Από RemoteSensing Wiki

Αναθεώρηση της 20:13, 2 Ιανουαρίου 2026

Βελτιωμένη εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας με χρήση δορυφορικών δεδομένων και εξαγωγής χαρακτηριστικών

Πρωτότυπος τίτλος: Improved Surface Solar Irradiation Estimation Using Satellite Data and Feature Engineering

Συγγραφείς: Jinyong Kim, Eunkyeong Kim, Seunghwan Jung, Minseok Kim, Baekcheon Kim, Sungshin Kim

Λέξεις κλειδιά: surface solar irradiation estimation, satellite data, feature engineering, hybrid deep neural network, solar geometry

DOI: https://doi.org/10.3390/rs17010065

Εισαγωγή

Η ηλιακή ενέργεια αποτελεί μία από τις σημαντικότερες και πλέον βιώσιμες πηγές καθαρής ενέργειας παγκοσμίως. Μεταξύ των τεχνολογιών αξιοποίησής της, η φωτοβολταϊκή (PV) παραγωγή ηλεκτρικής ενέργειας παρουσιάζει ταχύτερη ανάπτυξη, λόγω της υψηλής απόδοσης, του χαμηλού κόστους συντήρησης και της ευελιξίας εφαρμογής της σε διαφορετικές κλίμακες. Η συνεχής αύξηση της εγκατεστημένης ισχύος φωτοβολταϊκών συστημάτων και η μείωση του κόστους τους καθιστούν την ηλιακή ενέργεια βασικό πυλώνα της παγκόσμιας ενεργειακής μετάβασης.

Ωστόσο, η απόδοση των φωτοβολταϊκών συστημάτων εξαρτάται άμεσα από την επιφανειακή ηλιακή ακτινοβολία, η οποία επηρεάζεται έντονα από ατμοσφαιρικούς παράγοντες, όπως η νεφοκάλυψη, καθώς και από τη γεωμετρική μεταβολή της θέσης του ήλιου. Η μεταβλητότητα αυτή δημιουργεί αβεβαιότητα στην παραγωγή ενέργειας και καθιστά αναγκαία την αξιόπιστη εκτίμηση της ηλιακής ακτινοβολίας για τον σωστό σχεδιασμό και τη λειτουργία φωτοβολταϊκών εγκαταστάσεων.

Παραδοσιακά, η εκτίμηση της ηλιακής ακτινοβολίας βασίζεται σε επίγειες μετρήσεις από μετεωρολογικούς σταθμούς (με την χρήση πυρανόμετων), οι οποίες, αν και αξιόπιστες, χαρακτηρίζονται από περιορισμένη χωρική κάλυψη. Για την αντιμετώπιση του περιορισμού αυτού, η χρήση δορυφορικών δεδομένων προσφέρει σημαντικά πλεονεκτήματα, καθώς επιτρέπει την εκτίμηση της ηλιακής ακτινοβολίας σε μεγάλες γεωγραφικές περιοχές. Παρ’ όλα αυτά, πολλές υπάρχουσες προσεγγίσεις δεν αξιοποιούν πλήρως τη γεωμετρική πληροφορία που σχετίζεται με τη θέση του ήλιου και του δορυφόρου.

Στόχος της μελέτης είναι η βελτιωμένη εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας μέσω της αξιοποίησης δορυφορικών δεδομένων και της εξαγωγής χαρακτηριστικών που περιγράφουν τη γεωμετρική σχέση ήλιου δορυφόρου. Η προτεινόμενη προσέγγιση βασίζεται σε τεχνικές βαθιάς μάθησης και επιδιώκει να υπερβεί τους χωρικούς περιορισμούς των επίγειων μετρήσεων, επιτυγχάνοντας αυξημένη ακρίβεια και γενικευσιμότητα των εκτιμήσεων.

Μεθοδολογία

Η προτεινόμενη μεθοδολογία αποτελείται από πέντε κύρια στάδια: (1) συλλογή δεδομένων, (2) προεπεξεργασία δεδομένων, (3) μηχανική χαρακτηριστικών, (4) επιλογή χαρακτηριστικών και (5) σχεδιασμό και εκπαίδευση του μοντέλου εκτίμησης και η ροή της παρουσιάζεται στην Εικόνα 1.

Εικόνα 1: Απλοποιημένη αναπαράσταση της συνολικής ροής της προτεινόμενης μεθοδολογίας.

Για τα δορυφορικά δεδομένα χρησιμοποιήθηκαν παρατηρήσεις από τον γεωστατικό δορυφόρο GK2A, ο οποίος φέρει τον αισθητήρα AMI με 16 φασματικά κανάλια κατανεμημένα στο ορατό (VIS), εγγύς υπέρυθρο (NIR) και υπέρυθρο (IR) φάσμα. Τα δεδομένα καλύπτουν την περιοχή της Κορέας και συλλέχθηκαν σε ωριαία βάση για την περίοδο Ιούλιος 2019 έως Ιανουάριος 2024. Ως δεδομένα αναφοράς (ground truth) χρησιμοποιήθηκαν μετρήσεις επιφανειακής ηλιακής ακτινοβολίας (SSI) από 52 επίγειους μετεωρολογικούς σταθμούς ASOS, όπου το SSI ορίζεται ως η ωριαία αθροιστική ολική οριζόντια ακτινοβολία (GHI) σε MJ/m². Από τους σταθμούς αυτούς, 40 χρησιμοποιήθηκαν για εκπαίδευση και επικύρωση και 12 για ανεξάρτητο έλεγχο όπως φαίνεται και στην Εικόνα 2.

Εικόνα 2: Θέσεις των 52 συνοπτικών μετεωρολογικών σταθμών από τους οποίους συλλέχθηκαν δεδομένα επιφανειακής ηλιακής ακτινοβολίας (SSI): (a) θέσεις των 40 σταθμών που χρησιμοποιήθηκαν για την εκπαίδευση και την επικύρωση του μοντέλου (b) θέσεις των 12 σταθμών που χρησιμοποιήθηκαν για τον έλεγχο (testing).

Η προεπεξεργασία περιλάμβανε τέσσερα βήματα:

1. φιλτράρισμα δεδομένων, με απομάκρυνση ελλιπών ή ανώμαλων μετρήσεων (π.χ. σφάλματα πυρανόμετρων, ελλείποντα αρχεία GK2A),
2. εξαγωγή περιοχής ενδιαφέροντος (ROI) γύρω από κάθε σταθμό,
3. μετατροπή των digital numbers (DN) σε φυσικά μεγέθη, και
4. εναρμόνιση χωρικής ανάλυσης.

Όσον αφορά το φιλτράρισμα, η ποιότητα των δεδομένων επηρεάζει άμεσα την απόδοση του μοντέλου βαθιάς μάθησης. Για τον λόγο αυτό εφαρμόστηκε φιλτράρισμα δεδομένων, με στόχο την απομάκρυνση ελλιπών τιμών και ανωμαλιών. Ελλείποντα δεδομένα GK2A εντοπίστηκαν και αφαιρέθηκαν βάσει μεταβολών στο μέγεθος των αρχείων, ενώ ανωμαλίες στα δεδομένα SSI εντοπίστηκαν μέσω οπτικής επιθεώρησης και αποδόθηκαν σε πιθανές δυσλειτουργίες πυρανόμετρων. Επιπλέον, αφαιρέθηκαν τιμές NaN (Not a Number) και χρησιμοποιήθηκαν μόνο χρονικές περίοδοι κατά τις οποίες είναι δυνατή η παρατήρηση της ηλιακής ακτινοβολίας, με βάση τις ώρες ανατολής και δύσης του ήλιου. </p>

Η βέλτιστη περιοχή ROI προσδιορίστηκε μέσω συγκριτικών πειραμάτων και επιλέχθηκε τελικά ROI 9×9 pixels (18 km × 18 km), όπως απεικονίζεται στην Εικόνα 3, καθώς παρείχε την καλύτερη ισορροπία μεταξύ πληροφορίας και υπολογιστικού κόστους.

Εικόνα 3: Δύο σενάρια που απεικονίζουν τις διαφορετικές διαδρομές της ηλιακής ακτινοβολίας προς την επιφάνεια, κατά τη χρήση περιοχής ενδιαφέροντος (ROI) 9×9, η οποία καλύπτει έκταση 18 km × 18 km, με βάση χωρική ανάλυση 2 km.

Τα δορυφορικά δεδομένα παρέχονται ως ψηφιακές τιμές (DN), οι οποίες αποτελούν σχετικές μετρήσεις της έντασης του σήματος χωρίς άμεση φυσική σημασία. Για τον λόγο αυτό, χρησιμοποιήθηκαν πίνακες μετατροπής (look-up tables) του National Meteorological Satellite Center NMSC, ώστε τα κανάλια VIS και NIR (1-6) να μετατραπούν σε ακτινοβολία (radiance) και τα κανάλια IR (7-16) σε θερμοκρασία λαμπρότητας (brightness temperature, BT). </p>

Σχετικά με την χωρική ανάλυση, τα κανάλια VIS (Visible) του GK2A διαθέτουν υψηλότερη χωρική ανάλυση (0.5 km ή 1 km) σε σχέση με τα υπόλοιπα κανάλια των 2 km, γεγονός που οδηγεί σε διαφορετικά μεγέθη δεδομένων για την ίδια περιοχή. Για την εναρμόνιση της χωρικής ανάλυσης εφαρμόστηκε downsampling με χρήση μέσου όρου, χρησιμοποιώντας παράθυρα 4×4 για δεδομένα 0.5 km και 2×2 για δεδομένα 1 km, ώστε όλα τα κανάλια να μετατραπούν σε ενιαία ανάλυση 2 km.

Σχετικά με το Feature Engineering, η μελέτη στοχεύει στην εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας σε ωριαία βάση μέσω μοντέλου βαθιάς μάθησης. Για την επίτευξη υψηλής ακρίβειας, σχεδιάστηκαν χωροχρονικά χαρακτηριστικά που συνδυάζουν πληροφορία θέσης και χρόνου με γεωμετρικά χαρακτηριστικά του ήλιου και του δορυφόρου, ώστε να παρέχεται επαρκής φυσική πληροφορία στο μοντέλο.

Σχετικά με τις παραμέτρους της ηλιακής γεωμετρίας χρησιμοποιήθηκαν οι ακόλουθες σχέσεις για να υπολογιστούν παράμετροι ηλιακής γεωμετρίας.

JD: Ιουλιανή ημέρα.

JD_2000.0: Ιουλιανή ημέρα για την 1η Ιανουαρίου 2000 στις 12:00 το μεσημέρι (= 2451542,0).

n: Αριθμός ημερών από την JD2000.0.

L: Μέσο γεωγραφικό μήκος του ήλιου διορθωμένο για εκτροπή, σε μοίρες.

g: Μέση ανωμαλία, σε μοίρες.

λ: Εκλειπτικό μήκος, σε μοίρες. </p> ϵ: Κλίση της εκλειπτικής, σε μοίρες.

Des: Απόσταση Γης ήλιου, σε αστρονομικές μονάδες (AU).

δ: Γωνία απόκλισης του ήλιου, σε μοίρες.

α: Ορθή αναφορά (right ascension), σε μοίρες.

E_min: Εξίσωση του χρόνου, σε λεπτά (min).

T_UTC: Χρόνος της ημέρας σε Συντονισμένη Παγκόσμια Ώρα (UTC), από 0 έως 24 ώρες.

λ_s: Γεωγραφικό μήκος του υποηλιακού σημείου, όπου ο ήλιος βρίσκεται κατακόρυφα, σε μοίρες.

λ_o: Γεωγραφικό μήκος του σημείου εκτίμησης, σε μοίρες.

ω: Ωριαία γωνία, σε μοίρες.

ϕ_s: Γεωγραφικό πλάτος του υποηλιακού σημείου, ίσο με τη γωνία απόκλισης του Ήλιου, σε μοίρες.

ϕ_o: Γεωγραφικό πλάτος του σημείου εκτίμησης, σε μοίρες.

ω_sr: Ωριαία γωνία κατά την ανατολή του ήλιου, σε μοίρες.

ω_ss: Ωριαία γωνία κατά τη δύση του ήλιου, σε μοίρες.

θ_sea: Γωνία ανύψωσης του ήλιου, σε μοίρες.

θ_sza: Γωνία ζενίθ του ήλιου, σε μοίρες.

θ_saa: Γωνία αζιμουθίου του ήλιου, σε μοίρες.

Τα δεδομένα GK2A παρέχουν δισδιάστατη πληροφορία εντός της περιοχής ενδιαφέροντος (ROI) γύρω από το σημείο εκτίμησης, όπου η συνεισφορά κάθε pixel διαφοροποιείται ανάλογα με τη γεωμετρία του ήλιου. Pixels ευθυγραμμισμένα με τη διεύθυνση του ηλιακού αζιμουθίου (solar azimuth angle, SAA) κατά μήκος της διαδρομής της ηλιακής ακτινοβολίας έχουν μεγαλύτερη βαρύτητα, ενώ η σημασία των pixels πλησίον του σημείου εκτίμησης αυξάνεται με την αύξηση της γωνίας ανύψωσης του ηλίου (solar elevation angle, SEA). Για τον σκοπό αυτό σχεδιάστηκε χαρακτηριστικό που ποσοτικοποιεί τη σχετική βαρύτητα κάθε pixel ως συνάρτηση του ηλιακού αζιμουθίου, σύμφωνα με τις Εξισώσεις. </p>

Σχετικά με τις παραμέτρους της ηλιακής γεωμετρίας χρησιμοποιήθηκαν οι ακόλουθες σχέσεις για να υπολογιστούν παράμετροι ηλιακής γεωμετρίας.

ϕ_roi: Χάρτης γεωγραφικού πλάτους των δεδομένων GK2A, σε μοίρες.

λ_roi: Χάρτης γεωγραφικού μήκους των δεδομένων GK2A, σε μοίρες.

θ_aa: Χάρτης της γωνίας αζιμουθίου μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A, σε μοίρες.

W_saa: Χάρτης χωρικής βαρύτητας των δεδομένων GK2A βάσει του ηλιακού αζιμουθίου.

Η διεύθυνση του ηλιακού αζιμουθίου (SAA) ελήφθη υπόψη μέσω του υπολογισμού της διαφοράς μεταξύ του SAA και της γωνίας αζιμουθίου μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A, ενώ η σχετική βαρύτητα των pixels προσδιορίστηκε με τη χρήση της συνάρτησης συνημιτόνου (W_saa). Ωστόσο, επειδή το W_saa δεν λαμβάνει υπόψη τη Sun’s great circle distance (μεγάλη κυκλική απόσταση του ηλίου) σχεδιάστηκε ο συντελεστής W_sea, που εκφράζει τον λόγο της απόστασης μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A ως προς τη μεγάλη κυκλική απόσταση του ήλιου. Ο τρόπος υπολογισμού του παρουσιάζεται στις ακόλουθες Εξισώσεις.

Τα δεδομένα που παρατηρούνται από τον δορυφόρο περιλαμβάνουν σύνθετη φυσική πληροφορία που προέρχεται από την ανάκλαση της ακτινοβολίας στην επιφάνεια της Γης και στην ατμόσφαιρα, επομένως η επίδραση της ατμόσφαιρας δεν μπορεί να αγνοηθεί. Για τον λόγο αυτό λήφθηκε υπόψη η γεωμετρική πληροφορία του δορυφόρου, μέσω του σχεδιασμού δύο συναρτήσεων (W_gaa και W_gea), οι οποίες ενσωματώνουν τις γωνίες αζιμουθίου και ανύψωσης του δορυφόρου GK2A, κατά τρόπο ανάλογο με τα αντίστοιχα χαρακτηριστικά της ηλιακής γεωμετρίας, σύμφωνα με τις Εξισώσεις. <p>

λ_g: Γεωγραφικό μήκος του δορυφόρου GK2A (= 128,2°).

θ_gaa: Γωνία αζιμουθίου του δορυφόρου GK2A σε σχέση με το σημείο εκτίμησης, σε μοίρες.

W_gaa: Χάρτης χωρικής βαρύτητας (συντελεστής χωρικής σημασίας) των δεδομένων GK2A βάσει της γωνίας θgaa.

γ_g: Κεντρική γωνία μεταξύ του σημείου εκτίμησης και του δορυφόρου GK2A, σε μοίρες.

H_g: Ύψος (τροχιακό υψόμετρο) του δορυφόρου GK2A (= 35786 km).

θ_gea: Γωνία ανύψωσης του δορυφόρου GK2A σε σχέση με το σημείο εκτίμησης, σε μοίρες.

W_gea: Λόγος της απόστασης μεταξύ του σημείου εκτίμησης και των δεδομένων GK2A προς τη μεγάλη κυκλική απόσταση του δορυφόρου GK2A.

Προχωρώντας τώρα στο Feature Selection – Επιλογή Χαρακτηριστικών εκείνη εφαρμόστηκε για τη μείωση της πολυπλοκότητας του μοντέλου και την αποφυγή υπερπροσαρμογής. Συνολικά εξετάστηκαν 88 χαρακτηριστικά, τα οποία περιλαμβάνουν φασματικές πληροφορίες από τα κανάλια του GK2A, διαφορές μεταξύ καναλιών που αντιστοιχούν στο ίδιο φυσικό μέγεθος και γεωμετρικά χαρακτηριστικά που προέκυψαν μέσω μηχανικής χαρακτηριστικών.

Τα χαρακτηριστικά χωρίστηκαν σε δύο ομάδες: εκείνα που δεν περιλαμβάνουν χωρική πληροφορία σχετικά με το σημείο εκτίμησης (x1 έως x84) και εκείνα που λαμβάνουν υπόψη τη σχετική θέση των δεδομένων μέσα στην περιοχή ενδιαφέροντος (x85 έως x88). Για την πρώτη ομάδα εφαρμόστηκε επιλογή χαρακτηριστικών με MLP (Multi-Layer Perceptron) και τα δεδομένα μετατράπηκαν σε μονοδιάστατη μορφή, καθώς δεν ήταν απαραίτητο να διατηρηθεί η χωρική πληροφορία. Αντίθετα, τα χαρακτηριστικά της δεύτερης ομάδας διατηρήθηκαν σε δισδιάστατη μορφή και αξιολογήθηκαν με HDNN (Hybrid Deep Neural Network), το οποίο μπορεί να χειριστεί ταυτόχρονα δεδομένα διαφορετικών διαστάσεων. Με τον τρόπο αυτό επιλέχθηκαν συνολικά 21 χαρακτηριστικά, τα οποία συνέβαλαν περισσότερο στη βελτίωση της ακρίβειας εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας.

Σχετικά με τον Σχεδιασμό και την Εκπαίδευση του Μοντέλου επιλέχθηκε ένα υβριδικό βαθύ νευρωνικό δίκτυο (HDNN), του οποίου η αρχιτεκτονική παρουσιάζεται στην Εικόνα 4.

Εικόνα 4: Αρχιτεκτονική του μοντέλου.

Οι υπερπαράμετροι (hyperparameters) του μοντέλου ρυθμίστηκαν έπειτα από δοκιμές και ορίστηκαν σε μέγιστο αριθμό εποχών (epoch) 1000, μέγεθος mini-batch 8192, ρυθμό μάθησης (learning rate) 0,001 και βελτιστοποιητή Adam (Adam optimizer ή αλλιώς adaptive moment estimation). Για την αποφυγή υπερπροσαρμογής (overfitting), το 10% των δεδομένων εκπαίδευσης χρησιμοποιήθηκε ως σύνολο επικύρωσης, με ημερήσια δειγματοληψία ώστε να λαμβάνεται υπόψη η ημερήσια περιοδικότητα της ηλιακής ακτινοβολίας. Επιπλέον, εφαρμόστηκε τεχνική early stopping με βάση το σφάλμα επικύρωσης, και ως τελικό μοντέλο επιλέχθηκε εκείνο που παρουσίασε τη μικρότερη τιμή validation loss.

Πειραματικά Αποτελέσματα

Για την αξιολόγηση της απόδοσης της προτεινόμενης μεθόδου πραγματοποιήθηκαν συγκριτικά πειράματα μεταξύ διαφορετικών μοντέλων, μεθόδων επιλογής χαρακτηριστικών και συνόλων εισόδων για την εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας. Για τον σκοπό αυτό χρησιμοποιήθηκαν δεδομένα από 12 συνοπτικούς μετεωρολογικούς σταθμούς, οι οποίοι δεν είχαν συμμετάσχει στην εκπαίδευση του μοντέλου, ώστε να διασφαλιστεί ανεξάρτητος έλεγχος της απόδοσης (testing).

Για την αποφυγή υπερπροσαρμογής, το 10% των δεδομένων εκπαίδευσης χρησιμοποιήθηκε ως σύνολο επικύρωσης και εφαρμόστηκε τεχνική early stopping με βάση το σφάλμα επικύρωσης. Προκειμένου να ληφθεί υπόψη η τυχαιότητα που εισάγεται στη βαθιά μάθηση (π.χ. αρχικοποίηση βαρών και αναδιάταξη δεδομένων), η αξιολόγηση πραγματοποιήθηκε μέσω επαναλαμβανόμενων πειραμάτων: πέντε επαναλήψεις για πειράματα με μονοδιάστατα (1D) δεδομένα και τρεις επαναλήψεις για πειράματα με δισδιάστατα (2D) δεδομένα. Η τελική απόδοση καθορίστηκε από το πείραμα με τη μικρότερη τιμή RMSE.

Τα 4 KPI (Key Performance Indicators) που χρησιμοποιήθηκαν είναι οι 4 δείκτες RMSE, rRMSE, MAE και συντελεστής προσδιορισμού R² και υπολογίζονται σύμφωνα με τις ακόλουθες εξισώσεις.

n: Αριθμός παρατηρήσεων (δεδομένων).

yₖ: k-οστή πραγματική τιμή (τιμή στόχου).

ŷₖ: k-οστή εκτιμώμενη τιμή (πρόβλεψη του μοντέλου).

ȳ: Μέση τιμή των πραγματικών τιμών (στόχων).

Συγκρίθηκαν διαφορετικά μοντέλα μηχανικής μάθησης (MLP, LSTM και HDNN). Τα αποτελέσματα έδειξαν ότι το υβριδικό βαθύ νευρωνικό δίκτυο (HDNN) παρουσίασε τη συνολικά καλύτερη απόδοση. Αυτό οφείλεται στο γεγονός ότι το HDNN μπορεί να επεξεργάζεται χωρικά δεδομένα σε δισδιάστατη μορφή, αξιοποιώντας πληροφορία από την περιοχή γύρω από τον σταθμό και όχι μόνο από το ίδιο το σημείο μέτρησης. Αντίθετα, τα MLP και LSTM περιορίζονται κυρίως σε μονοδιάστατη πληροφορία και δεν εκμεταλλεύονται πλήρως τη χωρική δομή των δορυφορικών δεδομένων. Επίσης, οι δείκτες για τα 3 μοντέλα παρουσιάζονται στην Εικόνα 5.

Εικόνα 5: Σύγκριση της απόδοσης της εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας (SSI) μεταξύ διαφορετικών μοντέλων. Κάθε τιμή αντιπροσωπεύει τη μέση απόδοση που προκύπτει από 12 συνοπτικούς μετεωρολογικούς σταθμούς.

Στη συνέχεια, αξιολογήθηκαν διαφορετικές μέθοδοι επιλογής χαρακτηριστικών. Διαπιστώθηκε ότι η μέθοδος Deep-FS υπερέχει έναντι κλασικών στατιστικών προσεγγίσεων διότι επέτρεψε την επιλογή ενός μικρότερου αλλά πιο ουσιαστικού συνόλου χαρακτηριστικών, διατηρώντας υψηλή ακρίβεια και μειώνοντας σημαντικά την πολυπλοκότητα του μοντέλου.

Επίσης σημειώθηκε πως όταν χρησιμοποιήθηκαν ταυτόχρονα χαρακτηριστικά που σχετίζονται με την γεωμετρία του ήλιου και που περιλαμβάνουν σχετική χωρική πληροφορία γύρω από το σημείο εκτίμησης βελτίωσαν αισθητά την απόδοση του μοντέλου. το μοντέλο παρουσίασε την υψηλότερη ακρίβεια, γεγονός που δείχνει ότι τα δύο αυτά είδη πληροφορίας είναι συμπληρωματικά μεταξύ τους.

Τέλος, η προτεινόμενη από την δημοσίευση μέθοδος συγκρίθηκε με το ευρέως χρησιμοποιούμενο προϊόν ERA5 (SSRD) και αποδείχθηκε ότι υπερτερεί σε όλα τα κριτήρια αξιολόγησης όπως παρουσιάζεται και στην Eικόνα 6. Αυτό καταδεικνύει ότι η συνδυαστική αξιοποίηση δορυφορικών δεδομένων υψηλής ανάλυσης, γεωμετρικής πληροφορίας και βαθιάς μάθησης μπορεί να οδηγήσει σε πιο ακριβείς και αξιόπιστες εκτιμήσεις της ηλιακής ακτινοβολίας.

Εικόνα 6: Σύγκριση της απόδοσης της επιφανειακής ηλιακής ακτινοβολίας (SSI) που προκύπτει από την προτεινόμενη μέθοδο και του αξιόπιστου προϊόντος SSRD που παρέχεται από το ERA5. Κάθε τιμή αντιπροσωπεύει τη μέση απόδοση από 12 συνοπτικούς μετεωρολογικούς σταθμούς.

Συμπεράσματα

Η μελέτη πρότεινε μια μέθοδο εκτίμησης της επιφανειακής ηλιακής ακτινοβολίας βασισμένη σε δορυφορικά δεδομένα GK2A και τεχνικές μηχανικής χαρακτηριστικών. Τα αποτελέσματα έδειξαν πολύ υψηλή ακρίβεια εκτίμησης, ακόμη και σε σταθμούς που δεν χρησιμοποιήθηκαν στην εκπαίδευση, επιβεβαιώνοντας την αποτελεσματικότητα της προσέγγισης.

Το υβριδικό βαθύ νευρωνικό δίκτυο (HDNN) αποδείχθηκε ιδιαίτερα κατάλληλο, καθώς αξιοποιεί ταυτόχρονα χωρική και χρονική πληροφορία από δεδομένα διαφορετικών διαστάσεων. Η μέθοδος παρουσιάζει σημαντικές δυνατότητες για πρακτικές εφαρμογές, όπως ο σχεδιασμός και η χωροθέτηση φωτοβολταϊκών εγκαταστάσεων, ενώ η χρήση δεδομένων από περισσότερες περιοχές θα μπορούσε να βελτιώσει περαιτέρω τη γενικευσιμότητά της.