RadNet : un modèle d’apprentissage profond interprétable pour l’estimation de l’irradiance solaire à résolution kilométrique sur la Chine avec les données du satellite Fengyun-4A

Pourquoi les cartes d’ensoleillement comptent au quotidien

Derrière chaque panneau solaire posé sur un toit ou installé dans un champ désertique se pose une question fondamentale : combien de lumière solaire parvient réellement au sol, heure par heure, année après année ? Pour un pays comme la Chine, qui se précipite pour développer les énergies propres et réduire les émissions de carbone, savoir où et quand le soleil brille le plus régulièrement est essentiel. Cette étude présente une nouvelle méthode pour transformer les images brutes du dernier satellite météorologique chinois en cartes d’ensoleillement détaillées et fiables, aidant planificateurs et opérateurs à utiliser l’énergie solaire de façon plus efficace.

Transformer les yeux du satellite en cartes solaires

Les systèmes photovoltaïques dépendent de l’« irradiance globale horizontale », c’est‑à‑dire la lumière solaire qui atteint une surface plane au niveau du sol. Les mesures directes réalisées au sol sont très précises mais dispersées et peu nombreuses, laissant de larges zones sans données. Les modèles météorologiques numériques traditionnels et les anciens produits satellite couvrent des régions plus étendues mais sont souvent trop grossiers ou biaisés pour la planification solaire moderne. Le satellite météorologique Fengyun‑4A de la Chine offre une nouvelle opportunité : il observe continuellement le pays depuis l’espace et enregistre la lumière dans 14 bandes spectrales à une résolution de 4 × 4 kilomètres. Le défi consiste à convertir ces flux de données satellitaires en estimations précises de l’ensoleillement à la surface sur l’ensemble du territoire.

Une nouvelle machine d’apprentissage appelée RadNet

Les auteurs ont conçu un modèle d’apprentissage profond nommé RadNet spécifiquement pour résoudre ce problème. Plutôt que de s’appuyer sur des règles élaborées manuellement, RadNet apprend directement à partir des données en faisant correspondre les mesures satellitaires avec des relevés horaires d’ensoleillement provenant de 100 stations au sol réparties en Chine. Il ingère les informations de plusieurs bandes satellitaires, ainsi que la position du Soleil et la géographie locale, puis apprend comment ces facteurs se combinent pour déterminer la quantité de lumière atteignant le sol. Fait important, RadNet repose sur une architecture initialement développée pour des données « tabulaires », et il peut automatiquement identifier les entrées les plus pertinentes, réduisant ainsi la longue étape de sélection manuelle des caractéristiques requise par les approches de machine learning plus anciennes.

Des estimations d’ensoleillement plus nettes et plus fiables

Lorsque l’équipe a comparé les estimations de RadNet à d’autres méthodes et bases de données solaires reconnues, le nouveau modèle s’est montré constamment supérieur. Sur plusieurs années, RadNet a présenté des erreurs plus faibles et des biais plus réduits que les forêts aléatoires, une autre approche d’apprentissage automatique, ainsi que que des produits largement utilisés tels que la National Solar Radiation Data Base et les jeux de données satellitaires Himawari et CERES. Il a particulièrement bien performé par ciel dégagé, où la lumière solaire traverse l’atmosphère avec une interférence minimale des nuages. Même en conditions nuageuses — où les nuages épars et les variations rapides tendent à perturber les modèles — RadNet a tout de même surpassé les alternatives, bien que les erreurs y soient plus élevées. Le modèle s’est aussi bien généralisé dans le temps : entraîné principalement sur des données de 2022, il a conservé une grande précision lorsqu’il a été testé sur des données indépendantes de 2021 et 2023.

Voir à l’intérieur de la boîte noire

Beaucoup de systèmes d’apprentissage profond sont critiqués comme des « boîtes noires », mais RadNet est conçu pour être plus transparent. En suivant les entrées que le modèle privilégie à chaque étape décisionnelle, les chercheurs peuvent voir quelles bandes satellitaires et quels angles ont le plus d’influence. Ils ont constaté qu’une bande proche‑infrarouge particulièrement sensible aux nuages apporte la majorité de la performance du modèle, suivie de l’angle zénithal solaire, qui encode la montée et la descente journalières du Soleil. D’autres bandes infrarouges apportent des informations sur la vapeur d’eau, les sommets de nuages et les caractéristiques de surface. Cette interprétabilité intégrée facilite la confiance et l’affinement du modèle, et permet de comprendre quand et pourquoi il peut échouer — par exemple lorsque les nuages induisent des effets de parallaxe et des désaccords d’échelle entre ce qu’une station au sol observe et ce que le satellite moyenne sur une zone plus vaste.

Ce que cela signifie pour la planification de l’énergie propre

Au final, RadNet produit des cartes d’ensoleillement à haute résolution pour l’ensemble de la Chine, sur une grille d’environ 4 kilomètres, avec une meilleure précision que les produits de réanalyse et satellitaires existants. Ces cartes détaillées, horaires et annuelles mettent en évidence des régions lumineuses comme les plateaux du Qinghai‑Tibet et de la Mongolie intérieure, et révèlent comment les nuages et la pollution atmosphérique déplacent l’ensoleillement selon les saisons et d’une année sur l’autre. Bien qu’il reste des marges d’amélioration en présence de champs nuageux complexes et d’événements de poussière extrêmes, l’approche montre qu’un modèle d’apprentissage profond soigneusement conçu et interprétable peut transformer l’imagerie satellitaire brute en une ressource exploitable pour les développeurs solaires, les gestionnaires de réseau et les décideurs, aidant la Chine à planifier un avenir énergétique plus fiable et plus respectueux du climat.

Citation: 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

Mots-clés: irradiance solaire, télédétection par satellite, apprentissage profond, ressources solaires, énergies renouvelables en Chine