Un estudio publicado en el Journal of Remote Sensing el 29 de abril de 2026 presenta un método de aprendizaje por transferencia que permite al satélite geoestacionario Fengyun-4A (FY-4A) de China estimar la radiación solar en superficie (SSR) y sus componentes global, directa y difusa con mayor precisión. La investigación, realizada por científicos del Instituto de Investigación de Información Aeroespacial de la Academia China de Ciencias, la Universidad de Ciencia e Ingeniería de Sichuan y el Instituto de Física Atmosférica de la Academia China de Ciencias, aborda el desafío de rastrear la radiación solar en medio de nubes, aerosoles y condiciones atmosféricas que cambian rápidamente.
El nuevo marco adapta el conocimiento del producto CARE (Cloud, Atmospheric Radiation and Renewal Energy Application) basado en Himawari-8, reduciendo la dependencia de conjuntos de datos meteorológicos auxiliares. Según el estudio, contar con datos precisos de luz solar es esencial para la transición hacia energías limpias, ya que la radiación solar en superficie controla el balance energético de la Tierra, los ciclos hidrológicos, los procesos de los ecosistemas y el rendimiento de los sistemas solares fotovoltaicos (FV) y de concentración solar. Aunque las redes radiométricas terrestres ofrecen observaciones confiables, sus estaciones son escasas y están distribuidas de manera desigual, especialmente en océanos y regiones en desarrollo. Los productos de reanálisis proporcionan una cobertura amplia, pero pueden perder precisión debido a su resolución gruesa y a interacciones simplificadas entre nubes, aerosoles y radiación.
Los investigadores desarrollaron un modelo de red neuronal profunda (DNN) utilizando observaciones del nivel 1 (L1) de Himawari-8 y el producto de radiación CARE, y luego lo ajustaron con datos L1 del FY-4A. El modelo utiliza la reflectancia en el tope de la atmósfera y la geometría sol-satélite como entradas dinámicas, con optimización bayesiana para seleccionar los hiperparámetros clave. La validación con 33 estaciones terrestres de la Red de Radiación de Superficie de Referencia (BSRN), la Oficina de Meteorología (BOM) y la Boya de Arreglo Tropical Global (GTMBA) durante 2018-2020 mostró un buen rendimiento. En sitios representativos de BSRN, el FY-4A obtuvo errores cuadráticos medios instantáneos (RMSE) de 102.2, 117.5 y 83.1 W m⁻² para la radiación global, directa y difusa, respectivamente. A escala de media diaria, los RMSE disminuyeron a 28.5, 30.1 y 22.6 W m⁻².
Los autores enfatizaron que la estrategia de aprendizaje por transferencia convierte las observaciones del satélite geoestacionario chino en un recurso más potente para aplicaciones energéticas y climáticas. El nuevo producto de radiación del FY-4A podría ayudar a mejorar la evaluación de sitios fotovoltaicos, la predicción de potencia, la gestión de la red, el modelado climático y las simulaciones de la superficie terrestre. La radiación directa es especialmente importante para la energía solar de concentración, mientras que la difusa afecta la producción fotovoltaica en condiciones de cielo nublado o con aerosoles. Al resolver estos componentes por separado, el marco ofrece información más procesable que la radiación global por sí sola.
El estudio demuestra que el aprendizaje por transferencia puede ayudar a superar las diferencias entre sensores y los datos limitados de entrenamiento en tierra. De cara al futuro, la misma estrategia podría extenderse a otros satélites geoestacionarios chinos, incluido el Fengyun-4B (FY-4B), apoyando un monitoreo más confiable de la energía solar en el este de Asia y más allá. La investigación fue respaldada por la Fundación Nacional de Ciencias Naturales de China (Nos. 42025504, 42405145 y 42430604), la Fundación de Ciencias Naturales de la Provincia de Sichuan (No. 2024NSFSC0770), el Proyecto de Investigación Organizada del Laboratorio Tianfu Yongxing (No. 2024KIGG18) y el Fondo de Apertura del Laboratorio Clave de Inteligencia Artificial de la Provincia de Sichuan (No. 2024RYY03). Más detalles se pueden encontrar en el estudio original en https://spj.science.org/doi/10.34133/remotesensing.1044.
