2 北京师范大学学报 (自然科学版) Journal of Beijing Normal University (Natural Science) 2 2 ! 3 ­ 2 2 2 　 　 274　　 2007 06 43 (3) 　 基于 LS SVM 方法的晴空逐时太阳辐射模型 苏高利 1 , 2 , 3) 　柳钦火 1) 　邓芳萍 4) 　辛晓洲 1) ( 1) 中国科学院遥感应用研究所遥感科学国家重点实验室 , 100101 , 北京 ; 2) 中国科学院研究生院 , 100049 , 北京 ; 3) 浙江省气候中心 , 310017 , 杭州 ; 4) 中国科学院地理科学与资源研究所 , 100101 , 北京) 摘要 　利用浙江省杭州和椒江两站 2003 —2005 年的晴空逐时气象数据 ,采用最小二乘支持向量机方法 (L S SVM) , 建立了晴空逐时太阳辐射模型. 模型的输入因子为逐时天文辐射 、气温 、气压 、水汽压 、能见度和风速等要素 ,输出因子为 逐时太阳辐射. 模型数据分为 2 部分 ,其中 2003 年的数据用于训练建模 ,2004 —2005 年的数据用于模型的评估. 结果表 明 ,L S SVM 方法能够很好地模拟气象要素对太阳辐射的非线性影响 ,建立的太阳辐射模型精度较高 ,模型的解释性方 差 R2 为0 124 1 MJ · m - 2 . 根据浙江省 68 个气象站 2005 SVM 方法的晴空逐时太阳辐射模型具有很好的学习推广能力 ,利用常规的气象观测资料 ,即可模拟出具有相似气候背景下的 晴空逐时太阳辐射 ,为太阳辐射遥感反演提供地面数据. 159 0 MJ·m - 2 ,平均误差 EMB和平均绝对误差 EMAB分别为0 15 T14 :00 的气象要素 ,估算出的太阳辐射为 1 950 5 ,均方根误差 ERMS = 0 12 39～2 24 MJ ·m - 2 . 基于 L S 005 3和0 关键词 　太阳辐射 ; 最小二乘支持向量机 ; 模拟技术 0 　引言 太阳辐射是地表 大气间能量 、物质输送与交换过 程的驱动力 ,是气候 、生态 、水文等模型的一个基本输 入参数. 准确的太阳辐射数据有利于提高净辐射 、蒸散 等遥感反演产品的精度[ 1 ] . 但是太阳辐射观测站点稀 疏 ,且分布极不均匀 ,难以提供高精度的太阳辐射时空 分布资料. 区域和全球范围的太阳辐射估算最为可行 的方法是进行遥感反演[ 2 3 ] . 由于太阳辐射观测站点太 少 ,遥感反演的验证较为困难. 为解决该问题 ,有必要 通过间接方法计算太阳辐射 ,来获取地面验证数据. 第 1 种方法是利用复杂的大气辐射传输模型 ,模 拟入射到大气层顶的太阳辐射在穿越大气达到地面的 传输过程中 ,与大气和地面发生的一系列相互作用的 物理过程 ,计算的太阳辐射具有物理基础[ 4 ] . 但辐射传 输模型的输入参数较多 ,有些代表当地大气实际状况 的参数难以获取 ,如大气廓线数据 ,在一般的常规气象 站不进行观测 ,即使在有探空观测的站点 ,观测时次一 天也仅有 2 次 ,从而限制了模型的应用. 第 2 种方法是 统计模型 ,利用常规的气象要素以及台站的经纬度和 观测时间 ,可以模拟出太阳辐射[ 5 ] . 其中最具代表性的 是 Prescott 方法 ,它利用日照百分率和晴 朗指数来估算太阳辐射[ 6 ] . Thornton 等[ 7 ] 和 Winslow 等人[ 8 ] 在太阳辐射模型中加入气温 、降水 、相对湿度等 因子 ,来提高模拟的精度. 传统的统计模型 ,没有普适 ngst r m 性 ,无法在太阳辐射资料缺乏的地区应用. 第 3 种方法 是利用人工神经网络方法具有学习推广能力 、非线性 建模等特点 ,来模拟太阳辐射[ 9 10 ] . 但是 ,神经网络方法存在局部极小值 、过学习以及 结构和类型的选择过分依赖经验等问题 ,容易导致结 果的不确定性. 采用 Vap nik 等[ 11 ] 提出的建立在统计 学习理论基础上的支持向量机能避免这些问题. 支持 向量机方法改变了传统的经验风险最小化原则 ,针对 结构风险最小化原则提出的 ,能够较好地解决小样本 、 非线性 、高维数 、局部极小值等实际问题 ,具有很好的 推广能力 ,在非线性建模领域得到了应用. Suykens[ 12 ] 提出了一种新型支持向量机方法 ———最小二乘支持向 量机 ( least squares support vector machines , 简 称 SVM) 用于解决模式 识别 和函 数估计 问题. L S L S SVM 方法是采用最小二乘线性系统作为损失函数 ,代 替传统的支持向量机采用的二次规划方法 ,简化了计 算的复杂性 ,运算速度快. 本文拟利用天文辐射 、气温 、气压 、水汽压 、能见度 和风速等常规气象要素作为输入因子 ,通过 L S SVM 方法模拟晴空条件下逐时太阳辐射 ,并将太阳辐射模 型应用于辐射资料缺少的地区. 1 　资料与方法 1. 1 　资料 　利用 2003 —2005 年浙江省仅有的 2 个辐 射观测站 (杭州和椒江) 的逐时气象数据 ,建立太阳辐 国家自然科学青年科学基金资助项目 (40601067) ; 中国科学院知识创新工程重要方向资助项目 ( KZCXZ YW 313) 收稿日期 :2007 02 11 

5 5 5 5 5 　第 3 期 1 2 1 苏高利等 : 基于 L S SVM 方法的晴空逐时太阳辐射模型 1 T 0 1 Ω+γ- 1 I b α = 0 y , 2 275　　 　 (6) 射模型. 杭州站位于 120°10′E , 30°14′N ,海拔为 41 7 m ,属于浙江省北部地区. 椒江站位 121°25′E , 28°37′ N ,海拔为 4 6 m ,属于浙江省南部地区. 气温 、气压 、 水汽压 、能见度 、风速 、太阳辐射等气象资料通过观测 获得. 天文辐射资料根据时间 、日地相对距离 、经度和 纬度等信息计算获得[ 13 ] . 这里利用的逐时数据为晴空 条件下云量为零 ,日照为 1 h 的数据 ,共有3 866个样 本. 利用 2003 年1 375个数据作为太阳辐射模型的学 习训练 ,2004 —2005 年2 491个数据用于模型评估. 另外 ,利用浙江省 68 个常规气象站 2005 年 12 月 15 日 14 :00 晴空条件下气象数据以及相应的逐时天 文辐射资料 ,输入到太阳辐射模型中 ,以获取全省太阳 辐射资料. 1. 2 　最小二乘支持向量机方法 　最小二乘支持向量 机方法对于非线性建模问题 , 首先通过选择一个非线 性变换φ(·) ,把原始空间中的数据映射到一个高维特 征空间中 ,再在高维特征空间中进行线性估计. 假定一 个训练样本集{ x i , y i} N ,其中输入数据 x i ∈Rn 和输出 数据 y ∈R, 在高维特征空间中构造最优线性估计函 数[ 12 ] : i y ( x) = w Tφ( x) + b, ( 1) 根据结构风险最小化原则 , 在优化目标中选择的损失 函数为 ei 的二范数 ,优化问题为 : min w , b, e J ( w , e) = 1 2 约束条件为 : w T w +γ 1 N 2 ∑ e2 i , i = 1 ( 2) i = 1 , …, N , y i = w Tφ( x i) + b + ei , ( 3) 其中 w 为超平面的权值向量 , b 为偏置值. 最小二乘支 持向量机定义了与标准支持向量机不同的损失函数 , 并将其不等式约束改为等式约束. 求解式 ( 2) 的问题 , 可以定义拉格朗日函数 : L ( w , b, e;α) = J ( w , e) - N ∑ i = 1 αi{ w Tφ( x i ) + b + ei - y i } , ( 4) 这里αi 为拉格朗日算子. 对式 ( 4) 进行优化 ,即求 L 对 w , b, ei ,αi 的偏导数等于 0 : = 0 → w = ∑ αiφ( x i) , N i = 1 = 0 → ∑ αi = 0 , N i = 1 = 0 →αi = γe i , = 0 → w Tφ( x i ) + b + ei - y i = 0. L w L b L ei L αi ( 5) 这里 i = 1 , …, N . 通过消除上式变量 ei 和 w , 得到以 下线性方程 : 其中 y = [ y1 , …, y N ] , 1 = [ 1 , …, 1 ] ,α= [α1 , …,αN ] , 根据 Mercer 条件可以获得 : Ωil =φ( x i) Tφ( x l ) = K( x i , x l ) , i , l = 1 , …, N . 因此 ,得到最小二乘支持向量机 L S 数估计为 (7) SVM 的非线性函 N y ( x) = ∑ i = 1 αi K ( x , x i) + b, (8) 其中α, b 由式 (6) 求得 , K(·,·) 为核函数 ,其表达式为 K( x , x i) = exp ( - ‖x - x i ‖2 σ2 ) . (9) 因此 ,在 L S SVM 模型中 ,仅需要 2 个可调参数 : γ和σ2 . 其中γ为正则化参数 ,控制对超出误差的样本 的惩罚程度 ,σ2 为径向基函数的核宽度. 利用最小二乘支持向量机方法建立太阳辐射模型 时 ,模拟的是晴空条件下的太阳辐射 ,因此不考虑云量 和日照时数的影响 ,仅选择了天文辐射 、气温 、气压 、水 汽压 、能见度和风速等要素作为输入因子 ,模型的输出 因子则为太阳辐射. 建立太阳辐射模型的步骤是 :首先利用训练样本 SVM 模型进行学习 、训练 ,调整模型的参 SVM 模型 ,然 集 ,对 L S 数 ,最终确定用于估算太阳辐射的 L S 后利用评估样本集对训练好的模型进行评估. 2 　结果与分析 SVM 模型的参数调整 　在考虑核函数的选 2. 1 　L S 取时 ,采用了径向基函数作为 L S SVM 模型的核函 数. 因此 ,学习训练时需要确定模型的 2 个参数 :γ和 σ2 . 由于支持向量机优良的推广性能能否实现 ,同模型 中参数γ、σ2 有主要的关系. 因此 ,在建立逐时太阳辐 射模型时 ,主要是如何根据训练样本集选择合适的模 型参数 ,以保证模型有很好的推广能力 ,成为应用支持 向量机的关键一步[ 14 ] . 一般来说 ,采用交叉验证方法 , 通过泛化误差 ,来调整模型的参数 ,是一种合理的选 择. 在本研究中 ,模型参数的选择采用 5 折交叉验证 SVM 模型的学习训练过程通过 方法进行了确定 ,L S 5 实现[ 15 ] ,最终得到估算逐时太 软件 L S SVMlab 1 SVM 模 型 的 参 数 γ 和σ2 值 分 别 为 阳辐 射 的 L S 915 2和12 46 978 5. 2. 2 　太阳辐射模型的评估 　为了评估 L S SVM 方法 建立太阳辐射模型的推广能力 ,采用了解释性方差 ( R2 ) 、均方根误差 ( ERMS) 、平均误差 ( EMB ) 和平均绝对 误差 ( EMAB ) 等统计指标. R2 值越接近 1 , ERMS 、EMB 和 

1 　276　　 1 1 1 1 1 北京师范大学学报 (自然科学版) 第 43 卷 　 EMAB值越小 ,模型评估效果就越好 ,就越具有更好的 推广能力. 利用 2004 —2005 年的评估样本集 , 对利用 L S SVM 方法建立好的晴空逐时太阳辐射模型进行了评 估 (表 1) . 表 1 同时给出了利用 B P 神经网络方法 、线 性回归等方法建立太阳辐射模型的统计结果. B P 神经 网络模型的输入层为 6 ,隐含层为 10 ,输出层为 1. 线 性回归模型的方程为 y = 0 784 85 x1 + 0 001 33 x2 - 0 001 08 x3 - 0 004 57 x4 + 0 015 05 x5 + 0 003 49 x6 , 其中 y 为太阳辐射 , x1 为天文辐射 , x2 为气温 , x3 为 气压 , x4 为水汽压 , x5 为能见度 , x6 为风速. 从表 1 中 SVM 方法建立的太阳 的统计结果可以看出 ,利用 L S 辐射模型的评估样本的解释性方差 R2 达0 950 5 ,高 943 5) 和线性回归 于 B P 神经网络模型的值 ( R2 = 0 SVM 模型的均方根 模型的值 ( R2 = 0 945 6) . 而 L S 误差 ERMS为0 005 3 124 1 MJ ·m - 2 , 均 MJ ·m - 2 和平均绝对误差 EMAB 为0 159 0 MJ ·m - 2 ,平均误差 EMB 为0 　 样本 R2 训练 0. 9641 评估 0. 9505 表 1 　LS SVM 模型 、BP 神经网络模型和线性模型的统计结果 L S SVM 模型 ERMS 0. 1236 0. 1590 EMB 0. 0000 0. 0053 BP 神经网络模型 线性回归模型 EMAB 0. 0935 0. 1241 R2 0. 9635 0. 9435 ERMS EMB EMAB 0. 1247 - 0. 0000 0. 0952 0. 1694 0. 0082 0. 1318 R2 0. 9519 0. 9456 ERMS EMB EMAB 0. 4559 - 0. 4327 0. 4345 0. 4830 - 0. 4593 0. 4603 小于 B P 神经网络模型和线性模型的值. 因此 ,利用 SVM 方法建立的太阳辐射模型精度更高 ,说明了 L S SVM 方法的优越性. L S 　　由于 2004 —2005 年数据模拟的统计结果与 2003 年训练样本模拟的结果非常接近 ,证明 L S SVM 模型 具有很强的推广能力 ,利用 L S SVM 方法建立的太阳 辐射模型可以模拟不同年份各月逐时的太阳辐射. 从 太阳辐射模拟值与实际观测值的散点图 (图 1) 也可以 看出 ,L S SVM 模型的模拟效果比较理想. 图 2 　太阳辐射模拟值与实际值之差直方向 　 57 % ,而模拟误差大于 ±0 3 MJ ·m - 2 的样本 本占 81 不足 7 %. 图 1 　太阳辐射模拟值和实际值的拟合曲线 太阳辐射模拟误差的频率分布图显示 ,评估误差 呈正态分布趋势 (图 2) . 太阳辐射模拟值与实际观测 值相同的样本有 73 个 ,占了总样本的 2 93 % ;太阳辐 射模 拟 值 比 实 际 值 偏 高 的 样 本 有 1 239 个 , 占 了 74 % ;太阳辐射模拟值比实际观测值偏低的样本有 49 1 179个 ,占了 47 1 MJ ·m - 2 2 MJ ·m - 2 的样 的样本占 51 33 %. 模拟误差小于 ±0 47 % ,模拟误差小于 ±0 可见 ,太阳辐射模拟误差非常小 ,与实际观测值非 常接近. 用最小二乘支持向量机方法建立的晴空逐时 太阳辐射模型具有很强的推广能力 ,模拟精度非常高. 2. 3 　太阳辐射模型的应用 　由于 L S SVM 方法建立 的太阳辐射模型具有很强的学习 、推广能力 ,并且能够 很好地模拟各气象要素对太阳辐射的非线性影响. 考 虑到浙江省常规气象站的气候背景基本相同 ,并且这 些站点并没有受到局部地形 、小气候的影响 ,因此 ,利 用太阳辐射模型来估算浙江省常规气象站的太阳辐射 是合理 、可行的. 利用浙江省 68 个气象站 2005 年 12 月 15 日 14 时的气象数据 (包括气温 、气压 、水汽压 、能见度和风 

1 1 1 1 1 2 1 　第 3 期 1 苏高利等 : 基于 L S SVM 方法的晴空逐时太阳辐射模型 277　　 　 速) 以及逐时天文辐射资料 ,输入到太阳辐射模型中 , 从而得到浙江省各站的逐时太阳辐射值 (见表 2) . 从 表 2 中可以看出 ,全省逐时太阳辐射为 1 24 81 MJ ·m - 2 . 从空间分布来看 ,浙 MJ ·m - 2 ,平均为 1 北平原大部地区在 1 80 MJ ·m - 2 以下 ,浙中地区在 80 MJ · 1 90 MJ ·m - 2 左右 ,浙南沿海地区在 1 39～2 80～1 m - 2 以上. 太阳辐射低值区主要集中在浙西南山区遂 昌 、龙泉 、云和 、庆元以及沿海岛屿的下大陈 、嵊泗 、岱 山 、舟山等地 ,其中遂昌和龙泉太阳辐射分别为 1 39 和 1 41 MJ ·m - 2 ,为全省最低. 太阳辐射高值区主要 位于浙江东部沿海的文成 、临海 、青田 、宁海 、温州等 地 ,在 2 24 MJ ·m - 2 左右. 0～2 表 2 　2005 年 12 月 15 日 14 时太阳辐射模拟结果 台站 遂昌 龙泉 云和 下大陈 庆元 镇海 嵊泗 长兴 岱山 常山 舟山 椒江 余姚 宁波 上虞 湖州 石浦 玉环 慈溪 瑞安 义乌 洞头 平湖 金华 兰溪 泰顺 东阳 丽水 普陀 仙居 平阳 海宁 绍兴 龙游 天文辐射 太阳辐射 MJ·m - 2 晴朗指数 2. 81 2. 85 2. 83 2. 74 2. 88 2. 64 2. 57 2. 63 2. 61 2. 81 2. 63 2. 74 2. 66 2. 66 2. 67 2. 63 2. 69 2. 78 2. 64 2. 82 2. 74 2. 80 2. 62 2. 76 2. 76 2. 87 2. 74 2. 80 2. 63 2. 75 2. 83 2. 64 2. 68 2. 78 1. 39 1. 41 1. 59 1. 55 1. 63 1. 58 1. 55 1. 62 1. 63 1. 76 1. 65 1. 72 1. 67 1. 68 1. 69 1. 67 1. 71 1. 77 1. 69 1. 81 1. 76 1. 80 1. 69 1. 79 1. 79 1. 87 1. 79 1. 83 1. 72 1. 80 1. 86 1. 74 1. 77 1. 84 0. 495 0. 495 0. 562 0. 566 0. 566 0. 598 0. 603 0. 616 0. 625 0. 626 0. 627 0. 628 0. 628 0. 632 0. 633 0. 635 0. 636 0. 637 0. 640 0. 642 0. 642 0. 643 0. 645 0. 649 0. 649 0. 652 0. 653 0. 654 0. 654 0. 655 0. 657 0. 659 0. 660 0. 662 台站 萧山 奉化 乐清 永康 三门 建德 海盐 桐乡 嘉兴 开化 武义 淳安 江山 衢州 德清 新昌 嘉善 诸暨 永嘉 杭州 温州 缙云 桐庐 天台 温岭 临安 嵊州 富阳 安吉 青田 浦江 临海 宁海 文成 天文辐射 太阳辐射 MJ·m - 2 晴朗指数 2. 67 2. 67 2. 79 2. 77 2. 71 2. 75 2. 63 2. 64 2. 62 2. 80 2. 77 2. 75 2. 82 2. 79 2. 66 2. 70 2. 61 2. 71 2. 80 2. 67 2. 81 2. 78 2. 71 2. 72 2. 76 2. 68 2. 70 2. 69 2. 66 2. 81 2. 73 2. 74 2. 70 2. 84 1. 78 1. 78 1. 86 1. 87 1. 83 1. 86 1. 80 1. 81 1. 80 1. 93 1. 91 1. 90 1. 95 1. 93 1. 85 1. 88 1. 82 1. 89 1. 98 1. 89 2. 00 1. 98 1. 94 1. 95 1. 99 1. 94 1. 96 1. 96 1. 95 2. 09 2. 05 2. 09 2. 06 2. 24 0. 667 0. 667 0. 667 0. 675 0. 675 0. 676 0. 684 0. 686 0. 687 0. 689 0. 690 0. 691 0. 691 0. 692 0. 695 0. 696 0. 697 0. 697 0. 707 0. 708 0. 712 0. 712 0. 716 0. 717 0. 721 0. 724 0. 726 0. 729 0. 733 0. 744 0. 751 0. 763 0. 763 0. 789 　　利用估算出的太阳辐射值除以天文辐射 ,得到晴 朗指数 ,该指数反映了大气条件对太阳辐射的影响. 晴 朗指数值越低 ,太阳辐射从大气上界到达地面过程中 减少越多 ,大气对太阳辐射影响越显著. 从表 2 中可以 看出 ,浙江省晴朗指数为 0 789 ,到达地面的 太阳辐射大约减少了 20～50 %左右. 全省有 68 %的站 点的 晴 朗 指 数 在 0 7 之 间. 遂 昌 和 龙 泉 为 495 ,为全省最低 ,这 2 个站的太阳辐射受大气影响 0 最为明显. 文成太阳辐射最高 ,达到 2 24 MJ ·m - 2 ,晴 789 ,气象条件对它影响最小 ,主要是由于 朗指数为 0 495～0 6 ～ 0 能见度最好 ,达到 40 km. 3 　主要结论 利用最小二乘支持向量机方法建立了晴空条件下 逐时太阳辐射模型 ,太阳辐射模拟值与实际值误差较 小 ,具有很高的精度. 大气条件对太阳辐射的影响是复 杂的 ,具有非线性的特征. 利用最小二乘支持向量机方 法能够很好地模拟天文辐射 、能见度 、水汽压 、气温 、气 压和风速等要素对太阳辐射的影响 ,基于 L S SVM 方 法的太阳辐射模型是具有很强的非线性建模能力和很 

1 　278　　 2 1 1 1 2 2 2 2 北京师范大学学报 (自然科学版) 第 43 卷 　 1 2 好的学习 、推广能力. 模型建立后 ,就可以利用常规气 象资料 ,估算逐时太阳辐射 ,插补太阳辐射观测数据 , 为太阳辐射遥感反演提供重要的地面数据. 4 　参考文献 [ 1 ] 　Wloczyk C , Richter R. Estimation of solar radiation on the ground f rom multispectral satellite sensor imagery [ J ]. International Journal of Remote Sensing , 2006 , 27 (6) :1253 incident [ 2 ] 　Pinker R T , Frouin R , Li Z. A review of satellite methods to derive surface shortwave irradiance [ J ]. Remote Sensing of Environment , 1995 , 51 :108 [ 3 ] 　Pinker R T , Zhang B , Dutton E G. Do satellites detect trends in surface solar radiation ? [J ]. Science ,2005 (5) :6 [ 4 ] 　傅炳珊 ,陈渭民 ,马丽. 利用 MODTRAN3 计算我国太阳直 接辐射和散射辐射[J ]. 南京气象学院学报 ,2001 ,24 (1) :51 en Z. Solar energy in progress and future research trends[J ]. Prog Energy Combust Sci , 2004 , 30 :367 [ 5 ] 　 [ 6 ] 　Prescott J A. Evaporation f rom a water surface in relation to solar radiation [J ]. Trans Roy Soc South Australia , 1940 , 64 :114 [ 7 ] 　Thornton P E , Steven W R. An improved algorithm for f rom and estimating measurement s precipitation[J ]. Agr Forest Meteorol , 1999 , 93 :211 solar daily temperature , radiation humidity , incident of [8 ] 　Winslow J C , Hunt E R , Piper S C. A globally applicable model of daily solar irradiance estimated f rom air temperature and precipitation data [ J ]. Ecol Model , 2001 , 143 :227 [9 ] 　Tymvios F S , J acovides C P , Michaelides S C , et al. s and artificial neural solar Comparative study of networks in estimating radiation[J ]. Solar Energy , 2005 , 78 :752 methodologies global ngstr m [10 ] 　Reddy K S , Manish Ranjan. Solar resource estimation using artificial neural networks and comparison with other correlation models [ J ]. Energy Conversion and Management , 2003 , 44 :2519 [11 ] 　Vap nik V. Statistical learning theory [ M ]. New York : John Wiley , 1998 :733 [12 ] 　Suykens J A K , Van Gestel T , De Brabanter J , et al. Least squares support vector machines[ M ]. Singapore : World Scientific Publishing Co. Pte Ltd , 2002 :308 [13 ] 　Iqbal M. An introduction to solar radiation [ M ]. [ S. l. ] : Academic Press , 1983 :390 [14 ] 　苏高利 ,邓芳萍. 关于支持向量回归机的模型选择 [J ]. 科技通报 , 2006 , 22 (2) :154 [15 ] 　Pelckmans K , Suykens J A K , Van Gestel T , et al. L S SVMlab : a Matlab/ C toolbox for least squares support vector machines [ R ]. 44 , ESA T SISTA , K. U . Leuven (Leuven , Belgium) , 2002 Internal Report 02 THE HOURLY GLOBAL CL EAR SKY RADIATION MODEL BASED ON THE L EAST SQUARES SUPPORT VECTOR MACHINES Su Gaoli 1 ,2 ,3) 　Liu Qinhuo1) 　Deng Fangping4) 　Xin Xiaozhou1) ( 1) The State Key Lab of Remote Sensing Science , Instit ute of Remote Sensing Applications , CAS , 100101 , Beijing , China ; 2) Graduate University of CAS , 100049 , Beijing , China ; 3) Zhejiang Climate Center , 310017 , Hangzhou , China ; 4) Instit ute of Geographic Sciences and Nat ural Resources Research , CAS , 100101 , Beijing , China) Abstract 　Remote sensing is t he mo st feasible way to st udy global or regional solar radiation. However , sit u data , t he validation of ret rieval solar radiation is hard to perform. The least due to t he scarcely available in SVM) is utilized to estimate t he ho urly solar radiation in clear days. The squares support vector machines (L S inp ut parameters of t he L S SVM model include hourly ext raterrest rial radiation , temperat ure , p ressure , water vapor p ressure , visibilit y and wind speed. The hourly meteorological data of Hangzhou and Jiaojiang f rom year 2003 to 2005 are split into two part s. The data in 2003 are used to t rain t he model , and data in 2004 —2005 are used to test t he model. The result indicates t hat SVM model performs satisfactorily : R2 = 0 950 5 , ERMS = SVM solar radiation model has 0 good abilit y of modeling nonlinear p rocess and advantage of generalit y. We inp ut routine meteorological data of 68 weat her stations in Zhejiang into t he L S 15 T14 :00 24 MJ ·m - 2 ) . The result s demonst rate t hat we can achieve accurate solar radiation by (ranging f rom 1 using L S sit u solar radiation data is missing or not available. SVM model and estimate t he solar radiation at 2005 39 to 2 SVM when in 005 3 MJ ·m - 2 , and EMAB = 0 124 1 MJ ·m - 2 . The L S 159 0 MJ ·m - 2 , EMB = 0 12 Key words 　solar radiation ; least squares support vector machines ; simulation technology