正確な太陽放射強度（SI）の予測は、電力調節や太陽光発電所の選定にとって非常に重要です。高性能なコンピュータと大容量のストレージデバイスの発展に伴い、データ駆動型の深層学習モデルがSI予測分野で広く注目されています。ただし、深層学習モデルの「ブラックボックス」特性により、物理的な解釈性が欠如しており、特定のシーンでの適用信頼性が制限されています。したがって、予測精度とモデル構造を変更せず、計算の複雑さを増やさずに、モデルの解釈性を向上させるために、長期短期記憶（LSTM）ニューラルネットワークベースのモデルを構築しました。その性能は従来のニューラルネットワークよりも8.07％向上し、より優れた外れ値処理能力を示しました。タイムおよびスペースの2つの次元からの影響モデルの出力の評価を行うことで、分層関連伝播（LRP）アルゴリズムを採用することにより、モデルの解釈性が向上しました。研究結果により、このモデルは性能を確保しながら、良好な解釈性を有しており、過去の放射強度、時間に関連する特徴（日時週月など）、太陽高度情報（日の出や日の入りのタイミング）、雲の覆い、放射時間、気温、露点温度などが太陽放射強度予測の主要な要因であることが示されました。

太陽放射強度予測;ディープラーニング;解釈性;LRPアルゴリズム;LSTM