基于数据的方法将METAR能见度观测与CAMS再分析气溶胶相结合，以增强卫星对地面太阳辐照的反演

为何阳光预报至关重要

在以太阳能为主的未来，保持供电稳定不仅需要在晴朗无云的日子了解照射到地面的阳光量，还需要在空气被尘土、烟雾或污染物浑浊时做出准确预报。在许多太阳能快速发展的地区，例如北非、印度、中国和南部非洲，空中微小颗粒物能像云层一样显著削弱阳光，干扰太阳能电站的发电量。本研究探索了一种新方法：将机场的常规气象报告与全球大气再分析数据结合，来提升基于卫星的地面太阳能到达量估计的精度。

遮蔽太阳的空中颗粒

太阳能规划者通常依赖卫星和数值模式来估算地面光照。这些工具在追踪云方面表现良好，但在处理气溶胶——漂浮在空气中的尘埃、烟雾与雾霾——时更显吃力。卫星观测在云层遮挡时受限，地面监测网络稀疏，而全球模式往往会平滑掉像掠过的沙尘暴或邻近野火这样的局地事件。广泛使用的McClear模型例如采用Copernicus（CAMS）气溶胶数据，其网格尺度达数十公里且数值仅每隔数小时更新一次，这通常过于粗糙，无法捕捉强烈影响特定太阳能场日照量的剧烈局地空气污染波动。

将机场能见度转化为太阳能信息

一个出人意料且信息丰富的局地气溶胶来源是METAR报告——来自全球机场的标准化天气观测。飞行员需要知道跑道的可视距离，因此能见度通常每30分钟自动测量并全球存档。虽然后者受湿度、雾和降雨等因素影响，但在尘暴和烟雾事件期间，它仍携带关于空气减弱阳光程度的重要线索。研究者将这些能见度读数和其他METAR参数与CAMS气溶胶数据及简单的太阳几何（例如太阳高度角）相结合，输入一组机器学习模型，以推断在晴空条件下应到达地面的太阳能量。

在无清晰晴日的情况下学习阳光

一个主要障碍是，晴空下的太阳辐照（即完全无云时本应到达地面的量）很少被直接测量。研究团队没有放弃所有多云时段，而是设计了一个“伪晴空”目标。他们从地面实际太阳测量和描述场景云量的卫星图像出发，通过数学方法分离出云的影响并以大气顶层的太阳辐照为标准化因子，得到一个介于0到1之间的清洁目标量，机器学习模型即使在天空并非完全晴朗时也可以学习。模型包括梯度提升方法（XGBoost、LightGBM、CatBoost）、随机森林、神经网络，甚至一个实验性的量子变分电路，先在开罗的单一站点上训练，然后在非洲和亚洲的另外七个站点上测试，这些站点覆盖从城市烟雾到撒哈拉沙尘暴和生物质燃烧烟雾等各种情形。

在多尘和朦胧条件下优于传统模型

为评估效果，团队并未单独观察学习到的晴空值，而是将其代入Heliosat-3方法，该方法将卫星观测到的云亮度转换为全天空下的地面太阳辐照，并将结果与地面测量值比较。在所有测试站点中，表现最好的模型CatBoost相较于由McClear驱动的Heliosat-3，在平均误差上实现了温和但一致的降低。改进最显著出现在能见度大约6到8公里的中等范围以及尘土和沙暴事件中，其中一个模型（LightGBM）将误差减少了约五分之一。烟雾事件的改善较小但仍然可见，而一般性雾霾则未见收益。尽管总体精度较低，实验性的量子模型却以更少的可调参数达成了这些成果，表明随着量子硬件的发展其未来具有潜力。

这对太阳能意味着什么

对于太阳能运营商和电网调度者而言，即便是对阳光估计的适度改进，也能转化为更准确的发电预报、减少对运行者的突发影响以及更可靠地将太阳能并入电网。研究表明，常规的机场能见度报告在与全球气溶胶数据和卫星云图结合时，能够弥补基于物理的现有模型在高尘或高污染地区的重要短板。随着机器学习模型扩展到更多地点、纳入更详细的气溶胶信息并更好地考虑局地条件，它们有望成为传统方法的有力补充，使太阳能在全球能源结构中变得更可预测、更可靠。

引用: 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

关键词: 太阳辐照, 气溶胶, 机器学习, METAR能见度, 光伏预测