RadNet: um modelo de deep learning interpretável para estimativa da irradiância solar em resolução kilométrica sobre a China com dados do satélite Fengyun-4A

Por que mapas de luz solar importam no dia a dia

Por trás de cada painel solar em um telhado ou em um campo no deserto há uma pergunta básica: quanta luz solar realmente alcança o solo, hora a hora, ano após ano? Para um país como a China, que corre para ampliar a energia limpa e reduzir emissões de carbono, saber onde e quando o sol brilha com maior confiabilidade é vital. Este estudo apresenta uma nova forma de transformar imagens brutas do mais recente satélite meteorológico da China em mapas detalhados e confiáveis de insolação, ajudando planejadores e empresas de energia a usar a energia solar com mais eficiência.

Transformando os olhos do satélite em mapas solares

Sistemas de energia solar dependem da “irradiância horizontal global”, a luz solar que incide sobre uma superfície plana ao nível do solo. Medições diretas por instrumentos no solo são muito precisas, mas dispersas e escassas, deixando grandes lacunas entre estações. Modelos meteorológicos tradicionais e produtos satelitais mais antigos cobrem áreas mais amplas, mas costumam ser muito grosseiros e enviesados para o planejamento solar moderno. O satélite meteorológico Fengyun-4A da China oferece uma nova oportunidade: ele observa constantemente o país desde o espaço e registra luz em 14 bandas espectrais diferentes com resolução de 4 por 4 quilômetros. O desafio é converter esses fluxos de dados de satélite em estimativas precisas da luz na superfície em toda a nação.

Uma nova máquina de aprendizado chamada RadNet

Os autores projetaram um modelo de deep learning chamado RadNet especificamente para resolver esse problema. Em vez de depender de regras manuais, o RadNet aprende diretamente a partir dos dados, pareando medições de satélite com leituras horárias de insolação de 100 estações terrestres espalhadas pela China. Ele incorpora informações de múltiplas bandas do satélite, juntamente com a posição do Sol e a geografia local, e então aprende como esses fatores se combinam para determinar quanta luz atinge o solo. Importante: o RadNet é construído sobre uma arquitetura desenvolvida originalmente para dados “tabulares” e pode automaticamente identificar quais entradas são mais relevantes, reduzindo significativamente a etapa demorada de seleção manual de características exigida por abordagens de machine learning mais antigas.

Estimativas de luz mais nítidas e confiáveis

Quando a equipe comparou as estimativas do RadNet com outros métodos e bancos de dados solares conhecidos, o novo modelo se destacou consistentemente. Ao longo de diferentes anos, o RadNet mostrou erros menores e vieses mais reduzidos do que florestas aleatórias, outra abordagem de aprendizado profundo, e produtos amplamente usados como o National Solar Radiation Data Base e conjuntos de dados satelitais como Himawari e CERES. Ele teve desempenho especialmente bom em céu claro, quando a luz solar atravessa a atmosfera com mínima interferência de nuvens. Mesmo em condições nubladas — onde nuvens fragmentadas e padrões rapidamente variáveis tendem a confundir modelos — o RadNet ainda superou as alternativas, embora os erros continuassem maiores. O modelo também generalizou bem ao longo do tempo: treinado principalmente com dados de 2022, manteve alta precisão quando testado com dados independentes de 2021 e 2023.

Vendo dentro da caixa-preta

Muitos sistemas de deep learning são criticados como “caixas-pretas”, mas o RadNet foi projetado para ser mais transparente. Ao rastrear quais entradas o modelo dá atenção a cada passo de decisão, os pesquisadores podem ver quais bandas do satélite e quais ângulos são mais influentes. Eles descobriram que uma banda no infravermelho próximo, particularmente sensível a nuvens, contribui com a maior parte da habilidade do modelo, seguida pelo ângulo cenital solar, que codifica o sobe-e-desce diário do Sol. Outras bandas infravermelhas trazem informações sobre vapor d’água, topos de nuvem e feições de superfície. Essa interpretabilidade incorporada facilita confiar e aprimorar o modelo, e entender quando e por que ele pode falhar — por exemplo, quando nuvens criam paralaxe e incompatibilidades de escala entre o que uma estação terrestre observa e o que o satélite promedia sobre uma área maior.

O que isso significa para o planejamento de energia limpa

No fim, o RadNet produz mapas de insolação em alta resolução para toda a China, em uma malha de cerca de 4 quilômetros, com precisão superior a produtos de reanálise e satélite existentes. Esses mapas detalhados, hora a hora e anuais, destacam regiões ensolaradas como os planaltos do Qinghai–Tibete e da Mongólia Interior, e revelam como nuvens e poluição do ar deslocam a luz solar de estação para estação e de ano para ano. Embora ainda exista espaço para melhorar o desempenho sob campos de nuvens complexos e eventos extremos de poeira, a abordagem mostra que um modelo de deep learning cuidadosamente projetado e interpretável pode transformar imagens brutas de satélite em um recurso acionável para desenvolvedores solares, operadores de rede e formuladores de políticas, ajudando a China a planejar um futuro energético mais confiável e favorável ao clima.

Citação: 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

Palavras-chave: irradiância solar, sensoriamento remoto por satélite, deep learning, recursos de energia solar, energia renovável na China