Datengetriebene Kombination von METAR-Beobachtungen und CAMS-Reanalyse-Aerosolen zur Verbesserung satellitengestützter Abschätzungen der oberflächennahen Sonnenstrahlung

Warum Vorhersagen zur Sonneneinstrahlung wichtig sind

Damit in einer zukünftigen, von Solarenergie geprägten Stromversorgung die Lichter anbleiben, muss man wissen, wie viel Sonnenlicht den Erdboden erreicht — und zwar nicht nur an klaren, blauen Tagen, sondern auch wenn die Luft von Staub, Rauch oder Schadstoffen durchsetzt ist. In vielen schnell wachsenden Solarregionen wie Nordafrika, Indien, China und dem südlichen Afrika können feine Schwebstoffe die Sonne fast genauso abschwächen wie Wolken und so die Stromerträge von Solarparks stören. Diese Studie untersucht einen neuen Weg, standardisierte Wetterberichte von Flughäfen zusammen mit globalen Atmosphären­vorhersagen zu nutzen, um satellitengestützte Schätzungen der tatsächlich ankommenden Sonnenenergie zu verfeinern.

Schwebstoffe, die die Sonne verbergen

Planer für Solarenergie verlassen sich meist auf Satelliten und Rechenmodelle, um die Oberflächen­einstrahlung abzuschätzen. Diese Werkzeuge erfassen Wolken gut, tun sich aber schwerer mit Aerosolen — dem Staub, Rauch und Dunst in der Luft. Satelliteninstrumente stoßen an Grenzen, wenn Wolken die Sicht blockieren, bodengestützte Messnetze sind dünn, und globale Modelle glätten lokale Ereignisse wie durchziehende Sandstürme oder nahe Brände. Das weit verbreitete McClear-Modell beispielsweise verwendet Copernicus (CAMS)-Aerosoldaten in Gitterzellen von zig Kilometern Kantenlänge und Werten, die nur alle paar Stunden aktualisiert werden. Das ist oft zu grob, um scharfe, lokale Schwankungen der Luftverschmutzung zu erfassen, die stark beeinflussen, wie viel Sonnenlicht bei einer bestimmten Solaranlage ankommt.

Flughafen-Sichtweiten als Schlüssel zur Sonneneinstrahlung

Eine überraschend ergiebige Quelle lokaler Aerosolinformation sind METAR-Berichte — standardisierte Wetterbeobachtungen von Flughäfen weltweit. Piloten müssen wissen, wie weit die Sicht entlang der Start- und Landebahn reicht, daher wird die Sichtweite automatisch alle 30 Minuten gemessen und global archiviert. Zwar wird die Sichtweite nicht nur von Aerosolen, sondern auch von Feuchte, Nebel und Regen beeinflusst, doch sie enthält dennoch wertvolle Hinweise darauf, wie stark die Luft das Sonnenlicht dämpft, insbesondere bei Staub- und Rauchepisoden. Die Forschenden kombinierten diese Sichtweitenmessungen und weitere METAR-Parameter mit CAMS-Aerosoldaten und einfacher Sonnengeometrie (etwa der Sonnenhöhe) und speisten sie in eine Reihe von maschinellen Lernmodellen, die darauf ausgelegt sind, abzuleiten, wie viel Klarhimmel-Sonnenenergie auf dem Boden ankommen sollte.

Aus Sonnenmessungen lernen, auch ohne wolkenfreie Tage

Ein zentrales Problem ist, dass die Klarhimmel-Sonnenstrahlung — also die Menge, die ohne Wolken ankäme — selten direkt gemessen wird. Anstatt alle bewölkten Perioden auszuschließen, entwickelten die Forschenden ein „Pseudo-Klarhimmel“-Ziel. Sie starteten mit tatsächlichen Boden-Sonnenmessungen und Satellitenbildern, die die Bewölkung der Szene beschreiben. Durch mathematische Trennung des Wolkeneffekts und Normierung an der Sonnenstrahlung oberhalb der Atmosphäre erhielten sie eine saubere Zielgröße zwischen 0 und 1, von der die Modelle lernen können, selbst wenn der Himmel nicht völlig klar ist. Modelle wie gradientenverstärkende Methoden (XGBoost, LightGBM, CatBoost), Random Forests, neuronale Netze und sogar ein experimenteller quantenvariationaler Schaltkreis wurden an einem Standort in Kairo trainiert und anschließend an sieben weiteren Stationen in Afrika und Asien getestet, die alles von urbanem Smog über Sahara-Staubstürme bis hin zu Rauch aus Biomasseverbrennung erleben.

Traditionelle Modelle in staubiger, dunstiger Luft übertreffen

Um den Erfolg zu bewerten, betrachtete das Team die gelernten Klarhimmel-Werte nicht isoliert. Stattdessen integrierten sie diese in die Heliosat-3-Methode, die aus der von Satelliten beobachteten Wolkenhelligkeit die Allsky-Oberflächenstrahlung ableitet, und verglichen die Ergebnisse mit Bodenmessungen. Über alle Teststandorte hinweg verringerte das am besten abschneidende Modell, CatBoost, den durchschnittlichen Fehler im Vergleich zu Heliosat-3, das von McClear gespeist wurde, moderat aber konsistent. Die Verbesserungen waren am stärksten bei mittleren Sichtweiten zwischen etwa 6 und 8 Kilometern und während Staub- und Sandereignissen, wo ein Modell (LightGBM) den Fehler um ungefähr ein Fünftel reduzierte. Rauchepisoden zeigten kleinere, aber noch bemerkbare Verbesserungen, während allgemeiner Dunst keinen Vorteil brachte. Das experimentelle Quantenmodell war insgesamt weniger genau, erzielte diese Ergebnisse jedoch mit deutlich weniger einstellbaren Parametern, was auf künftiges Potenzial hindeutet, wenn die Quantenhardware reift.

Was das für Solarenergie bedeutet

Für Betreiber von Solaranlagen und Netzbetreiber können schon moderate Verbesserungen bei der Abschätzung der Sonneneinstrahlung in besser prognostizierbare Leistungsprognosen, weniger Überraschungen für Systembetreiber und verlässlichere Integration von Solarenergie ins Netz übersetzen. Diese Studie zeigt, dass routinemäßige Flughafen-Sichtweitenberichte, clever kombiniert mit globalen Aerosoldaten und Satellitenwolkenbildern, wichtige Schwächen physikbasierter Modelle in staub- oder verschmutzungsreichen Regionen ausgleichen können. Wenn maschinelle Lernmodelle auf mehr Standorte ausgeweitet, mit detaillierteren Aerosolinformationen angereichert und stärker an lokale Bedingungen angepasst werden, könnten sie zu einem leistungsfähigen Begleiter traditioneller Methoden werden und Solarenergie als vorhersehbareren und verlässlicheren Bestandteil des weltweiten Energiemixes etablieren.

Zitation: 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

Schlüsselwörter: Sonnenstrahlung, Aerosole, Maschinelles Lernen, METAR-Sichtweite, Photovoltaik-Prognose