Комбинация наблюдений METAR и реанализа аэрозолей CAMS на основе данных для улучшения спутникового определения поверхностной суммарной солнечной освещённости

Почему прогнозы солнечного света важны

Сохранение электроснабжения в будущем, основанном на солнечной энергии, зависит от знания того, сколько солнечного света достигает поверхности, и не только в ясные дни, но и когда воздух насыщен пылью, дымом или загрязнениями. Во многих быстро растущих регионах для солнечной энергетики, таких как Северная Африка, Индия, Китай и юг Африки, мелкие взвешенные частицы могут затемнять солнце почти так же сильно, как и облака, нарушая выработку электроэнергии на солнечных электростанциях. В этом исследовании рассматривается новый способ использования обычных метеорологических отчётов с аэропортов совместно с глобальными атмосферными прогнозами для уточнения спутниковых оценок того, сколько солнечной энергии действительно доходит до поверхности Земли.

Взвешенные частицы, скрывающие солнце

Планировщики солнечной энергетики обычно полагаются на спутники и численные модели для оценки освещённости поверхности. Эти инструменты хорошо справляются с отслеживанием облаков, но хуже — с аэрозолями: пылью, дымом и смогом в воздухе. Спутниковые приборы испытывают затруднения, когда облака заслоняют их обзор, наземные сети мониторинга редко покрывают все регионы, а глобальные модели сглаживают локальные события, например проходящую пылевую бурю или близкий лесной пожар. Широко используемая модель McClear, например, опирается на данные аэрозолей Copernicus (CAMS) с ячейками сетки размером в десятки километров и обновлением каждые несколько часов. Часто это слишком грубое разрешение, чтобы уловить резкие локальные колебания загрязнения воздуха, которые сильно влияют на количество света у конкретной солнечной установки.

Как видимость в аэропортах превращается в понимание солнечной освещённости

Неожиданно богатым источником локальной информации об аэрозолях являются отчёты METAR — стандартизированные наблюдения погоды в аэропортах по всему миру. Пилотам необходимо знать, насколько далеко они видят по взлётно-посадочной полосе, поэтому видимость измеряется автоматически каждые 30 минут и архивируется глобально. Хотя видимость зависит не только от аэрозолей, но и от влажности, тумана и дождя, она всё же несёт ценные подсказки о том, насколько воздух затемняет солнечный свет, особенно во время пылевых и дымовых событий. Исследователи объединили эти показания видимости и другие параметры METAR с данными аэрозолей CAMS и простой солнечной геометрией (например, высотой солнца над горизонтом), подав их в набор моделей машинного обучения, предназначенных для оценки того, сколько ясного неба солнечной энергии должно достигать поверхности.

Обучение на солнечном свете без ясных дней

Одной из основных проблем является то, что освещённость в условиях ясного неба — количество света, которое пришло бы без облаков — редко измеряется напрямую. Вместо того чтобы отбрасывать все облачные периоды, команда разработала цель «псевдоясного неба». Они начали с фактических наземных измерений солнечного света и спутниковых изображений, описывающих степень облачности каждой сцены. Математически отделив эффект облаков и нормализовав по солнечной энергии на верхней границе атмосферы, они получили чистую целевую величину от 0 до 1, по которой модели машинного обучения могут учиться, даже когда небо не полностью ясно. Модели, включая методы градиентного бустинга (XGBoost, LightGBM, CatBoost), случайные леса, нейронные сети и даже экспериментальную квантовую вариационную схему, были обучены на одной площадке в Каире, затем протестированы на семи других станциях в Африке и Азии, где наблюдаются всё — от городского смога до саранчевых и пыльных бурь Сахары и дыма от выжигания биомассы.

Превосходство над традиционными моделями в пыльном и дымном воздухе

Для оценки успеха команда не рассматривала изученные значения для ясного неба отдельно. Вместо этого они внедрили их в метод Heliosat-3, который преобразует спутниковую яркость облаков в суммарную поверхностную освещённость при любых погодных условиях, и сравнили результаты с наземными измерениями. По всем тестовым площадкам лучшая модель, CatBoost, умеренно, но стабильно уменьшала среднюю ошибку по сравнению с Heliosat-3, работающим на данных McClear. Улучшения были наибольшими при умеренных диапазонах видимости примерно от 6 до 8 километров и во время пылевых и песчаных явлений, где одна модель (LightGBM) сократила ошибку примерно на одну пятую. В случаях с дымом наблюдались меньшие, но всё же заметные улучшения, тогда как общая дымка не дала выгоды. Экспериментальная квантовая модель, хотя в целом менее точная, достигла этих результатов при гораздо меньшем числе настраиваемых параметров, что указывает на возможный потенциал по мере maturation квантового аппаратного обеспечения.

Что это значит для солнечной энергетики

Для операторов солнечных электростанций и диспетчеров сети даже умеренные улучшения оценок солнечного света могут превратиться в более точные прогнозы выработки, меньше неожиданных сбоев для операторов и более надёжную интеграцию солнечной энергии в сеть. Это исследование показывает, что рутинные отчёты видимости с аэропортов, при умелом объединении с глобальными данными по аэрозолям и спутниковыми изображениями облачности, могут помочь исправить важные слабости существующих физических моделей в регионах с сильной пылевой нагрузкой или загрязнением. По мере того как модели машинного обучения будут развёртываться в большем числе точек, включать более подробную информацию об аэрозолях и лучше учитывать местные условия, они могут стать мощным дополнением к традиционным методам, делая солнечную энергию более предсказуемой и надёжной частью глобального энергобаланса.

Цитирование: 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

Ключевые слова: солнечная освещённость, аэрозоли, машинное обучение, видимость METAR, прогнозирование для фотоэлектрических систем