Päikeseenergia tootmisvõimsus kasvab nii Eestis kui ka mujal Euroopas kiiresti. Seetõttu muutub üha olulisemaks täpselt hinnata, kui palju päikesekiirgust tegelikult maapinnani jõuab. Päikesekiirguse täpsed hinnangud aitavad päikeseparkide operaatoritel jälgida elektritootmist, tuvastada rikkeid ja teha paremaid otsuseid energiaplaneerimisel. Samas ei ole võimalik mõõta päikesekiirgust kõikjal üksnes maapealsete mõõteseadmete abil.
Väljakutse seisneb maapinnani jõudva päikesekiirguse (Surface Solar Irradiance, SSI) hindamises. Kuigi üksikutes ilmajaamades saab SSI-d mõõta suure täpsusega, on selle pidev hindamine kogu riigi ulatuses märksa keerulisem ülesanne.
STACCi andmeteadlane Gordei Pribõtkin uuris seda probleemi oma Tartu Ülikooli magistritöös, mida juhendasid Piia Post (PhD) ja Velle Toll (PhD). Uurimistöö eesmärk oli välja selgitada, kas Euroopa uue põlvkonna ilmasatelliidid, mis pakuvad märkimisväärselt kõrgemat ruumilist lahutusvõimet, võimaldavad parandada masinõppel põhinevaid päikesekiirguse hinnanguid Eestis. Töö põhjal valminud teadusartikkel on hetkel ajakirjas Solar Energy eelretsenseerimisel.
Maapealsed mõõtmised on täpsed, kuid mõõtepunkte on vähe
Päikesekiirguse mõõtmise etalonseade on meteoroloogiajaamades kasutatav püranomeeter. Selle mõõtmised on täpsed, kuid iga seade kirjeldab ainult üht kindlat asukohta. Käesolevas uuringus kasutati võrdlusandmetena kaheksa Eesti meteoroloogiajaama mõõtmisi, mida on kogu riigi ulatuses päikesekiirguse iseloomustamiseks siiski liiga vähe (vt joonis 1). Seetõttu tuleb SSI hindamiseks kogu riigis kasutada kas füüsikalisi mudeleid või satelliitidel põhinevat kaugseiret.
Olemasolevad satelliidiandmestikud on ruumiliselt ja ajaliselt liiga jämeda lahutusvõimega
Euroopas laialdaselt kasutatavad satelliitkaugseirel põhinevad päikesekiirguse andmestikud, näiteks SARAH-3 ja CAMS, tuginevad satelliidivaatlustele ja füüsikalistele mudelitele. Need on põhjalikult valideeritud ja laialdaselt kasutusel, kuid nende ruumiline ja ajaline lahutusvõime seab piiranguid kohalikele rakendustele. SARAH-3 annab hinnanguid ligikaudu 5,6 km suurusel võrgustikul ja CAMS umbes 11 km võrgustikul. Ajaline lahutusvõime on vastavalt 30 ja 15 minutit. Selline detailsus sobib hästi klimatoloogilisteks uuringuteks, kuid pole piisavalt detailne, et kirjeldada tingimusi üksikus päikesepargis kindlal pärastlõunal.
Meteosat Third Generation pakub märksa detailsemat vaadet
Hiljuti kasutusele võetud Meteosat Third Generation (MTG) satelliidid on varustatud Flexible Combined Imageri (FCI) instrumendiga, mis võimaldab saada umbes 0,5–1 km ruumilise lahutusvõimega satelliidipilte. See on märkimisväärne edasiminek võrreldes eelmise põlvkonna Meteosat Second Generation (MSG) satelliitide ja nende SEVIRI instrumendiga, mille ruumiline lahutusvõime on 1–3 km. Lisaks pakub FCI ka suuremat spektraalset lahutusvõimet.
Sellel täiustusel on selge füüsikaline põhjus. Suurem ruumiline lahutusvõime võimaldab satelliidil eristada väiksemaid pilvestruktuure ning just pilved põhjustavad maapinnani jõudva päikesekiirguse lühiajalist muutlikkust kõige enam. Seetõttu peaks detailsem pilveinfo võimaldama põhimõtteliselt ka täpsemaid hinnanguid päikesekiirgusele.
Suurim piirang on aga andmete kättesaadavus. Katsete tegemise ajal oli MTG andmeid olemas vaid ligikaudu ühe aasta jagu, samas kui MSG pakub mitme aasta pikkust andmearhiivi. Kuna masinõppemudelid saavutavad paremaid tulemusi pikemate treeningandmete korral, oli uuringu keskne metoodiline küsimus, kuidas kasutada uue, kõrgema lahutusvõimega satelliidianduri eeliseid ilma loobumata vanema satelliidipõlvkonna pikast andmearhiivist.
Mitme haruga konvolutsiooniline närvivõrk ühendab mõlema satelliidipõlvkonna eelised
Selle asemel, et valida ühe või teise satelliidipõlvkonna vahel, ühendab mudel mõlema tugevused. Tegemist on mitut satelliidiandurit ja mitut ruumilist lahutusvõimet kasutava konvolutsioonilise närvivõrguga (CNN), mis koostab Eesti eri asukohtade jaoks SSI hinnanguid 10-minutilise ajasammuga.
Iga meteoroloogiajaama jaoks eraldab mudel satelliidipiltidelt selle asukoha ümber paiknevad pildilõigud. Iga pilditüüpi töödeldakse närvivõrgu eraldi harus: SEVIRI 3 km ja 1 km lahutusvõimega piltidel on kumbki oma haru ning FCI 1 km ja 0,5 km lahutusvõimega piltidel samuti oma haru. Iga haru koosneb väikesest konvolutsioonilisest närvivõrgust, mis õpib sisendandmetest välja võtma olulised tunnused. Seejärel ühendatakse harude väljundid arvuliste sisendandmetega (päikese asend, kellaaeg, aastaaeg, geograafiline asukoht ning selge taeva tingimustele vastav päikesekiirguse võrdlusväärtus) ja suunatakse võrgu viimastesse kihtidesse, et hinnata päikesekiirgust konkreetses asukohas.
Mõlema satelliidipõlvkonna andmed ühendatakse hübriidse treenimisprotseduuri abil. Esmalt treenitakse SEVIRI harusid viie aasta MSG andmete põhjal, et kujundada stabiilne andmeesitus. Seejärel need harud külmutatakse ning FCI harusid treenitakse olemasoleva ühe aasta pikkuse MTG andmestiku põhjal. Nii säilib pikema MSG andmearhiivi pakutav teave, samal ajal kui mudel saab kasutada ka MTG kõrgema ruumilise lahutusvõime eeliseid.
Mudeli toimivust hinnati kaheksa meteoroloogiajaama põhjal tehtud ristvalideerimisega ning katseid korrati mitme sõltumatu treenimiskorraga. See võimaldas hinnata tulemuste määramatust ning eristada tegelikku, korduvatel katsetel püsivalt avalduvat mudeli jõudlust juhuslikust treenimiskordade vahelisest varieeruvusest, mida paljud varasemad üksikule mudelile keskendunud uuringud ei ole käsitlenud.
Kõrgem ruumiline lahutusvõime aitab enim pilvise ilmaga
Tulemused näitavad, et suuremast ruumilisest lahutusvõimest on kõige rohkem kasu pilvistes tingimustes, kus päikesekiirguse hindamine on kõige keerulisem. Võrreldes ainult MSG andmeid kasutava mudeliga vähendas hübriidne MSG+MTG mudel ruutkeskmist viga (RMSE) keskmiselt ligikaudu 4,9 W/m² ning vastavalt 8,2 W/m² lauspilvise ja 5,7 W/m² pilvise taeva korral (vt joonis 4). See tähendab, et ruutkeskmine viga vähenes keskmiselt ligikaudu 6%, pilvise ilma korral koguni 15% ning lauspilvise taeva korral 6%. Selge või vähese pilvisusega ilmaga, kus pilvede mõju on väiksem, ei andnud kõrgem ruumiline lahutusvõime statistiliselt olulist erinevust. See kinnitab tõlgendust, et detailsem satelliidipilt aitab mudelil eelkõige paremini arvestada pilvede mõju maapinnani jõudvale päikesekiirgusele.
Füüsikapõhise võrdlusmudeliga võrreldes on mudel pilvise ilmaga täpsem
Võrreldes füüsikapõhise SARAH-3 tootega saavutas hübriidmudel oskusskooriks ligikaudu 35% lauspilvise, 21% pilvise ning 20% kõigi tingimuste lõikes. Need tulemused näitavad vea märkimisväärset vähenemist just muutliku pilvisusega olukordades, mis on päikeseenergia tootmise seisukohalt kõige olulisemad.
Selge taeva tingimused on endiselt väljakutse
Selge taeva korral olid tulemused tagasihoidlikumad. Nendes tingimustes jäi masinõppemudelite tulemus SARAH-3 omale ligikaudu 38% alla ning mudelite jõudlus varieerus eri treenimiskordade vahel rohkem. Analüüs näitab, et suurem osa sellest erinevusest tuleneb süstemaatilisest nihkest, mitte juhuslikust veast. Tõenäoliselt on selle põhjuseks mõõtekohtade erinev pinnapeegeldus (albeedo), mida süvendab asjaolu, et täielikult selge taevaga vaatlusi oli andmestikus väga vähe – ligikaudu 4% kõigist näidetest. Ainuüksi kõrgem ruumiline lahutusvõime seda probleemi ei lahenda ning see jääb masinõppel põhineva päikesekiirguse hindamise puhul üheks oluliseks edasiseks uurimissuunaks.
Kokkuvõte ja edasised suunad
Tulemused näitavad, et järgmise põlvkonna satelliidipiltide ja masinõppe kombineerimine võimaldab hinnata maapinnani jõudvat päikesekiirgust tegelikes tingimustes senisest täpsemalt. Eesti oludes võimaldab uuring teha ühe selge järelduse. Järgmise põlvkonna MTG/FCI satelliidipildid parandavad süvaõppel põhinevat SSI hindamist eelkõige siis, kui peamine muutlikkuse allikas on pilvisus. Kõrgema ruumilise lahutusvõimega piltide ühendamine pikema MSG andmearhiiviga hübriidse mudeli abil on seejuures tõhus viis nende eeliste rakendamiseks. Ainuüksi suuremast ruumilisest lahutusvõimest aga selge taeva tingimustes ei piisa ning see vajab edasist uurimist.
Uuringul on kaks peamist piirangut: analüüs hõlmas väikest geograafilist piirkonda ning põhines vaid ühe aasta MTG andmetel. Seetõttu viidi ka tulemuste valideerimine läbi neid piiranguid arvestades. Kui MTG andmearhiiv pikeneb ja lähenemist rakendatakse suuremates piirkondades, võiks mudelit kohandada ka päikesekiirguse prognoosimiseks, mitte üksnes selle hetkeväärtuse hindamiseks. Sellest oleks otsest kasu elektrivõrgu optimeerimisel ja taastuvenergia kauplemisel.
Kuigi see uuring keskendub maapinnani jõudva päikesekiirguse hindamisele, on selle aluseks olev lähenemine – Maa seireandmete ja masinõppe ühendamine – rakendatav märksa laiemalt energiavaldkonnas. STACCis kasutatakse sarnaseid meetodeid praktiliste probleemide lahendamiseks, kus täpsed prognoosid ja andmepõhine otsustamine aitavad luua reaalset ärilist väärtust.
Selles blogipostituses esitatud arvulised tulemused – RMSE vähenemine, oskusskoorid ning selge taeva tingimuste tulemused – pärinevad Gordei Pribõtkini, Piia Posti ja Velle Tolli teadusartiklist, mis on avaldatud arXiv-i eeltrükina. Töö on kirjeldatud ka Gordei Pribõtkini 2026. aastal Tartu Ülikoolis kaitstud magistritöös Surface Solar Irradiance Retrieval From Geostationary Satellite Images Using Deep Learning, mille juhendajad olid Piia Post (PhD), Velle Toll (PhD) ja Kalev Koppel (PhD). Magistritöö on kättesaadav Tartu Ülikooli arvutiteaduse instituudi lõputööde registris. Magistritöös kasutati mõnevõrra teistsugust katsete ülesehitust, mistõttu erinevad seal esitatud põhinäitajad teadusartiklis avaldatutest. Käesolevas blogipostituses on kasutatud teadusartiklis esitatud tulemusi. Autorid tänavad Keskkonnaagentuuri maapealsete päikesekiirguse mõõtmiste eest ning EUMETSATi MSG/SEVIRI ja MTG/FCI satelliitandmete ning võrdluseks kasutatud CM SAF/EUMETSAT SARAH-3 andmestiku eest.
Allikad:
- Pribõtkin, G., Post, P., & Toll, V. (2026). Meteosat Third Generation imagery improves CNN-based SSI retrieval. arXiv-i eeltrükk.
- Pribõtkin, G. (2026). Surface Solar Irradiance Retrieval From Geostationary Satellite Images Using Deep Learning. Magistritöö, Tartu Ülikool.
- Pfeifroth, U. jt (2024). SARAH-3 – satellite-based climate data records of surface solar radiation. Earth System Science Data, 16(11), 5243–5265.
