RadNet: интерпретируемая модель глубокого обучения для оценки солнечной радиации с километровым разрешением по территории Китая на основе данных спутника Fengyun-4A

Почему карты солнечного излучения важны в повседневной жизни

За каждой солнечной панелью на крыше или в пустынном массиве стоит простой вопрос: сколько солнечного света действительно достигает поверхности земли — час за часом, год за годом? Для такой страны, как Китай, которая стремится масштабировать чистую энергетику и сокращать выбросы углерода, знание того, где и когда солнце светит наиболее стабильно, жизненно важно. В этом исследовании представлен новый метод преобразования исходных изображений с новейшего метеорологического спутника Китая в детализированные и надежные карты солнечного излучения, что помогает планировщикам и энергокомпаниям эффективнее использовать солнечную энергию.

Превращая спутниковые «глаза» в карты солнца

Системы солнечной генерации зависят от «глобальной горизонтальной радиации» — света, падающего на горизонтальную поверхность на уровне земли. Прямые измерения на поверхности очень точны, но разбросаны и редки, оставляя большие пробелы между станциями. Традиционные численные метеомодели и старые спутниковые продукты охватывают более широкие территории, но часто слишком грубы и смещены для современных задач планирования солнечной энергетики. Метеоспутник Fengyun-4A Китая открывает новую возможность: он постоянно наблюдает страну из космоса и регистрирует свет в 14 спектральных диапазонах с разрешением 4×4 км. Задача состоит в том, чтобы превратить эти потоки спутниковых данных в точные оценки солнечного излучения на поверхности по всей стране.

Новая обучающая машина под названием RadNet

Авторы разработали модель глубокого обучения под названием RadNet специально для решения этой проблемы. Вместо опоры на вручную заданные правила RadNet учится напрямую на данных, сопоставляя спутниковые измерения с почасовыми показаниями солнечного излучения от 100 наземных станций по всему Китаю. Модель использует информацию из нескольких спутниковых каналов вместе с положением Солнца и местной географией, после чего учится, как эти факторы в совокупности определяют, сколько света доходит до поверхности. Важный момент: архитектура RadNet изначально была разработана для «табличных» данных, и она способна автоматически выделять наиболее значимые входы, значительно сокращая трудоемкий этап ручного отбора признаков, который требовался в старых подходах машинного обучения.

Более точные и надежные оценки солнечного излучения

При сравнении оценок RadNet с другими методами и известными базами данных по солнечной радиации новая модель регулярно показывала лучшие результаты. В разные годы RadNet демонстрировал более низкие ошибки и меньшие смещения по сравнению со случайными лесами, другим подходом глубинного обучения, а также широко используемыми продуктами, такими как National Solar Radiation Data Base и спутниковыми наборами данных Himawari и CERES. Он особенно успешно работал при ясной погоде, когда солнечный свет проходит через атмосферу с минимальным вмешательством облаков. Даже в облачных условиях — где разорванные облачные поля и быстро меняющиеся структуры обычно сбивают модели с толку — RadNet по-прежнему превосходил альтернативы, хотя ошибки там оставались больше. Модель также хорошо обобщала по времени: обученная преимущественно на данных 2022 года, она сохраняла высокую точность при тестировании на независимых данных 2021 и 2023 годов.

Заглядывая внутрь «черного ящика»

Многие системы глубокого обучения критикуют как «черные ящики», однако RadNet разработан с прицелом на повышенную прозрачность. Отслеживая, на какие входы модель обращает внимание на каждом шаге принятия решения, исследователи могут увидеть, какие спутниковые каналы и углы оказывают наибольшее влияние. Они обнаружили, что ближний инфракрасный канал, особенно чувствительный к облачности, вносит основную долю в мастерство модели, за ним следует зенитный угол Солнца, который кодирует ежедневный подъем и заход Солнца. Другие инфракрасные каналы несут информацию о водяном паре, вершинах облаков и характеристиках поверхности. Такая встроенная интерпретируемость упрощает доверие к модели и её доработку, а также помогает понять, когда и почему она может ошибаться — например, когда облака создают параллакс и несоответствие масштабов между тем, что видит наземная станция, и средним значением, усредненным спутником по более крупной области.

Что это значит для планирования чистой энергетики

В конечном итоге RadNet генерирует высокоразрешенные карты солнечного излучения по всему Китаю с шагом примерно 4 км, с лучшей точностью по сравнению с существующими реанализами и спутниковыми продуктами. Эти детализированные почасовые и годовые карты выделяют яркие регионы, такие как плато Цинхай–Тибет и Внутренняя Монголия, и демонстрируют, как облачность и загрязнение воздуха смещают солнечный свет от сезона к сезону и от года к году. Хотя еще есть пространство для улучшения в сложных облачных полях и при экстремальных пыльных событиях, подход показывает, что тщательно спроектированная, интерпретируемая модель глубокого обучения может превратить сырые спутниковые изображения в практический ресурс для разработчиков солнечных проектов, операторов сетей и политиков, помогая Китаю планировать более надежное и климатически ориентированное энергетическое будущее.

Цитирование: 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

Ключевые слова: солнечная радиация, спутниковая дистанционная съемка, глубокое обучение, ресурсы солнечной энергии, возобновляемая энергия Китая