Um estudo publicado no Journal of Remote Sensing em 29 de abril de 2026 apresenta um método de aprendizado por transferência que permite ao satélite geoestacionário Fengyun-4A (FY-4A) da China estimar a radiação solar na superfície (SSR) e seus componentes global, direto e difuso com maior precisão. A pesquisa, conduzida por cientistas do Instituto de Pesquisa em Informação Aeroespacial da Academia Chinesa de Ciências, da Universidade de Ciência e Engenharia de Sichuan e do Instituto de Física Atmosférica da Academia Chinesa de Ciências, aborda o desafio de rastrear a radiação solar em meio a nuvens, aerossóis e condições atmosféricas em rápida mudança.
A nova estrutura adapta conhecimento do produto Cloud, Atmospheric Radiation and Renewal Energy Application (CARE) baseado no Himawari-8, reduzindo a dependência de conjuntos de dados meteorológicos auxiliares. De acordo com o estudo, dados precisos de luz solar são essenciais para a transição energética limpa, pois a radiação solar na superfície controla o balanço energético da Terra, os ciclos hidrológicos, os processos ecossistêmicos e o desempenho de sistemas fotovoltaicos (PV) e de energia solar concentrada. Embora as redes radiométricas de solo ofereçam observações confiáveis, suas estações são esparsas e distribuídas de forma desigual, especialmente em oceanos e regiões em desenvolvimento. Produtos de reanálise fornecem ampla cobertura, mas podem perder precisão devido à resolução grosseira e interações simplificadas nuvem-aerossol-radiação.
Os pesquisadores desenvolveram um modelo de rede neural profunda (DNN) usando observações do Himawari-8 Nível 1 (L1) e o produto de radiação CARE, e então o ajustaram com dados L1 do FY-4A. O modelo usa refletância no topo da atmosfera e geometria sol-satélite como entradas dinâmicas, com otimização bayesiana selecionando hiperparâmetros-chave. A validação usando 33 estações de solo da Baseline Surface Radiation Network (BSRN), do Bureau of Meteorology (BOM) e do Global Tropical Moored Buoy Array (GTMBA) durante 2018–2020 mostrou forte desempenho. Em locais representativos da BSRN, o FY-4A alcançou erros quadráticos médios instantâneos (RMSEs) de 102,2, 117,5 e 83,1 W m⁻² para radiação global, direta e difusa, respectivamente. Na escala média diária, os RMSEs caíram para 28,5, 30,1 e 22,6 W m⁻².
Os autores enfatizaram que a estratégia de aprendizado por transferência transforma as observações do satélite geoestacionário chinês em um recurso mais poderoso para aplicações energéticas e climáticas. O novo produto de radiação do FY-4A pode ajudar a melhorar a avaliação de locais para PV, previsão de potência, gestão de redes, modelagem climática e simulações de superfície terrestre. A radiação direta é especialmente importante para a energia solar concentrada, enquanto a radiação difusa afeta a produção de PV sob céus nublados ou com aerossóis. Ao resolver esses componentes separadamente, a estrutura oferece informações mais acionáveis do que a radiação global sozinha.
O estudo demonstra que o aprendizado por transferência pode ajudar a superar diferenças de sensores e dados limitados de treinamento em solo. Olhando para o futuro, a mesma estratégia poderia ser estendida a outros satélites geoestacionários chineses, incluindo o Fengyun-4B (FY-4B), apoiando um monitoramento mais confiável da energia solar em toda a Ásia Oriental e além. A pesquisa foi apoiada pela National Natural Science Foundation of China (Nos. 42025504, 42405145 e 42430604), pela Natural Science Foundation da Província de Sichuan (No. 2024NSFSC0770), pelo Tianfu Yongxing Laboratory Organized Research Project Funding (No. 2024KIGG18) e pelo Opening Fund do Artificial Intelligence Key Laboratory da Província de Sichuan (No. 2024RYY03). Mais detalhes podem ser encontrados no estudo original em https://spj.science.org/doi/10.34133/remotesensing.1044.
