RadNet: en tolkbar djupinlärningsmodell för kilometerupplöst beräkning av solinstrålning över Kina med Fengyun-4A-satellitdata

Varför solkartor spelar roll i vardagen

Bakom varje solcellspanel på ett tak eller i ett ökenfält ligger en grundläggande fråga: hur mycket solljus når faktiskt marken, timme för timme, år efter år? För ett land som Kina, som tävlar om att utöka ren energi och minska koldioxidutsläppen, är det avgörande att veta var och när solen skiner mest pålitligt. Denna studie presenterar ett nytt sätt att omvandla råa bilder från Kinas senaste vädersatellit till detaljerade, tillförlitliga solkartor som hjälper planerare och elbolag att använda solenergi mer effektivt.

Att förvandla satellitögon till solkartor

Solenergianläggningar är beroende av ”global horisontell irradians”, det solljus som träffar en plan yta vid marknivå. Direktmätningar från instrument på marken är mycket precisa men utspridda och glesa, vilket lämnar stora luckor mellan stationerna. Traditionella vädermodeller och äldre satellitprodukter täcker större områden men är ofta för grova och partiska för modern solplanering. Kinas Fengyun-4A-vädersatellit erbjuder en ny möjlighet: den övervakar kontinuerligt landet från rymden och registrerar ljus i 14 olika spektralband med en upplösning på 4×4 kilometer. Utmaningen är att omvandla dessa strömmar av satellitdata till precisa uppskattningar av solljus vid markytan över hela nationen.

En ny lärande maskin kallad RadNet

Författarna designade en djupinlärningsmodell vid namn RadNet särskilt för att lösa detta problem. Istället för att förlita sig på handgjorda regler lär sig RadNet direkt från data genom att matcha satellitmätningar med timvisa solinstrumentavläsningar från 100 markstationer över Kina. Den tar in information från flera satellitband, tillsammans med solens position och lokala geografiska data, och lär sig hur dessa faktorer samverkar för att bestämma hur mycket ljus som når marken. Viktigt är att RadNet är byggd på en arkitektur som ursprungligen utvecklades för »tabulära« data, och den kan automatiskt plocka ut vilka indata som är mest betydelsefulla, vilket kraftigt minskar det tidskrävande arbetet med manuell funktionsselektion som äldre maskininlärningsmetoder kräver.

Skarpare, mer pålitliga soluppskattningar

När teamet jämförde RadNets uppskattningar med andra metoder och välkända soldatabaser kom den nya modellen konsekvent bättre ut. Över olika år visade RadNet lägre fel och mindre skevhet än random forests, en annan djupinlärningsmetod, och välanvända produkter såsom National Solar Radiation Data Base samt satellitbaserade Himawari- och CERES-datamängder. Den presterade särskilt bra under klara himlar, där solljuset passerar atmosfären med minimala molnstörningar. Även under molniga förhållanden—där spruckna moln och snabbt föränderliga mönster tenderar att förvirra modeller—överträffade RadNet fortfarande alternativen, även om felen förblev större. Modellen generaliserade också väl över tid: tränad huvudsakligen på data från 2022 behöll den hög noggrannhet när den testades på oberoende data från 2021 och 2023.

Att se in i svart lådan

Många djupinlärningssystem kritiseras som »svarta lådor«, men RadNet är utformad för att vara mer transparent. Genom att följa vilka indata modellen uppmärksammar vid varje beslutsteg kan forskarna se vilka satellitband och vinklar som är mest inflytelserika. De fann att ett nära-infrarött band som är särskilt känsligt för moln bidrar med majoriteten av modellens förmåga, följt av solens zenitvinkel, som kodar in solens dagliga upp- och nedgång. Andra infraröda band tillför information om vattenånga, molntoppar och markegenskaper. Denna inbyggda tolkbarhet gör det lättare att lita på och förfina modellen, och att förstå när och varför den kan göra fel—till exempel när moln skapar parallax och skalavvikelser mellan vad en markstation ser och vad satelliten medelvärdesbildar över ett större område.

Vad detta betyder för planering av ren energi

Sammanfattningsvis producerar RadNet högupplösta solkartor över hela Kina, med ungefär 4 kilometers rutnät, med bättre noggrannhet än befintliga reanalys- och satellitprodukter. Dessa detaljerade kartor, timvisa och årsvisa, lyfter fram ljusa regioner som Qinghai–Tibet- och Inre Mongoliet-platåerna, och visar hur moln och luftföroreningar flyttar solen mellan årstider och år. Även om det fortfarande finns utrymme att förbättra prestandan under komplexa molnfält och extrema dammevent, visar tillvägagångssättet att en omsorgsfullt utformad, tolkbar djupinlärningsmodell kan omvandla rå satellitbild till en handlingsbar resurs för solutvecklare, nätoperatörer och beslutsfattare, och hjälpa Kina att planera en mer pålitlig och klimatvänlig energiframtid.

Citering: 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

Nyckelord: solinstrålning, satellitfjärranalys, djupinlärning, solenergiresurser, Kinas förnybara energi