Estimation of global horizontal irradiance using satellite-derived data across Middle East-North Africa: The role of aerosol optical properties and site-adaptation methodologies

A Machine Learning Approach to Retrieving Aerosol Optical Depth Using Solar Radiation Measurements

“…An accurate assessment of solar resources necessitates a comprehensive understanding of aerosol properties. Integrating these properties into radiative transfer models enables the simulation of long-term solar irradiances under cloud-free conditions [8][9][10][11][12][13][14][15][16][17].…”

Aerosol Optical Properties and Type Retrieval via Machine Learning and an All-Sky Imager

“…In cases of clear-sky conditions, solar resource estimation is linked mainly to AOD and total column water vapor (TCWP) [52,53]. The global and direct components of the surface solar irradiance (GHI and DNI) are important for PV systems and concentrated solar power (CSP) technologies [53][54][55]. The former two solar parameters under clear skies are primarily affected by the atmospheric aerosol burden and aerosol scattering effects [56].…”

Μελέτη Της Επίδρασης Των Αιωρούμενων Σωματιδίων Και Των Νεφών Στην Ηλιακή Ακτινοβολία

“…(5.1) όπου AOD(λ) και AOD(λ 0 ) ήταν τα οπτικά πάχη των αιωρούμενων σωματιδίων για μήκος κύματος λ 0 στα 550nm ή 1240 nm και λ να είναι το κοντινότερο μήκος κύματος στo λ 0 , με τις επίγειες μετρήσεις του AOD Συνεπώς, η μείωση των αβεβαιοτήτων στις εκτιμώμενες χρονοσειρές του AOD (AOD CAMS ) ήταν ο κύριος στόχος της εργασίας μας και αυτός μπορούσε να επιτευχθεί μέσω της εφαρμογής βαθμονόμησης και μεθοδολογιών προσαρμογής στην τοποθεσία . Για ηλιακές εφαρμογές και με στόχο την πρόγνωση της ηλιακής ακτινοβολίας που φτάνει σε αυτές, οι υπολογισμοί του μοντέλου μπορούσαν να βελτιωθούν ρεαλιστικά μέσω της διόρθωσης των σφαλμάτων είτε της επιφανειακής ηλιακής ακτινοβολίας ή των ατμοσφαιρικών δεδομένων που εισάγονταν στο μοντέλο, όπως ήταν τα αιωρήματα και το υετίσιμο ύδωρ (Vamvakas et al, 2020;Polo et al, 2020).…”