RadNet: een interpreteerbaar deep learning-model voor zoninstralingsschatting op kilometerresolutie over China met Fengyun-4A-satellietgegevens

Waarom zonlichtkaarten ertoe doen in het dagelijks leven

Achter elk zonnepaneel op een dak of in een veld in de woestijn ligt een fundamentele vraag: hoeveel zonlicht bereikt daadwerkelijk de grond, uur per uur, jaar na jaar? Voor een land als China, dat hard bezig is met het uitbreiden van schone energie en het verminderen van CO2-uitstoot, is het essentieel te weten waar en wanneer de zon het meest betrouwbaar schijnt. Deze studie introduceert een nieuwe manier om ruwe beelden van China’s nieuwste weersatelliet om te zetten in gedetailleerde, betrouwbare zonlichtkaarten, die planners en energiebedrijven helpen zonne-energie efficiënter te gebruiken.

Satellietwaarnemingen omzetten in zonnekaarten

Zonne-energiesystemen zijn afhankelijk van de “global horizontal irradiance” (totale horizontale instraling), het zonlicht dat een vlak oppervlak op maaiveldniveau raakt. Directe metingen met instrumenten op de grond zijn zeer nauwkeurig maar verspreid en schaars, waardoor grote gaten tussen stations ontstaan. Traditionele numerieke weermodellen en oudere satellietproducten bestrijken grotere gebieden maar zijn vaak te grof of bevooroordeeld voor moderne zonneplanning. China’s Fengyun-4A-weersatelliet biedt een nieuwe kans: hij observeert continu het land vanuit de ruimte en registreert licht in 14 verschillende spectrale banden met een resolutie van 4 bij 4 kilometer. De uitdaging is deze stromen satellietdata om te zetten in precieze schattingen van de instraling aan het aardoppervlak over het hele land.

Een nieuw leermodel genaamd RadNet

De auteurs ontwikkelden een deep learning-model genaamd RadNet dat specifiek is ontworpen om dit probleem op te lossen. In plaats van te vertrouwen op handgemaakte regels leert RadNet direct uit data door satellietmetingen te koppelen aan uurmetingen van zoninstraling van 100 grondstations verspreid over China. Het verwerkt informatie uit meerdere satellietbanden, samen met de positie van de zon en lokale geografie, en leert hoe deze factoren samen bepalen hoeveel licht de grond bereikt. Belangrijk is dat RadNet is gebouwd op een architectuur die oorspronkelijk is ontwikkeld voor ‘tabulaire’ data, en dat het automatisch kan onderscheiden welke invoer het belangrijkst is, waardoor de tijdrovende stap van handmatige featureselectie die oudere machine-learningbenaderingen vereisen sterk vermindert.

Scherpere, betrouwbaardere schattingen van zoninstraling

Toen het team RadNet’s schattingen vergeleek met andere methoden en bekende zonlichtdatabases, kwam het nieuwe model consequent als winnaar uit de bus. Over verschillende jaren toonde RadNet lagere fouten en kleinere biases dan random forests, een andere deep-learningbenadering, en veelgebruikte producten zoals de National Solar Radiation Data Base en satellietgebaseerde Himawari- en CERES-datasets. Het presteerde vooral goed bij heldere hemel, wanneer zonlicht met minimale bewolking door de atmosfeer gaat. Zelfs onder bewolkte omstandigheden — waar gebroken wolken en snel veranderende patronen modellen vaak verwarren — overtrof RadNet de alternatieven, hoewel fouten groter bleven. Het model generaliseerde ook goed in de tijd: getraind voornamelijk op data uit 2022, behield het een hoge nauwkeurigheid bij tests op onafhankelijke data uit 2021 en 2023.

In de zwarte doos kijken

Veel deep learning-systemen krijgen het verwijt ‘black box’ te zijn, maar RadNet is ontworpen om transparanter te zijn. Door bij te houden op welke invoeren het model aandacht richt in elke beslisstap, kunnen de onderzoekers zien welke satellietbanden en hoeken het meest invloedrijk zijn. Ze ontdekten dat een nabij-infrarode band die bijzonder gevoelig is voor wolken het grootste deel van de vaardigheid van het model bijdraagt, gevolgd door de zonnezenithhoek, die de dagelijkse op- en ondergang van de zon vastlegt. Andere infraroodbanden leveren informatie over waterdamp, wolkentoppen en oppervlaktekenmerken. Deze ingebouwde interpreteerbaarheid maakt het gemakkelijker het model te vertrouwen en te verfijnen, en te begrijpen wanneer en waarom het fout kan gaan — bijvoorbeeld wanneer wolken parallax en schaalverschillen veroorzaken tussen wat een grondstation ziet en wat de satelliet over een groter gebied gemiddeld.

Wat dit betekent voor planning van schone energie

Uiteindelijk produceert RadNet zonlichtkaarten met hoge resolutie voor heel China, op een grid van ongeveer 4 kilometer, met betere nauwkeurigheid dan bestaande reanalyse- en satellietproducten. Deze gedetailleerde, uur- en jaarbasiskaarten belichten heldere regio’s zoals de Qinghai-Tibet- en Binnen-Mongolië-plateaus, en tonen hoe wolken en luchtvervuiling zonlicht van seizoen tot seizoen en jaar tot jaar verschuiven. Hoewel er nog ruimte is om de prestaties te verbeteren onder complexe wolkenvelden en extreme stuifmeel- of stofgebeurtenissen, toont de aanpak aan dat een zorgvuldig ontworpen, interpreteerbaar deep learning-model ruwe satellietbeelden kan omzetten in een bruikbare hulpbron voor zonne-energieontwikkelaars, netbeheerders en beleidsmakers, die China helpt een betrouwbaardere en klimaatvriendelijkere energievoorziening te plannen.

Bronvermelding: 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

Trefwoorden: zonsinstraling, satelliet remote sensing, deep learning, zonne-energiebronnen, China hernieuwbare energie