Combinación basada en datos de observaciones METAR y reanálisis de aerosoles CAMS para mejorar la recuperación satelital de irradiancia solar en superficie

Por qué importan los pronósticos de luz solar

Mantener las luces encendidas en un futuro impulsado por la energía solar depende de conocer cuánta luz solar llegará al suelo, no solo en días despejados sino también cuando el aire está cargado de polvo, humo o contaminación. En muchas regiones de rápido crecimiento para la energía solar, como el norte de África, India, China y el sur de África, las diminutas partículas en suspensión pueden oscurecer el sol casi tanto como lo hacen las nubes, alterando la producción eléctrica de las plantas solares. Este estudio explora una nueva manera de usar los informes meteorológicos habituales de los aeropuertos, junto con predicciones atmosféricas globales, para afinar las estimaciones satelitales de cuánta energía solar alcanza realmente la superficie terrestre.

Partículas en suspensión que ocultan el sol

Los planificadores de energía solar suelen apoyarse en satélites y modelos por ordenador para estimar la luz solar en superficie. Estas herramientas funcionan bien para seguir las nubes, pero tienen más dificultades con los aerosoles —el polvo, el humo y la neblina que flotan en el aire. Los instrumentos satelitales se ven obstaculizados cuando las nubes bloquean su vista, las redes de monitorización en tierra son escasas y los modelos globales suavizan eventos locales como una tormenta de polvo pasajera o un incendio cercano. El modelo McClear, muy utilizado, por ejemplo, se basa en datos de aerosoles de Copernicus (CAMS) con celdas de decenas de kilómetros de lado y valores actualizados solo cada pocas horas. Eso suele ser demasiado grueso para capturar las variaciones locales y pronunciadas en la contaminación del aire que afectan con fuerza a la irradiancia en una planta solar concreta.

Convertir la visibilidad de los aeropuertos en información solar

Una fuente sorprendentemente rica de información sobre aerosoles locales proviene de los informes METAR —observaciones meteorológicas estandarizadas de aeropuertos de todo el mundo. Las tripulaciones necesitan saber hasta dónde pueden ver a lo largo de la pista, por lo que la visibilidad se mide automáticamente cada 30 minutos y se archiva globalmente. Aunque la visibilidad se ve influida no solo por los aerosoles sino también por la humedad, la niebla y la lluvia, sigue aportando pistas valiosas sobre cuánto la atmósfera está atenuando la luz solar, especialmente durante episodios de polvo y humo. Los investigadores combinaron estas lecturas de visibilidad y otros parámetros METAR con datos de aerosoles de CAMS y geometría solar sencilla (como la altura del sol en el cielo), introduciéndolos en un conjunto de modelos de aprendizaje automático diseñados para inferir cuánta energía solar en cielo despejado debería llegar al suelo.

Aprender sobre la luz solar sin días despejados

Un obstáculo importante es que la irradiancia en cielo despejado, la cantidad que llegaría con ausencia total de nubes, rara vez se mide directamente. En lugar de descartar todos los periodos nublados, el equipo ideó un objetivo “pseudo cielo despejado”. Partieron de mediciones solares reales en superficie y de imágenes satelitales que describen cuán nublada está cada escena. Al separar matemáticamente el efecto de las nubes y normalizar por la luz solar en la parte superior de la atmósfera, obtuvieron una variable objetivo limpia entre 0 y 1 que los modelos de aprendizaje automático pueden aprender, incluso cuando el cielo no está perfectamente despejado. Se entrenaron modelos como métodos de boosting de gradiente (XGBoost, LightGBM, CatBoost), bosques aleatorios, redes neuronales e incluso un circuito variacional cuántico experimental en un solo sitio en El Cairo, y luego se probaron en otros siete emplazamientos en África y Asia que experimentan desde niebla urbana hasta tormentas de polvo del Sahara y humo por quema de biomasa.

Rendimiento superior a modelos tradicionales en aire polvoriento y turbio

Para evaluar el éxito, el equipo no examinó los valores aprendidos de cielo despejado de forma aislada. En su lugar, los introdujeron en el método Heliosat-3, que convierte el brillo de las nubes observado por satélite en irradiancia solar en superficie bajo cielo total, y compararon los resultados con las mediciones en tierra. En todos los sitios de prueba, el modelo de mejor rendimiento, CatBoost, redujo de forma modesta pero consistente el error medio en comparación con Heliosat-3 impulsado por McClear. Las mejoras fueron más fuertes para rangos de visibilidad moderados entre aproximadamente 6 y 8 kilómetros y durante episodios de polvo y arena, donde un modelo (LightGBM) recortó el error en alrededor de una quinta parte. Los episodios de humo mostraron ganancias menores pero aún apreciables, mientras que la bruma general no se benefició. El modelo cuántico experimental, aunque en general menos preciso, logró estos resultados con muchos menos parámetros ajustables, lo que apunta a un potencial futuro conforme madure el hardware cuántico.

Qué significa esto para la energía solar

Para los operadores solares y los gestores de red, incluso mejoras modestas en las estimaciones de luz solar pueden traducirse en mejores pronósticos de producción, menos sorpresas para los operadores del sistema y una integración más fiable de la energía solar en la red. Este estudio demuestra que los informes rutinarios de visibilidad en aeropuertos, cuando se combinan inteligentemente con datos globales de aerosoles e imágenes satelitales de nubes, pueden ayudar a corregir debilidades importantes de los modelos basados en la física en regiones con fuerte polvo o contaminación. A medida que los modelos de aprendizaje automático se amplíen a más ubicaciones, incluyan información de aerosoles más detallada y tengan en cuenta mejor las condiciones locales, podrían convertirse en un compañero poderoso de los métodos tradicionales, haciendo que la energía solar sea una parte más predecible y fiable de la mezcla energética mundial.

Cita: 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

Palabras clave: irradiancia solar, aerosoles, aprendizaje automático, visibilidad METAR, pronóstico fotovoltaico