Eine am 29. April 2026 im Journal of Remote Sensing veröffentlichte Studie stellt eine Transferlern-Methode vor, die es dem chinesischen geostationären Satelliten Fengyun-4A (FY-4A) ermöglicht, die solare Einstrahlung an der Erdoberfläche (SSR) sowie deren globale, direkte und diffuse Komponenten mit verbesserter Genauigkeit zu schätzen. Die Forschung, durchgeführt von Wissenschaftlern des Aerospace Information Research Institute der Chinesischen Akademie der Wissenschaften, der Sichuan University of Science and Engineering und des Institute of Atmospheric Physics der Chinesischen Akademie der Wissenschaften, befasst sich mit der Herausforderung, die Sonneneinstrahlung bei sich schnell ändernden Wolken-, Aerosol- und Atmosphärenbedingungen zu verfolgen.
Das neue Framework passt Wissen aus dem auf Himawari-8 basierenden Cloud, Atmospheric Radiation and Renewal Energy Application (CARE)-Produkt an und verringert die Abhängigkeit von zusätzlichen meteorologischen Datensätzen. Laut der Studie sind genaue Sonnendaten für die Energiewende unerlässlich, da die solare Einstrahlung an der Erdoberfläche den Energiehaushalt der Erde, den Wasserkreislauf, Ökosystemprozesse und die Leistung von Photovoltaik (PV) und solarthermischen Kraftwerken steuert. Während bodengestützte Strahlungsnetze zuverlässige Beobachtungen liefern, sind ihre Stationen spärlich und ungleichmäßig verteilt, insbesondere über Ozeanen und in Entwicklungsländern. Reanalysedaten bieten eine breite Abdeckung, können jedoch aufgrund grober Auflösung und vereinfachter Wolken-Aerosol-Strahlungs-Wechselwirkungen an Genauigkeit verlieren.
Die Forscher entwickelten ein tiefes neuronales Netz (DNN)-Modell unter Verwendung von Himawari-8 Level 1 (L1)-Beobachtungen und dem CARE-Strahlungsprodukt und verfeinerten es dann mit FY-4A L1-Daten. Das Modell verwendet Reflexionen an der Atmosphärenobergrenze und die Sonnen-Satelliten-Geometrie als dynamische Eingaben, wobei die Bayes'sche Optimierung die wichtigsten Hyperparameter auswählt. Die Validierung mit 33 Bodenstationen des Baseline Surface Radiation Network (BSRN), des Bureau of Meteorology (BOM) und der Global Tropical Moored Buoy Array (GTMBA) im Zeitraum 2018–2020 zeigte eine hohe Leistungsfähigkeit. An repräsentativen BSRN-Standorten erzielte FY-4A momentane mittlere quadratische Fehler (RMSE) von 102,2, 117,5 und 83,1 W m⁻² für die globale, direkte bzw. diffuse Strahlung. Auf täglicher mittlerer Skala sanken die RMSE auf 28,5, 30,1 und 22,6 W m⁻².
Die Autoren betonten, dass die Transferlern-Strategie die Beobachtungen des chinesischen geostationären Satelliten zu einer leistungsfähigeren Ressource für Energie- und Klimaanwendungen macht. Das neue FY-4A-Strahlungsprodukt könnte die PV-Standortbewertung, Leistungsvorhersage, Netzmanagement, Klimamodellierung und Landoberflächensimulationen verbessern. Direktstrahlung ist besonders wichtig für solarthermische Kraftwerke, während diffuse Strahlung die PV-Leistung unter bewölktem oder aerosolreichem Himmel beeinflusst. Durch die separate Auflösung dieser Komponenten bietet das Framework umsetzbarere Informationen als die alleinige Globalstrahlung.
Die Studie zeigt, dass Transferlernen helfen kann, Sensorunterschiede und begrenzte Bodentrainingsdaten zu überwinden. In Zukunft könnte dieselbe Strategie auf andere chinesische geostationäre Satelliten ausgeweitet werden, darunter Fengyun-4B (FY-4B), und so eine zuverlässigere Solarenergieüberwachung in Ostasien und darüber hinaus unterstützen. Die Forschung wurde unterstützt durch die National Natural Science Foundation of China (Nos. 42025504, 42405145 und 42430604), die Natural Science Foundation of Sichuan Province (No. 2024NSFSC0770), das Tianfu Yongxing Laboratory Organized Research Project Funding (No. 2024KIGG18) und den Opening Fund of Artificial Intelligence Key Laboratory of Sichuan Province (No. 2024RYY03). Weitere Details finden Sie in der Originalstudie unter https://spj.science.org/doi/10.34133/remotesensing.1044.
