen bieden met grote datasets, de voorgestelde parsimonieuze, interpreteerbare correlatie het geschikte instrument blijft voor locaties waar alleen maandelijkse klimatologische normalen beschikbaar zijn.

Meer zoals dit