IntegratingWeather Foundation Model and Satellite to Enable Fine-Grained Solar Irradiance Forecasting

📄 arXiv: 2603.14845v1 📥 PDF

作者: Ziqing Ma, Kai Ying, Xinyue Gu, Tian Zhou, Tianyu Zhu, Haifan Zhang, Peisong Niu, Wang Zheng, Cong Bai, Liang Sun

分类: cs.LG, cs.AI

发布日期: 2026-03-16

🔗 代码/项目: GITHUB

💡 一句话要点

提出Baguan-solar，融合气象大模型与卫星数据，实现精细化太阳辐照度预测

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 太阳辐照度预测 气象大模型 卫星遥感 多模态融合 深度学习 可再生能源 日前预测

📋 核心要点

  1. 现有太阳辐照度预测方法在高分辨率和长时程预测上存在不足，难以捕捉复杂云动力学。
  2. Baguan-solar融合气象大模型和卫星图像，分阶段预测云覆盖和辐照度，兼顾大尺度约束和精细云结构。
  3. 实验表明，Baguan-solar在东亚地区预测精度优于现有方法，RMSE降低16.08%，并已实际部署应用。

📝 摘要（中文）

精确的日前太阳辐照度预测对于将太阳能整合到电网至关重要。然而，由于显著的日变化周期和固有的复杂云动力学，这仍然具有挑战性。当前的方法要么缺乏精细尺度的分辨率（例如，数值天气预报、气象基础模型），要么在较长的预测提前期内性能下降（例如，卫星外推）。我们提出了Baguan-solar，这是一个两阶段多模态框架，它融合了全球气象基础模型Baguan的预测和高分辨率地球静止卫星图像，以生成公里尺度的24小时辐照度预测。其解耦的两阶段设计首先预测昼夜连续的中间变量（例如，云覆盖），然后推断辐照度，而其模态融合共同保留了来自卫星的精细尺度云结构和来自Baguan预测的大尺度约束。在东亚使用CLDAS作为地面实况进行评估，Baguan-solar优于强大的基线（包括ECMWF IFS、原始Baguan和SolarSeer），降低了16.08%的RMSE，并更好地解决了云引起的瞬变。自2025年7月以来，Baguan-solar的运营部署已支持中国东部某省的太阳能发电预测。

🔬 方法详解

问题定义：论文旨在解决精细化太阳辐照度预测问题，特别是提高日前（24小时）预测的准确性。现有方法，如数值天气预报和气象基础模型，虽然能提供大尺度信息，但分辨率不足；而卫星外推方法虽然分辨率高，但预测时间越长，精度越差。这些方法难以准确捕捉复杂云动力学，导致预测误差增大。

核心思路：论文的核心思路是融合气象基础模型（Baguan）的全局预测能力和高分辨率卫星图像的细节信息，利用两者的优势互补，从而实现更准确的精细化太阳辐照度预测。这种融合策略旨在克服单一方法的局限性，提高预测的鲁棒性和准确性。

技术框架：Baguan-solar采用两阶段解耦的多模态框架。第一阶段，利用Baguan气象大模型和卫星图像预测昼夜连续的中间变量，例如云覆盖。第二阶段，基于第一阶段的预测结果，推断太阳辐照度。该框架的关键在于模态融合，即如何有效地将来自Baguan的大尺度约束和来自卫星的精细尺度云结构结合起来。

关键创新：该方法最重要的创新点在于两阶段解耦设计和多模态融合策略。解耦设计允许模型分别优化云覆盖预测和辐照度推断，简化了训练过程。多模态融合则充分利用了不同数据源的优势，提高了预测的准确性和鲁棒性。与现有方法相比，Baguan-solar能够更好地捕捉云动力学，并提供更精细的预测结果。

关键设计：论文中未明确说明关键参数设置、损失函数和网络结构的具体细节。但从整体框架来看，模态融合的方式（例如，如何加权融合Baguan和卫星数据）以及两阶段之间的信息传递机制是关键的设计选择。此外，用于云覆盖预测和辐照度推断的具体模型结构（例如，卷积神经网络、循环神经网络或Transformer）也会影响最终的预测性能。这些细节需要在代码中进一步分析。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Baguan-solar在东亚地区的太阳辐照度预测中显著优于现有方法，包括ECMWF IFS、原始Baguan和SolarSeer。具体而言，Baguan-solar的RMSE降低了16.08%，表明其预测精度得到了显著提升。此外，Baguan-solar能够更好地解决云引起的瞬变，这对于太阳能发电的稳定运行至关重要。该模型已在中国东部某省实际部署，验证了其在实际应用中的有效性。

🎯 应用场景

该研究成果可广泛应用于太阳能发电场的功率预测，帮助电网运营商更有效地调度和管理太阳能资源。精确的太阳辐照度预测有助于提高电网的稳定性和可靠性，降低对传统能源的依赖，促进可再生能源的普及和应用。此外，该技术还可应用于农业、气象等领域，为相关行业提供更准确的天气信息。

📄 摘要（原文）

Accurate day-ahead solar irradiance forecasting is essential for integrating solar energy into the power grid. However, it remains challenging due to the pronounced diurnal cycle and inherently complex cloud dynamics. Current methods either lack fine-scale resolution (e.g., numerical weather prediction, weather foundation models) or degrade at longer lead times (e.g., satellite extrapolation). We propose Baguan-solar, a two-stage multimodal framework that fuses forecasts from Baguan, a global weather foundation model, with high-resolution geostationary satellite imagery to produce 24- hour irradiance forecasts at kilometer scale. Its decoupled two-stage design first forecasts day-night continuous intermediates (e.g., cloud cover) and then infers irradiance, while its modality fusion jointly preserves fine-scale cloud structures from satellite and large-scale constraints from Baguan forecasts. Evaluated over East Asia using CLDAS as ground truth, Baguan-solar outperforms strong baselines (including ECMWF IFS, vanilla Baguan, and SolarSeer), reducing RMSE by 16.08% and better resolving cloud-induced transients. An operational deployment of Baguan-solar has supported solar power forecasting in an eastern province in China, since July 2025. Our code is accessible at https://github.com/DAMO-DI-ML/Baguansolar. git.