RadNet: Fengyun-4A uydu verileriyle Çin genelinde kilometre çözünürlükte güneş ışınımı tahmini için yorumlanabilir derin öğrenme modeli

Güneş haritaları günlük yaşam için neden önemli

Bir çatıdaki veya çöl tarlasındaki her güneş panelinin arkasında temel bir soru vardır: gerçekte zemine ne kadar güneş ışığı ulaşıyor, saat saat, yıl yıl? Temiz enerjiyi genişletme ve karbon emisyonlarını azaltma yarışında olan bir ülke olarak Çin için, güneşin nerede ve ne zaman en güvenilir şekilde parladığını bilmek hayati öneme sahiptir. Bu çalışma, Çin’in en yeni meteoroloji uydusundan gelen ham görüntüleri ayrıntılı, güvenilir güneş haritalarına dönüştürmenin yeni bir yolunu tanıtıyor; bu, planlamacılar ve enerji şirketlerinin güneş enerjisini daha verimli kullanmasına yardımcı olur.

Uydu gözlerini güneş haritalarına çevirme

Güneş enerjisi sistemleri, yere dik olmayan yatay bir yüzeye çarpan güneş ışığı anlamına gelen “küresel yatay ışınım”a (global horizontal irradiance) bağlıdır. Yerdeki cihazlarla yapılan doğrudan ölçümler çok doğrudur ancak dağınık ve seyrektir; istasyonlar arasında büyük boşluklar bırakır. Geleneksel hava durumu modelleri ve daha eski uydu ürünleri daha geniş alanları kapsasa da, modern güneş planlaması için genellikle çok kaba ve yanlıdır. Çin’in Fengyun-4A meteoroloji uydusu yeni bir fırsat sunuyor: ülkeyi sürekli olarak uzaydan izliyor ve 4×4 kilometre çözünürlükte 14 farklı spektral bantta ışık kaydı alıyor. Zorluk, bu uydu veri akışlarını tüm ülke genelindeki yüzey ışığı tahminlerine dönüştürmektir.

RadNet adında yeni bir öğrenme makinesi

Yazarlar bu problemi çözmek için özel olarak tasarlanmış RadNet adında bir derin öğrenme modeli geliştirdiler. Elle oluşturulmuş kurallara dayanmak yerine, RadNet uydu ölçümlerini Çin genelindeki 100 yer istasyonundan alınan saatlik güneş okumalarıyla eşleştirerek doğrudan veriden öğrenir. Çoklu uydu bantlarından gelen bilgileri, Güneş’in konumunu ve yerel coğrafyayı alır ve bu faktörlerin zemine ulaşan ışık miktarını nasıl belirlediğini öğrenir. Önemli olarak, RadNet âtıl olarak “tabular” (tablo şeklinde) veriler için geliştirilen bir mimari üzerine inşa edilmiştir ve hangi girdilerin en önemli olduğunu otomatik olarak seçebilir; bu da eski makine öğrenmesi yaklaşımlarının gerektirdiği zaman alıcı el ile özellik seçimi adımını büyük ölçüde azaltır.

Daha keskin, daha güvenilir güneş tahminleri

Ekip RadNet’in tahminlerini diğer yöntemler ve iyi bilinen güneş veritabanlarıyla karşılaştırdığında yeni model sürekli olarak öne çıktı. Farklı yıllar arasında RadNet, rasgele ormanlar, başka bir derin öğrenme yaklaşımı ve National Solar Radiation Data Base ile uydu tabanlı Himawari ve CERES gibi yaygın kullanılan ürünlere göre daha düşük hatalar ve daha küçük önyargılar gösterdi. Özellikle güneşin atmosferden bulut girişimi en az olduğunda, yani açık gökyüzünde çok iyi performans gösterdi. Kırık bulutlar ve hızla değişen desenlerin modelleri karıştırma eğiliminde olduğu bulutlu koşullarda bile RadNet alternatifleri geride bıraktı; ancak hatalar yine de daha büyüktü. Model zaman içinde de iyi genelleşti: esas olarak 2022 verileriyle eğitilmiş olmasına rağmen, 2021 ve 2023’ten alınan bağımsız veriler üzerinde test edildiğinde yüksek doğruluğunu korudu.

Siyah kutunun içini görmek

Birçok derin öğrenme sistemi “kara kutu” olarak eleştirilir, ancak RadNet daha şeffaf olacak şekilde tasarlandı. Modelin her karar adımında hangi girdilere dikkat ettiğini izleyerek araştırmacılar hangi uydu bantları ve açılarının en etkili olduğunu görebiliyor. Bulutlara özellikle duyarlı olan yakın kızılötesi bir bandın modelin başarısının çoğuna katkıda bulunduğunu, bunu günlük olarak Güneş’in yükseliş ve batışını kodlayan güneş zenit açısının izlediğini buldular. Diğer kızılötesi bantlar su buharı, bulut tepeleri ve yüzey özellikleri hakkında bilgi getiriyor. Bu yerleşik yorumlanabilirlik, modeli güvenilir bulmayı ve ince ayar yapmayı kolaylaştırıyor; örneğin bulutların parallax etkisi ve yer istasyonunun gördüğü ile uydunun daha geniş bir alan için ortaladığı arasında oluşan ölçek uyuşmazlıkları gibi durumlarda modelin neden ve ne zaman hata yapabileceğini anlamayı sağlıyor.

Temiz enerji planlaması için bunun anlamı

Sonuç olarak RadNet, Çin’in tamamı üzerinde yaklaşık 4 kilometrelik bir ızgarada yüksek çözünürlüklü güneş haritaları üretiyor ve mevcut reanaliz ile uydu ürünlerine göre daha iyi doğruluk sağlıyor. Bu ayrıntılı saatlik ve yıllık haritalar Qinghai–Tibet ve İç Moğolistan platoları gibi parlak bölgeleri vurguluyor ve bulutların ile hava kirliliğinin mevsimden mevsime ve yıldan yıla güneş ışığını nasıl değiştirdiğini ortaya koyuyor. Karmaşık bulut alanları ve aşırı toz olayları altında performansı iyileştirmek için hâlâ alan olsa da, yaklaşım dikkatle tasarlanmış, yorumlanabilir bir derin öğrenme modelinin ham uydu görüntülerini güneş enerjisi geliştiricileri, şebeke operatörleri ve politika yapıcılar için eyleme geçirilebilir bir kaynağa dönüştürebileceğini gösteriyor; bu da Çin’in daha güvenilir ve iklime uygun bir enerji geleceği planlamasına yardımcı olur.

Atıf: 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

Anahtar kelimeler: güneş ışınımı, uydu uzaktan algılama, derin öğrenme, güneş enerjisi kaynakları, Çin yenilenebilir enerji