RadNet: un modello di deep learning interpretabile per la stima dell’irradiazione solare a risoluzione chilometrica sulla Cina con i dati del satellite Fengyun-4A

Perché le mappe della luce solare sono importanti nella vita quotidiana

Dietro ogni pannello solare su un tetto o in un campo desertico c’è una domanda fondamentale: quanta luce solare raggiunge effettivamente il suolo, ora per ora, anno dopo anno? Per un paese come la Cina, che corre per espandere l’energia pulita e ridurre le emissioni di carbonio, sapere dove e quando il Sole brilla con maggiore affidabilità è essenziale. Questo studio presenta un nuovo metodo per trasformare le immagini grezze del più recente satellite meteorologico cinese in mappe dettagliate e affidabili dell’irradianza solare, aiutando pianificatori e società energetiche a usare l’energia solare in modo più efficiente.

Trasformare lo sguardo satellitare in mappe solari

I sistemi fotovoltaici si basano sull’"irradianza globale orizzontale", la radiazione solare che colpisce una superficie piana a livello del suolo. Le misure dirette effettuate con strumenti a terra sono molto accurate ma sparse, lasciando ampi spazi senza osservazioni. I modelli meteorologici tradizionali e i prodotti satellitari più datati coprono aree più vaste ma sono spesso troppo grossolani e distorti per la pianificazione solare moderna. Il satellite meteorologico cinese Fengyun-4A offre una nuova opportunità: osserva costantemente il paese dallo spazio e registra la luce in 14 diverse bande spettrali con una risoluzione di 4 per 4 chilometri. La sfida è convertire questi flussi di dati satellitari in stime precise della radiazione al suolo sull’intero territorio nazionale.

Una nuova macchina apprendente chiamata RadNet

Gli autori hanno progettato un modello di deep learning chiamato RadNet specificamente per risolvere questo problema. Invece di affidarsi a regole create a mano, RadNet impara direttamente dai dati mettendo in corrispondenza le misure satellitari con le letture orarie dell’irradiazione provenienti da 100 stazioni a terra distribuite in Cina. Riceve in input informazioni da più bande satellitari, insieme alla posizione del Sole e alla geografia locale, e apprende come questi fattori si combinano per determinare quanta luce raggiunge il suolo. Importante, RadNet si basa su un’architettura originariamente sviluppata per dati “tabulari”, e può selezionare automaticamente quali input sono più rilevanti, riducendo notevolmente il tempo e il lavoro necessari per la selezione manuale delle caratteristiche richiesta dai metodi di machine learning più datati.

Stime dell’irradiazione più nitide e affidabili

Quando il gruppo ha confrontato le stime di RadNet con altri metodi e noti database di irradiazione, il nuovo modello è risultato costantemente superiore. In diversi anni, RadNet ha mostrato errori più piccoli e bias inferiori rispetto a foreste casuali, un altro approccio di deep learning, e a prodotti largamente utilizzati come il National Solar Radiation Data Base e i dataset satellitari Himawari e CERES. Ha performato particolarmente bene in cielo sereno, dove la radiazione solare attraversa l’atmosfera con minima interferenza nuvolosa. Anche in condizioni nuvolose — dove nuvole frammentate e pattern rapidamente variabili tendono a confondere i modelli — RadNet ha comunque superato le alternative, sebbene gli errori fossero maggiori. Il modello si è inoltre generalizzato bene nel tempo: addestrato principalmente con dati del 2022, ha mantenuto alta accuratezza quando è stato testato su dati indipendenti del 2021 e del 2023.

Guardare dentro la scatola nera

Molti sistemi di deep learning sono criticati come “scatole nere”, ma RadNet è progettato per essere più trasparente. Monitorando a quali input il modello presta attenzione in ciascuna fase decisionale, i ricercatori possono vedere quali bande satellitari e quali angoli sono più influenti. Hanno riscontrato che una banda nel vicino infrarosso, particolarmente sensibile alle nubi, contribuisce in misura maggiore alla capacità predittiva del modello, seguita dall’angolo zenitale solare, che codifica l’alternarsi quotidiano del Sole. Altre bande infrarosse forniscono informazioni sul vapore acqueo, sulle sommità nuvolose e sulle caratteristiche superficiali. Questa interpretabilità integrata facilita la fiducia e il miglioramento del modello, e aiuta a capire quando e perché può sbagliare — per esempio quando le nuvole introducono parallasse e discrepanze di scala tra ciò che una stazione a terra vede e ciò che il satellite media su un’area più ampia.

Cosa significa per la pianificazione dell’energia pulita

In definitiva, RadNet produce mappe dell’irradiazione ad alta risoluzione per l’intera Cina, su una griglia di circa 4 chilometri, con una precisione superiore rispetto ai prodotti di reanalysis e satellitari esistenti. Queste mappe dettagliate, orarie e annuali evidenziano regioni luminose come gli altopiani del Qinghai–Tibet e della Mongolia Interna, e rivelano come nuvole e inquinamento atmosferico spostino la luce solare da una stagione all’altra e di anno in anno. Pur essendoci ancora margine di miglioramento nelle prestazioni sotto campi nuvolosi complessi ed eventi estremi di polvere, l’approccio dimostra che un modello di deep learning progettato con cura e interpretabile può trasformare le immagini satellitari grezze in una risorsa concreta per sviluppatori solari, gestori di rete e decisori politici, aiutando la Cina a pianificare un futuro energetico più affidabile e rispettoso del clima.

Citazione: 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

Parole chiave: irradiazione solare, telerilevamento satellitare, deep learning, risorse di energia solare, energia rinnovabile in Cina