RadNet: ein interpretierbares Deep-Learning-Modell zur Abschätzung der solaren Strahlung in Kilometer-Auflösung über China mithilfe von Fengyun-4A-Satellitendaten

Warum Sonneneinstrahlungskarten im Alltag wichtig sind

Hinter jedem Solarpanel auf einem Hausdach oder in einer Wüstenanlage steht eine grundlegende Frage: Wie viel Sonnenlicht erreicht tatsächlich den Boden, Stunde für Stunde, Jahr für Jahr? Für ein Land wie China, das den Ausbau sauberer Energien beschleunigt und seine CO2-Emissionen reduzieren will, ist es entscheidend zu wissen, wo und wann die Sonne am zuverlässigsten scheint. Diese Studie stellt eine neue Methode vor, Rohbilder des neuesten chinesischen Wettersatelliten in detaillierte und vertrauenswürdige Sonneneinstrahlungskarten umzuwandeln und so Planern und Energieversorgern zu helfen, Solarenergie effizienter zu nutzen.

Die Satellitenaufnahmen in Sonnendaten verwandeln

Solaranlagen sind auf die „globale horizontale Strahlung“ angewiesen, also das Sonnenlicht, das auf eine flache Fläche am Boden trifft. Direkte Messungen mit bodengestützten Instrumenten sind sehr genau, aber verstreut und rar, sodass große Lücken zwischen den Messstationen verbleiben. Traditionelle numerische Wettermodelle und ältere Satellitenprodukte decken zwar größere Gebiete ab, sind für eine moderne Solarplanung jedoch oft zu grob und voreingenommen. Der chinesische Wettersatellit Fengyun-4A bietet eine neue Chance: Er beobachtet das Land kontinuierlich aus dem All und zeichnet Licht in 14 verschiedenen Spektralbändern mit einer Auflösung von 4 × 4 Kilometern auf. Die Herausforderung besteht darin, diese Datenströme in präzise Schätzungen der Bodeneinstrahlung für das ganze Land zu überführen.

Eine neue Lernmaschine namens RadNet

Die Autoren entwickelten ein Deep-Learning-Modell namens RadNet, das speziell zur Lösung dieses Problems entworfen wurde. Anstatt sich auf manuell erstellte Regeln zu stützen, lernt RadNet direkt aus Daten, indem es Satellitenmessungen mit stündlichen Sonneneinstrahlungswerten von 100 Bodenstationen in China abgleicht. Es verarbeitet Informationen aus mehreren Satellitenbändern sowie die Stellung der Sonne und lokale Geografie und lernt so, wie diese Faktoren zusammenwirken, um zu bestimmen, wie viel Licht den Boden erreicht. Wichtig ist, dass RadNet auf einer Architektur basiert, die ursprünglich für „tabellarische“ Daten entwickelt wurde und automatisch die wichtigsten Eingaben identifizieren kann, wodurch der zeitaufwändige Schritt der manuellen Merkmalsauswahl, den ältere maschinelle Lernverfahren erfordern, deutlich reduziert wird.

Schärfere, verlässlichere Sonneneinstrahlungsschätzungen

Im Vergleich mit anderen Methoden und bekannten Sonnendatenbanken schnitt das neue Modell durchweg besser ab. Über verschiedene Jahre hinweg zeigte RadNet geringere Fehler und kleinere Verzerrungen als Random Forests, ein anderes Deep-Learning-Verfahren, und als weit verbreitete Produkte wie die National Solar Radiation Data Base sowie satellitenbasierte Datensätze wie Himawari und CERES. Besonders unter klarem Himmel, wenn das Sonnenlicht die Atmosphäre mit minimaler Wolkenstörung durchdringt, erzielte es sehr gute Ergebnisse. Selbst bei bewölkten Bedingungen – wo zerrissene Wolken und schnell wechselnde Muster Modelle oft verwirren – übertraf RadNet die Alternativen, wenn auch die Fehler größer blieben. Das Modell generalisierte auch zeitlich gut: Hauptsächlich mit Daten aus 2022 trainiert, behielt es eine hohe Genauigkeit bei Tests mit unabhängigen Daten aus 2021 und 2023.

Einblick in die Black Box

Viele Deep-Learning-Systeme werden als „Black Boxes“ kritisiert, doch RadNet wurde so konzipiert, dass es transparenter ist. Indem die Forscher verfolgen, auf welche Eingaben das Modell in jedem Entscheidungsschritt achtet, können sie sehen, welche Satellitenbänder und Blickwinkel am einflussreichsten sind. Sie fanden heraus, dass ein nahes Infrarotband, das besonders sensitiv für Wolken ist, den größten Beitrag zur Leistungsfähigkeit des Modells liefert, gefolgt vom Sonnenzenitwinkel, der den täglichen Auf- und Untergang der Sonne kodiert. Andere Infrarotbänder liefern Informationen über Wasserdampf, Wolkengipfel und Oberflächeneigenschaften. Diese eingebaute Interpretierbarkeit erleichtert es, dem Modell zu vertrauen und es zu verfeinern, und zu verstehen, wann und warum es Fehler machen könnte – etwa wenn Parallaxe oder Maßstabsdifferenzen zwischen dem, was eine Bodenstation sieht, und dem, was der Satellit über ein größeres Gebiet mittelt, auftreten.

Was das für die Planung sauberer Energie bedeutet

Am Ende liefert RadNet fein aufgelöste Sonneneinstrahlungskarten für ganz China im Raster von etwa 4 Kilometern und mit besserer Genauigkeit als bestehende Reanalyse- und Satellitenprodukte. Diese detaillierten stündlichen und jährlichen Karten heben helle Regionen wie das Qinghai–Tibet-Plateau und die Inneren Mongolei hervor und zeigen, wie Wolken und Luftverschmutzung die Sonneneinstrahlung zwischen den Jahreszeiten und von Jahr zu Jahr verschieben. Zwar besteht weiterhin Verbesserungsbedarf bei komplexen Wolkenfeldern und extremen Staubereignissen, doch die Methode zeigt, dass ein sorgfältig entwickeltes, interpretierbares Deep-Learning-Modell Rohsatellitenbilder in eine unmittelbar nutzbare Ressource für Solarentwickler, Netzbetreiber und Entscheidungsträger verwandeln kann und so China dabei unterstützt, eine zuverlässigere und klimafreundlichere Energiezukunft zu planen.

Zitation: 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

Schlüsselwörter: solare Strahlung, Fernerkundung per Satellit, Deep Learning, Ressourcen der Solarenergie, Erneuerbare Energien in China