Extrapolación espacial de un modelo de aprendizaje automático basado en imágenes satelitales para la estimación de la irradiancia global horizontal

Abstract

La disponibilidad de estimaciones precisas de irradiancia solar en zonas sin mediciones directas resulta decisiva para el diseño y planificación de sistemas de energía solar. En este trabajo se analiza la capacidad de extrapolación espacial de un modelo empírico basado en redes neuronales artificiales (RNA) e imágenes satelitales, entrenado exclusivamente con datos de la estación de Luján, Argentina. Se evalúa su desempeño al aplicarlo en las estaciones de Paraná, Concepción del Uruguay y General Villegas, comparando las estimaciones con mediciones en tierra y con modelos físicos de referencia (CAMS y NREL). Los resultados muestran que el modelo mantiene un buen desempeño incluso en estaciones alejadas, con una ligera disminución en la precisión que se mantiene dentro de parámetros aceptables. En todos los casos, el modelo RNA supera en hasta un 16 % en términos de error cuadrático medio porcentual (RMSEn) a las estimaciones de CAMS y NREL. Al analizar los errores por condición de cielo, el modelo RNA obtiene los mejores resultados en cielo nublado y parcialmente nublado. En días despejados presenta un rendimiento inferior al de los modelos físicos, lo que es esperable porque no incorpora información de aerosoles o vapor de agua, ni en forma directa como entrada ni a través de un modelo de cielo claro. Estos hallazgos permiten tener mayor confianza en un enfoque basado únicamente en imágenes satelitales y su potencial para ser aplicado en regiones con escasa infraestructura de medición.

The availability of accurate solar irradiance estimates in areas without ground measurements is crucial for the design and planning of solar energy systems. This study analyzes the spatial extrapolation capability of an empirical model based on machine learning (ANN) and satellite imagery, trained exclusively with data from the Luján station in Argentina. Its performance is evaluated by applying it to the stations of Paraná, Concepción del Uruguay, and General Villegas, comparing the estimates with ground-based measurements and with two physical reference models (CAMS and NREL). The results show that the model maintains very good performance even at distant stations, with only a slight decrease in accuracy that remains within excellent parameters. In all cases, the model outperforms CAMS and NREL estimates by up to 16% in terms of normalized root mean square error (RMSEₙ). When analyzing errors by sky condition, the ANN model performs best under cloudy and partly cloudy conditions. On clear-sky days, it performs worse than physical models, which is expected given that it does not incorporate solar geometry variables or a clear-sky model as inputs. These findings highlight the robustness of the approach based solely on satellite imagery and its potential for application in regions with limited measurement infrastructure