RadNet: interpretowalny model głębokiego uczenia do oszacowania napromienienia słonecznego w rozdzielczości kilometrowej nad Chinami z danych satelity Fengyun-4A

Dlaczego mapy nasłonecznienia mają znaczenie w codziennym życiu

Za każdą instalacją fotowoltaiczną na dachu lub na polu pustynnym stoi podstawowe pytanie: ile światła słonecznego faktycznie dociera do powierzchni, godzina po godzinie, rok po roku? Dla kraju takiego jak Chiny, który intensywnie rozwija czystą energię i redukcję emisji węgla, znajomość miejsc i okresów o najbardziej stabilnym nasłonecznieniu jest kluczowa. Niniejsze badanie przedstawia nowy sposób przekształcania surowych obrazów z najnowszego chińskiego satelity meteorologicznego w szczegółowe, wiarygodne mapy nasłonecznienia, pomagając planistom i firmom energetycznym efektywniej wykorzystywać energię słoneczną.

Przekształcanie satelitarnych „oczu” w mapy słoneczne

Systemy zasilane energią słoneczną zależą od „globalnego napromienienia poziomego” — promieniowania słonecznego padającego na płaską powierzchnię na poziomie gruntu. Pomiary bezpośrednie z instrumentów naziemnych są bardzo dokładne, lecz rozproszone i skąpe, pozostawiając duże luki między stacjami. Tradycyjne modele pogodowe i starsze produkty satelitarne obejmują szersze obszary, ale często są zbyt mało szczegółowe i obciążone błędami dla współczesnego planowania solarnego. Chiński satelita meteorologiczny Fengyun-4A daje nową możliwość: stale obserwuje kraj z kosmosu i rejestruje światło w 14 różnych pasmach spektralnych z rozdzielczością 4 na 4 kilometry. Wyzwanie polega na przekształceniu tych strumieni danych satelitarnych w precyzyjne oszacowania promieniowania na powierzchni w całym kraju.

Nowa maszyna ucząca się o nazwie RadNet

Autorzy zaprojektowali model głębokiego uczenia o nazwie RadNet specjalnie do rozwiązania tego problemu. Zamiast polegać na ręcznie opracowanych regułach, RadNet uczy się bezpośrednio z danych, dopasowując pomiary satelitarne do godzinnych odczytów nasłonecznienia z 100 stacji naziemnych rozlokowanych w Chinach. Przyjmuje informacje z wielu pasm satelitarnych, wraz z pozycją Słońca i lokalną geografią, a następnie uczy się, jak te czynniki łączą się, by określić, ile światła dociera do ziemi. Co ważne, RadNet oparty jest na architekturze pierwotnie opracowanej dla danych «tabelarycznych» i potrafi automatycznie wskazać, które wejścia są najważniejsze, znacznie redukując czasochłonny etap ręcznego wyboru cech wymagany przez starsze podejścia uczenia maszynowego.

Ostrzejsze, bardziej wiarygodne oszacowania nasłonecznienia

Gdy zespół porównał oszacowania RadNet z innymi metodami i znanymi bazami danych nasłonecznienia, nowy model konsekwentnie wypadał lepiej. W różnych latach RadNet wykazywał niższe błędy i mniejsze odchylenia niż lasy losowe, inne podejście głębokiego uczenia, oraz szeroko stosowane produkty takie jak National Solar Radiation Data Base i satelitarne zestawy danych Himawari i CERES. Sprawdzał się szczególnie dobrze przy bezchmurnym niebie, gdzie promieniowanie przechodzi przez atmosferę z minimalną interferencją chmur. Nawet w warunkach zachmurzonych — gdzie rozproszone chmury i szybko zmieniające się wzory zwykle mylą modele — RadNet nadal przewyższał alternatywy, choć błędy były wtedy wyższe. Model dobrze uogólniał w czasie: trenowany głównie na danych z 2022 roku, zachował wysoką dokładność przy testach na niezależnych danych z 2021 i 2023 roku.

Zajrzeć do wnętrza czarnej skrzynki

Wiele systemów głębokiego uczenia krytykuje się jako «czarne skrzynki», jednak RadNet zaprojektowano tak, by był bardziej przejrzysty. Śledząc, na które wejścia model zwraca uwagę na kolejnych krokach decyzyjnych, badacze mogą zobaczyć, które pasma satelitarne i kąty mają największy wpływ. Stwierdzili, że jedno pasmo bliskiej podczerwieni, szczególnie czułe na obecność chmur, wnosi największy wkład w umiejętność modelu, a następnie kąt zenitalny Słońca, który koduje dzienne wschody i zachody. Inne pasma podczerwieni dostarczają informacji o parze wodnej, czubkach chmur i cechach powierzchni. Ta wbudowana interpretowalność ułatwia zaufanie i ulepszanie modelu oraz zrozumienie, kiedy i dlaczego może się mylić — na przykład gdy chmury powodują paralaksę i rozbieżności skalowe między tym, co widzi stacja naziemna, a uśrednieniami satelitarnymi obejmującymi większy obszar.

Co to oznacza dla planowania czystej energii

W efekcie RadNet generuje mapy nasłonecznienia o wysokiej rozdzielczości dla całych Chin, w siatce około 4 kilometrów, z lepszą dokładnością niż istniejące produkty reanaliz i satelitarne. Te szczegółowe mapy godzinowe i roczne uwypuklają jasne regiony, takie jak płaskowyże Qinghai–Tybet i Mongolia Wewnętrzna, oraz ukazują, jak chmury i zanieczyszczenie powietrza przesuwają ilość światła w zależności od pory roku i roku. Choć wciąż jest miejsce na poprawę w przypadku złożonych pól chmurowych i ekstremalnych zdarzeń pyłowych, podejście pokazuje, że starannie zaprojektowany, interpretowalny model głębokiego uczenia może przekształcić surowe obrazy satelitarne w praktyczne narzędzie dla deweloperów solarów, operatorów sieci i decydentów, pomagając Chinom planować bardziej niezawodną i klimatycznie przyjazną przyszłość energetyczną.

Cytowanie: 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

Słowa kluczowe: napromienienie słoneczne, teledetekcja satelitarna, głębokie uczenie, zasoby energii słonecznej, odnawialna energia w Chinach