Combinaison guidée par les données des observations METAR et des aérosols de réanalyse CAMS pour améliorer la récupération satellitaire de l'irradiance solaire de surface

Pourquoi les prévisions d'ensoleillement comptent

Maintenir l'alimentation électrique dans un avenir alimenté par l'énergie solaire dépend de la connaissance de la quantité de lumière solaire qui atteint le sol, non seulement par journées claires, mais aussi quand l'air est chargé de poussière, de fumée ou de pollution. Dans de nombreuses régions en forte croissance pour le solaire, comme l'Afrique du Nord, l'Inde, la Chine et l'Afrique australe, de minuscules particules en suspension peuvent atténuer le soleil presque autant que les nuages, perturbant la production des centrales solaires. Cette étude explore une nouvelle façon d'utiliser les bulletins météorologiques quotidiens des aéroports, combinés aux prévisions atmosphériques globales, pour affiner les estimations satellitaires de la quantité d'énergie solaire qui atteint réellement la surface de la Terre.

Des particules en suspension qui cachent le soleil

Les planificateurs du solaire s'appuient généralement sur des satellites et des modèles informatiques pour estimer l'ensoleillement de surface. Ces outils sont performants pour suivre les nuages, mais peinent davantage avec les aérosols – poussières, fumées et brumes en suspension dans l'air. Les instruments satellites ont du mal lorsque des nuages obstruent leur vue, les réseaux de surveillance au sol sont peu denses, et les modèles globaux lissent les événements locaux comme une tempête de poussière passagère ou un incendie à proximité. Le modèle largement utilisé McClear, par exemple, utilise des données d'aérosols de Copernicus (CAMS) avec des mailles de plusieurs dizaines de kilomètres et des valeurs mises à jour seulement toutes les quelques heures. C'est souvent trop grossier pour saisir les variations locales nettes de la pollution atmosphérique qui affectent fortement la quantité de lumière solaire atteignant une centrale donnée.

Transformer la visibilité des aéroports en information solaire

Une source étonnamment riche d'information locale sur les aérosols provient des rapports METAR – observations météorologiques standardisées des aéroports du monde entier. Les pilotes doivent savoir jusqu'où ils peuvent voir sur la piste, la visibilité est donc mesurée automatiquement toutes les 30 minutes et archivée globalement. Bien que la visibilité soit influencée non seulement par les aérosols mais aussi par l'humidité, le brouillard et la pluie, elle porte néanmoins des indices précieux sur la manière dont l'air assombrit la lumière solaire, en particulier lors d'épisodes de poussière ou de fumée. Les chercheurs ont combiné ces relevés de visibilité et d'autres paramètres METAR avec les données d'aérosols CAMS et la géométrie solaire simple (comme la hauteur du soleil dans le ciel), en les alimentant dans un ensemble de modèles d'apprentissage automatique conçus pour déduire quelle quantité d'énergie solaire en ciel clair devrait atteindre le sol.

Apprendre de la lumière solaire sans journées parfaitement claires

Un obstacle majeur est que l'irradiance en ciel clair, la quantité qui arriverait sans aucun nuage, est rarement mesurée directement. Plutôt que d'écarter toutes les périodes nuageuses, l'équipe a conçu une cible « pseudo ciel clair ». Ils sont partis des mesures solaires réelles au sol et d'images satellitaires décrivant la nébulosité de chaque scène. En séparant mathématiquement l'effet des nuages et en normalisant par le rayonnement au sommet de l'atmosphère, ils ont obtenu une grandeur cible propre, comprise entre 0 et 1, que les modèles d'apprentissage automatique peuvent apprendre, même lorsque le ciel n'est pas parfaitement dégagé. Des modèles incluant des méthodes de gradient boosting (XGBoost, LightGBM, CatBoost), des forêts aléatoires, des réseaux de neurones et même un circuit variationnel quantique expérimental ont été entraînés sur un site unique au Caire, puis testés sur sept autres stations à travers l'Afrique et l'Asie exposées à tout, du smog urbain aux tempêtes de poussière sahariennes en passant par la fumée de brûlis.

Surperformer les modèles traditionnels dans l'air poussiéreux ou brumeux

Pour juger du succès, l'équipe n'a pas examiné les valeurs apprises en ciel clair isolément. Elle les a injectées dans la méthode Heliosat-3, qui convertit la brillance observée par satellite des nuages en irradiance de surface toutes conditions, et a comparé les résultats aux mesures au sol. Sur l'ensemble des sites tests, le modèle le plus performant, CatBoost, a réduit de façon modeste mais constante l'erreur moyenne comparé à Heliosat-3 alimenté par McClear. Les améliorations ont été les plus marquées pour des portées de visibilité modérées d'environ 6 à 8 kilomètres et lors d'épisodes de poussière et de sable, où un modèle (LightGBM) a réduit l'erreur d'environ un cinquième. Les épisodes de fumée ont montré des gains plus faibles mais encore perceptibles, tandis que la brume générale n'en a pas bénéficié. Le modèle quantique expérimental, bien que moins précis globalement, a obtenu ces résultats avec beaucoup moins de paramètres ajustables, laissant entrevoir un potentiel futur à mesure que le matériel quantique évoluera.

Ce que cela signifie pour l'énergie solaire

Pour les exploitants solaires et les gestionnaires de réseau, même des améliorations modestes des estimations d'ensoleillement peuvent se traduire par de meilleures prévisions de production, moins de surprises pour les opérateurs et une intégration plus fiable du solaire au réseau. Cette étude montre que les rapports de visibilité routiniers des aéroports, lorsqu'ils sont intelligemment combinés aux données d'aérosols globales et aux images satellites de nuages, peuvent aider à corriger des faiblesses importantes des modèles basés sur la physique dans les régions à forte poussière ou pollution. À mesure que les modèles d'apprentissage automatique seront étendus à davantage de sites, incluront des informations d'aérosols plus détaillées et tiendront mieux compte des conditions locales, ils pourraient devenir un complément puissant aux méthodes traditionnelles, rendant l'énergie solaire plus prévisible et digne de confiance dans le mix énergétique mondial.

Citation: 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

Mots-clés: irradiance solaire, aérosols, apprentissage automatique, visibilité METAR, prévision photovoltaïque