Em algum lugar dos Estados Unidos, um projeto solar concluído está aguardando. A revisão ambiental foi aprovada, o financiamento foi fechado há muito tempo, o terreno está arrendado e o equipamento está especificado. A única coisa que falta é uma carta de uma concessionária confirmando que há espaço na rede. O Lawrence Berkeley National Laboratory, que acompanha essas filas todos os anos, descobriu que para os projetos construídos em 2025 a espera mediana desde aquela primeira solicitação até realmente gerar eletricidade ultrapassou cinco anos1. A maioria dos projetos nunca chega a esse ponto: de toda a capacidade que entrou nas filas dos EUA entre 2000 e 20201, apenas 13 % havia chegado à operação até o final de 2025, enquanto três quartos haviam se retirado. Ao final de 2025, a fila ativa continha mais de 2.000 gigawatts, aproximadamente o dobro da frota instalada do país.1
Duas coisas tornaram as apostas mais altas recentemente. A demanda está subindo mais rápido do que a rede pode absorvê-la, com data centers, eletrificação e nova manufatura por trás de previsões de bem mais de cem gigawatts de capacidade adicional necessária dentro de cinco anos.2 E as regras para entrar em uma fila se tornaram mais rigorosas: sob as reformas que estão sendo implementadas agora, um desenvolvedor tem que mostrar controle real do local e prontidão técnica simplesmente para manter um lugar na fila, em vez de apresentar uma solicitação especulativa e refiná-la depois.1 Ambas as mudanças empurram a mesma decisão para mais cedo e a tornam mais pesada. Onde construir agora tem que estar substancialmente correto antes que um projeto esteja sequer na fila.
Essa decisão, sobre qual parcela se comprometer, está se tornando uma das mais consequentes no desenvolvimento solar, e uma das mais fáceis de errar. A raiz da maioria dos atrasos posteriores raramente é uma escassez de luz solar. É um local escolhido antes que suas restrições reais fossem compreendidas.
O que realmente decide um local
O que torna uma parcela uma candidata forte vai muito além da luz solar, que é o que a maioria das pessoas imagina primeiro. A irradiância é o primeiro essencial e também o mais direto: os dados são abundantes, bem compreendidos e disponíveis gratuitamente em quase qualquer lugar do mundo. Agora também é financiável, mas mais sobre isso depois.
Os fatores que realmente decidem um local são aqueles que nunca aparecem em um mapa de irradiância. Inclinação e terreno podem transformar uma construção direta em um problema de engenharia e financeiro. A próxima questão é quem e o que já vive na terra: uma espécie ameaçada descoberta tarde demais pode reter um projeto por anos, e comunidades vizinhas ou agricultores podem se opor para proteger seus arredores ou seus meios de subsistência. A oposição local desse tipo, frequentemente descrita como expansão energética, tornou-se uma das causas mais comuns de atraso de licenciamento. E então há a própria rede: quão longe fica a subestação mais próxima, e se aquela linha, ou a próxima, tem alguma capacidade restante para receber um novo projeto.
Cada um desses pode derrubar o plano para o local mais ensolarado, e nenhum deles é visível em um valor de irradiância. A maioria deles, porém, pode ser lida a partir de satélites. Com observação da Terra e aprendizado de máquina, agora é possível examinar regiões inteiras no tempo que antes levava para visitar um punhado de parcelas, o que mudou a economia do desenvolvimento inicial. As visitas ao local ainda importam, mas elas vêm depois que a imagem de desktop é construída, então as equipes vão apenas onde vale a pena.
Mesmo assim, decisões ruins de local ainda são tomadas, e projetos ainda morrem em filas. Parte da razão está em como a própria terra é lida.
Não há escassez de terra, apenas um problema de detecção
O instinto é tratar a terra como a restrição vinculante. Trabalhos recentes sugerem o contrário. Um estudo publicado este ano na Joule, construído sobre mapeamento por satélite de quase 69.000 instalações solares em 65 países, descobriu que alcançar emissões líquidas zero com alto crescimento em energia solar levaria uma parcela insignificante da terra do mundo, na ordem de um décimo de um por cento até 20503. A escassez não é de terra. É a capacidade de encontrar a terra certa, e de reconhecer o solo perturbado que poderia ser usado em vez de converter algo novo.
A mesma pesquisa aponta para o valor de economia de terra de telhados e terrenos industriais desativados. Um aterro sanitário coberto, uma pedreira antiga ou um trecho de terra industrial em desuso já está perturbado em vez de recém-convertido, e tais locais frequentemente ficam perto da infraestrutura de rede existente, porque a indústria foi construída onde havia energia. Eles também tendem a atrair muito menos oposição local do que campos abertos. A dificuldade é que um telhado sólido ou um terreno industrial desativado utilizável é muito mais difícil de identificar do que um simples campo verde. Isso exige descobrir o tipo e a condição do telhado, ou ler uma faixa estreita e específica de cobertura de terra industrial, e isso depende exatamente do tipo de exemplos bem rotulados que permanecem escassos para esses locais menos convencionais.
Os pontos fracos na leitura de um local
Tudo isso, ler o terreno corretamente e identificar telhados e terrenos industriais desativados que ninguém mapeou sistematicamente, repousa em confiar no que o satélite mostra. Essa confiança tem pontos fracos específicos, e cada um remonta a algo já mencionado.
Comece com se há uma imagem utilizável. Cobertura de nuvens, artefatos de sensor e interferência atmosférica deixam buracos reais no registro de satélite de um local, e em partes dos trópicos uma visão clara do solo pode ser difícil de obter. A parte mais difícil de ensinar um modelo a ver através de nuvens sempre foi a falta de exemplos correspondentes: você quase nunca tem o mesmo lugar, no mesmo momento, fotografado tanto com nuvem quanto sem, então não há nada limpo para aprender. Dados sintéticos de satélite removem essa restrição, porque a mesma cena pode ser gerada duas vezes, uma vez clara e uma vez sob nuvem de qualquer tipo ou densidade, dando a um modelo exemplos perfeitamente pareados. Trabalhos publicados mostraram que modelos de detecção e remoção de nuvens treinados apenas em nuvens sintéticas podem se aproximar do desempenho dos mesmos modelos treinados em imagens reais. Duas técnicas estabelecidas fecham a lacuna do outro lado: fundir radar, que passa através de nuvens, com o registro óptico em ambos os lados de uma lacuna, e preencher lacunas mais curtas usando o próprio histórico circundante de uma região. Nenhuma inventa informação. Ambas transformam um arquivo irregular em algo mais próximo de contínuo, que é o que uma decisão de longo prazo precisa.
Então há a leitura correta da imagem. Distinguir terras agrícolas boas de ruins, ou um telhado sólido de um comprometido, precisa de um modelo que aprendeu a diferença a partir de exemplos reais. A escassez não é de imagens; satélites fotografam o planeta inteiro em um cronograma independentemente de quanta energia solar um país construiu. A escassez é de exemplos rotulados, onde alguém marcou precisamente qual é a inclinação em um determinado ponto, qual é a cobertura da terra, onde fica uma linha de telhado. Esse trabalho é lento e custoso, e foi feito principalmente para lugares que já têm muita energia solar, porque é onde o incentivo apareceu primeiro. Um modelo treinado principalmente em locais cuidadosamente rotulados nos EUA ou na Europa carrega esse viés para onde quer que olhe em seguida. Dados sintéticos contornam isso, porque chegam com seus rótulos já anexados: quem gerou a cena sabe exatamente o que há nela, a inclinação, a vegetação, a borda de cada telhado, e ninguém tem que traçá-la manualmente depois.
Os mesmos dados de desktop geralmente alimentam a primeira passagem no dimensionamento do que é construído, e é aí que uma fraqueza mais sutil aparece. Um satélite meteorológico geoestacionário fotografa um local a cada cinco a quinze minutos, o que parece frequente até você lembrar que uma única nuvem pode levar um arranjo de quase produção total para quase nada em menos de um minuto. Um modelo de rendimento construído nessa cadência nativa suaviza diretamente sobre as oscilações rápidas que determinam quão grande uma bateria precisa ser, ou se um inversor vai cortar no pico de recuperação uma vez que a nuvem passa. Recuperar esse detalhe sub-minuto é, mais uma vez, um problema de dados pareados, e os mesmos campos de nuvens sintéticas que ensinam um modelo a ver através do clima podem fornecê-lo.
Por que a luz solar é financiável e todo o resto não é
Vale a pena terminar com irradiância, o fator fácil com o qual este artigo abriu, porque mostra como realmente se parece algo resolvido. Os credores querem décadas de irradiância validada antes de financiar uma usina, e por anos a única maneira de obter números em que um banco confiaria era colocar uma estação terrestre no local e esperar. Essa espera praticamente desapareceu. Registros de irradiância derivados de satélite agora remontam a mais de vinte anos para a maior parte do mundo, e uma técnica chamada adaptação ao local corrige esse longo registro contra algumas semanas de medição local, transformando uma espera de vários anos em uma questão de meses. A questão da irradiância está, com efeito, respondida.
Todo o resto que um credor ou uma autoridade de licenciamento pergunta sobre um local não alcançou isso. O terreno, o uso da terra, os telhados, a vegetação rastejando sobre uma linha de telhado: esses são os julgamentos que ainda paralisam projetos, e são os que dependem mais de confiar no que um modelo vê. Isso é precisamente o que os dados sintéticos são construídos para fortalecer. Eles fornecem os exemplos rotulados e perfeitamente correspondentes que estão faltando onde quer que o arquivo real seja escasso, então um modelo pode aprender a ler uma inclinação, um telhado ou uma cena nublada corretamente antes que um projeto seja comprometido, em vez de depois que ele falha. A irradiância obteve sua ponte a partir de dados terrestres. Para todo o resto, dados sintéticos são a ponte.
A primeira escolha define o resto
Tudo o que se segue, licenciamento, financiamento, o estudo de interconexão e anos de operação depois disso, herda o que foi decidido neste primeiro passo. Isso sempre foi verdade. Importa mais agora que um desenvolvedor tem que provar que um local está pronto antes de entrar em uma fila que já se estende por mais de cinco anos, em um mercado onde a demanda está subindo mais rápido do que a rede pode recebê-la. Escolher bem não garantirá uma execução fácil. Escolher mal chega perto de garantir uma difícil. As ferramentas para acertar a decisão, e a qualidade de dados para torná-las confiáveis, já existem, e nenhuma delas requer esperar que um projeto falhe primeiro.
A Another Earth gera dados sintéticos de observação da Terra em alta resolução, projetados para treinar e testar os modelos de IA usados em trabalhos ambientais, de infraestrutura e de clima. Nosso objetivo é ajudar organizações a passar de reagir ao que já aconteceu para antecipar o que vem a seguir, construindo a camada de dados preditivos para o mundo físico.
[1] Lawrence Berkeley National Laboratory, Queued Up: 2026 Edition
[2] Grid Strategies, previsão de crescimento de carga, novembro de 2025
[3] Jordaan et al., “Global land and solar energy relationships for sustainability,” Joule (2026)
