Gegevensgestuurde combinatie van METAR-waarnemingen en CAMS-hertelling van aerosolen om satellietbepalingen van oppervlakteszonnestaling te verbeteren

Waarom voorspellingen van zonlicht ertoe doen

Het draaiende houden van de stroomvoorziening in een toekomst aangedreven door zonne-energie hangt af van het weten hoeveel zonlicht het aardoppervlak bereikt — niet alleen op heldere blauwe dagen maar ook wanneer de lucht vol stof, rook of vervuiling zit. In vele snelgroeiende regio’s voor zonne-energie, zoals Noord-Afrika, India, China en zuidelijk Afrika, kunnen kleine deeltjes in de lucht de zon bijna net zo dimmen als wolken dat doen, waardoor de opbrengst van zonneparken sterk kan variëren. Deze studie onderzoekt een nieuwe manier om routinematige weerswaarnemingen vanaf luchthavens te combineren met mondiale atmosferische heranalysegegevens, om satellietgebaseerde schattingen van het werkelijk op het oppervlak komende zonlicht te verfijnen.

Vliegende deeltjes die de zon verbergen

Planners van zonne-energie vertrouwen doorgaans op satellieten en computermodellen om het zonlicht aan het oppervlak te schatten. Deze instrumenten werken goed voor het volgen van wolken, maar hebben meer moeite met aerosolen — het stof, de rook en de nevel die in de lucht zweven. Satellietinstrumenten hebben moeite wanneer wolken het zicht blokkeren, grondgebonden meetnetten zijn dun gezaaid, en wereldwijde modellen middelen lokale gebeurtenissen zoals een voorbijgaande zandstorm of een nabijgelegen bosbrand uit. Het veelgebruikte McClear-model bijvoorbeeld gebruikt Copernicus (CAMS) aerosolen met roosterpunten van tientallen kilometers en waarden die slechts om enkele uren worden bijgewerkt. Dat is vaak te grof om de scherpe, lokale schommelingen in luchtvervuiling vast te leggen die sterk bepalen hoeveel zonlicht een specifiek zonnepark bereikt.

Luchthavenzicht omzetten in zonkrachtinzichten

Een verrassend rijke bron van lokale aerosolinformatie zijn METAR-rapporten — gestandaardiseerde weerswaarnemingen van luchthavens wereldwijd. Piloten moeten weten hoe ver ze langs de start- en landingsbaan kunnen kijken, dus zicht wordt automatisch elke 30 minuten gemeten en globaal gearchiveerd. Hoewel zicht niet alleen door aerosolen wordt beïnvloed maar ook door luchtvochtigheid, mist en regen, bevat het nog steeds waardevolle aanwijzingen over hoeveel de lucht het zonlicht dempt, vooral tijdens stof- en rookgebeurtenissen. De onderzoekers combineerden deze zichtmetingen en andere METAR-parameters met CAMS-aerosolgegevens en eenvoudige zonne-geometrie (zoals de hoogte van de zon aan de hemel) en voerden die in een reeks machine-learningmodellen om af te leiden hoeveel heldere-lucht zonenergie het oppervlak zou moeten bereiken.

Leren van zonlicht zonder heldere dagen

Een belangrijke hindernis is dat heldere-lucht zonlicht, de hoeveelheid die zonder wolken zou aankomen, zelden direct wordt gemeten. In plaats van alle bewolkte perioden weg te gooien, bedachten de onderzoekers een "pseudo clear-sky" doelvariabele. Ze begonnen met daadwerkelijke zonnemetingen aan de grond en satellietbeelden die beschrijven hoe bewolkt elk tafereel is. Door het wolkeneffect wiskundig te scheiden en te normaliseren met de instraling bovenin de atmosfeer, kregen ze een schone doelvariabele tussen 0 en 1 waar machine-learningmodellen van kunnen leren, ook wanneer de lucht niet perfect helder is. Modellen zoals gradient-boostingmethoden (XGBoost, LightGBM, CatBoost), Random Forests, neurale netwerken en zelfs een experimenteel kwantum-variatiecircuit werden getraind op een locatie in Caïro en vervolgens getest op zeven andere stations verspreid over Afrika en Azië, die alles meemaken van stedelijke smog tot Sahara-stofstormen en rook van biomassa.

Betere prestaties dan traditionele modellen in stoffige, nevelige lucht

Om succes te meten keken de onderzoekers niet alleen naar de geleerde heldere-lucht waarden op zichzelf. In plaats daarvan stopten ze die in de Heliosat-3-methode, die satellietwaargenomen wolkenhelderheid omzet in all-sky oppervlakteszonnestaling, en vergeleken de uitkomsten met grondmetingen. Over alle testlocaties verlaagde het best presterende model, CatBoost, de gemiddelde fout bescheiden maar consequent vergeleken met Heliosat-3 aangestuurd door McClear. De verbeteringen waren het sterkst voor matige zichtafstanden tussen ongeveer 6 en 8 kilometer en tijdens stof- en zandgebeurtenissen, waar één model (LightGBM) de fout met ongeveer een vijfde verminderde. Rookgebeurtenissen lieten kleinere maar nog merkbare winst zien, terwijl algemene nevel geen voordeel bood. Het experimentele kwantummodel, hoewel minder nauwkeurig in het algemeen, behaalde deze resultaten met veel minder aanpasbare parameters, wat wijst op toekomstig potentieel naarmate kwantumhardware volwassener wordt.

Wat dit betekent voor zonne-energie

Voor exploitanten van zonneparken en netbeheerders kunnen zelfs bescheiden verbeteringen in schattingen van zonlicht zich vertalen naar betere voorspellingen van energieproductie, minder verrassingen voor systeembeheerders en betrouwbaardere integratie van zonne-energie in het net. Deze studie toont aan dat routinematige zichtrapporten van luchthavens, wanneer ze slim worden gecombineerd met mondiale aerosolgegevens en satellietbeelden van wolken, belangrijke zwaktes van bestaande fysica-gebaseerde modellen kunnen corrigeren in regio’s met veel stof of vervuiling. Naarmate machine-learningmodellen naar meer locaties worden uitgebreid, meer gedetailleerde aerosolinformatie opnemen en beter rekening houden met lokale omstandigheden, kunnen ze een krachtige aanvulling worden op traditionele methoden en zonne-energie voorspelbaarder en betrouwbaarder maken binnen de wereldwijde energiemix.

Bronvermelding: 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

Trefwoorden: zonnestaling, aerosolen, machine learning, METAR-zicht, fotovoltaïsche voorspelling