RadNet：一种可解释的深度学习模型，利用风云-4A卫星数据在公里级分辨率下估计中国地表太阳辐照度

为什么日照图对日常生活很重要

每块屋顶或沙漠光伏板背后都有一个基本问题：实际上有多少阳光到达地面，逐小时、逐年如何变化？对于正在加速扩展清洁能源并减少碳排放的中国来说，了解何时何地阳光最稳定至关重要。本研究提出了一种新方法，将中国最新气象卫星的原始影像转化为详尽且可信的日照图，帮助规划者和电力公司更高效地利用太阳能。

把卫星“眼睛”变成太阳能图

太阳能系统依赖于“全天空水平辐照度”，即照射在地面水平面的阳光。地面仪器的直接测量非常准确，但站点分布稀疏，留下了大面积空白。传统的数值天气模式和早期卫星产品覆盖范围更广，但对于现代太阳能规划常常分辨率太低且存在偏差。中国的风云-4A气象卫星提供了新的契机：它持续从太空观测全国，并在14个不同光谱波段以约4×4公里的分辨率记录辐射。挑战在于将这些卫星数据流转换为覆盖全国的精确地表日照估计。

一种名为RadNet的新型学习机

作者设计了一种名为RadNet的深度学习模型，专门为解决该问题而构建。RadNet不是依赖人工制定的规则，而是通过将卫星测量与来自中国100个地面站的逐小时日照读数配对，从数据中直接学习。它同时输入多个卫星波段的数据、太阳位置和局部地形信息，从而学习这些因素如何共同决定到达地面的光照量。重要的是，RadNet基于最初为“表格”数据开发的架构，能够自动识别最重要的输入，大大减少了旧有机器学习方法所需的耗时手工特征选择步骤。

更清晰、更可靠的日照估计

当团队将RadNet的估计与其他方法和知名日照数据库比较时，新模型始终表现更优。在不同年份间，RadNet显示出比随机森林、另一种深度学习方法以及广泛使用的产品（如国家太阳辐射数据库和基于卫星的向日葵/地球辐射能量系统数据集）更低的误差和更小的偏差。它在晴空条件下表现特别出色，在这种情况下阳光穿过大气层几乎不受云层干扰。即使在容易使模型困惑的多变云况下——如破碎云和快速变化的云场——RadNet仍优于替代方法，尽管误差更大。该模型在时间上的泛化能力也良好：主要用2022年数据训练，测试在2021年和2023年的独立数据上仍保持高精度。

看入黑箱内部

许多深度学习系统被批评为“黑箱”，但RadNet被设计得更具透明性。通过追踪模型在每个决策步骤关注的输入，研究人员可以看出哪些卫星波段和视角最具影响力。他们发现，一条对云敏感的近红外波段贡献了模型技能的大部分，其次是太阳天顶角，它编码了太阳的日变化。其他红外波段则携带有关水汽、云顶和地表特征的信息。这种内建的可解释性使得信任和改进模型更容易，也有助于理解何时以及为何模型可能出错——例如，当云产生视差以及地面站观测与卫星在更大范围上平均值之间存在尺度不匹配时。

对清洁能源规划的意义

最终，RadNet在约4公里网格上为全中国生成高分辨率的日照图，精度优于现有的再分析和卫星产品。这些详尽的小时和年度地图突出了青藏高原和内蒙古高原等明亮区域，并显示了云和空气污染如何随季节和年份改变日照。尽管在复杂云场和极端沙尘事件下仍有提升空间，该方法表明：经过精心设计且可解释的深度学习模型能够将原始卫星影像转化为可操作的资源，帮助太阳能开发商、电网运营者和决策者规划更可靠、更符合气候目标的能源未来。

引用: 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

关键词: 太阳辐照度, 卫星遥感, 深度学习, 太阳能资源, 中国可再生能源