RadNet: نموذج تعلم عميق قابل للتفسير لتقدير الإشعاع الشمسي بدقة كيلومترية فوق الصين باستخدام بيانات قمر Fengyun-4A

لماذا خرائط ضوء الشمس مهمة للحياة اليومية

وراء كل لوحة شمسية على سطح منزل أو في حقل صحراوي يكمن سؤال أساسي: كم من ضوء الشمس يصل فعلاً إلى سطح الأرض، ساعة بساعة، عاماً بعد عام؟ بالنسبة لبلد مثل الصين، الذي يتسابق لتوسيع الطاقة النظيفة وخفض انبعاثات الكربون، فإن معرفة أين ومتى تكون أشعة الشمس أكثر موثوقية أمر حيوي. تقدم هذه الدراسة طريقة جديدة لتحويل صور قمر الصين الجوي الأحدث إلى خرائط ضوء شمس تفصيلية وموثوقة، مما يساعد المخططين وشركات الكهرباء على استخدام الطاقة الشمسية بكفاءة أكبر.

تحويل أعين الأقمار إلى خرائط شمسية

تعتمد أنظمة الطاقة الشمسية على «الإشعاع الأفقي الكلي»، وهو ضوء الشمس الذي يصطدم بسطح مستوٍ على مستوى الأرض. القياسات المباشرة من أدوات على الأرض دقيقة جداً لكنها متناثرة ونادرة، تاركة فراغات كبيرة بين المحطات. تغطي نماذج الطقس الحاسوبية التقليدية والمنتجات الفضائية القديمة مساحات أوسع لكنها غالباً ما تكون خشنَة ومتحيزة إلى حد لا يناسب التخطيط الشمسي الحديث. يوفر القمر الصناعي الصيني Fengyun-4A فرصة جديدة: فهو يراقب البلاد باستمرار من الفضاء ويسجل الضوء في 14 نطاقاً طيفياً مختلفة بدقة تبلغ 4 × 4 كيلومترات. التحدي هو تحويل هذه التدفقات من بيانات الأقمار إلى تقديرات دقيقة للضوء عند السطح عبر كامل البلاد.

آلة تعلم جديدة تسمى RadNet

صمم المؤلفون نموذج تعلم عميق أطلقوا عليه RadNet ليعالج هذا المشكلة تحديداً. بدلاً من الاعتماد على قواعد مصنوعة يدوياً، يتعلم RadNet مباشرة من البيانات من خلال مطابقة قياسات القمر الصناعي مع قراءات ضوء الشمس بالساعة من 100 محطة أرضية عبر الصين. يستوعب معلومات من عدة نطاقات فضائية، إلى جانب موقع الشمس والجغرافيا المحلية، ثم يتعلم كيف تتكامل هذه العوامل لتحديد كمية الضوء التي تصل إلى السطح. والأهم من ذلك أن RadNet مبني على بنية طورت أصلاً للبيانات «الجدولية»، ويمكنه اختيار المدخلات الأكثر أهمية تلقائياً، مما يقلل كثيراً من خطوة اختيار الميزات اليدوية المستهلكة للوقت التي تتطلبها طرق التعلم الآلي الأقدم.

تقديرات أشد دقة وأكثر موثوقية للضوء الشمسي

عندما قارن الفريق تقديرات RadNet بطرق أخرى وقواعد بيانات ضوء شمس معروفة، تفوق النموذج الجديد باستمرار. عبر سنوات مختلفة، أظهر RadNet أخطاء أقل وانحيازات أصغر من الغابات العشوائية، ومنهجية تعلم عميق بديلة، والمنتجات المستخدمة على نطاق واسع مثل قاعدة بيانات الإشعاع الشمسي الوطنية وبيانات الأقمار Himawari وCERES. أدّى أداءه بشدة خاصةً في السماء الصافية، حيث يمر ضوء الشمس عبر الغلاف الجوي مع أقل تدخلات سحابية. وحتى في الظروف الغائمة — حيث تغلب السحب المكسرة والأنماط المتغيرة بسرعة على النماذج عادةً — تفوق RadNet على البدائل، رغم أن الأخطاء بقيت أكبر. كما عمم النموذج جيداً عبر الزمن: مدرباً أساساً على بيانات 2022، حافظ على دقة عالية عند اختباره على بيانات مستقلة من 2021 و2023.

رؤية داخل الصندوق الأسود

كثير من أنظمة التعلم العميق تُنتقد بأنها «صناديق سوداء»، لكن RadNet صُمم ليكون أكثر شفافية. عبر تتبّع المدخلات التي يهتم بها النموذج في كل خطوة قرار، يستطيع الباحثون رؤية أي النطاقات الزاوية والأقمار هي الأكثر تأثيراً. وجدوا أن نطاقاً قريباً من الأشعة تحت الحمراء حساساً بشكل خاص للسحب يساهم بغالبيّة مهارة النموذج، يليه زاوية السمت الشمسي التي تُشفّر الصعود والهبوط اليومي للشمس. تجلب نطاقات تحت حمراء أخرى معلومات عن بخار الماء، وارتفاعات قمم السحب، وخصائص السطح. تجعل هذه القابلية للتفسير المدمجة من الأسهل الوثوق بالنموذج وتحسينه، وفهم متى ولماذا قد يخطئ — على سبيل المثال عندما تخلق السحب اختلافات منظرية وانحرافات في المقياس بين ما تراه محطة أرضية وما يجمعه القمر على مساحة أكبر.

ماذا يعني هذا لتخطيط الطاقة النظيفة

في النهاية، ينتج RadNet خرائط ضوء شمس عالية الدقة على مستوى كل الصين، على شبكة بحجم نحو 4 كيلومترات، بدقة أفضل من منتجات الإعادة التحليلية والأقمار الصناعية الحالية. تبرز هذه الخرائط التفصيلية، بالساعة والسّنوية، مناطق ساطعة مثل هضاب تشينغهاي-التبت ومنغوليا الداخلية، وتكشف كيف تحول السحب وتلوث الهواء ضوء الشمس مع اختلاف المواسم والسنوات. وبينما لا يزال هناك مجال لتحسين الأداء تحت حقول سحابية معقّدة وحالات غبار متطرفة، تُظهر المقاربة أن نموذج تعلم عميق قابل للتفسير ومصمم بعناية يمكن أن يحول صور الأقمار الخام إلى مورد عملي لمطوري مشاريع الطاقة الشمسية، ومشغلي الشبكات، وصانعي السياسات، مساعداً الصين على التخطيط لمستقبل طاقي أكثر موثوقية وصديقاً للمناخ.

الاستشهاد: Lu, C., Qin, Y., Jiang, Y. et al. RadNet: an interpretable deep learning model for kilometer resolution solar irradiance estimation over China with Fengyun-4A satellite data. npj Clean Energy 2, 7 (2026). https://doi.org/10.1038/s44406-026-00023-x

الكلمات المفتاحية: الإشعاع الشمسي, المسح الفضائي عبر الأقمار الصناعية, التعلم العميق, موارد الطاقة الشمسية, الطاقة المتجددة في الصين