Datadriven kombination av METAR-observationer och CAMS-återanalys av aerosoler för att förbättra satellitberäkningar av solinstrålning vid marken

Varför prognoser för solljus spelar roll

Att hålla ljusen tända i en framtid som drivs av solenergi kräver att vi vet hur mycket solljus som når marken, inte bara under klarblå dagar utan även när luften är full av damm, rök eller föroreningar. I många snabbrörliga regioner för solkraft, som Nordafrika, Indien, Kina och södra Afrika, kan små partiklar i luften dämpa solen nästan lika mycket som moln och därigenom störa hur mycket el solparker producerar. Denna studie undersöker ett nytt sätt att använda vardagliga väderrapporter från flygplatser tillsammans med globala atmosfärsprognoser för att skärpa satellitbaserade uppskattningar av hur mycket solenergi som faktiskt når jordens yta.

Partiklar i luften som döljer solen

Planerare inom solenergi förlitar sig ofta på satelliter och datorbaserade modeller för att uppskatta solljus vid marken. Dessa verktyg fungerar väl för att följa moln, men har svårare att hantera aerosoler – damm, rök och dis som svävar i luften. Satellitinstrument får problem när moln skymmer sikten, markbaserade övervakningsnät är glesa och globala modeller jämnar ut lokala händelser som ett passerande dammstoft eller en närliggande skogsbrand. Den vida använda McClear-modellen bygger till exempel på Copernicus (CAMS) aerosoldata med rutstorlekar på tiotals kilometer och värden som uppdateras först vartefter några timmar. Det är ofta för grovt för att fånga de skarpa, lokala svängningar i luftförorening som starkt påverkar hur mycket solljus som når en viss solanläggning.

Att omvandla flygplatsers siktrapporter till insikt om solljus

En förvånansvärt rik källa till lokal aerosolinformation kommer från METAR-rapporter – standardiserade väderobservationer från flygplatser över hela världen. Piloter måste veta hur långt de kan se längs start- och landningsbanan, så sikten mäts automatiskt var 30:e minut och arkiveras globalt. Även om sikt påverkas inte bara av aerosoler utan också av fukt, dimma och regn, bär den ändå värdefulla ledtrådar om hur mycket luften dämpar solljuset, särskilt vid damm- och rökevenemang. Forskarna kombinerade dessa siktavläsningar och andra METAR-parametrar med CAMS-aerosoldata och enkel solgeometri (såsom solhöjden på himlen) och matade dem till en uppsättning maskininlärningsmodeller utformade för att härleda hur mycket klar-sky-solinstrålning som borde nå marken.

Lära av solljus utan helt klar himmel

Ett stort hinder är att klar-sky-solljus—den mängd som skulle anlända utan några moln alls—sällan mäts direkt. Istället för att kassera alla molniga perioder tog teamet fram ett «pseudo klar-sky»-mål. De utgick från faktiska solmätningar vid marken och satellitbilder som beskriver hur molnigt varje scen är. Genom att matematiskt separera molneffekten och normalisera med solljuset vid toppen av atmosfären fick de en ren målkvanitet mellan 0 och 1 som maskininlärningsmodeller kan lära sig av, även när himlen inte är helt klar. Modeller inkluderande gradientförstärkningsmetoder (XGBoost, LightGBM, CatBoost), Random Forests, neurala nätverk och till och med en experimentell kvantvariationskrets tränades vid en enda plats i Kairo och testades sedan vid sju andra stationer över Afrika och Asien som upplever allt från stadssmog till saharadammstormar och rök från biomassa.

Bättre än traditionella modeller i dammigt, disigt väder

För att bedöma framgång såg teamet inte bara på de inlärda klar-sky-värdena isolerat. Istället matade de in dem i Heliosat-3-metoden, som omvandlar satellitobserverad molnljusstyrka till total solljusstyrka vid marken, och jämförde resultaten med markmätningar. Över alla teststationer minskade den bäst presterande modellen, CatBoost, i genomsnitt felet måttligt men konsekvent jämfört med Heliosat-3 driven av McClear. Förbättringarna var starkast för måttliga siktintervall runt 6–8 kilometer och under damm- och sandhändelser, där en modell (LightGBM) minskade felet med ungefär en femtedel. Rökhändelser gav mindre men fortfarande märkbara vinster, medan allmänt dis inte gynnades. Den experimentella kvantmodellen, även om den var mindre exakt totalt sett, uppnådde dessa resultat med avsevärt färre justerbara parametrar, vilket antyder framtida potential i takt med att kvantmaskinvaran mognar.

Vad detta betyder för solenergi

För soloperatörer och nätansvariga kan även måttliga förbättringar i uppskattningar av solljus översättas till bättre prognoser för elproduktion, färre överraskningar för systemoperatörer och mer tillförlitlig integrering av solenergi i nätet. Denna studie visar att rutinmässiga flygplatsrapporter om sikt, när de smart kombineras med globala aerosoldata och satellitmolnbilder, kan hjälpa till att korrigera viktiga svagheter i befintliga fysikbaserade modeller i regioner med tungt damm eller föroreningar. När maskininlärningsmodeller utökas till fler platser, inkluderar mer detaljerad aerosoIinformation och bättre tar hänsyn till lokala förhållanden, kan de bli en kraftfull följeslagare till traditionella metoder och göra solenergi till en mer förutsägbar och pålitlig del av världens energimix.

Citering: 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

Nyckelord: solinstrålning, aerosoler, maskininlärning, METAR-sikt, fotovoltaisk prognostisering