Aplicación de un modelo de machine learning para clasificar la nubosidad a partir de datos de irradiancia global horizontal

• Autores: Lusi, Anabela; Orte, Facundo; Wolfram, Elian Augusto; Orlando, José Ignacio
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Arquitectura; Ingeniería; Clasificación de nubosidad; GHI; Aprendizaje supervisado; Cloud classification; GHI and supervised learning algorithms
• Institución: Universidad Nacional de La Plata

La radiación solar que alcanza la superficie terrestre está modulada por diversos factores, siendo la nubosidad el de mayor impacto y el que presenta las variaciones más rápidas. Las diferentes clases o tipos de nubes pueden generar patrones característicos en los niveles de irradiancia medidos, los cuales pueden aprovecharse para determinar la clasificación de la propia nubosidad. En este estudio se aplica un modelo de machine learning sobre una base de datos de GHI y un modelo de cielo claro, para clasificar la nubosidad en el sitio de Villa Martelli perteneciente a la red Saver-Net, durante los años 2015 a 2024. Se encontró que la mayor frecuencia relativa corresponde a situaciones de cielo despejado, seguida por la clase mezcla, mientras que la clase de nubes menos frecuente fue Stratocumulus-Stratus-Altocumulus. Esta distribución puede estar relacionada con la precisión del modelo para discriminar cada grupo. Este trabajo representa un avance en la clasificación de nubosidad y aporta información valiosa para estudios orientados a evaluar tendencias y cambios a largo plazo.
Solar radiation reaching the Earth's surface is modulated by various factors, with cloudiness being the most impactful factor, exhibiting the fastest variations. Different cloud classes or types can generate characteristic patterns in measured irradiance levels, which can be leveraged to determine cloud classification. In this study, a machine learning model was applied to a global horizontal irradiance (GHI) database and a clear-sky model to classify cloudiness at the Villa Martelli site, part of the Saver-Net network, from 2015 to 2024. The highest relative frequency corresponded to clear-sky conditions, followed by the mixed cloud class, whereas the least frequent class was the stratocumulusstratus-alto-cumulus. This distribution may be related to the accuracy of the model in discriminating each group. This study represents an advance in cloud classification and provides valuable information for studies aimed at evaluating long-term trends and changes.
Asociación Argentina de Energías Renovables y Medio Ambiente (ASADES)