Połączenie danych METAR i reanalizy aerozoli CAMS oparte na danych w celu udoskonalenia satelitarnego odczytu promieniowania słonecznego docierającego do powierzchni

Dlaczego prognozy nasłonecznienia są ważne

Utrzymanie zasilania w przyszłości opartej na energii słonecznej zależy od wiedzy, ile światła słonecznego dociera do ziemi — nie tylko w bezchmurne dni, ale też gdy powietrze jest pociemniałe przez kurz, dym czy zanieczyszczenia. W wielu szybko rozwijających się regionach korzystających z energii słonecznej, takich jak Afryka Północna, Indie, Chiny i południowa Afryka, drobne cząstki unoszące się w powietrzu mogą przyciemniać słońce niemal tak skutecznie jak chmury, zaburzając produkcję energii przez farmy słoneczne. W tym badaniu przedstawiono nowy sposób wykorzystania codziennych raportów pogodowych z lotnisk wraz z globalnymi prognozami atmosferycznymi, by wyostrzyć satelitarne oszacowania ilości energii słonecznej rzeczywiście docierającej do powierzchni Ziemi.

Cząstki w powietrzu, które zasłaniają słońce

Planiści sektora słonecznego zwykle polegają na satelitach i modelach komputerowych do oszacowania natężenia promieniowania przy powierzchni. Narzędzia te dobrze radzą sobie z wykrywaniem chmur, ale trudniej im z aerozolami — kurzem, dymem i mgłą zawieszoną w powietrzu. Instrumenty satelitarne mają problemy, gdy chmury zasłaniają pole widzenia, sieci naziemnego monitoringu są rzadkie, a globalne modele wygładzają lokalne zdarzenia, takie jak przechodnia burza piaskowa czy pobliski pożar. Powszechnie używany model McClear na przykład korzysta z danych aerozolowych Copernicusa (CAMS) o siatce komórek liczącej dziesiątki kilometrów oraz zaktualizowanych co kilka godzin wartości. Często jest to zbyt gruboziarniste, by uchwycić ostre, lokalne zmiany zanieczyszczeń powietrza, które silnie wpływają na ilość światła docierającego do konkretnej elektrowni słonecznej.

Przekształcanie informacji o widzialności z lotnisk w wiedzę o nasłonecznieniu

Zaskakująco bogate źródło lokalnych informacji o aerozolach stanowią raporty METAR — ustandaryzowane obserwacje pogodowe z lotnisk na całym świecie. Piloci muszą wiedzieć, jak daleko widzą na pasie startowym, dlatego widzialność jest mierzona automatycznie co 30 minut i archiwizowana globalnie. Choć widzialność zależy nie tylko od aerozoli, lecz także od wilgotności, mgły czy deszczu, zawiera ważne wskazówki o tym, w jakim stopniu powietrze przyciemnia światło słoneczne, szczególnie podczas wydarzeń związanych z kurzem i dymem. Badacze połączyli te odczyty widzialności i inne parametry METAR z danymi aerozolowymi CAMS oraz prostą geometrią słoneczną (np. wysokością słońca na niebie), podając je jako wejście do zestawu modeli uczenia maszynowego zaprojektowanych do wywnioskowania, ile promieniowania słonecznego przy bezchmurnym niebie powinno docierać do powierzchni.

Uczenie się na podstawie światła nawet bez idealnie czystych dni

Jedną z głównych przeszkód jest to, że promieniowanie przy bezchmurnym niebie — ilość, która docierałaby przy całkowitym braku chmur — rzadko jest mierzone bezpośrednio. Zamiast odrzucać wszystkie okresy z chmurami, zespół opracował cel „pseudo bezchmurnego nieba”. Wyszli od rzeczywistych pomiarów słonecznych przy powierzchni i obrazów satelitarnych opisujących stopień zachmurzenia danej sceny. Poprzez matematyczne oddzielenie efektu chmur i normalizację przez promieniowanie na górze atmosfery uzyskali czystą wielkość docelową w przedziale od 0 do 1, której mogą się nauczyć modele uczenia maszynowego, nawet gdy niebo nie jest idealnie bezchmurne. Modele obejmujące metody gradient-boostingu (XGBoost, LightGBM, CatBoost), lasy losowe, sieci neuronowe, a nawet eksperymentalny kwantowy obwód wariacyjny trenowano na jednej lokalizacji w Kairze, a następnie testowano na siedmiu innych stacjach w Afryce i Azji, gdzie występuje wszystko od miejskiego smogu po burze piaskowe z Sahary i dym z wypalania biomasy.

Lepsze od tradycyjnych modeli w warunkach zapylenia i mgły

Aby ocenić skuteczność, zespół nie analizował samych wyuczonych wartości dla bezchmurnego nieba w izolacji. Zamiast tego wprowadzili je do metody Heliosat-3, która przekształca satelitarnie obserwowaną jasność chmur w promieniowanie przy powierzchni dla wszystkich warunków nieba, i porównali wyniki z pomiarami naziemnymi. We wszystkich testowanych lokalizacjach najlepszy model, CatBoost, umiarkowanie, ale systematycznie zmniejszył średni błąd w porównaniu z Heliosat-3 opartym na danych McClear. Poprawy były najsilniejsze dla umiarkowanych zasięgów widzialności między około 6 a 8 kilometrami oraz podczas wydarzeń związanych z pyłem i piaskiem, gdzie jeden z modeli (LightGBM) zredukował błąd o około jedną piątą. W przypadku pożarów i dymu uzyskano mniejsze, lecz nadal zauważalne korzyści, podczas gdy ogólna mgła nie przyniosła poprawy. Eksperymentalny model kwantowy, choć ogólnie mniej dokładny, osiągnął te wyniki przy znacznie mniejszej liczbie regulowanych parametrów, co sugeruje przyszły potencjał wraz z rozwojem sprzętu kwantowego.

Co to oznacza dla energetyki słonecznej

Dla operatorów instalacji słonecznych i zarządców sieci nawet umiarkowane ulepszenia w oszacowaniach nasłonecznienia mogą przekładać się na lepsze prognozy produkcji energii, mniej niespodzianek dla operatorów systemów i bardziej niezawodne włączenie energii słonecznej do sieci. Badanie pokazuje, że rutynowe raporty o widzialności z lotnisk, inteligentnie połączone z globalnymi danymi aerozolowymi i satelitarnymi obrazami chmur, mogą pomóc skorygować istotne słabości istniejących modeli opartych na fizyce w regionach z dużym zapyleniem lub zanieczyszczeniem. W miarę jak modele uczenia maszynowego zostaną rozszerzone na więcej lokalizacji, uwzględnią bardziej szczegółowe informacje o aerozolach i lepiej uwzględnią warunki lokalne, mogą stać się potężnym uzupełnieniem tradycyjnych metod, czyniąc energię słoneczną bardziej przewidywalnym i niezawodnym składnikiem globalnego miksu energetycznego.

Cytowanie: 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

Słowa kluczowe: promieniowanie słoneczne, aerozole, uczenie maszynowe, widzialność METAR, prognozowanie fotowoltaiki