METAR観測とCAMS再解析エアロゾルをデータ駆動で組み合わせ、衛星による地表日射量推定を強化する

なぜ日射予測が重要か

将来を太陽光で賄う社会で安定的に電力を供給するには、快晴時だけでなく、空気が砂や煙、汚染で濁っているときに地表にどれだけ太陽光が届くかを正確に知ることが重要です。北アフリカ、インド、中国、南部アフリカなど太陽光発電が急拡大している多くの地域では、微小な大気粒子が雲と同様に太陽を暗くし、太陽光発電所の発電量を大きく左右します。本研究は、空港の標準的な気象報告とグローバルな大気解析を組み合わせて、衛星を用いた地表日射量推定をどのように精緻化できるかを検討します。

太陽を隠す大気粒子

太陽光発電の計画担当者は通常、衛星観測と数値モデルに頼って地表の日射を推定します。これらの手法は雲の追跡には有効ですが、空中に漂う塵や煙、もやといったエアロゾルには弱点があります。衛星は雲で視界が遮られると性能が落ち、地上観測網は点在しており、全球モデルは通過する砂塵嵐や近傍の山火事のような局所事象を平滑化してしまいがちです。広く使われるMcClearモデルは、Copernicus（CAMS）のエアロゾルデータを利用していますが、格子は数十キロメートル幅で数時間ごとに更新されるため、特定の発電所に届く日射に大きく影響する急激で局所的な大気汚染の変動を捉えるには粗すぎることが多いのです。

空港視程から太陽光の実情を読み取る

意外に豊富な局所エアロゾル情報源となるのがMETAR報告です。これは世界中の空港で行われる標準化された気象観測で、滑走路上でどこまで見えるかを示す視程は、パイロットの安全のために通常30分ごとに自動測定され、全世界で記録されています。視程はエアロゾルだけでなく湿度、霧、雨にも影響されますが、それでも砂塵や煙の発生時には空気がどれだけ太陽光を減衰させているかについて貴重な手がかりを与えます。研究者らはこれらの視程値や他のMETARパラメータをCAMSエアロゾルデータや太陽の空間的幾何（太陽高度など）と組み合わせ、地表に届くはずの快晴時日射量を推定するための機械学習モデルに入力しました。

晴天データが乏しくても学べる仕組み

大きな障害の一つは、快晴時の日射量が直接測定されることが稀である点です。研究チームは曇り期間を捨てる代わりに「擬似快晴」ターゲットを考案しました。地上での実測日射と各場面の雲状況を記述する衛星画像を出発点に、雲の影響を数学的に分離し、外気圏上部での日射で正規化することで、0から1の範囲に収まる明瞭な学習ターゲットを作成しました。これにより、空が完全に晴れていない場合でも機械学習モデルが学習できるようになります。XGBoost、LightGBM、CatBoostなどの勾配ブースティング、ランダムフォレスト、ニューラルネットワーク、さらには実験的な量子変分回路を含むモデル群をカイロの単一サイトで訓練し、都市スモッグからサハラの砂嵐、バイオマス燃焼の煙までを含むアフリカとアジアの7つの別サイトで評価しました。

砂やもやの中で従来モデルを上回る

性能評価では、学習によって得られた擬似快晴値を単独で見るのではなく、それらをHeliosat-3法に組み込み、衛星観測から得られる雲の明るさを全空の日射へ変換しました。そしてその出力を地上観測と比較しました。すべてのテストサイトを通じて、最も良好な性能を示したCatBoostは、McClearを用いたHeliosat-3に比べて平均誤差を控えめながら一貫して低減しました。改善は概ね視程が6〜8キロメートル程度の中程度で顕著で、砂塵・砂嵐の際にはLightGBMが誤差を約5分の1削減するなど効果が大きかったです。煙の事象ではより小さいが目に見える改善が得られ、一般的な靄（もや）には効果が乏しいことが分かりました。実験的な量子モデルは全体的には精度で劣りましたが、調整可能なパラメータ数が格段に少ないにもかかわらず一定の成果を示し、量子ハードウェアが成熟すれば将来性があることを示唆しました。

太陽光発電にとっての意義

太陽光事業者や系統運用者にとって、日射推定のわずかな改善でも発電予測の精度向上、運用上のサプライズの減少、太陽光の系統へのより安定した統合につながります。本研究は、日常的に得られる空港の視程報告を、グローバルなエアロゾルデータや衛星の雲画像と賢く組み合わせることで、砂や大気汚染の激しい地域における既存の物理ベースモデルの弱点を補正できることを示しています。機械学習モデルをより多くの地点に拡張し、詳細なエアロゾル情報を取り込み、局所条件をよりよく扱えるようになれば、従来手法の強力な補完となり、太陽光発電を世界のエネルギーミックスにおいてより予測可能で信頼できる存在にする可能性があります。

引用: 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

キーワード: 日射量, エアロゾル, 機械学習, METAR視程, 太陽光発電予測