Combinação orientada por dados de observações METAR e aerossóis de reanálise CAMS para aprimorar a recuperação por satélite da irradiância solar de superfície

Por que previsões de luz solar importam

Manter as luzes acesas em um futuro movido por energia solar depende de saber quanta luz solar alcançará o solo, não apenas em dias de céu claro, mas também quando o ar está carregado de poeira, fumaça ou poluição. Em muitas regiões de rápido crescimento da energia solar, como Norte da África, Índia, China e África Austral, partículas microscópicas em suspensão podem ofuscar o sol quase tanto quanto as nuvens, afetando a quantidade de eletricidade gerada por usinas solares. Este estudo explora uma nova forma de usar relatórios meteorológicos cotidianos de aeroportos, juntamente com previsões atmosféricas globais, para afinar estimativas por satélite sobre quanta energia solar realmente atinge a superfície da Terra.

Partículas em suspensão que escondem o sol

Planejadores de energia solar normalmente dependem de satélites e modelos computacionais para estimar a luz solar na superfície. Essas ferramentas funcionam bem para rastrear nuvens, mas têm mais dificuldade com aerossóis — a poeira, fumaça e neblina que flutuam no ar. Instrumentos de satélite enfrentam problemas quando nuvens bloqueiam a visão, redes de monitoramento em superfície são escassas, e modelos globais suavizam eventos locais como uma tempestade de poeira passageira ou um incêndio florestal próximo. O modelo McClear, amplamente usado, por exemplo, utiliza dados de aerossóis do Copernicus (CAMS) com células de grade de dezenas de quilômetros e valores atualizados apenas a cada poucas horas. Isso costuma ser grosso demais para capturar oscilações locais e abruptas na poluição do ar que afetam fortemente a quantidade de luz solar que chega a uma usina específica.

Transformando visibilidade de aeroportos em informação sobre o sol

Uma fonte surpreendentemente rica de informação local sobre aerossóis vem dos relatórios METAR — observações meteorológicas padronizadas de aeroportos ao redor do mundo. Pilotos precisam saber até onde conseguem ver na pista, então a visibilidade é medida automaticamente a cada 30 minutos e arquivada globalmente. Embora a visibilidade seja influenciada não só por aerossóis, mas também por umidade, neblina e chuva, ela ainda traz pistas valiosas sobre quanto o ar está obscurecendo a luz solar, especialmente durante eventos de poeira e fumaça. Os pesquisadores combinaram essas leituras de visibilidade e outros parâmetros METAR com dados de aerossóis do CAMS e geometria solar simples (como a altura do sol no céu), alimentando-os em um conjunto de modelos de aprendizado de máquina projetados para inferir quanta energia solar em céu claro deveria chegar ao solo.

Aprendendo com a luz solar sem dias totalmente claros

Um grande obstáculo é que a irradiância em céu claro, a quantidade que chegaria sem nenhuma nuvem, raramente é medida diretamente. Em vez de descartar todos os períodos com nuvens, a equipe concebeu um alvo “pseudo céu claro”. Eles partiram de medidas solares reais no solo e de imagens de satélite que descrevem o quanto cada cena está nublada. Ao separar matematicamente o efeito das nuvens e normalizar pela luz solar no topo da atmosfera, obtiveram uma variável-alvo limpa entre 0 e 1 que modelos de aprendizado de máquina podem aprender, mesmo quando o céu não está perfeitamente claro. Modelos como métodos de boosting de gradiente (XGBoost, LightGBM, CatBoost), Florestas Aleatórias, redes neurais e até um circuito variacional quântico experimental foram treinados em um único local no Cairo e depois testados em sete outras estações pela África e Ásia que enfrentam desde poluição urbana até tempestades de poeira do Saara e fumaça de queima de biomassa.

Superando modelos tradicionais em ar com poeira e névoa

Para avaliar o sucesso, a equipe não examinou os valores aprendidos de céu claro isoladamente. Em vez disso, eles os inseriram no método Heliosat-3, que converte o brilho das nuvens observado por satélite em irradiância de superfície sob céu com nuvens, e compararam os resultados com medições em superfície. Em todos os locais de teste, o modelo de melhor desempenho, CatBoost, reduziu de forma modesta, porém consistente, o erro médio em comparação com o Heliosat-3 impulsionado pelo McClear. As melhorias foram mais fortes para intervalos de visibilidade moderada entre cerca de 6 e 8 quilômetros e durante eventos de poeira e areia, onde um modelo (LightGBM) cortou o erro em cerca de um quinto. Eventos de fumaça mostraram ganhos menores, porém ainda perceptíveis, enquanto névoa geral não se beneficiou. O modelo quântico experimental, embora menos preciso no conjunto, alcançou esses resultados com bem menos parâmetros ajustáveis, sugerindo potencial futuro à medida que o hardware quântico maturar.

O que isso significa para a energia solar

Para operadores solares e gestores de rede, mesmo melhorias modestas nas estimativas de luz solar podem se traduzir em previsões de produção energética melhores, menos surpresas para operadores de sistema e integração mais confiável da energia solar à rede. Este estudo mostra que relatórios rotineiros de visibilidade de aeroportos, quando combinados inteligentemente com dados globais de aerossóis e imagens de nuvens por satélite, podem ajudar a corrigir fraquezas importantes de modelos baseados em física existentes em regiões com muita poeira ou poluição. À medida que modelos de aprendizado de máquina forem ampliados para mais locais, incluírem informações de aerossóis mais detalhadas e melhor considerarem condições locais, eles poderão se tornar um complemento poderoso aos métodos tradicionais, tornando a energia solar uma parte mais previsível e confiável da matriz energética mundial.

Citação: 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

Palavras-chave: irradiância solar, aerossóis, aprendizado de máquina, visibilidade METAR, previsão fotovoltaica