RadNet: מודל למידה עמוקה ניתן לפרש לאמידת קרינה סולארית ברזולוציה קילומטרית על סין בעזרת נתוני הלוויין Fengyun-4A

מדוע מפות שמש חשובות לחיי היומיום

מאחורי כל פאנל סולארי על גג או בשדה מדברי עומדת שאלה בסיסית: כמה אור שמש באמת מגיע לקרקע, שעה אחרי שעה, שנה אחרי שנה? עבור מדינה כמו סין, הרצה להרחיב אנרגיה נקייה ולהפחית פליטות פחמן, הידיעה היכן ומתי השמש זורחת באופן אמין היא מכרעת. המחקר הזה מציג שיטה חדשה להפוך תמונות גולמיות מלוויין מזג האוויר העדכני של סין למפות שמש מפורטות ואמינות, שעוזרות לתכננים ולחברות חשמל להשתמש באנרגיה סולארית ביעילות רבה יותר.

להפוך עיניי לוויין למפות שמש

מערכות אנרגיה סולארית תלויות ב"קרינה אופקית גלובלית"—האור שפוגע במשטח שטוח ברמת הקרקע. מדידות ישירות מכלים קרקעיים מדויקות מאוד אך מפוזרות ומדודות מועטות, מה שמשאיר פערים גדולים בין התחנות. מודלים אנליטיים מסורתיים ומוצרים לווי־לוויין ישנים מכסים אזורים רחבים אך לעתים קרובות הם גסים ומוטים מדי לתכנון סולארי מודרני. לוויין מזג האוויר Fengyun-4A של סין פותח הזדמנות חדשה: הוא צופה באופן רציף במדינה ומקליט אור ב-14 רצועות ספקטרליות שונות ברזולוציה של 4 על 4 קילומטרים. האתגר הוא להמיר את זרמי הנתונים הלווייניים הללו לאומדנים מדויקים של קרינת שמש על פני השטח בכל רחבי המדינה.

מכונה לומדת חדשה בשם RadNet

המחברים תכננו מודל למידה עמוקה בשם RadNet במיוחד כדי לפתור בעיה זו. במקום להישען על כללים מעשה ידי אדם, RadNet לומד ישירות מהנתונים על ידי התאמת מדידות לוויין לקריאות שמש שעה-אחר-שעה מ-100 תחנות קרקעיות ברחבי סין. המודל מקבל מידע מרצועות לוויין מרובות, יחד עם מיקום השמש והגיאוגרפיה המקומית, ולאחר מכן לומד כיצד גורמים אלה משתלבים כדי לקבוע כמה אור מגיע לקרקע. חשוב לציין, RadNet מבוסס על ארכיטקטורה שתוכננה במקור לנתונים "טבלאיים", והוא יכול באופן אוטומטי לבחור אילו קלטים הם בעלי השפעה רבה יותר, ובכך מקטין משמעותית את שלב בחירת המאפיינים הידני שלשיטות למידת מכונה ישנות דרושות.

אומדנים חדים ואמינים יותר לקרינת שמש

כשהצוות השווה את אומדני RadNet לשיטות אחרות ולמאגרי קרינה מוכרים, המודל החדש היה עקבי מבחינת ביצועים. במשך שנים שונות הציג RadNet שגיאות נמוכות יותר והטיות קטנות יותר בהשוואה ליער אקראי, לגישה עמוקה חלופית ולמוצרים נפוצים כגון בסיס הנתונים הלאומי לקרינת שמש ולמאגרים לווייניים כמו Himawari ו-CERES. הוא התבלט במיוחד בתנאי שמים נקיים, שבהם השמש עוברת דרך האטמוספרה עם הפרעה מועטה של עננות. אפילו בתנאי עננים—שבו עננים מפוצלים ותבניות משתנות במהירות נוטות לבלבל מודלים—RadNet עדיין עלה על האלטרנטיבות, אם כי השגיאות נשארו גבוהות יותר יחסית. המודל גם הכליל היטב לאורך זמן: מאומן בעיקר על נתונים מ-2022, שמר על דיוק גבוה כאשר נבחן על נתונים עצמאיים מ-2021 ו-2023.

להביט בתוך האשפה השחורה

מערכות למידה עמוקה רבות מותקפות כב"תיבות שחורות", אבל RadNet תוכנן להיות יותר שקוף. על-ידי מעקב אחרי אילו קלטים המודל מקדיש תשומת לב בכל שלב החלטה, החוקרים יכולים לראות אילו רצועות לוויין וזוויות משפיעות ביותר. הם מצאו שרצועת תת-אדום קרובה (near-infrared) הרגישה במיוחד לעננים תורמת את החלק הגדול ביותר מיכולות המודל, ולאחריה זווית הסנטרה של השמש, המייצגת את עליה וירידת השמש היומיים. רצועות אינפרא-אדום אחרות מוסיפות מידע על אדי מים, פסגות העננים ותכונות פני השטח. היכולת המובנית לפרשנות זו מקלה על מהימנות ושיפור המודל, וכן על הבנת מתי ולמה הוא עלול לטעות—למשל, כאשר עננים יוצרים פרלקסה וחוסר התאמה בפריסה בין מה שתחנת קרקע רואה לבין מה שהלווין ממוצע על אזור גדול יותר.

מה המשמעות עבור תכנון אנרגיה נקייה

בסופו של דבר, RadNet מפיק מפות שמש ברזולוציה גבוהה על כל סין, ברשת של כ־4 קילומטרים, עם דיוק טוב יותר ממוצרים קיימים של ריאנליזה ולוויין. המפות המפורטות, השעתיות וההשנתיות מדגישות אזורים בהירים כגון רמות צ'ינגחאי–טיבט ומונגוליה הפנימית, ומגלות כיצד עננים וזיהום אוויר משנים את קרינת השמש מעונה לעונה ומשנה לשנה. למרות שיש עדיין מקום לשפר ביצועים בתנאי שדות עננים מסובכים ובאירועי אבק קיצוניים, הגישה מראה שמודל למידה עמוקה מתוכנן בקפידה, שניתן לפרש את פעולתו, יכול להפוך תמונות לוויין גולמיות למשאב שניתן לפעול לפיו עבור מפתחי סולארי, מפעילי רשת ומעבירים מדיניות, ועוזר לסין לתכנן עתיד אנרגטי אמין וידידותי לאקלים.

ציטוט: 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

מילות מפתח: קרינה סולארית, סנסור לווייני מרחוק, למידה עמוקה, משאבי אנרגיית שמש, אנרגיה מתחדשת בסין