שילוב מונחה-נתונים של תצפיות METAR ואירוסולים ממחקר CAMS כדי לשפר שליפה לוויינית של הקרינה הסולארית על פני השטח

מדוע תחזיות שמש חשובות

שמירה על אספקת חשמל בעתיד מונע-שמש תלויה ביכולת לדעת כמה אור שמש יגיע לקרקע — לא רק בימים בהירים, אלא גם כשהאוויר סמיך מאבק, עשן או זיהום. באזורים רבים בהם התקנת אנרגיה סולארית גדלה במהירות, כגון צפון אפריקה, הודו, סין ודרום אפריקה, חלקיקים זעירים באוויר יכולים לעמעם את השמש כמעט כמו עננים, ולפגוע בכמות החשמל שמייצרות חוות סולאריות. המחקר הזה בוחן שיטה חדשה שמשתמשת בדיווחים מטאורולוגיים שגרתיים מבתי־ספר לטיסות לצד תחזיות אטמוספריות גלובליות, כדי לחדד הערכות לווייניות של כמות האנרגיה הסולארית שמגיעה בפועל לפני כדור הארץ.

חלקיקים מעופפים שמסתירים את השמש

מתכנני אנרגיה סולארית בדרך כלל מסתמכים על לוויינים ומודלים ממוחשבים להערכת תאורת השמש על פני השטח. כלים אלה טובים בעקיבת עננים, אך מתקשים עם אירוסולים — האבק, העשן והערפל שמרחפים באוויר. כלי לוויין מתקשים כשעננים חוסמים את שדה הראייה שלהם, רשתות ניטור קרקעיות דלילות, ומודלים גלובליים מעוננים אירועים מקומיים כמו סופת אבק חולפת או שריפת יערים קרובה. מודל McClear הפופולרי, למשל, מסתמך על נתוני אירוסולים של Copernicus (CAMS) ברשתות ברוחב עשרות קילומטרים ובערכים שמתעדכנים רק כל כמה שעות — לעתים קרובות גס מדי כדי לתפוס שינויים חדים ומקומיים בזיהום האוויר שמשפיעים חזק על כמות האור שמגיעה למתקן סולארי ספציפי.

להפוך ראות בשדה התעופה לתובנה סולארית

מקור מידע מקומי על אירוסולים שנמצא עשיר באופן מפתיע הוא דוחות METAR — תצפיות מזג-אוויר תקניות מבתי־ספר לטיסות ברחבי העולם. מטוסים זקוקים לדעת עד כמה הם רואים לאורך מסלול ההמראה, ולכן הראות נמדדת אוטומטית כל 30 דקות ונשמרת בארכיון עולמי. אף על פי שהראות מושפעת לא רק מאירוסולים אלא גם מלחות, ערפל וגשם, היא עדיין נושאת רמזים חשובים לגבי עד כמה האוויר מעמעם את האור הסולארי, במיוחד במהלך אירועי אבק ועשן. החוקרים שילבו קריאות ראות אלה ופרמטרים נוספים מ‑METAR עם נתוני אירוסולים של CAMS וגיאומטריית שמש פשוטה (כגון גובה השמש בשמיים), והזינו אותם למערך מודלי למידת מכונה המיועדים להסיק כמה קרינת שמיים צלולים אמורה להגיע לקרקע.

ללמוד על אור השמש גם בלי ימי שמש ברורים

מכשול מרכזי הוא שקרינת שמיים צלולים — הכמות שהיתה מגיעה בלי עננים כלל — נדירה למדידה ישירה. במקום לזרוק את כל התקופות המעוננות, הצוות פיתח "יעד פסאודו-שמי צלול". הם התחילו ממדידות שמש ממשיות על הקרקע ותמונות לוויין שמתארות עד כמה כל סצנה מעוננת. על ידי הפרדה מתמטית של השפעת העננים ונירמול לפי הקרינה בראש האטמוספירה, הם קיבלו כמות יעד נקייה בין 0 ל‑1 שמודלי למידת מכונה יכולים ללמוד ממנה, גם כאשר השמיים אינם צלולים לחלוטין. מודלים כגון שיטות הגברה גרדיאנטית (XGBoost, LightGBM, CatBoost), יערות אקראיים, רשתות נוירונים ואף מעגל וריאציונלי קוונטי ניסיוני אומנו באתר בודד בקהיר, ונבדקו בשבעה תחנות נוספות ברחבי אפריקה ואסיה שחוות כל דבר מעשן עירוני ועד סופות אבק סהרה ועשן משריפות ביומסה.

עוקפים מודלים מסורתיים באוויר אבקתי ומעומעם

כדי לשפוט הצלחה, הצוות לא הסתכל רק על ערכי השמיים הצלולים שנלמדו בבידוד. במקום זאת, הם הזינו אותם לשיטת Heliosat-3, הממירה בהירות ענן הנצפית מלוויין לקרינת שמש על פני השטח בכל-שמים, והשוו את התוצאות למדידות קרקע. בכל אתרי המבחן, המודל בעל הביצועים הטובים ביותר, CatBoost, צמצם באופן מתון אך עקבי את השגיאה הממוצעת בהשוואה ל‑Heliosat-3 המונע על ידי McClear. השיפורים היו החזקים ביותר לטווחי ראות בינוניים של בערך 6–8 קילומטרים ובמהלך אירועי אבק וחול, שם מודל אחד (LightGBM) קיצץ את השגיאה בכ‑כ‑ערך של כחמישית. אירועי עשן הראו שיפורים קטנים יותר אך ניכרים, בעוד ערפל כללי לא נהנה משיפור. המודל הקוונטי הניסיוני, אף שאינו מדויק כמו האחרים בסך‑הכל, השיג תוצאות אלה עם הרבה פחות פרמטרים להתאמה, מה שמרמז על פוטנציאל עתידי ככל שציוד קוונטי יבשיל.

מה הדבר אומר עבור אנרגיה סולארית

בעבור מפעילי סולאר והנהלת רשת, אפילו שיפורים מתונים בהערכות קרינת השמש יכולים לתרגם לחיזויים טובים יותר של ייצור חשמל, פחות הפתעות למנהלי המערכת ושילוב אמין יותר של אנרגיה סולארית ברשת. המחקר מראה שדיווחים שגרתיים על ראות מבתי‑הספר לטיסות, כאשר מחוברים בחוכמה לנתוני אירוסולים גלובליים ותמונות ענן לווייניות, יכולים לתקן חולשות חשובות של מודלים פיזיקליים קיימים באזורים עם אבק כבד או זיהום. ככל שמודלי למידת המכונה יורחבו למיקומים נוספים, יכללו מידע אירוסולי מפורט יותר ויתחשבו טוב יותר בתנאים מקומיים, הם יכולים להפוך לכלי עזר חזק לשיטות המסורתיות, ולהפוך את האנרגיה הסולארית לחלק צפוי ומהימן יותר מתמהיל האנרגיה העולמי.

ציטוט: 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

מילות מפתח: קרינה סולארית, אירוסולים, למידת מכונה, ראות METAR, חיזוי פוטו-וולטאי