RadNet: un modelo de aprendizaje profundo interpretable para estimar la irradiancia solar a resolución kilométrica sobre China con datos del satélite Fengyun-4A

Por qué los mapas de sol importan en la vida cotidiana

Tras cada panel solar en una azotea o en un campo desértico hay una pregunta básica: ¿cuánta luz solar llega realmente al suelo, hora a hora, año tras año? Para un país como China, que compite por ampliar la energía limpia y reducir las emisiones de carbono, saber dónde y cuándo el sol brilla con más fiabilidad es crucial. Este estudio presenta una nueva manera de transformar las imágenes crudas del satélite meteorológico más reciente de China en mapas de radiación solar detallados y fiables, ayudando a planificadores y compañías eléctricas a usar la energía solar con mayor eficiencia.

Convertir los ojos del satélite en mapas solares

Los sistemas de energía solar dependen de la “irradiancia horizontal global”, la luz solar que incide sobre una superficie plana a nivel del suelo. Las mediciones directas con instrumentos en tierra son muy precisas pero están dispersas y son escasas, dejando grandes huecos entre estaciones. Los modelos meteorológicos tradicionales y los productos satelitales antiguos cubren áreas más amplias pero a menudo son demasiado gruesos y sesgados para la planificación solar moderna. El satélite meteorológico Fengyun-4A de China ofrece una nueva oportunidad: vigila constantemente el país desde el espacio y registra la luz en 14 bandas espectrales diferentes a una resolución de 4 por 4 kilómetros. El reto es convertir estos flujos de datos satelitales en estimaciones precisas de la luz en la superficie a lo largo de toda la nación.

Una nueva máquina de aprendizaje llamada RadNet

Los autores diseñaron un modelo de aprendizaje profundo llamado RadNet específicamente para resolver este problema. En lugar de basarse en reglas diseñadas a mano, RadNet aprende directamente de los datos emparejando las mediciones satelitales con lecturas horarias de radiación solar de 100 estaciones en tierra repartidas por China. Ingresa información de múltiples bandas satelitales, junto con la posición del Sol y la geografía local, y aprende cómo estos factores se combinan para determinar cuánta luz llega al suelo. Es importante señalar que RadNet se basa en una arquitectura desarrollada originalmente para datos “tabulares”, y puede seleccionar automáticamente qué entradas son más relevantes, reduciendo en gran medida el paso laborioso de selección manual de variables que requieren los enfoques de aprendizaje automático anteriores.

Estimaciones de sol más nítidas y fiables

Cuando el equipo comparó las estimaciones de RadNet con otros métodos y bases de datos solares conocidas, el nuevo modelo salió consistentemente por delante. A lo largo de distintos años, RadNet mostró errores menores y sesgos más pequeños que bosques aleatorios, otro enfoque de aprendizaje profundo, y productos ampliamente utilizados como la National Solar Radiation Data Base y los conjuntos de datos satelitales Himawari y CERES. Rindió especialmente bien bajo cielos despejados, donde la radiación solar atraviesa la atmósfera con mínima interferencia de nubes. Incluso en condiciones nubladas —donde las nubes fragmentadas y los patrones rápidamente cambiantes tienden a confundir a los modelos— RadNet siguió superando a las alternativas, aunque los errores se mantuvieron mayores. El modelo también generalizó bien a lo largo del tiempo: entrenado principalmente con datos de 2022, mantuvo alta precisión cuando se probó con datos independientes de 2021 y 2023.

Ver dentro de la caja negra

Muchos sistemas de aprendizaje profundo son criticados como “cajas negras”, pero RadNet está diseñado para ser más transparente. Al rastrear a qué entradas presta atención el modelo en cada paso de decisión, los investigadores pueden ver qué bandas satelitales y ángulos son más influyentes. Encontraron que una banda del infrarrojo cercano, particularmente sensible a las nubes, aporta la mayor parte de la capacidad del modelo, seguida por el ángulo cenital solar, que codifica la subida y bajada diaria del Sol. Otras bandas infrarrojas aportan información sobre el vapor de agua, las cúspides de las nubes y las características de la superficie. Esta interpretabilidad integrada facilita confiar y refinar el modelo, y entender cuándo y por qué podría fallar —por ejemplo, cuando las nubes crean paralaje y desajustes de escala entre lo que ve una estación en tierra y lo que el satélite promedia sobre un área mayor.

Qué significa esto para la planificación de la energía limpia

Al final, RadNet produce mapas de irradiancia solar de alta resolución para toda China, en una cuadrícula de aproximadamente 4 kilómetros, con mejor precisión que los productos de reanálisis y satelitales existentes. Estos mapas detallados, horarios y anuales resaltan regiones luminosas como las mesetas de Qinghai–Tíbet y Mongolia Interior, y revelan cómo las nubes y la contaminación del aire desplazan la radiación solar de una estación a otra y de un año a otro. Aunque todavía hay margen para mejorar el rendimiento en campos nubosos complejos y en eventos extremos de polvo, el enfoque demuestra que un modelo de aprendizaje profundo cuidadosamente diseñado e interpretable puede convertir imágenes satelitales crudas en un recurso utilizable para desarrolladores solares, operadores de redes y responsables políticos, ayudando a China a planificar un futuro energético más fiable y respetuoso con el clima.

Cita: 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

Palabras clave: irradiancia solar, teledetección por satélite, aprendizaje profundo, recursos de energía solar, energía renovable en China