Yüzey güneş radyansının uyduyla çekilen tahminini iyileştirmek için METAR gözlemleri ile CAMS yeniden-analiz aerosollerinin veri güdümlü birleşimi

Güneş ışığı tahminlerinin önemi

Gelecekte güneş enerjisinin daha fazla rol oynadığı bir dünyada elektrik arzını sürdürebilmek, yalnızca açık gök günlerinde değil, havada toz, duman veya kirlilik yoğun olduğunda da yere ulaşacak güneş ışığını doğru bilmeye bağlıdır. Kuzey Afrika, Hindistan, Çin ve güney Afrika gibi güneş enerjisinin hızla büyüdüğü birçok bölgede, havadaki küçük partiküller bulutlar kadar güneşi karartarak güneş santrallerinin ürettiği elektriği kesintiye uğratabiliyor. Bu çalışma, havaalanlarından gelen rutin hava raporlarını küresel atmosferik tahminlerle birleştirmenin, uydu tabanlı yüzey güneş enerjisi tahminlerini nasıl iyileştirebileceğini araştırıyor.

Güneşi saklayan havadaki partiküller

Güneş enerjisi planlamacıları genellikle yüzey güneş ışığını tahmin etmek için uydulara ve bilgisayar modellerine güvenir. Bu araçlar bulutları izlemede iyi çalışırken, toz, duman ve pus gibi havadaki aerosollerle başa çıkmakta daha zorluk çeker. Uydu enstrümanları görüş engellendiğinde zorlanır, yer temelli izleme ağları seyrektir ve küresel modeller yerel olayları, örneğin geçen bir toz fırtınasını veya yakınlardaki bir orman yangınını yumuşatır. Yaygın olarak kullanılan McClear modeli, örneğin Copernicus (CAMS) aerosol verilerinden yararlanır; bu veriler onlarca kilometrelik ızgara hücrelerine sahiptir ve yalnızca birkaç saatte bir güncellenir. Bu, belirli bir güneş santraline ulaşan güneş ışığını güçlü biçimde etkileyen keskin, yerel hava kirliliği dalgalanmalarını yakalamak için sıklıkla çok kaba kalır.

Havaalanı görüşünü güneş içgörüsüne dönüştürmek

Yerel aerosol bilgisi için şaşırtıcı derecede zengin bir kaynak, dünya çapındaki havaalanlarından gelen standart METAR raporlarıdır. Pilotların pist üzerinde ne kadar görebileceklerini bilmeleri gerektiğinden, görüş mesafesi her 30 dakikada bir otomatik olarak ölçülür ve küresel olarak arşivlenir. Görüş sadece aerosollerden değil nem, sis ve yağmurdan da etkilenirken, özellikle toz ve duman olayları sırasında havanın güneşi ne kadar kararttığına dair değerli ipuçları taşır. Araştırmacılar bu görüş okumalarını ve diğer METAR parametrelerini CAMS aerosol verileri ve basit güneş geometrisi (örneğin güneşin gökyüzündeki yüksekliği) ile birleştirerek, açık gökyüzü koşullarında yere ne kadar güneş enerjisi ulaşması gerektiğini çıkaracak şekilde tasarlanmış bir dizi makine öğrenimi modeline beslediler.

Açık günler olmadan ışıktan öğrenmek

Büyük engellerden biri, açık-gökyüzü güneşinin—hiç bulut olmadığında gelmesi gereken miktarın—nadir olarak doğrudan ölçülmesidir. Tüm bulutlu dönemleri atmak yerine ekip bir “sahte açık-gökyüzü” hedefi geliştirdi. Yere yapılan gerçek güneş ölçümlerinden ve her sahnenin ne kadar bulutlu olduğunu tanımlayan uydu görüntülerinden başladılar. Bulut etkisini matematiksel olarak ayırıp atmosferin üstündeki güneş ışığına göre normalize ederek, makine öğrenimi modellerinin bulutlu olmasa bile öğrenebileceği 0 ile 1 arasında temiz bir hedef nicelik elde ettiler. XGBoost, LightGBM, CatBoost gibi gradyan-boosting yöntemleri, Rastgele Ormanlar, sinir ağları ve hatta deneysel bir kuantum varyasyonel devresi dahil modeller, Kahire'deki tek bir istasyonda eğitildi ve ardından kentsel dumanlardan Sahra toz fırtınalarına ve biyokütle yanması dumanına kadar çeşitli koşullar yaşayan Afrika ve Asya'daki yedi istasyonda test edildi.

Tozlu, puslu havada geleneksel modelleri geride bırakmak

Başarıyı değerlendirmek için ekip öğrenilmiş açık-gökyüzü değerlerine tek başına bakmadı. Bunun yerine bu değerleri, uydu tarafından gözlenen bulut parlaklığını tüm gökyüzü yüzey güneş ışığına çeviren Heliosat-3 yöntemine yerleştirip sonuçları yer ölçümleriyle karşılaştırdılar. Tüm test istasyonlarında en iyi performans gösteren model CatBoost, McClear ile beslenen Heliosat-3'e kıyasla ortalama hatayı mütevazı ama tutarlı şekilde azalttı. İyileşmeler yaklaşık 6 ile 8 kilometre arasındaki orta görüş mesafesi aralıklarında ve toz ile kum olayları sırasında en güçlüydü; bu durumlarda LightGBM hatayı yaklaşık beşte bir oranında düşürdü. Duman olaylarında daha küçük ama yine de fark edilir kazanımlar görüldü; genel pus ise fayda sağlamadı. Deneysel kuantum modeli, genel olarak daha az doğruluk gösterse de, çok daha az ayarlanabilir parametreyle bu sonuçları elde edip kuantum donanımı geliştikçe gelecekteki potansiyele işaret etti.

Bu, güneş enerjisi için ne anlama geliyor

Güneş santrali işletmecileri ve şebeke yöneticileri için güneş ışığı tahminlerindeki küçük iyileşmeler bile güç üretimi tahminlerinde daha iyi performans, işletmeciler için daha az sürpriz ve şebekeye güneş enerjisinin daha güvenilir entegrasyonu anlamına gelebilir. Bu çalışma, rutin havaalanı görüş raporlarının küresel aerosol verileri ve uydu bulut görüntüleriyle akıllıca birleştirildiğinde, yoğun toz veya kirliliğin olduğu bölgelerde mevcut fizik tabanlı modellerin önemli zayıflıklarını düzeltmeye yardımcı olabileceğini gösteriyor. Makine öğrenimi modelleri daha fazla yere yayıldıkça, daha ayrıntılı aerosol bilgilerini içerecek ve yerel koşulları daha iyi hesaba katacak şekilde geliştirildikçe, geleneksel yöntemlere güçlü bir tamamlayıcı haline gelerek güneş enerjisini dünyanın enerji karmasında daha öngörülebilir ve güvenilir bir unsur yapabilirler.

Atıf: 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

Anahtar kelimeler: güneş radyansı, aerosoller, makine öğrenimi, METAR görüş mesafesi, fotovoltaik tahminleme