الدمج القائم على البيانات لملاحظات METAR وإعادة تحليل الهباء الجوي من CAMS لتحسين استرجاع إشعاع الشمس الساقط من الأقمار الصناعية

لماذا تهم توقعات ضوء الشمس

إبقاء الأضواء مضاءة في مستقبل يعتمد على الطاقة الشمسية يتطلب معرفة مقدار ضوء الشمس الذي سيصل إلى الأرض، وليس فقط في الأيام الصافية بل أيضاً عندما يكون الهواء مشبعاً بالغبار أو الدخان أو التلوث. في العديد من المناطق سريعة النمو في إنتاج الطاقة الشمسية، مثل شمال أفريقيا، والهند، والصين، وجنوب أفريقيا، يمكن للجسيمات المحمولة جواً أن تخفت الشمس كما تفعل السحب تقريباً، مما يعطل كمية الكهرباء التي تولدها محطات الطاقة الشمسية. تستكشف هذه الدراسة طريقة جديدة لاستخدام تقارير الطقس اليومية من المطارات، جنباً إلى جنب مع توقعات الغلاف الجوي العالمية، لصقل تقديرات الأقمار الصناعية لكيفية وصول الطاقة الشمسية بالفعل إلى سطح الأرض.

جسيمات محمولة تخفي الشمس

يعتمد مخططو الطاقة الشمسية عادة على الأقمار الصناعية والنماذج الحاسوبية لتقدير ضوء الشمس الساقط. تعمل هذه الأدوات جيداً في رصد السحب، لكنها تواجه صعوبة أكبر مع الهباء الجوي — الغبار والدخان والضباب الدخاني العائم في الهواء. تكافح أدوات الأقمار الصناعية عندما تحجب السحب رؤيتها، وشبكات المراقبة الأرضية نادرة، والنماذج العالمية تميل إلى تسطيح الأحداث المحلية مثل عاصفة غبار عابرة أو حريق غابات قريب. نموذج McClear المستخدم على نطاق واسع، على سبيل المثال، يستند إلى بيانات الهباء الجوي من كوبيرنيكوس (CAMS) في خلايا شبكية بعرض عدة عشرات من الكيلومترات وقيم تُحدَّث فقط كل بضع ساعات. هذا غالباً ما يكون خشناً جداً لالتقاط التقلبات المحلية الحادة في تلوث الهواء التي تؤثر بشدة على مقدار ضوء الشمس الذي يصل إلى محطة شمسية معينة.

تحويل رؤية المطارات إلى فهم شمسي

مصدر مفاجئ وغني من معلومات الهباء الجوي المحلي يأتي من تقارير METAR — ملاحظات الطقس المعيارية من المطارات حول العالم. يحتاج الطيارون إلى معرفة المدى الذي يمكنهم الرؤية خلاله على المدرج، لذا تُقاس الرؤية تلقائياً كل 30 دقيقة وتُؤرشف عالمياً. بينما تتأثر الرؤية ليس بالهباء الجوي فحسب بل أيضاً بالرطوبة والضباب والمطر، إلا أنها تحمل دلائل قيمة حول مقدار تعتيم الهواء للضوء الشمسي، خاصة خلال أحداث الغبار والدخان. جمع الباحثون هذه قراءات الرؤية ومعطيات METAR الأخرى مع بيانات الهباء من CAMS والهندسة الشمسية البسيطة (مثل ارتفاع الشمس في السماء)، ثم أدخلوها في مجموعة من نماذج التعلّم الآلي المصممة لاستنتاج مقدار الطاقة الشمسية في ظروف السماء الصافية التي ينبغي أن تصل إلى الأرض.

التعلم من ضوء الشمس بدون أيام صافية

عقبة رئيسية هي أن ضوء السماء الصافية، أي المقدار الذي سيصل في غياب السحب تماماً، نادراً ما يُقاس مباشرة. بدلاً من استبعاد كل الفترات الغائمة، ابتكر الفريق هدفاً «شبه صافي السماء». بدأوا من قياسات شمسية فعلية على الأرض وصور أقمار صناعية تصف مدى غيوم كل مشهد. من خلال فصل أثر السحب حسابياً وتطبيع القيم بمقدار الإشعاع عند أعلى الغلاف الجوي، حصلوا على كمية هدفية نظيفة تتراوح بين 0 و1 يمكن نماذج التعلّم الآلي أن تتعلم منها، حتى عندما لا تكون السماء صافية تماماً. دُربت نماذج شملت طرق تعزيز التدرج (XGBoost, LightGBM, CatBoost)، والغابات العشوائية، والشبكات العصبية وحتى دائرة تفاوضية كمية تجريبية في موقع واحد في القاهرة، ثم اختُبرت في سبع محطات أخرى عبر أفريقيا وآسيا التي تشهد كل شيء من الضباب الحضري إلى عواصف غبار الصحراء وسخام احتراق الكتلة الحيوية.

تفوّق على النماذج التقليدية في الهواء المغبر والمغبّش

للحكم على النجاح، لم ينظر الفريق إلى قيم السماء الصافية المتعلمة بمعزل عن السياق. بل أدخلوها في طريقة Heliosat-3، التي تحول سطوع السحب المرصود بالأقمار الصناعية إلى إشعاع سطحي في كل السماء، وقارنوا النتائج بالقياسات الأرضية. عبر جميع مواقع الاختبار، النموذج الأفضل أداءً، CatBoost، خفّض متوسط الخطأ بشكل متواضع لكنه مستمر مقارنةً بـ Heliosat-3 المدفوع من McClear. كانت التحسينات الأقوى لمجالات رؤية متوسطة بين نحو 6 و8 كيلومترات وخلال أحداث الغبار والرمل، حيث قلص نموذج واحد (LightGBM) الخطأ بحوالي خُمس. أظهرت أحداث الدخان مكاسب أصغر لكنها ملحوظة، بينما لم تستفد الضبابية العامة. النموذج الكمي التجريبي، رغم أنه أقل دقة إجمالاً، حقق هذه النتائج مع عدد أقل بكثير من المعاملات القابلة للتعديل، مشيراً إلى إمكانات مستقبلية مع تقدم أجهزة الحوسبة الكمومية.

ما معنى ذلك للطاقة الشمسية

بالنسبة لمشغلي المنشآت الشمسية ومديري الشبكات، حتى التحسينات المتواضعة في تقديرات ضوء الشمس يمكن أن تتحول إلى توقعات أفضل لإنتاج الطاقة، ومفاجآت أقل لمشغلي النظام، ودمج أكثر موثوقية للطاقة الشمسية في الشبكة. تبيّن هذه الدراسة أن تقارير رؤية المطارات الروتينية، عندما تُدمج بذكاء مع بيانات الهباء العالمية وصور السحب من الأقمار الصناعية، يمكن أن تساعد في تصحيح ضعف مهم في النماذج الفيزيائية القائمة في مناطق ذات غبار أو تلوث شديد. ومع توسيع نماذج التعلّم الآلي لتشمل مواقع أكثر، وإدراج معلومات هباء أكثر تفصيلاً، ومراعاة الظروف المحلية بشكل أفضل، قد تصبح مكملاً قوياً لأساليب التقليدية، مما يجعل الطاقة الشمسية جزءاً أكثر قابلية للتنبؤ والاعتماد في مزيج الطاقة العالمي.

الاستشهاد: Roy, A., Heinemann, D., Schroedter-Homscheidt, M. et al. Data-driven combination of METAR observations and CAMS reanalysis aerosols to enhance satellite retrieval of surface solar irradiance. Sci Rep 16, 6716 (2026). https://doi.org/10.1038/s41598-026-39971-w

الكلمات المفتاحية: الإشعاع الشمسي, الهباء الجوي, التعلّم الآلي, رؤية METAR, التنبؤ بالطاقة الكهروضوئية