Combinazione guidata dai dati di osservazioni METAR e aerosol dalla rianalisi CAMS per migliorare il recupero satellitare dell’irradiazione solare al suolo

Perché le previsioni di luce solare sono importanti

Mantenere le luci accese in un futuro alimentato dall’energia solare dipende dal conoscere quanta luce solare raggiungerà il suolo, non solo nelle giornate limpide ma anche quando l’aria è densa di polvere, fumo o inquinamento. In molte regioni in rapida espansione per il solare, come il Nord Africa, l’India, la Cina e l’Africa meridionale, particelle sospese nell’aria possono oscurare il sole quasi quanto le nuvole, alterando la produzione elettrica degli impianti fotovoltaici. Questo studio esplora un nuovo modo di usare i report meteorologici quotidiani dagli aeroporti, insieme alle previsioni atmosferiche globali, per raffinare le stime satellitari di quanta energia solare raggiunge effettivamente la superficie terrestre.

Particelle sospese che nascondono il sole

I pianificatori dell’energia solare solitamente si affidano ai satelliti e ai modelli numerici per stimare la luce solare al suolo. Questi strumenti funzionano bene per monitorare le nuvole, ma incontrano maggiori difficoltà con gli aerosol — polvere, fumo e foschia che fluttuano nell’aria. Gli strumenti satellitari faticano quando le nuvole ne impediscono la vista, le reti di monitoraggio a terra sono rade e i modelli globali attenuano eventi locali come una tempesta di polvere o un incendio vicino. Il modello ampiamente usato McClear, per esempio, si basa sui dati aerosol di Copernicus (CAMS) con celle di griglia larghe decine di chilometri e valori aggiornati solo ogni poche ore. Questo è spesso troppo grossolano per catturare i rapidi e locali sbalzi di inquinamento che influenzano fortemente quanta luce arriva a un impianto solare specifico.

Trasformare la visibilità aeroportuale in informazioni solari

Una fonte sorprendentemente ricca di informazioni sugli aerosol locali proviene dai rapporti METAR — osservazioni meteorologiche standardizzate dagli aeroporti di tutto il mondo. I piloti devono sapere quanto possono vedere lungo la pista, quindi la visibilità è misurata automaticamente ogni 30 minuti e archiviata globalmente. Pur essendo la visibilità influenzata non solo dagli aerosol ma anche dall’umidità, dalla nebbia e dalla pioggia, essa contiene comunque indizi preziosi su quanto l’aria sta attenuando la luce solare, soprattutto durante eventi di polvere e fumo. I ricercatori hanno combinato queste letture di visibilità e altri parametri METAR con i dati aerosol di CAMS e la geometria solare di base (come l’altezza del sole nel cielo), alimentandoli in una serie di modelli di machine learning progettati per inferire quanta energia solare in condizioni di cielo sereno dovrebbe raggiungere il suolo.

Imparare dalla luce solare anche senza giornate completamente limpide

Un ostacolo importante è che la radiazione solare in cielo sereno, la quantità che arriverebbe senza alcuna nuvola, è raramente misurata direttamente. Invece di scartare tutti i periodi nuvolosi, il team ha ideato un target “pseudo cielo sereno”. Sono partiti dalle misure solari effettive al suolo e dalle immagini satellitari che descrivono quanto è nuvolosa ogni scena. Separando matematicamente l’effetto delle nuvole e normalizzando rispetto alla radiazione al top dell’atmosfera, hanno ottenuto una quantità target pulita compresa tra 0 e 1 che i modelli di machine learning possono apprendere, anche quando il cielo non è perfettamente sereno. Modelli come i metodi a boosting di gradienti (XGBoost, LightGBM, CatBoost), Random Forest, reti neurali e persino un circuito variazionale quantistico sperimentale sono stati addestrati in un singolo sito al Cairo, poi testati in altri sette stazioni attraverso Africa e Asia che sperimentano di tutto, dallo smog urbano alle tempeste di polvere sahariane e al fumo da combustione di biomassa.

Prestazioni superiori ai modelli tradizionali in aria polverosa o nebbiosa

Per valutare il successo, il team non ha guardato i valori appresi di cielo sereno in isolamento. Li ha invece inseriti nel metodo Heliosat-3, che trasforma la brillantezza delle nuvole osservata dal satellite in radiazione solare al suolo in condizioni di cielo totale, e ha confrontato i risultati con le misure a terra. In tutti i siti di test, il modello con le migliori prestazioni, CatBoost, ha ridotto in modo modesto ma costante l’errore medio rispetto a Heliosat-3 alimentato da McClear. I miglioramenti sono stati più marcati per gamme di visibilità moderate tra circa 6 e 8 chilometri e durante eventi di polvere e sabbia, dove un modello (LightGBM) ha tagliato l’errore di circa un quinto. Gli eventi di fumo hanno mostrato guadagni più piccoli ma ancora evidenti, mentre la foschia generale non ha beneficiato. Il modello quantistico sperimentale, sebbene meno accurato nel complesso, ha ottenuto tali risultati con molti meno parametri regolabili, suggerendo un potenziale futuro con il progredire dell’hardware quantistico.

Cosa significa per l’energia solare

Per gli operatori solari e i gestori di rete, anche miglioramenti modesti nelle stime della luce solare possono tradursi in previsioni di produzione più accurate, meno sorprese per gli operatori di sistema e un’integrazione più affidabile dell’energia solare nella rete. Questo studio dimostra che i rapporti di visibilità di routine dagli aeroporti, quando combinati in modo intelligente con dati aerosol globali e immagini satellitari delle nuvole, possono contribuire a correggere importanti lacune dei modelli basati sulla fisica in regioni con forte presenza di polvere o inquinamento. Man mano che i modelli di machine learning verranno estesi a più località, includeranno informazioni aerosol più dettagliate e vareranno una migliore considerazione delle condizioni locali, potrebbero diventare un prezioso complemento ai metodi tradizionali, rendendo l’energia solare una parte più prevedibile e affidabile del mix energetico mondiale.

Citazione: 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

Parole chiave: irradiazione solare, aerosol, apprendimento automatico, visibilità METAR, previsione fotovoltaica