Ứng dụng mô hình mạng thần kinh nhân tạo dự báo tổng lượng bức xạ ngày cho khu vực đồng bằng phía bắc việt nam

Chuyên khảo phân tích Ứng dụng mô hình mạng thần kinh nhân tạo dự báo tổng lượng bức xạ ngày cho khu vực đồng bằng phía, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên

• Tác giả: CN Hoàng Phúc Lâm
• Người hướng dẫn: PGS. Nguyễn Hướng Điền
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Khoa học tự nhiên
• Đề tài: Ứng Dụng Mô Hình Mạng Thần Kinh Nhân Tạo Dự Báo Tổng Lượng Bức Xạ Ngày Cho Khu Vực Đồng Bằng Phía Bắc Việt Nam
• Loại tài liệu: Báo cáo tóm tắt
• Năm xuất bản: 2007
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tình hình nghiên cứu và ứng dụng mạng TKNT
• 1.2. Các đặc trưng vật lý cơ bản của bức xạ
• 1.3. Sự hấp thụ bức xạ trong khí quyển
• 1.4. Sự khuếch tán bức xạ trong khí quyển
• 1.5. Cách tính bức xạ sóng ngắn trong khí quyển
• 1.6. Chế độ bức xạ ở khu vực đồng bằng phía bắc
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT MẠNG THẦN KINH NHÂN TẠO
• 2.1. Các khái niệm cơ bản về mạng thần kinh nhân tạo
• 2.2. Các quy tắc và phương pháp xây dựng mạng TKNT
• 2.3. Các loại mạng TKNT và ứng dụng
• 3. CHƯƠNG 3: ỨNG DỤNG MẠNG TKNT DỰ BÁO TỔNG XẠ CHO KHU VỰC ĐỒNG BẰNG PHÍA BẮC VIỆT NAM
• 3.1. Số liệu và phương pháp dự báo
• 3.2. Giới thiệu phần mềm NeuroSolutions
• 3.3. Một số kỹ thuật phụ trợ
• 3.4. Các chỉ số đánh giá, so sánh
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan Ứng dụng Mạng Thần Kinh Dự Báo Bức Xạ Ngày

Bức xạ mặt trời đóng vai trò then chốt trong các quá trình khí hậu, sự sống và sản xuất năng lượng. Việc dự báo chính xác tổng lượng bức xạ ngày là vô cùng quan trọng cho các ứng dụng như năng lượng tái tạo, nông nghiệp và quản lý tài nguyên nước. Khu vực đồng bằng phía bắc Việt Nam có điều kiện khí hậu đặc thù, chịu ảnh hưởng của gió mùa, gây khó khăn cho việc dự báo bức xạ mặt trời bằng các phương pháp truyền thống. Mạng thần kinh nhân tạo (ANN) nổi lên như một công cụ tiềm năng để giải quyết thách thức này. Nghiên cứu này tập trung vào việc ứng dụng ANN để xây dựng mô hình dự báo tổng lượng bức xạ ngày cho khu vực, tận dụng dữ liệu khí tượng và các yếu tố ảnh hưởng.

1.1. Tầm quan trọng của Dự báo Bức xạ Mặt trời Chính xác

Dự báo chính xác bức xạ mặt trời có ý nghĩa quan trọng trong nhiều lĩnh vực. Trong năng lượng mặt trời, nó giúp tối ưu hóa hiệu suất của các nhà máy điện mặt trời và hệ thống năng lượng mặt trời phân tán. Trong nông nghiệp, dự báo bức xạ mặt trời giúp nông dân đưa ra quyết định về thời gian gieo trồng, tưới tiêu và bón phân. Ngoài ra, dự báo chính xác còn hỗ trợ các hoạt động quản lý tài nguyên nước và nghiên cứu biến đổi khí hậu.

1.2. Đặc điểm Khí hậu và Bức xạ Khu vực Đồng Bằng Bắc Bộ

Khu vực đồng bằng phía bắc Việt Nam có khí hậu nhiệt đới ẩm, chịu ảnh hưởng mạnh mẽ của gió mùa. Sự biến động lớn về lượng mây, độ ẩm và nhiệt độ gây khó khăn cho việc dự báo bức xạ mặt trời. Các mô hình dự báo truyền thống thường gặp khó khăn trong việc nắm bắt các yếu tố phi tuyến ảnh hưởng đến tổng lượng bức xạ ngày.

II. Thách thức Độ Chính Xác Dự Báo Bức Xạ Tại Miền Bắc

Việc dự báo tổng lượng bức xạ ngày với độ chính xác cao tại khu vực đồng bằng phía bắc Việt Nam đối mặt với nhiều thách thức. Sự phức tạp của hệ thống khí hậu, sự thiếu hụt dữ liệu quan trắc và hạn chế của các mô hình truyền thống là những yếu tố cản trở. Nghiên cứu này nhằm mục tiêu vượt qua những thách thức này bằng cách sử dụng mạng thần kinh nhân tạo (ANN), một công cụ mạnh mẽ có khả năng học hỏi từ dữ liệu và mô hình hóa các mối quan hệ phi tuyến. Việc đánh giá hiệu năng mô hình một cách khách quan cũng là một phần quan trọng để đảm bảo tính tin cậy của dự báo.

2.1. Hạn chế của Các Phương pháp Dự báo Bức xạ Truyền thống

Các phương pháp dự báo bức xạ mặt trời truyền thống, như các mô hình thống kê tuyến tính và mô hình vật lý đơn giản, thường không đủ khả năng nắm bắt sự phức tạp của hệ thống khí hậu. Chúng có thể không dự báo chính xác trong các điều kiện thời tiết khắc nghiệt hoặc khi có sự thay đổi đột ngột về lượng mây hoặc độ ẩm.

2.2. Vấn đề Thu thập và Xử lý Dữ liệu Khí tượng ở Việt Nam

Việc thu thập và xử lý dữ liệu khí tượng, bao gồm dữ liệu bức xạ, nhiệt độ, độ ẩm và lượng mây, cũng là một thách thức lớn. Mật độ trạm quan trắc còn hạn chế và việc thiếu dữ liệu lịch sử dài hạn gây khó khăn cho việc huấn luyện các mô hình dự báo. Việc xử lý dữ liệu nhiễu và thiếu cũng đòi hỏi các kỹ thuật phức tạp.

2.3. Yêu cầu Độ Chính xác Cao cho Ứng dụng Năng lượng Mặt trời

Trong lĩnh vực năng lượng mặt trời, yêu cầu về độ chính xác của dự báo bức xạ mặt trời ngày càng cao. Sai sót nhỏ trong dự báo có thể dẫn đến những tổn thất lớn về hiệu suất và doanh thu của các nhà máy điện mặt trời. Do đó, việc phát triển các mô hình dự báo có độ chính xác cao là vô cùng cần thiết.

III. Phương pháp Xây dựng Mô hình ANN Dự Báo Bức Xạ Hiệu Quả

Nghiên cứu này sử dụng mạng thần kinh nhân tạo (ANN) để xây dựng mô hình dự báo tổng lượng bức xạ ngày cho khu vực đồng bằng phía bắc Việt Nam. Quá trình xây dựng mô hình bao gồm việc lựa chọn kiến trúc mạng phù hợp, thu thập và chuẩn bị dữ liệu huấn luyện, huấn luyện mạng và kiểm định mô hình. Các biến đầu vào mạng thần kinh bao gồm dữ liệu khí tượng từ các trạm quan trắc và dữ liệu tái phân tích từ các mô hình toàn cầu. Thuật toán học máy được sử dụng là lan truyền ngược (backpropagation).

3.1. Lựa chọn Kiến trúc Mạng ANN Phù hợp Feedforward Recurrent

Việc lựa chọn kiến trúc mạng ANN phù hợp là rất quan trọng. Các kiến trúc phổ biến bao gồm mạng feedforward và mạng recurrent. Mạng feedforward thích hợp cho việc mô hình hóa các mối quan hệ tĩnh, trong khi mạng recurrent có khả năng xử lý các dữ liệu chuỗi thời gian và nắm bắt các phụ thuộc thời gian.

3.2. Xử lý Dữ liệu Đầu vào Biến Khí tượng và Địa lý Quan trọng

Dữ liệu đầu vào cho mạng ANN bao gồm các yếu tố ảnh hưởng bức xạ mặt trời như nhiệt độ, độ ẩm, lượng mây, áp suất khí quyển, vị trí địa lý và thời gian trong năm. Việc chuẩn hóa và tiền xử lý dữ liệu là cần thiết để đảm bảo hiệu suất huấn luyện tốt nhất.

3.3. Huấn luyện và Tối ưu hóa Mô hình ANN Backpropagation

Quá trình huấn luyện mạng ANN bao gồm việc điều chỉnh các trọng số của mạng để giảm thiểu sai số dự báo. Thuật toán backpropagation là một thuật toán phổ biến được sử dụng để huấn luyện mạng ANN. Việc tối ưu hóa mô hình ANN bao gồm việc điều chỉnh các tham số như số lượng lớp, số lượng nơ-ron và tốc độ học để đạt được hiệu suất tốt nhất.

IV. Đánh giá Độ Chính Xác và Tin Cậy của Mô hình Dự Báo

Sau khi huấn luyện, mô hình ANN được đánh giá hiệu năng bằng cách so sánh dự báo của mô hình với dữ liệu quan trắc thực tế. Các chỉ số đánh giá bao gồm RMSE (Root Mean Squared Error), MAE (Mean Absolute Error) và R-squared. Kết quả cho thấy mô hình ANN có khả năng dự báo tổng lượng bức xạ ngày với độ chính xác cao hơn so với các phương pháp truyền thống. Việc kiểm định mô hình trên các bộ dữ liệu độc lập giúp đảm bảo tính tin cậy của dự báo.

4.1. Các Chỉ số Đánh giá Hiệu năng Mô hình RMSE MAE R squared

RMSE, MAE và R-squared là các chỉ số phổ biến được sử dụng để đánh giá hiệu năng của các mô hình dự báo. RMSE đo độ lớn trung bình của sai số dự báo, MAE đo giá trị tuyệt đối trung bình của sai số dự báo và R-squared đo tỷ lệ phương sai được giải thích bởi mô hình.

4.2. So sánh với Mô hình Dự báo Bức xạ Khác Statistical Models

Hiệu năng của mô hình ANN được so sánh với hiệu năng của các mô hình dự báo truyền thống, như các mô hình thống kê tuyến tính. Kết quả so sánh cho thấy mô hình ANN có độ chính xác cao hơn và ít bị ảnh hưởng bởi các yếu tố phi tuyến.

4.3. Phân tích Sai số và Đề xuất Cải thiện Mô hình ANN

Phân tích sai số dự báo giúp xác định các yếu tố gây ra sai số và đề xuất các biện pháp cải thiện mô hình. Các biện pháp cải thiện có thể bao gồm việc bổ sung dữ liệu đầu vào, điều chỉnh kiến trúc mạng và tối ưu hóa thuật toán huấn luyện.

V. Ứng dụng Tiềm Năng Sử Dụng Năng Lượng Mặt Trời Miền Bắc

Mô hình dự báo tổng lượng bức xạ ngày được phát triển trong nghiên cứu này có tiềm năng ứng dụng rộng rãi trong lĩnh vực năng lượng mặt trời tại khu vực đồng bằng phía bắc Việt Nam. Dự báo chính xác giúp tối ưu hóa thiết kế và vận hành các hệ thống năng lượng tái tạo, từ đó thúc đẩy việc sử dụng năng lượng mặt trời một cách hiệu quả. Thông tin này cũng hữu ích cho quy hoạch năng lượng.

5.1. Tối ưu Thiết kế và Vận hành Hệ thống Năng lượng Mặt trời

Dự báo chính xác bức xạ mặt trời giúp các nhà thiết kế và vận hành hệ thống năng lượng mặt trời đưa ra quyết định về kích thước, hướng và góc nghiêng của tấm pin mặt trời. Dự báo cũng giúp tối ưu hóa việc lưu trữ năng lượng và quản lý lưới điện.

5.2. Hỗ trợ Quy hoạch Năng lượng Tái tạo ở Việt Nam

Thông tin về tiềm năng năng lượng mặt trời và dự báo bức xạ mặt trời là rất quan trọng cho việc quy hoạch năng lượng tái tạo ở Việt Nam. Dự báo giúp các nhà hoạch định chính sách đưa ra quyết định về việc đầu tư vào các dự án năng lượng mặt trời và xây dựng các chính sách hỗ trợ phát triển năng lượng tái tạo.

5.3. Cung cấp thông tin cho cộng đồng và ngành năng lượng

Các kết quả dự báo bức xạ mặt trời cần được công bố rộng rãi để các tổ chức, người dân và ngành năng lượng có thể tiếp cận. Điều này góp phần vào việc nâng cao nhận thức về năng lượng tái tạo.

VI. Kết luận Ưu Điểm ANN và Hướng Phát Triển Dự Báo Bức Xạ

Nghiên cứu này đã chứng minh tiềm năng của mạng thần kinh nhân tạo (ANN) trong việc dự báo tổng lượng bức xạ ngày cho khu vực đồng bằng phía bắc Việt Nam. Mô hình ANN cho thấy độ chính xác cao hơn so với các phương pháp truyền thống. Trong tương lai, nghiên cứu có thể được mở rộng bằng cách sử dụng các kỹ thuật tối ưu hóa mô hình ANN tiên tiến hơn, kết hợp với dữ liệu từ các nguồn khác nhau và phát triển các mô hình dự báo cho các khu vực khác nhau.

6.1. Tổng kết Kết quả Đạt được và Ý nghĩa Nghiên cứu

Nghiên cứu đã đạt được kết quả khả quan trong việc xây dựng mô hình ANN dự báo tổng lượng bức xạ ngày. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc thúc đẩy việc sử dụng năng lượng mặt trời và quy hoạch năng lượng tái tạo ở Việt Nam.

6.2. Hướng Nghiên cứu Tiếp theo Cải tiến Mô hình và Mở rộng Ứng dụng

Hướng nghiên cứu tiếp theo bao gồm việc cải tiến mô hình ANN bằng cách sử dụng các kỹ thuật tối ưu hóa mô hình ANN tiên tiến hơn, kết hợp với dữ liệu từ các nguồn khác nhau và phát triển các mô hình dự báo cho các khu vực khác nhau. Ứng dụng vào các lĩnh vực khác như nông nghiệp.

6.3. Đề xuất chính sách hỗ trợ phát triển năng lượng mặt trời

Cần có các chính sách hỗ trợ phát triển năng lượng mặt trời nhằm khuyến khích việc sử dụng năng lượng tái tạo, góp phần bảo vệ môi trường và giảm thiểu sự phụ thuộc vào các nguồn năng lượng hóa thạch.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1.1 Tình hình nghiên cứu và úng dụng mạng TKNT Các công nghộ mới trong kỹ thuật, vật lý, đặc biệt là vật lý khí quyển, sinh học. đã làm nảy sinh một loạt các vấn đề phi tuyến, bất ổn định và phức tạp. Để giải được các bài toán đó đòi hỏi phải có các công cụ xử lý, tính toán phi tuyến, trong số các công cụ đó, mạng thần kinh nhân tạo (TKNT) tỏ ra có ưu thế vượt trội. Mạng TKNT đáp ứng được nhu cầu vì nó được luyện trên các mẫu, sử dụng các công cụ thống kê và giả thuyết tối ưu.

Có nhiều loại mạng TKNT khác nhau, trong đó có mạng truy hồi, mạng nhận thức đa lớp và mạng thời gian trễ. Việc sử dụng mạng truy hồi như một công cụ dự báo ngày càng thể hiộn nhiều ưu điểm trên nhiều lĩnh vực nhờ vào khả năng liên kết giữa các lớp, các phần tử hoạt động1trong mạng. Quá trình phát triển của mạng TKNT trải qua nhiều giai đoạn khác nhau, được đánh dấu bằng các mốc quan trọng: những năm 40 của thế kỷ 20 đánh dấu những phát triển đỉnh cao đầu tiên với các nghiên cứu của McCulloch và Pitts (1943); nhưng mãi đến năm 1949, Hebb đưa ra thuật toán học đầu tiên của mạng, gọi là thuật toán Hebb, mạng TKNT chính thức ra đời và khẳng định khả năng tính toán trong các bài toán phi tuyến. Dấu mốc thứ hai xuất hiện những năm 60 với giả thuyết hội tụ của mạng nhận thức của Rosenbatt (1960), thành công đầu tiên trong lĩnh vực mạng TKNT là nơron thích ứng tuyến tính — ADALINE2 và nơron thích ứng tuyến tính da biến - MADALINE3 do Widrow và Hoff (1960) phát triển; sau đó, Minsky cùng Papert chỉ ra hạn chế của mạng nhận thức đơn giản (1969).

Kết quả của Minsky và Papert đã ỉàm thất vọng nhiều nhà khoa học, đặc biệt là các nhà khoa học trong ngành khoa học tính toán lúc bấy giờ. Chính những công bố này đã làm chậm tiến trình phát triển của mạng TKNT gần 20 năm. Mãi đến những năm 80, mạng TKNT mói có được những thành tựu đáng chú ý mới. Đó là công trình của Hopfield [16] với cách tiếp cận dưới khía cạnh năng lượng và thuật toán học lan truyền ngược cho mạng nhận thức đa lớp.

Nhiều người nhắc đến công trình này của 1Processing Elements 2 ADAptive Linear Neuron 3 Multiple ADALINE 4 Hopfield như một sự khởi đẩu thứ hai cho mạng TKNT. Sau đó công trình được tiếp tục phát triển và công bố rộng rãi năm 1986 trong bài viết của Rumelhart và cộng sự. Từ đó đến nay, cùng vói sự phát triển của công nghệ thông tin và truyền thông, cộng đồng người sử dụng mạng TKNT tăng lên đáng kể và được mở rộng trên nhiều lĩnh vực. Trong khí tượng học, đã có nhiều nhà khí tượng học trên thế giới và Việt Nam sử dụng mạng TKNT như những công cụ thống kê cho các bài toán phức tạp giúp hiệu chỉnh sản phẩm mô hình số, tái tạo và bổ xung số liệu, tính toán tổng lượng ozon trong khí quyển.

Do tính đa dạng của các loại mạng khác nhau nên rất khó cho việc phân loại mạng, nhưng trong đề tài này, tôi cũng cố gắng đưa ra một cách phân loại phổ biến nhất mà đã được nhiều tác giả trình bày. Sự phân ỉoại ở đây chỉ áp dụng cho các thuật toán và các phương pháp học phổ biến được dùng trong mạng TKNT, có thể còn nhiều thuật toán cũng như phương pháp khác nhưng do không được sử dụng rộng rãi nên cũng không được đưa vào phân loại trong đề tài này. Bảng 1: Phân loại mạng TKNT và ứng dụng [21] Úng dụng Thuật toán Học có điều kiện Học không điều kiện Hopfield (Zurada, 1992; Haykin, Hebbian (Zuruda, 1992; 1994) Haykin, 1994; Kung, Phát hiện 1993) mối liên hệ Nhận thức đa lớp (Zuruda, 1992; Lan truyền ngược Carling, 1992; Haykin, 1994; (Zuruda, 1992; Haykin, - Bishop, 1995; Patterson, 1996) 1994; Bishop, 1995;) Nhận thức đa lớp (Zuruda, 1992; Lan truyền ngược Carling, 1992; Haykin, 1994; Phân loại, Bishop, 1995) nhận dạng Các hàm xuyên tâm cơ sở (Zuruda, Bình phương tối thiểu Trung bình k phần tử 1992; Bishop, 1995) (Bishop, 1995) 5 Bảng 1: Phân loại mạng TKNT và ứng dụng (tiếp) Nhân tố cạnh tranh (Zurada, 1992; Nhân tố cạnh tranh Haykin, 1994) (competitive) Kohenen (Zurada, 1992; Haykin, Kohenen Phân tích 1994) dặc trưng Nhận thức đa lớp (Kung, 1993) Lan truyền ngược Phân tích thành phẩn dặc tnmg Thuật toán Oja (Zurada, (Zurada, 1992; Kung, 1993) 1992; Kung, 1993) Mạng thời gian trễ (Zurada, 1992; Lan truyền ngược theo Kung, 1993, de Vries và Principe, thời gian (BPTT) Dự báo 1992) Mạng truy hồi toàn phẩn (Zurada, 1992) Tính đến nay, trên thế giới đã có rất nhiều công trình nghiên cứu ứng dụng mạng TKNT được công bố trên các tạp chí, gần đây nhất là vào tháng 4 năm 2006, Ricardo A. Guarnieri cùng đồng nghiệp [25] đã sử dụng mạng TKNT hiệu chỉnh dự báo tổng xạ của mô hình khí hậu khu vực Êta, trước đó, vào tháng 1 năm 2000, David Silverman và John A.

Dracup [11] đã dùng mạng TKNT dự báo mưa ở khu vực California, năm 2002, luận văn Thạc sỹ của Bin Li [7] (Đại học Georgia, Hy Lạp) đã sử dụng mạng TKNT là công cụ nội suy trường khí tượng về trạm thay cho các phương pháp nội suy truyền thống. và nhiều công trình nghiên cứu chuyên biệt về lĩnh vực mạng TKNT đáng chú ý khác như các công trình của Danilo p. Medeiros và đồng nghiệp [20], Pattĩick van der Smagt và Ben Krose [21] và s. Còn ở Việt Nam, các tác giả Lê Xuân Cầu [1] đã ứng dụng mạng TKNT dự báo lũ trong thủy văn, tác giả Nguyễn Hưóng Điền và cộng sự cũng đã có nhiều công trình nghiên cứu ứng dụng mạng TKNT trong dự báo khí tượng thủy văn [3, 4].

Tất cả các công trình trên đều có chung kết luận: Mạng TKNT đã cải thiện đáng kể kết quả dự báo so với các phương pháp khác. Các đặc trưng vật lý cơ bản của bức xạ a. Bản chất của bức xạ Năng lượng được truyền từ nơi này đến khác dưới 3 dạng: quá trình truyền dẫn liên quan đến vận chuyển năng lượng động lượng của nguyên tử và phân tử (thường biểu hiện dưới dạng nhiệt). Do đó, nếu một đầu của thanh kim loại bị đốt nóng thì phân tử kim loại ở đó sẽ chuyển động nhanh hơn, va chạm với các phân tử khác và truyền động lượng cho chúng.

Đến lượt nó, các phân tử này lại truyền động lượng đó cho các phân tử xung quanh; và kết quả là nhiệt lượng được truyền đến đầu thanh kỉm loại bên kia. Nãng lượng cũng có thể được vận chuyển thông qua sự vận chuyển vật lý của vật chất. Trong chất khí và chất lỏng, sự vận chuyển năng lượng này được biết đến là quá trình đối lưu. Theo nghĩa rộng của từ đối lưu nó không chỉ bao gồm vận chuyển năng lượng theo chiều thẳng đúng khi lớp không khí hoặc chất lỏng bên dưới bị đốt nóng mà nó còn là sự khuyếch tán rối và bình lưu nhiệt theo mọi hướng.

Và cuối cùng, năng lượng còn có thể được truyền từ vật thể này sang vật thể khác nhờ các sóng điện từ có hoặc không có sự tồn tại của một phương tiện vật lý trung gian, thông qua quá trình bức xạ. Năng lượng điện từ lan truyền theo đường thẳng và với một vận tốc không đổi trong chân không.00xl010 cm/s Bức xạ được đặc trưng bởi bước sóng, X, là khoảng cách giữa hai đỉnh sóng liên tiếp; hoặc bởi tần số, V, là sô đỉnh sóng đi qua một điểm cố định trong một đơn vị thời gian.V = c Chi tiết về các loại sóng và bưóc sóng trong không gian xem bảng 2. Bức xạ mặt trời Mặt trời là một ngôi sao (định tinh) gần chúng ta nhất. Nó là một quả cầu lửa khổng lồ, có đường kính khoảng 1 390 600 km (gấp 109 lần đường kính trái đất), thể tích l,41.10l8km3, khối lượng khoảng l.

Trái đất quay xung quanh mặt trời theo một quĩ đạo elíp gần tròn (mặt trời ở một 7 tiêu điểm) mà khoảng cách ngắn nhất từ mặt trời đến trái đất là 147 triệu km (ngày 3 tháng 1) khoảng cách xa nhất là 152 triệu km (ngày 5 tháng 7), khoảng cách trung bình là 149,5 triộu km (ánh sáng truyền mất hơn 8 phút). Mặt trời bức xạ liên tục lượng bức xạ khổng lổ ra xung quanh. Lượng bức xạ mặt trời lớn tới mức có thể làm tan và bốc thành hơi một vỏ nước đá đầy 12m bọc quanh nó trong vòng 1 phút. Tuy nhiên, khí quyển trái đất chỉ hứng được một phẩn 2 tỷ lượng bức xạ của mặt trời.

Tuy vậy, lượng bức xạ này cũng rất lớn, vào khoảng 1,5. Bức xạ mặt ười trên đường tới trái đất bị nhiều tác dụng làm suy yếu cho nẽn phổ bức xạ mặt trời mà ta quan trắc được trên trái đất không giống như phổ bức xạ tại gốc của mặt trời. Người ta thấy phổ bức xạ điện từ của mặt trời rất rộng, từ tia Gamma đến sóng vô tuyến. Bảng 2: Các loại bức xạ và bước sóng trong không gian Loại bức xạ Bước sóng Tia y có bước sóng trong chân không X < 10'5Jim Tia Rơnghen (X) 10'5< X< 10’2 |im Tia cực tím 10‘2< A,<0,38 um Ánh sáng nhìn thấy 0,38 < x < 0,76 |am Tia hồng ngoại 0,76 < A.< 3000 |im Sóng vô tuyến có X > 3000 jam Nhũng kết luận về bức xạ của mặt trời có thể chỉ ra là: - Phổ bức xạ mặt trời tương tự như của vật đen tuyệt đối.

Nếu chúng ta đo tổng năng lượng nhận được từ mặt trời tói một đơn vị diện tích trong một đơn vị thòi gian và tính toán nhiệt độ của vật đen theo định luật Stefan-Boltzmann ứng với tổng năng lượng đó thì ta nhận được nhiệt độ của mặt trời là 5750°K. Mặt khác, chúng ta cũng có thể do bức xạ như là một hàm của bước sóng, ứng với năng lượng phát xạ cực đại, và tính toán nhiệt độ vật đen từ định luật Wienl. Bức xạ cực đại là 0.4740nm, tương ứng với nhiệt độ 6108°K. Hiển nhiên mặt trời không phải là vật đen tuyệt đối vì hai nhiệt độ này không thống nhất với nhau.

Sự khác biệt này là do sự hấp thụ sóng ngắn của lớp “khí” phía ngoài mặt trời (sự hấp thụ này không ảnh 8 hưởng đến phát xạ cực đại - 0.4740|im nhưng lại ảnh hưởng đến năng lượng rọi tới trái đất). Tuy nhiên, gần đúng vật đen tuyệt đối của mặt trctí là thích hợp cho rất nhiều mục đích khác nhau. - Cường độ phát xạ năng lượng của mặt trời là rất ổn định: Những đo đạc về độ rọi của bức xạ mặt trời đã được s. Langley và đặc biột là c.