Une étude publiée dans le Journal of Remote Sensing le 29 avril 2026 présente une méthode d'apprentissage par transfert qui permet au satellite géostationnaire Fengyun-4A (FY-4A) de la Chine d'estimer le rayonnement solaire en surface (SSR) et ses composantes globale, directe et diffuse avec une précision améliorée. La recherche, menée par des scientifiques de l'Institut de recherche en information aérospatiale de l'Académie chinoise des sciences, de l'Université des sciences et de l'ingénierie du Sichuan, et de l'Institut de physique atmosphérique de l'Académie chinoise des sciences, relève le défi du suivi du rayonnement solaire face à l'évolution rapide des nuages, des aérosols et des conditions atmosphériques.
Le nouveau cadre adapte les connaissances du produit Cloud, Atmospheric Radiation and Renewal Energy Application (CARE) basé sur Himawari-8, réduisant ainsi la dépendance aux ensembles de données météorologiques auxiliaires. Selon l'étude, des données précises sur l'ensoleillement sont essentielles pour la transition vers une énergie propre, car le rayonnement solaire en surface contrôle le bilan énergétique de la Terre, les cycles hydrologiques, les processus des écosystèmes et les performances des systèmes photovoltaïques (PV) et de concentration solaire. Bien que les réseaux radiométriques au sol offrent des observations fiables, leurs stations sont rares et inégalement réparties, en particulier dans les océans et les régions en développement. Les produits de réanalyse offrent une large couverture mais peuvent perdre en précision en raison de leur résolution grossière et de leurs interactions simplifiées nuages-aérosols-rayonnement.
Les chercheurs ont développé un modèle de réseau neuronal profond (DNN) utilisant les observations de niveau 1 (L1) d'Himawari-8 et le produit de rayonnement CARE, puis l'ont affiné avec les données L1 de FY-4A. Le modèle utilise la réflectance au sommet de l'atmosphère et la géométrie solaire-satellite comme entrées dynamiques, avec une optimisation bayésienne pour sélectionner les hyperparamètres clés. La validation à l'aide de 33 stations au sol du Baseline Surface Radiation Network (BSRN), du Bureau of Meteorology (BOM) et du Global Tropical Moored Buoy Array (GTMBA) entre 2018 et 2020 a montré de bonnes performances. Sur des sites BSRN représentatifs, FY-4A a obtenu des erreurs quadratiques moyennes instantanées (RMSE) de 102,2, 117,5 et 83,1 W m⁻² pour le rayonnement global, direct et diffus, respectivement. À l'échelle moyenne quotidienne, les RMSE sont tombées à 28,5, 30,1 et 22,6 W m⁻².
Les auteurs ont souligné que la stratégie d'apprentissage par transfert transforme les observations des satellites géostationnaires chinois en une ressource plus puissante pour les applications énergétiques et climatiques. Le nouveau produit de rayonnement FY-4A pourrait contribuer à améliorer l'évaluation des sites PV, les prévisions de puissance, la gestion du réseau, la modélisation climatique et les simulations de surface terrestre. Le rayonnement direct est particulièrement important pour la concentration solaire, tandis que le rayonnement diffus affecte la production PV sous des cieux nuageux ou chargés d'aérosols. En résolvant ces composantes séparément, le cadre offre des informations plus exploitables que le rayonnement global seul.
L'étude démontre que l'apprentissage par transfert peut aider à surmonter les différences entre capteurs et les données d'entraînement limitées au sol. À l'avenir, la même stratégie pourrait être étendue à d'autres satellites géostationnaires chinois, notamment Fengyun-4B (FY-4B), soutenant une surveillance plus fiable de l'énergie solaire en Asie de l'Est et au-delà. La recherche a été soutenue par la National Natural Science Foundation of China (Nos. 42025504, 42405145 et 42430604), la Natural Science Foundation de la province du Sichuan (No. 2024NSFSC0770), le projet de recherche organisé du laboratoire Tianfu Yongxing (No. 2024KIGG18) et le fonds d'ouverture du laboratoire clé d'intelligence artificielle de la province du Sichuan (No. 2024RYY03). Plus de détails sont disponibles dans l'étude originale à l'adresse https://spj.science.org/doi/10.34133/remotesensing.1044.
