整合標準氣象年資料與多模型融合技術於太陽輻射潛能預測

Abstract

本研究旨在建立高解析度的全天空日射量（Global Horizontal Irradiance, GHI）預測模型，以支援再生能源發展規劃與氣候變遷調適策略。在面對日益嚴峻的氣候變遷及能源需求挑戰下，精確且可靠的太陽能潛力評估已成為重要的研究課題。研究整合2012至2021年間之Himawari-8及MTSAT-2衛星觀測資料，透過模型進行日射量反演建構空間解析度為2公里之標準氣象年（Typical Meteorological Year, TMY）GHI資料集。透過臺北市與臺南市對比分析，研究指出兩地區之氣候特徵與日射量差異，顯示臺北市地區之GHI年際變異較大且季節波動明顯，而臺南市則具備較為穩定且豐富之太陽輻射資源。在方法上，研究納入日曆、氣象與空氣污染等四類共20項變數，並建構堆疊集成機器學習模型，以提升預測精度與解釋能力。結果顯示，Stacking模型相較單一模型在臺北市與臺南市的決定係數分別達0.95與0.97，誤差顯著降低。特徵重要性分析結果指出，臺北市之預測模型主要受如最大氣溫與降水量等動態氣象因子主導，其總貢獻度達77.6%；相較之下，臺南市氣象因子之貢獻度相對較低，而日曆因子之重要性則有所提升，此反映該地區更為規律之氣候模式。此外，透過極端氣候事件分析以凱米颱風為例，驗證TMY GHI作為穩定氣候參考因子價值，其能有效提高模型在極端情境下預測準確性。最後，本研究以CMIP6資料預測不同氣候情境下未來GHI變化，在低排放情境（SSP126）下，臺北市與臺南市日射量均呈增長趨勢；中排放情境（SSP245）中期出現區域差異，臺北市減少0.45%、臺南市增加0.14%，長期則趨於一致；高排放情境下，兩地日射量皆明顯下降，且臺北市減幅較早出現。本研究結合標準氣象年之衛星資料與多源因子以建構堆疊集成學習模型，有效提升日射量預測精確性與可解釋性，並驗證標準氣象年在極端氣候下的參考價值，以及不同氣候情境下之預測亦揭示區域差異，突顯因地制宜能源規劃的重要性，望可作為再生能源發展與氣候韌性社會建構之科學基礎。

This study develops a high-resolution Global Horizontal Irradiance (GHI) prediction model to support renewable energy planning and climate adaptation. By integrating Himawari-8 and MTSAT-2 satellite data (2012–2021), a 2 km Typical Meteorological Year (TMY) GHI dataset was constructed. A comparison between Taipei and Tainan revealed distinct regional solar patterns—Taipei showed higher interannual variability, while Tainan had more stable irradiance. The model incorporates 20 features across calendar, meteorological, and air pollution categories, using a stacking ensemble approach to enhance accuracy and interpretability. Results show R² values of 0.95 (Taipei) and 0.97 (Tainan), with significantly reduced RMSE and MAE. Feature importance analysis indicated Taipei's predictions were affected by dynamic weather factors, while Tainan relied more on calendar-based variables. Typhoon Gaemi analysis further validated the TMY GHI's role in improving model robustness under extreme events. Climate scenario projections based on CMIP6 suggest rising GHI under SSP126, regional divergence under SSP245, and declines under SSP585, with Taipei affected earlier. This study highlights the importance of integrating high-resolution data and machine learning for reliable solar potential forecasting and supports the development of climate-resilient energy strategies.