Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala.
XLV Reunión de Trabajo de la ASADES (Salta, 31 de octubre al 3 de noviembre de 2023).
Salvato in:
| Autore principale: | |
|---|---|
| Altri autori: | , , , , , , , |
| Natura: | article |
| Lingua: | spagnolo |
| Pubblicazione: |
2023
|
| Soggetti: | |
| Accesso online: | https://hdl.handle.net/20.500.12008/47237 |
| Tags: |
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
| _version_ | 1868890071874142208 |
|---|---|
| author | Iturbide, Paula |
| author2 | Orsi, Ximena Denegri, María José Fioretti, Santiago Ruiz, Pablo Luza, Sergio Stern, Valeria Alonso-Suárez, Rodrigo Ronchetti, Franco |
| author2_role | author author author author author author author author |
| author_browse | Alonso-Suárez, Rodrigo Denegri, María José Fioretti, Santiago Iturbide, Paula Luza, Sergio Orsi, Ximena Ronchetti, Franco Ruiz, Pablo Stern, Valeria |
| author_facet | Iturbide, Paula Orsi, Ximena Denegri, María José Fioretti, Santiago Ruiz, Pablo Luza, Sergio Stern, Valeria Alonso-Suárez, Rodrigo Ronchetti, Franco |
| author_role | author |
| collection | COLIBRI |
| dc.contributor.none.fl_str_mv | Iturbide Paula, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES). Orsi Ximena, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES). Denegri María José, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES). Fioretti Santiago, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES). Ruiz Pablo, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES). Luza Sergio, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES). Stern Valeria, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES). Alonso-Suárez Rodrigo, Universidad de la República (Uruguay). CENUR Litoral Norte. Laboratorio de Energía Solar. Ronchetti Franco, Universidad Nacional de La Plata (Argentina). Instituto de Investigación en Informática. |
| dc.creator.none.fl_str_mv | Iturbide, Paula Orsi, Ximena Denegri, María José Fioretti, Santiago Ruiz, Pablo Luza, Sergio Stern, Valeria Alonso-Suárez, Rodrigo Ronchetti, Franco |
| dc.date.none.fl_str_mv | 2023 2024-11-27T17:30:08Z 2024-11-27T17:30:08Z |
| dc.format.none.fl_str_mv | 12 p. application/pdf |
| dc.identifier.none.fl_str_mv | Iturbide, P., Orsi, X., Denegri, M. y otros. "Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala". Avances en Energías Renovables y Medio Ambiente; vol. 27. [en línea] 2023, pp. 462-473. https://hdl.handle.net/20.500.12008/47237 |
| dc.language.none.fl_str_mv | es spa |
| dc.relation.none.fl_str_mv | Avances en Energías Renovables y Medio Ambiente; vol. 27, pp. 462-473, 2023. |
| dc.rights.none.fl_str_mv | info:eu-repo/semantics/openAccess Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) |
| dc.source.none.fl_str_mv | reponame:COLIBRI instname:Universidad de la República instacron:Universidad de la República |
| dc.subject.none.fl_str_mv | Radiación solar Aprendizaje automático Imágenes satelitales GOES16 GHI |
| dc.title.none.fl_str_mv | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala. |
| dc.type.none.fl_str_mv | Artículo info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
| description | XLV Reunión de Trabajo de la ASADES (Salta, 31 de octubre al 3 de noviembre de 2023). |
| eu_rights_str_mv | openAccess |
| format | article |
| id | anni_5c4a885479bc2b85db7d74900a09d20b |
| identifier_str_mv | Iturbide, P., Orsi, X., Denegri, M. y otros. "Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala". Avances en Energías Renovables y Medio Ambiente; vol. 27. [en línea] 2023, pp. 462-473. |
| instacron_str | Universidad de la República |
| institution | Universidad de la República |
| instname_str | Universidad de la República |
| language | spa |
| language_invalid_str_mv | es |
| network_acronym_str | anni |
| network_name_str | oai-lr-anni |
| oai_identifier_str | oai:colibri.udelar.edu.uy:20.500.12008/47237 |
| publishDate | 2023 |
| publishDateSort | 2023 |
| reponame_str | COLIBRI |
| repository.mail.fl_str_mv | |
| repository.name.fl_str_mv | |
| repository_id_str | |
| rights_invalid_str_mv | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) |
| spelling | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala.Iturbide, PaulaOrsi, XimenaDenegri, María JoséFioretti, SantiagoRuiz, PabloLuza, SergioStern, ValeriaAlonso-Suárez, RodrigoRonchetti, FrancoRadiación solarAprendizaje automáticoImágenes satelitalesGOES16GHIXLV Reunión de Trabajo de la ASADES (Salta, 31 de octubre al 3 de noviembre de 2023).La falta de precisión en los datos de radiación solar puede tener un gran impacto en la rentabilidad de los proyectos de energía solar. Las redes de medición terrestre ofrecen información limitada por su distribución esparza en el territorio. Esto lleva a desarrollar modelos de estimación por imágenes satelitales, los cuales resuelven la espacialidad si son ajustados a mediciones terrestres de calidad. En este estudio, se desarrollan y validan modelos empíricos de aprendizaje automático para la estimación por satélite de radiación solar global horizontal, demostrando su utilidad y precisión en la región analizada. Estos modelos se alimentan con variables provenientes de imágenes satelitales GOES- 16 y variables geométricas. Los resultados sugieren que para ciertas combinaciones de variables satelitales de entrada, la información geométrica puede ser utilizada en forma implícita para realizar estimaciones precisas de la radiación solar. Debido al volumen de la información satelital disponible, desarrollamos un análisis de componentes principales para reducir la dimensionalidad. Para comparar el modelo propuesto adaptamos localmente las estimaciones del Heliosat-4 y del CIM-ESRA al sitio, y también implementamos el modelo CIM-McClear. Los resultados muestran una superioridad de desempeño del modelo de aprendizaje automático propuesto, demostrando que es capaz de extraer información de la multiescala espacial satelital. Por otro lado, la mejora de desempeño obtenida es leve, lo que muestra la dificultad en seguir mejorando el desempeño de la estimación satelital de radiación solar.Iturbide Paula, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES).Orsi Ximena, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES).Denegri María José, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES).Fioretti Santiago, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES).Ruiz Pablo, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES).Luza Sergio, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES).Stern Valeria, Universidad Nacional de Luján (Argentina). Instituto de Ecología y Desarrollo Sustentable (INEDES).Alonso-Suárez Rodrigo, Universidad de la República (Uruguay). CENUR Litoral Norte. Laboratorio de Energía Solar.Ronchetti Franco, Universidad Nacional de La Plata (Argentina). Instituto de Investigación en Informática.2024-11-27T17:30:08Z2024-11-27T17:30:08Z2023Artículoinfo:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersion12 p.application/pdfIturbide, P., Orsi, X., Denegri, M. y otros. "Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala". Avances en Energías Renovables y Medio Ambiente; vol. 27. [en línea] 2023, pp. 462-473.https://hdl.handle.net/20.500.12008/47237reponame:COLIBRIinstname:Universidad de la Repúblicainstacron:Universidad de la RepúblicaesspaAvances en Energías Renovables y Medio Ambiente; vol. 27, pp. 462-473, 2023.Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014)info:eu-repo/semantics/openAccessLicencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0)oai:colibri.udelar.edu.uy:20.500.12008/472372026-04-14T10:36:47Z |
| spellingShingle | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala. Iturbide, Paula Radiación solar Aprendizaje automático Imágenes satelitales GOES16 GHI |
| status_str | publishedVersion |
| title | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala. |
| title_full | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala. |
| title_fullStr | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala. |
| title_full_unstemmed | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala. |
| title_short | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala. |
| title_sort | Modelos de Machine Learning para estimar la radiación solar en plano horizontal utilizando información satelital multiescala. |
| topic | Radiación solar Aprendizaje automático Imágenes satelitales GOES16 GHI |
| url | https://hdl.handle.net/20.500.12008/47237 |