Medir la radiación solar supone una acción costosa, así como todas las tareas relacionadas con el mantenimiento y la calibración de los sensores más empleados: piranómetros y radiómetros. El resultado de ello es la escasez de datos confiables. En esta línea, un grupo de investigación de la Universidad de Córdoba ha desarrollado y evaluado varios modelos de aprendizaje automático para predecir la radiación solar en nueve ubicaciones (sur de España y Carolina del Norte en EEUU), las cuales representan diferentes condiciones geo-climáticas (aridez, distancia a lmar y elevación). Un trabajo que ha sido presentado en la revista Applied Energy.

Paneles solares | Fotografía extraída de Pexels

Una de las principales innovaciones de los modelos que han creado es que solamente necesitan datos térmicos para estimar la radiación solar diaria. “Medir y disponer de datos de temperatura del aire hoy día con la sensorización de bajo coste y las tecnologías IoT (Internet of Things) resulta bastante asequible”, añade el investigador y profesor de la UCO Javier Estévez Gualda. Además, la mayoría de las estaciones meteorológicas existentes en el mundo disponen de sensores térmicos y pluviométricos, pero muy pocas miden radiación solar.

Por su parte, Juan Antonio Bellido, autor principal del trabajo, destaca que uno de los problemas que actualmente existen en los modelos basados en inteligencia artificial es la configuración de parámetros internos, denominados hiperparámetros. “Podemos imaginar que estos hiperparámetros son los controles de la mesa de mezclas de los técnicos de sonido, su ajuste es fundamental, evitando en todo momento que la modificación de un potenciómetro provoque problemas en la sonorización”, explica. Para solucionar este problema, en el trabajo han utilizado un algoritmo automático denominado Optimización Bayesiana (basado en la teoría de Bayes), que se encarga de buscar de manera eficiente y rápida parámetros adecuados para que los modelos obtengan resultados eficientes y precisos.

Todos los modelos utilizados se pueden clasificar como modelos supervisados, es decir, requieren de datos de entrenamiento. Sin embargo, se pueden clasificar dentro de varios grupos: modelos basados en redes neuronales, cuyo funcionamiento se asimila al de las neuronas (Multilayer Perceptron – MLP -, Extreme Learning Machine – ELM – y Generalised Regression Neural Networks – GRNN); modelos basados en una tipología de árbol (Random Forest -RF- y Extreme Gradient Boost – XGBoost), y otros, como Support Vector Machine (SVM).

Éstos han sido probados en diferentes condiciones de aridez, como es el Sur de España y Carolina del Norte (USA), es decir, en zonas áridas, semiáridas, sub-húmedas secas y húmedas. El 31% de la superficie terrestre es árido-semiárido-subhúmedo seco, mientras que el 67% es húmedo. De esta forma, son aplicables en toda la superficie de la Tierra. Cuando se evalúa la eficiencia de los modelos entrenados en nuevas localizaciones cuyos datos no han sido utilizados durante el mismo se producen mejoras significativas en todas las localizaciones. Por ejemplo, los entrenados con series temporales de Cabra (Córdoba) y luego aplicados en El Campillo (Huelva) presentan una mejora considerable.

La profesora e investigadora Amanda P. García-Marín, quien también forma parte del equipo, expone que los resultados mejoran los modelos actuales, obteniendo una gran precisión en la estimación de valores diarios de radiación solar. “Esto es crucial en ubicaciones sin conjuntos de datos disponibles o faltantes / de baja calidad, y se pueden utilizar para optimizar la determinación de las ubicaciones potenciales para la construcción de plantas de energía solar”, concluye el investigador Javier Estévez Gualda.

Otro de los puntos fuertes del trabajo es que los modelos están a disposición de cualquier investigador en el repositorio de libre acceso GitHub, por lo que su uso puede extenderse a cualquier zona del planeta, en función de su aridez. Además, desde el punto de vista agronómico resulta decisivo la estimación precisa de radiación solar ya que es una variable clave para el desarrollo de los cultivos.

Esta investigación forma parte del proyecto Smarity (AGL2017-87658-R), financiado por el Plan Nacional I+D+i Retos de la Sociedad del Ministerio de Ciencia que busca soluciones contra la aridez climática en el sur de España y que se encarga de predecir de forma inteligente la variabilidad espacio-temporal de la aridez y sus efectos en la agricultura y el medio ambiente.

Referencia bibliográfica:
Bellido-Jiménez, J. A., Estévez Gualda, J., Penélope García-Marín, A. (2021). Assessing new intra-daily temperature-based machine learning models to outperform solar radiation predictions in different conditions. Applied Energy, Vol. 298. DOI: https://doi.org/10.1016/j.apenergy.2021.117211