Don Cel Ball Én David 2018

Estimación de irradiancia solar aplicando el algoritmo
HELIOSAT 1 con imágenes satelitales GOES en la región

Cundiboyacense para el año 2011
David Doncel Ballén

Ingeniero Catastral y Geodesta
Universidad Distrital Francisco José de Caldas

Facultad de Ingenierı́a
Maestrı́a en Ciencias de la Información y las
Comunicaciones
Bogotá, D.C.
Mayo de 2018
Estimación de irradiancia solar aplicando el algoritmo
HELIOSAT 1 con imágenes satelitales GOES en la región
Cundiboyacense para el año 2011

Ingeniero Catastral y Geodesta
Tesis de grado para optar al tı́tulo de

Magı́ster en Ciencias de la Información y las Comunicaciones con
énfasis en geomática
Director
Rubén Javier Medina Daza, Ph.D.
Doctor en Informática
Lı́nea de investigación
Percepción Remota
Grupo de investigación
NIDE
Universidad Distrital Francisco José de Caldas

Facultad de Ingenierı́a
Maestrı́a en Ciencias de la Información y las
Comunicaciones
Bogotá, D.C.
Mayo de 2018
Tı́tulo en español
Estimación de irradiancia solar aplicando el algoritmo HELIOSAT 1 con imágenes sateli-

tales GOES en la región Cundiboyacense para el año 2011
Title in English
Estimating of solar irradiance applying HELIOSAT 1 algorithm with GOES satellite images
in Cundiboyacense region in 2011
Resumen: Las diversas actividades que se relacionan con la captación y análisis de la

energı́a solar, trabajan con mediciones de irradiancia con porcentajes de incertidumbre
que oscilan entre el 10 % y 20 %. Sin embargo, en el paı́s, las estimaciones obtenidas a
partir de mediciones terrestres,se sustentan en modelos de interpolación que en las zonas
lejanas a las estaciones de medición, superan los niveles de confianza requeridos. Por lo
tanto, la presente investigación plantea estimar la componente de irradiancia solar con
una resolución espacial de 1 x 1 km2 para densificar la cantidad de estas mediciones,
tomando como zona de estudio la región Cundiboyacense para el año 2011. Para llevar a
cabo esto, se aplica el algoritmo HELIOSAT 1 en imágenes satelitales del sensor remoto
GOES. Los resultados se contrastan con mediciones terrestres, alcanzando en la est
imación niveles de incertidumbre aceptables.
Abstract: The present investigation proposes to estimate the component of solar

irradiance with a spatial resolution of 1 x 1 km2 to densify the quantity of these
measurements, taking the Cundiboyacense region as a study area in 2011. For this, the
algorithm HELIOSAT 1 is applied in satellite images of the GOES remote sensor. The
results are contrasted with terrestrial measurements, reaching in the estimation levels of
uncertainty acceptable.
Palabras clave: Irradiancia solar, satélites geoestacionarios, percepción remota, GOES,

HELIOSAT.
Keywords: Solar Irradiance, geostationary satellites, remote sensing, GOES, HELIO-

SAT.
Nota de aceptación
Trabajo de tesis
5.0
Jurado
Luis Fernando Gómez M.Sc.
Jurado
Álvaro Espinel Ph.D.
Director
Rubén Javier Medina Daza Ph.D.
Bogotá, D.C., mayo 18 de 2018

El saber cientı́fico no llega a la esencia ı́ntima
de la realidad porque siempre parte de hipótesis de trabajo,
de una segunda realidad construida.
Baruch Spinoza
A todos aquellos seres maravillosos
que me rodean y transitan a mi lado
los peabirus del corazón.

Agradecimientos
La presente investigación se gestó con la asesorı́a y el apoyo del profesor Iván Lizarazo;
bajo su supervisión seleccioné este tema y comencé la tesis. Al profesor Rubén Javier
Medina Daza, mi director, quien me extendió su ayuda en el momento oportuno y que
gentilmente me guió hasta la etapa final.
Al Centro de Computación de Alto Desempeño (CECAD) de la Universidad Distrital

Francisco José de Caldas por el asesoramiento y ofrecimiento de la solución informática
para poder implementar el entorno de trabajo.
Al Instituto de Hidrologı́a, Meteorologı́a y Estudios Ambientales de Colombia

(IDEAM) por facilitar los datos de las estaciones de radiación solar para validar los re-
sultados. En especial, al ingeniero Henry Oswaldo Benavides Ballesteros, quien fue el
funcionario designado y con sus conocimientos en el área de investigación aportó en la
revisión de los resultados obtenidos.
A mi familia, por la motivación, acompañamiento y paciencia en el tiempo que duró

el desarrollo de esta tesis.
A mi amada Siteraxi por su inconmensurable compañia en las largas noches de desvelo,

haciendo de este reto una hazaña.
También expreso mis agradecimientos a todos aquellos que de una u otra forma han
colaborado, contribuido o aportado en el desarrollo de este trabajo.
Índice general
Introducción V
1. Estado del arte 1

1.1. Contexto a nivel mundial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Contexto latinoamericano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Contexto Colombiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2. Marco Teórico 11
2.1. Radiación Solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Caracterı́sticas del satélite GOES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3. El método HELIOSAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4. Medidas estadı́sticas para la validación de errores . . . . . . . . . . . . . . . . . . . 17
2.4.1. Error promedio de la predicción . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.2. Error absoluto de la predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.3. Medidas basadas en el porcentaje del error . . . . . . . . . . . . . . . . . . . 18
3. Metodologı́a 20
3.1. Zona de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2. Herramientas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3. Población . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4. Método . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4.1. Preparación de las imágenes GOES . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4.1.1. Selección de las imágenes GOES . . . . . . . . . . . . . . . . . . . 25
3.4.1.2. Corrección geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4.2. Programación del algoritmo HELIOSAT . . . . . . . . . . . . . . . . . . . . 26
3.4.2.1. Cálculos previos de geolocalización . . . . . . . . . . . . . . . . . . 26
3.4.2.2. Cálculo de la irradiancia normal directa Gdn . . . . . . . . . . 26
3.4.2.3. Cálculo de la irradiancia difusa . . . . . . . . . . . . . . . . . . . . 28
3.4.2.4. Cálculo de la irradiancia para cielo despejado Gclear . . . . . 28
3.4.2.5. Detección de nubosidad o nubes de transmisión . . . . . . . . 28
3.4.2.6. Irradiancia global horizontal . . . . . . . . . . . . . . . . . . . . . . 29
3.4.3. Sistematización del algoritmo HELIOSAT . . . . . . . . . . . . . . . . . . . 30
3.4.4. Generación de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.4.5. Validación de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
I
ÍNDICE GENERAL II
4. Resultados 34
4.1. Rendimiento del algoritmo HELIOSAT . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2. Métodos de validación y comparación de estimaciones . . . . . . . . . . . . . . . . 35
4.2.1. Cuantificación del promedio diario acumulado mensual . . . . . . . . . . 36
4.2.2. Diagramas de correlación y densidad . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.3. Medidas estadı́sticas de validación . . . . . . . . . . . . . . . . . . . . . . . . . 41
5. Análisis de Resultados 43
5.1. Rendimiento del algoritmo HELIOSAT . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2. Análisis de comparación y validación de estimaciones . . . . . . . . . . . . . . . . 43
5.2.1. Ciudades Yopal y Villavicencio . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.2. Estación Tibaitatá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.3. Estación Tunguavita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.4. Estación Universidad Nacional de Colombia Sede Bogotá . . . . . . . . 45
Conclusiones 47
Trabajo futuro 49
Glosario 50
Lista de sı́mbolos 51
Bibliografı́a 52
Índice alfabético 56
Índice de tablas
1.1. Resumen de modelos de irradiancia solar con imágenes de satélite . . . . . . . 4
2.1. Caracterı́sticas satélite geoestacionario GOES . . . . . . . . . . . . . . . . . . . . . . 15
3.1. Localización geográfica estaciones IDEAM . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1. Tiempos de rendimiento obtenidos en el entorno matlab del CECAD. . . . . . 34

4.2. Comparación datos IDEAM y estimación HELIOSAT 1. . . . . . . . . . . . . . . 38
4.3. Comparación datos IDEAM y estimación HELIOSAT 1 en Yopal y Villavi-
cencio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4. Datos con observación estaciones IDEAM. . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5. Medidas estadı́sticas grupo 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.6. Medidas estadı́sticas grupo 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1. Unidades de medida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
III
Índice de figuras
1. Esquema de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VIII
1.1. Mapa conceptual modelos de irradiancia solar en el mundo. . . . . . . . . . . . . 5

1.2. Mapa conceptual modelos de irradiancia solar en latinoamerica. . . . . . . . . . 8
1.3. Mapa conceptual modelos de irradiancia solar en Colombia. . . . . . . . . . . . 10
2.1. Emitancia de un cuerpo negro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2. Irradiancias extraterrestre, global y directa. . . . . . . . . . . . . . . . . . . . . . . . 12
2.3. Ecuación del tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4. Variación de la declinación al año. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5. Sistema de coordenadas horizontales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6. Satélite GOES 13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.7. Esquema método HELIOSAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.1. Localización región Cundiboyacense . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.2. Localización estaciones IDEAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3. Software empleado en el proyecto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4. Esquema metodológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.5. Diagrama de flujo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.6. Entorno de desarrollo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.7. Cubo de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1. Localización estaciones validación IDEAM . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2. Irradiación global horizontal media diaria mensual. . . . . . . . . . . . . . . . . . . 37
4.3. Irradiación global horizontal media diaria mensual. . . . . . . . . . . . . . . . . . . 38
4.4. Diagrama de correlación y densidad estación Tibaitatá. . . . . . . . . . . . . . . . 39
4.5. Diagrama de correlación y densidad estación Tunguavita. . . . . . . . . . . . . . 40
4.6. Diagrama de correlación y densidad estación Universidad Nacional de Co-
lombia Sede Bogotá. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
IV
Introducción
La duración de la energı́a solar está proyectada para los próximos 5.000.000.000 de

años; por ello es indispensable plantear y planificar su aprovechamiento. El beneficio que
otorga su uso y estudio es importante en diversas áreas, por ejemplo: en las ciencias de
la información y las comunicaciones se requiere conocer su comportamiento para obtener
canales óptimos de comunicación; en la agricultura para el cultivo y su crecimiento; en
el campo de las energı́as renovables permite el dimensionamiento de sistemas energéticos
solares para su captura; desde la perspectiva ambiental, es fundamental incluirla para
analizar los efectos del cambio climático que en este momento es una de las problemáticas
de mayor trascendencia a nivel global.
A escala mundial se han desarrollado diferentes sistemas de medición para cuantifi-

car la energı́a solar, entre ellos existen dos métodos, el terrestre y el satelital: el primero,
consiste en usar herramientas como pirómetros, heliógrafos, soları́metros y estaciones me-
teorológicas de medición; y el segundo, está basado en la estimación de la irradiación solar
a partir de imágenes satelitales provenientes de satélites geosincrónicos o heliosincrónicos.
Asimismo, existen organizaciones que proveen datos, por ejemplo, el servicio web Sur-
face Meteorology and Solar Energy de la NASA permite la consulta de datos de irradiancia
solar a partir del sistema con una resolución de celda de aproximadamente 14 x 14 km2 .
También el European Solar Radiation Atlas (ESRA) y el Japan Aerospace Exploration
Agency (JAXA) han puesto a disposición estos datos para su consulta y procesamiento.
El resultado de estas mediciones ha sido registrado y publicado en diferentes Atlas

de irradiancia solar como el de Cataluña, Europa, Norte América; es decir, cada paı́s ha
generado su propio Atlas a partir de los métodos y con la información mencionada.
En el caso de Colombia existe un Atlas de radiación solar, que para su elaboración se

seleccionó el método de captura terrestre, y mediante técnicas de interpolación y extrapo-
lación se calculó la irradiancia en aquellas zonas desprovistas de estaciones.
En el sentido de continuar aportando en la investigación del recurso solar, a conti-

nuación se presenta el propósito de esta investigación describiendo la identificación del
problema, la justificación, los objetivos, y la hipótesis formulada.
V
INTRODUCCIÓN VI
Problema
Colombia es un paı́s con abundantes fuentes acuı́feras y por ende gran parte de la
electricidad la producen hidroeléctricas, sin embargo, contemplar únicamente el potencial
hidroeléctrico que se tiene para la generación de energı́a, elimina la posibilidad de bene-
ficiarse del recurso solar como fuente alternativa de energı́a; en consecuencia, no se está
aprovechando la fuente de energı́a solar en determinadas zonas geográficas del paı́s como
la región Cundiboyacense, dado que es un área geográfica que presenta un buen potencial
en la obtención de este recurso renovable según los reportes de (IDEAM & UPME, 2005).
Abordar la alternativa del aprovechamiento del recurso solar como fuente de energı́a en
complemento a las energı́as convencionales en la región Cundiboyacense, implica conocer
que los proyectos que utilizan sistemas de energı́a solar requieren de una mayor precisión
en las mediciones de irradiancia solar para su dimensionamiento.
Aunque el Atlas de radiación solar de Colombia cubre la región Cundiboyacense, la

extensión espacial de estos datos no son confiables porque se basan en interpolaciones
de datos obtenidos a partir de una red de veintiseis (26) estaciones de radiación global
distribuidas de forma irregular con distancias de separación mı́nima desde 1.5 km a 57
km entre ellas (IDEAM & UPME, 2005). Estas estaciones terrestres arrojan mediciones
puntuales, donde a una medición le puede corresponder una cobertura promedio entre 20
x 20 km2 aproximadamente.
Justificación
Es evidente la necesidad de cuantificar el recurso solar de manera más detallada y

precisa para identificar y aprovechar su uso en sistemas energéticos, lo cual se traduce
en una densificación de mediciones en el territorio colombiano teniendo presente que la
cantidad actual de estaciones terrestres a disposición resultan insuficientes y los métodos
de extrapolación imprecisos para el nivel de detalle que se busca. Por esto, como una alter-
nativa para suplir las mediciones faltantes que mejoren la resolución espacial de captura,
se propone la aplicación de técnicas de percepción remota.
Por consiguiente, en esta investigación se enfoca la percepción remota hacia la esti-

mación del recurso solar; y cómo estos datos pueden emplearse para el dimensionamiento
de sistemas energéticos, indispensables para tiempos de cambio climático en los cuales es
probable la aparición de escenarios de sequı́a que pueden afectar notablemente las formas
convencionales de generación de energı́a como la hidráulica.
En Colombia son pocas las aplicaciones realizadas en torno a la estimación de la irra-

diancia solar mediante técnicas de percepción remota. Por ello, la aplicación de esta técnica
en la investigación, la hace inédita en el paı́s, demostrando la versatilidad que tiene la per-
cepción remota en diferentes áreas de las ciencias de la tierra.
Objetivos En busca de encontrar alternativas de solución que mejoren la resolución

espacial de captura y densificación de las mediciones de irradiancia solar, la presente
investigación plantea los siguientes objetivos:
INTRODUCCIÓN VII
El objetivo general busca estimar la irradiancia solar en la región Cundiboyacense

aplicando el algoritmo HELIOSAT 1 en imágenes de satélite Geostationary Operational
Environmental Satellite GOES 13 para el año 2011.
Para alcanzar este objetivo se plantean tres objetivos especı́ficos:
• Realizar la programación del algoritmo HELIOSAT 1 para estimar la irradiancia

solar en la región Cundiboyacense para el año 2011.
• Comparar los datos de irradiancia solar captados por las estaciones terrestres del
IDEAM con las estimaciones obtenidas al aplicar el algoritmo HELIOSAT 1, en esas
ubicaciones geográficas.
• Validar la significancia estadı́stica de las estimaciones de irradiancia solar obtenidas

para la región Cundiboyacense para el año 2011.
Como sı́ntesis a los objetivos planteados se presenta el esquema de investigación,(Figura

1).
INTRODUCCIÓN VIII
Obtención de
imágenes GOES
Objetivo 1
Definición del
Programar el Obtención de
entorno de
algoritmo estimaciones
desarrollo
HELIOSAT 1
Implantación
Estación
Tibaitata
Objetivo
Objetivo 2 Selección puntos
general Estación
Comparar los de observación
Estimar la Tunguavitá
resultados IDEAM
irradiancia solar
Estación UN
Análisis de las
estimaciones
HELIOSAT con
observaciones
IDEAM
Objetivo 3 Aplicación
Validar las métodos de
estimaciones validación
Figura 1. Esquema de investigación. Elaboración propia.
Con el cumplimiento de los objetivos planteados se espera dar respuesta a la pregunta

de investigación formulada:
¿Cuál es el nivel de confianza que se puede obtener en las estimaciones de

irradiancia solar aplicando el algoritmo HELIOSAT en imágenes satelitales
GOES, con respecto a las estimaciones de los modelos de interpolación gene-
rados a partir de puntos de medición terrestre?.
Asimismo, se busca comprobar la siguiente hipótesis acudiendo al método hipotético

deductivo:
Aplicando el algoritmo HELIOSAT 1 en imágenes satelitales GOES, es posi-

ble reducir los niveles de incertidumbre obtenidos en las estimaciones de irra-
diancia solar con modelos de extrapolación estadı́stica basados en mediciones
terrestres.
INTRODUCCIÓN IX
Para confirmar o invalidar esta hipótesis en la investigación se han dispuesto 6 capı́tu-

los:
El primer capı́tulo corresponde al estado del arte, comprende un recuento y contexto

de los modelos aplicados para la obtención de irradiancia solar a nivel mundial, latinoa-
mericano y nacional.
El segundo capı́tulo es el marco teórico, en cual se describe los fundamentos y teorı́a

de la radiación solar; las caracterı́sticas del satélite GOES 13; el funcionamiento y compo-
nentes del algoritmo HELIOSAT; y los métodos estadı́sticos que sirven para la validación
de estimaciones.
El tercer capı́tulo comprende la metodologı́a aplicada en esta investigación para la

estimación de la irradiancia solar mediante imágenes GOES 13 aplicando el algoritmo
HELIOSAT, describiendo los procesos y procedimientos requeridos para ello.
El cuarto capı́tulo es el de resultados, el cual presenta los resultados obtenidos con los
métodos de validación en la estimación propuesta.
Un quinto capı́tulo es el de análisis de resultados en el cual se describe e interpreta los

resultados obtenidos al aplicar los métodos de validación.
El capı́tulo final de conclusiones, que presenta las conclusiones a las que se llega luego de
comprobar la hipótesis propuesta en esta investigación y el cumplimiento de los objetivos
trazados.
CAPÍTULO 1
Estado del arte
Los modelos para la estimación de la radiación solar generados con imágenes de satélite
datan de la década de los setenta. A partir de entonces se han desarrollado diferentes
métodos y técnicas para la modelación de esta variable. Según (Zarco et al., 1996)estos
modelos se clasifican en dos categorı́as: fı́sicos y estadı́sticos.
Los modelos fı́sicos, como su nombre lo indica, consisten en aplicaciones de leyes fı́si-
cas para realizar las estimaciones de radiación a partir de parámetros definidos por la
climatologı́a en la estructura atmosférica como la turbidez, el vapor de agua, el ozono, los
aerosoles, el dióxido de carbono, entre otros. Es importante considerar que el estudio de
estos parámetros y sus valores son generalizables para algunas zonas de la tierra.
Por su parte, los modelos estadı́sticos se fundamentan en el ajuste de las medicio-

nes captadas por el satélite mediante modelos de regresión, tomando como referencia la
correlación existente con las mediciones registradas por instrumentos terrestres como pi-
ranómetros, soları́metros, heliógrafos y estaciones meteorológicas.
1.1. Contexto a nivel mundial
Diversos estudios se han planteado para la estimación de la radiación solar, diferen-

ciándose principalmente en el método, el tipo de sensor o imágenes de satélite empleadas,
y el lugar geográfico de estudio. Haciendo un recuento de los estudios realizados, el trabajo
de (Tarpley, 1979) es uno de los primeros referentes en el tema. En su estudio desarrolla un
modelo estadı́stico en donde calcula coeficientes de regresión para estimar la irradiancia
directa y difusa de Europa empleando imágenes satelitales GOES .
(Gautier et al., 1980), proponen una estimación de la radiación solar incidente en la

superficie terrestre, mediante un modelo fı́sico con imágenes satelitales GOES de resolución
1
CAPÍTULO 1. ESTADO DEL ARTE 2
de 1 a 2 km2 por pı́xel. El modelo incorpora el efecto de la nubosidad usando una regresión
lineal entre la brillantez de la nube en la imagen de satélite y su factor de absorción.
El trabajo de (Möser & Raschke, 1984), citado por (Borrajero et al., 2005), se basa en
un modelo estadı́stico tomando como insumo imágenes METEOSAT y realizan una nor-
malización de los valores de pı́xel entre valores máximos y mı́nimos del conjunto de pı́xeles
de la imagen analizada. Luego con los valores de pı́xel normalizados realizan una relación
entre la radiación incidente, tanto en presencia de nubosidad como de cielo despejado.
(Pinker & Ewing, 1985), presentan un modelo fı́sico para computar la radiación solar
global en la superficie, usando un modelo atmosférico y definen parámetros aplicando
propiedades ópticas en la dispersión de Rayleigh y las absorciones de ozono, vapor de
agua, aerosol y dispersión en nubes, y partı́culas de aerosol. Las estimaciones las realizan
para observaciones de irradiación diaria acumulada, obteniendo errores estándar entre 16
y 18 % respecto a la media.
A mitad de la década de las ochentas surge una propuesta de algoritmo denominado

HELIOSAT a partir de imágenes METEOSAT que dan la pauta de investigación dados los
buenos resultados conseguidos. los precursores de este algoritmo son (Cano et al., 1986),
quienes toman imágenes del satélite METEOSAT con una resolución de 5 Km2 por pı́xel
para la región de Europa central y septentrional, y hacen su modelamiento usando como
base el albedo estimado mediante análisis temporales y combinándolo con el cálculo del
ı́ndice de nubosidad, para luego integrarlos y obtener la estimación de irradiancia global.
En la misma lı́nea, (Diabaté et al., 1989) presentan una herramienta para el mapeo de
la radiación solar incidente en la superficie de la tierra llamada Heliosat station, basada
en el algoritmo HELIOSAT desarrollado por (Cano et al., 1986).
(Pinker & Laszlo, 1991), realizan la estimación de radiación solar reduciendo la reso-
lución espacial de un pı́xel de 8 km2 a 5 km2 , con el fin de integrar las estimaciones a una
red mundial de datos, según las directrices del proyecto International Satellite Cloud Cli-
matology Project (ISCCP), liderado por el World Climate Research Programme (WCRP),
para almacenar y analizar las mediciones de irradiancia proveniente de 5 satélites geo-
estacionarios alrededor del mundo: GOES-E y GOES-(U.S); METEOSAT (Comunidad
europea); INSAT (India); GMS (Japón); y uno de órbita polar como el TIROS (U. S.)
(Rossow & Schiffer, 1991). Estos datos han servido para comprender el efecto de las nubes
en la radiación, el clima y el ciclo hidrológico, entre otros fenómenos.
La actualización de los Atlas de radiación solar han motivado diversas propuestas para
su elaboración, por ejemplo, (Beyer et al., 1997), realizan la evaluación de los métodos
que se emplean para la construcción de mapas de irradiación solar para Europa. Para
esto, se enfocan en la estimación a partir de mediciones terrestres aplicando una técnica
de interpolación denominada co-Kriging, no obstante para zonas con orografı́a compleja
como la región de los Alpes, el método muestra dificultades en las estimaciones.
En el trabajo de (Perez et al., 2002), surge la propuesta de generar un modelo fı́sico

simple que estime la radiación solar ante cielo despejado seguido del cálculo de un ı́ndice
de nubosidad derivado de imágenes satelitales, que luego, mediante un modelo estadı́stico,
se ajusta a las mediciones terrestres y ası́ obtiene valores definitivos de radiación. El
método propuesto muestra eficiencia en la estimación en diferentes coberturas que generan

distorsión como la topografı́a elevada y la nieve. A esta unión de modelos fı́sicos con
estadı́sticos se les denominó modelos hı́bridos.
(Hammer et al., 2003), modifican el algoritmo HELIOSAT propuesto por (Cano et al.,
1986), direccionando los nuevos aportes hacia la inclusión de variables fı́sicas conocido
como HELIOSAT 1, es decir trabajan con un método fı́sico que garantiza una buena
precisión en las mediciones obtenidas. Este algoritmo ha sido utilizado por la Agence
Française pour la Maı́trise de l’Energie (Diabaté et al., 1989) y por la European Solar
Radiation Atlas (ESRA) (Kasten, 1996; Beyer et al., 1997), para el diseño de mapas de
irradiación solar para Europa.
Para este año, (Rigollier et al., 2004) denominan a su versión de algoritmo como
HELIOSAT 2. Esta versión se caracteriza por aplicar un método fı́sico, utilizando las
mediciones terrestres como un referente de precisión.
(Dagestad, 2005) hace una caracterización de las diferentes versiones del algoritmo
HELIOSAT. Él Resalta el planteamiento inicial propuesto por (Cano et al., 1986), y como
éste, en la versión HELIOSAT 1 mejoró en cuanto al cálculo de la reflectividad, el ı́ndice de
cielo despejado y el ı́ndice de nubosidad. También señala, como este algoritmo se desarrolló
en el marco del proyecto EU-project, siendo la primera implementación operacional a gran
escala y generando productos de irradiancia global para Europa en el periodo 1996-2000.
De HELIOSAT 2, (Dagestad, 2005) señala la mejora en la calibración de la irradiancia

tomando los valores digitales como entradas, lo que permitió remplazar parámetros fı́sicos
como la radiación retrodispersada desde la atmósfera y el cálculo de la reflectividad. Esta
versión la desarrolló el Ecole des Mines para el proyecto EU-project.
La aparición de HELIOSAT 3 ocurre con la incursión de la generación de satélites

Meteosat Second Generation (MSG), que tienen a disposición 12 canales en el espectro
a diferencia del anterior que disponı́a de 3. Esta nueva tecnologı́a permitió incluir en el
algoritmo variables y parámetros como las diferentes clases y tipos de nubes, aerosoles y
su dispersión, cantidad de vapor de agua y conteo de ozono, concluye (Dagestad, 2005).
Por la vı́a estadı́stica (Polo et al., 2006) generan un procedimiento de filtrado con Mı́ni-
mos Cuadrados iterando los modelos obtenidos hasta alcanzar la convergencia definida.
Este filtro mejoró la precisión de las estimaciones usando la versión de HELIOSAT usada
por (Diabaté et al., 1989) con mediciones terrestres de 13 estaciones localizadas en España
en el periodo 1994-1996.
En un trabajo posterior (Zarzalejo et al., 2009) realizan ajustes estadı́sticos a la versión

HELIOSAT 2 desarrollada por (Rigollier et al., 2004) para los ı́ndices de cielo despejado
e ı́ndice de nubosidad, usando como validación las mediciones de 28 estaciones localizadas
en España.
En su tesis (Polo, 2010) toma como punto de partida el modelo regional que relaciona el
ı́ndice de cielo despejado con el coeficiente de nubosidad propuesto por (Polo et al., 2006),
y a partir de éste propone un modelo y una metodologı́a para mejorar la estimación de
la radiación global en condiciones de cielo despejado y para estimar la irradiancia directa

en todo tipo de cielo en la geografı́a española. Esta metodologı́a permite la generación de
series temporales de irradiancia solar horaria durante un periodo de 12 años, en el periodo
1994-2005.
Examinando otros lugares y satélites, (Janjai et al., 2009) presentan un modelo para
el cálculo de radiación solar global con mediciones del satélite GMS-5 con una resolución
espacial de 9 km2 en el periodo 1995-2002. Los autores consideran la absorción de radiación
por el vapor de agua analizando la temperatura y humedad relativa local, y también la
reducción de radiación producida por la concentración de aerosoles y la capa de ozono. El
ajuste estadı́stico se hizo a partir de 25 estaciones terrestres localizadas en Tailandia.
(Janjai, 2010) desarrolla un método para estimar la irradicación normal directa sobre
Tailandia usando como insumo la información del satélite geosincrónico MTSAT-1R en
el periodo de junio de 2005 a diciembre de 2008. El autor señala que la estimación se ve
afectada por los monzones tropicales y la topografı́a del lugar. A continuación se presenta
un resumen de los modelos más relevantes, (Tabla 1.1).
Tabla 1.1. Resumen de modelos de irradiancia solar con imágenes de satélite

Resolución No
Año Autor Lugar Método Satélite Periodo RMSE
(km) Estaciones
1980 Gautier Canadá Fı́sico GOES - 3 1978 0.09
1986 Cano Europa Estadı́stico Meteosat 5 89 1982 0.13
GOES 1997-
1999 Brisson Atlántico Fı́sico 10 26 0.18
y MSG 1998
1999-
2003 Janjai Tailandia Estadı́stico GMS-5 5 4 0.07
2000
1999-
2005 Grau Cataluña Estadı́stico MFG 5 14 0.02
2002
Nota:Ajustado de (Martı́nez, 2010)
En lo referente a series de tiempo (Pomares, 2012) presenta una metodologı́a para

la predicción de la irradiancia solar semidiaria apoyándose en modelos estadı́sticos de
predicción aplicados a series temporales y su respectiva validación con estaciones situadas
sobre la Penı́nsula Ibérica.
Es importante resaltar que los modelos de estimación de irradiancia no son genera-

lizables, dado que la exposición solar es mayor en la zona del ecuador que en las zonas
cercanas a los polos; razón por la cual, (Janjai et al., 2013) mejoran el modelo propuesto
por (Janjai, 2010) incluyendo mayor número de mediciones con los satélites GMS-4, GMS-
5, GOES 9 y MSAT-1R en el periodo de 1995-2009 y 36 estaciones terrestres distribuidas
en Tailandia.
Las propuestas más recientes para los modelos estadı́sticos implementan técnicas como
las redes neuronales artificiales bayesianas (Mazorra et al., 2015) utilizando el algoritmo
HELIOSAT 2. También (Albarelo et al., 2015) modifican el algoritmo HELIOSAT 2 con
imágenes GOES sobre la Guyana Francesa, especı́ficamente en la obtención de la reflac-
tancia de nubes y los valores del factor de turbidez de Linke.
(Zarzalejo
et al., 2009).
(Janjai et al., 2009). HELIOSAT 2-Aj
GMS-5 Terrestres
(Polo et al., 2006),

HELIOSAT-Iteración
MMC
(Janjai et al., 2013).

Varios Sat.
Hı́brido
(Perez et al., 2002).

ajuste MT (Pomares, 2012).
Series de Tiempo
(Mazorra
et al., 2015).
HELIOSAT 2 RNA.
(Beyer et al., 1997).

(Albarelo Co-Kriging
et al., 2015).
HELIOSAT 2 GOES
Modelos de Estadı́stico
Irradiancia Solar
(Möser &
Raschke, 1984).
(Gautier et al., 1980). (Janjai, 2010).
METEOSAT,
GOES MTSAT-1R
normalización pı́xel
(Polo, 2010). Modelo

regional 1994-2005 (Tarpley,
1979).Irradiancia dir.
(Pinker & y dif.
Ewing, 1985).
Computo modelo
atmosférico Fı́sico, antes del 2000
Fı́sico, después del
2000
(Dagestad, 2005). Se
crea HELIOSAT 3
(Cano et al., 1986).

Se crea HELIOSAT
(Pinker &
Laszlo, 1991). Rad.
(Rigollier
Solar Red mundial,
et al., 2004). Se crea
(Diabaté et al., 1989). varios sat.
HELIOSAT 2
Aplicación de
HELIOSAT station (Hammer
et al., 2003). Se crea
HELIOSAT 1
Figura 1.1. Este mapa conceptual presenta la evolución de los modelos de irradiancia solar en el
mundo. Elaboración propia.
1.2. Contexto latinoamericano
En Suramérica los primeros paı́ses que tienen publicaciones al respecto son Argentina
y Uruguay, Brasil y Chile, con datos proporcionados por el satélite GOES o METEOSAT.
A continuación se presentan los trabajos más relevantes y resultados.
El primer registro de publicación en relación a la estimación de la radiación solar

por medio de imágenes satelitales es el de (Frulla et al., 1988), en el cual comparan las
mediciones terrestres con las estimaciones obtenidas del satélite GOES en el periodo 1982-
1983. Obtienen un error del 25 % para las estimaciones diarias horarias de insolación, y
errores estándar en un rango de 15 a 20 % para la media de las mediciones.
Posteriormente en Brasil (Pereira et al., 1996) para la estimación de la radiación pro-

medio mensual emplean los datos provenientes del satélite Meteosat 2 usando el modelo
fı́sico del Institut für Geophysik Meteorologie Universität zu Köln (IGMK) en el periodo
de tiempo 1985-1986. La estimación es comparada con las mediciones de 22 estaciones
terrestres, obteniendo un error medio cuadrático global del 13
(Gallegos, 2000) hace una exposición de la disponibilidad y presentación de las pri-

meras cartas de radiación solar en superficie para Suramérica. Resaltando los resultados
obtenidos en (Gallegos et al., 1987) en donde utilizaron mediciones de 63 piranómetros
complementándolos con estimaciones obtenidas de 117 heliógrafos y con información indi-
cativa de 28 piranógrafos chilenos y estimaciones del satélite GOES validadas en (Frulla
et al., 1988).
En el trabajo de (Soares et al., 2004) aplican redes neuronales para estimar el valor
horario de radiación solar difusa en la superficie de la Ciudad de Sao Paulo para el año
2002. La base de datos se conformó por medidas de parámetros meteorológicos como
temperatura del aire, presión atmosférica y firmas espectrales para la discriminación de la
cobertura de nubes, desde el año 1998 hasta el 2001.
(Ceballos & Rodrigues, 2004) realizan una interesante comparación al juntar los datos
de convergencia que tienen los satélites GOES 12 y MSG SEVERI en parte de Suramérica,
el océano Atlántico y África, aplicando del algoritmo GL. Concluye que la estructura fı́sica
de este algoritmo es simple pero consistente y su funcionalidad tanto en las imágenes GOES
como en las MSG.
En Argentina (Ceballos et al., 2005) compararon datos de radiación solar con tres
estaciones argentinas en el periodo 2002-2003 y los obtenidos del modelo GL versión 1.2 del
Centro de Previsão de Tempo e Estudos Climáticas y el Instituto Nacional de Pesquisas
Espaciais (CPTEC/INPE) basado en imágenes GOES. El comportamiento del modelo
utilizando datos de GOES 8 fue coherente, registrando un error estándar entre 7 y 10
Por ejemplo en Cuba en el método propuesto por (Borrajero et al., 2005), utilizan la
información de las imágenes GOES para aplicar una clasificación automática y diferenciar
el tipo de nubes, buscando determinar las condiciones de nubosidad en cada pixel, y con
la ayuda de relaciones empı́ricas se modifican los resultados del modelo fı́sico que calcula
la radiación ante cielo despejado para obtener estimaciones que reflejen las condiciones
reales.
(Suárez et al., 2012) presentan un modelo estadı́stico para la estimación de la irradia-

ción solar basado en el modelo original de (Tarpley, 1979) desde 7 estaciones terrestres
en Uruguay. El error medio cuadrático obtenido para la estimación diaria es del 7.1 % y
para la horaria de 14 % respecto a la media, lo cual representa una reducción de 45 % en
la estimación diaria y 25 % en la horaria, respecto al modelo original.
(Suárez et al., 2014) trabajan la estimación con datos recolectados durante 13 años:
El periodo 2000-2003 con datos del satélite GOES 8; el periodo 2003-2010 con GOES 12;
y 2010- 2012 con GOES 13. Mejoran la versión del modelo estadı́stico de (Tarpley, 1979)
ajustando las mediciones con tres estaciones terrestres, y realizan la estimación a partir de
cálculos horarios para obtener el promedio mensual del diario acumulado. Luego realizan la
comparación con el modelo de la NASA (Pinker & Laszlo, 1991) y reportan una desviación
de la raı́z del error medio cuadrático (RMSD) del 1 %, asimismo lo comparan con las 3
estaciones terrestres de referencia donde el RMSD fue de 3.2 %.
En el caso de Ecuador (Alvarez, 2014) presenta una aproximación a la radiación solar

a obtener en las provincias de El Oro, Loja y Zamora Chinchipe, Región Sur de Ecuador.
Mediante un modelo estadı́stico empleando imágenes del GOES-Este y comparados con
una red de 5 estaciones, reporta un error de 26 % en las estimaciones, no obstante, la
forma de obtención y el método de georeferenciación de las imágenes posiblemente estén
influyendo en el error alcanzado.
(Delgado & Orellana, 2015) prueban el modelo Bristow & Campbell para la estimación
de la radiación solar global diaria en el Cantón Cuenca de Ecuador, pero solo a partir de 16
puntos de medición terrestre, cuyos datos fueron proporcionados por el Instituto Nacional
de Eficiencia Energética y Energı́as Renovables (INER).
(Gallegos,
2000).Cartas
radiación solar
Hı́brido
(Suárez et al., 2012).

Ajuste mod. Tarpley
1979, Uruguay
Irradiancia Solar
(Soares et al., 2004).
Redes Neuronales,
Sau paulo 2002
(Frulla et al., 1988).
GOES 1982-1983
(Pereira et al., 1996).
METEOSAT 2 (Delgado &
Orellana, 2015).
modelo Bristow &
Campbell, INER
(Ceballos &
Rodrigues, 2004).
GOES 12 y MSG
Fı́sico
(Alvarez, 2014).
GOES-Este, sur de
Ecuador
(Ceballos
et al., 2005). Modelo
GL versión 1.2 (Suárez et al., 2014).
GOES 8,12,13;
(Borrajero 2000-2012. Ajuste
et al., 2005). GOES mod. Tarpley 1979
clasificación
supervisada
Figura 1.2. Este mapa conceptual presenta la evolución de los modelos de irradiancia solar en
latinoamerica. Elaboración propia.
1.3. Contexto Colombiano
En Colombia se han generado dos versiones del Atlas de Radiación Solar: la primera
edición corresponde al año de 1993; la segunda, y actual, contiene una aproximación a la
distribución espacial del recurso solar, desarrollada con base en información radiométrica
medida directamente en 71 estaciones sobre el territorio nacional, complementada con
383 estaciones meteorológicas donde se realizan medidas rutinarias de brillo solar, y 96
estaciones donde se realizan mediciones de humedad relativa y temperatura, variables que
fueron correlacionadas con la intensidad radiante sobre la superficie (IDEAM & UPME,
2005).
El Atlas ofrece 4 colecciones de 13 mapas sobre radiación solar global, brillo solar, ra-
diación solar UV, ozono e ı́ndices UV, para los cuales se correlacionaron con 5 estaciones
del IDEAM con información satelital de 1000 puntos localizados sobre Colombia, prove-
niente de la Agencia Norteamericana para la Aeronáutica y el Espacio (NASA) aplicando
modelos de estimación y de interpolación espacial. Para la radiación solar global se realizó
la digitalización de gráficas de actinógrafos y su respectivo cálculo de valores.
También se hicieron estimaciones de radiación solar mediante el modelo de Ángstrom

modificado, utilizando los valores de brillo solar. Por último, se recurrió al método de
interpolación del vecino más cercano para la elaboración del mapa de radiación solar
global, tomando como referencia 550 estaciones meteorológicas y en el caso del brillo
solar 479 estaciones (Unidad de Planeación Minero Energética, 2006). Sin embargo, aún
se evidencia la falta de modelos de estimación de irradiancia solar a partir de imágenes
satelitales.
Por su parte, (Perdomo et al., 2010) recurren a las series temporales para la estimación
de la radiación solar global diaria promedio acumulada en Bogotá tomando como referencia
la Universidad Nacional de Colombia Sede Bogotá en el periodo 2003-2009.
En lo que respecta al trabajo con imágenes meteorológicas, la incorporación de imáge-

nes satelitales GOES solo se utilizó para pronósticos del estado del tiempo como se puede
consultar en el trabajo de (Jaramillo & Ruiz, 2012).
Por otro lado, siguiendo la lı́nea de interpolación de datos, (Rodrı́guez et al., 2015)
generan mapas de radiación solar global para la zona Cundiboyacense, con datos prove-
nientes de 21 estaciones terrestres de la red local de la Corporación Autónoma Regional
de Cundinamarca (CAR) en el periodo 2008-2010.
(Vanegas et al., 2015) presentan un análisis de la cuantificación y caracterización de la

radiación solar a partir del estudio de datos meteorológicos suministrados por el Instituto
de Hidrologı́a, Meteorologı́a y Estudios Ambientales de Colombia (IDEAM), provenientes
de distintas estaciones ubicadas en el departamento de La Guajira con registros climáticos
de más de cinco años y evaluados a través del modelo de Bird & Hulstrom.
De esta manera, se puede notar la evolución a nivel mundial y latinoamericano que ha

tenido el uso de imágenes satelitales como apoyo a las investigaciones sobre radiación solar.
Sin embargo, en Colombia su uso no se ha enfocado hacia el aprovechamiento del recurso
solar, razón por la cual es hora de propender a su aplicación resaltando la importancia
de contar con mediciones continuas de este recurso natural en complemento con el uso de
tecnologı́as de percepción remota.
(IDEAM &
UPME, 2005).
Distribución del
recurso solar con el
mod. Angstrom y
técnicas de
interpolación
Hı́brido
(Rodrı́guez
et al., 2015).
Interpolación 21
estaciones CAR
2008-2010
(Perdomo
et al., 2010). Series de
tiempo, Radiación
solar horaria
Irradiancia Solar promedio acumulada
2003-2009
IDEAM, 1993. Atlas

de radiación solar de
Colombia
Fı́sico
(Vanegas et al., 2015).

Cuantificación y
caracterización de la
radiación solar con el
modelo de Bird &
Hulstrom
Figura 1.3. Este mapa conceptual presenta la evolución de los modelos de irradiancia solar en
Colombia. Elaboración propia.
CAPÍTULO 2
Marco Teórico
El análisis de la cuantificación del recurso solar conlleva a la revisión de diferentes

variables. Para comprender el entramado de este sistema es fundamental conocer la teorı́a
y las formulaciones fı́sicas relacionadas con la radiación solar, de esta manera, se puede
abordar con mayor certeza el funcionamiento del algoritmo HELIOSAT, sus principios y
consideraciones. Por otra parte, es preciso describir las medidas estadı́sticas disponibles
que permiten la validación de la estimación planteada en esta investigación.
2.1. Radiación Solar
Para hablar de radiación solar es necesario revisar cómo es su comportamiento res-

pecto a la tierra. Para medir la distancia de la tierra al sol es necesario tener en cuenta
las propiedades geométricas como el tamaño del radio terrestre; el movimiento de tras-
lación alrededor del Sol y el ángulo entre el plano solar (elı́ptica) y el ecuador terrestre
denominado declinación.
Respecto al espectro electromagnético, para diferentes temperaturas, hipotéticamente

un cuerpo negro emite su máxima radiancia, por ejemplo, el sol a 6000 K alcanza su
máxima radiancia en el rango del espectro visible, (figura 2.1).
11
CAPÍTULO 2. MARCO TEÓRICO 12
Figura 2.1. Emitancia de un cuerpo negro. Fuente:(Garcı́a, 2015)
El ingreso de la radiación solar a la tierra antes de traspasar su atmósfera se le de-

nomina irradiancia global; durante su transito por la atmósfera interactua con diferentes
componentes quı́micos: oxigeno, helio, argón e hidrógeno, entre otros; ası́ como el vapor de
agua, el dióxido de carbono, el monóxido de carbono y las nubes, todos juntos disminuyen
la potencia con la que la radiación llega a la superficie terrestre. Cuando no se presentan
interferencias del nivel señalado se le denomina irradiancia directa y cuando estas ocurren
se le denomina irradiancia difusa. Gráficamente se puede apreciar el espectro de referencia
para las distintas clases de irradiancia global, directa y difusa y niveles de escala, (Figura
2.2).
Figura 2.2. Irradiancias global, directa y difusa; y escalas de radiancias . Fuente:(Garcı́a, 2015)
y (Labarta, 2012).
También es importante considerar la variable tiempo y cómo esta se relaciona en los

cálculos respecto a la época del año, esto se puede evidenciar mediante la función de
tiempo que aparece representada en la gráfica de ecuación del tiempo, (Figura 2.3).
Figura 2.3. Movimiento de traslación terrestre y la ecuación del tiempo. Fuente: (Garcı́a, 2015)
y (Labarta, 2012).
De esta manera, la traslación y la inclinación de la tierra sobre su eje de rotación son

causas que hacen variar la radiación solar en la tierra, dado que la distancia de la tierra
al sol no es siempre constante teniendo en cuenta la trayectoria elı́ptica que describe la
tierra alrededor del sol. En esta trayectoria, el plano de referencia solar (eclı́ptica) forma
un ángulo al interceptar el ecuador terrestre que recibe el nombre de declinación y tiene
un valor de 23◦ 270 , por ello, van a existir dı́as del año en los cuales la tierra estará más
cerca o lejana del sol y la declinación también variara, lo cual genera que ciertas zonas
dependiendo de la latitud del lugar, estarán mas expuestas a la incidencia de la energı́a
solar; El vinculo de estos fenómenos se puede verificar mediante la gráfica de la declinación
versus la fecha juliana del año, (figura 2.4)
Figura 2.4. Variación de la declinación al año. Fuente:(Garcı́a, 2015).

El sistema de proyección espacial para fijar la posición del sol en el horizonte o desde la
posición del observador se denomina sistemas de coordenadas ecuatoriales. Sin embargo,
cuando se tiene en cuenta la posición para un observador en la tierra estas coordenadas
reciben el nombre de coordenadas horizontales y miden la posición del sol respecto al
azimut y altura que éste presenta, (Figura 2.5).
Figura 2.5. Sistema de coordenadas horizontales. Ajustado de (Larrayoz et al., 2014).
2.2. Caracterı́sticas del satélite GOES
El satélite meteorológico Geostationary Operational Environmental Satellites (GOES)

se mueve en una órbita geosincrónica sobre el ecuador a una distancia de 35.800 Km,
(Figura 2.6) y proporciona observaciones en intervalos de 30 minutos, (Tabla 2.1).
Figura 2.6. Satélite GOES 13. Tomado de (National Aeronautics Space Administration, 2005)
Tabla 2.1. Caracterı́sticas satélite geoestacionario GOES

Resolución Resolución Rango
Sensor Orbita Bandas
Temporal Espacial Espectral
visible 0.4 - 1.1
De 4 a 1
GOES 13 Geoestacionaria 30 minutos Infrarrojo
(km/pı́xel) 5.7 - 7
térmico
vapor de agua 10.5 - 12.5
Nota:tomado de la (National Aeronautics Space Administration, 2005)
2.3. El método HELIOSAT
El esquema del método HELIOSAT presenta la estimación de la irradiancia solar a

partir de dos componentes: la irradiancia directa y la difusa. No obstante, para estimar la
irradiancia solar a partir de imágenes satelitales meteorológicas comúnmente se consideran
dos situaciones: cielo despejado y cielo con presencia de nubes (Hammer et al., 2003).
(Figura 2.7)
El método HELIOSAT fue originalmente propuesto por (Cano et al., 1986) y pos-
teriormente modificado por (Beyer et al., 1997; Hammer et al., 2003)(Beyer et al. 1997
y Hammer 1999). Éste trabaja relacionando la irradiancia extraterrestre para un plano
horizontal en la ecuación (2.1).
r
0
Gext = Gsc cos θz (2.1)
r
Donde:
W
Gsc = 1.367 m 2 , corresponde a la constante solar;
θz es el ángulo cenital en grados;
r0 y r, es respectivamente, la distancia media actual entre el sol
y la tierra.
Con las dos componentes derivadas del modelo estadı́stico de(Skartveit et al., 1998): la
irradiancia directa (Page, 1996) y la difusa (Dumortier, 1995), son evaluadas en condiciones
de cielo despejado mediante el factor de turbidez. De esta forma la Irradiancia Normal
Directa Gdn está dada por la ecuación (2.2).
Gdn = Gsc −0.8662.T L(2)δR(m)m (2.2)
Donde:
T L(2) es el factor de transmisión atmosférica para una masa de

aire 2.
Figura 2.7. Esquema método HELIOSAT. Ajustado de (Hammer et al., 2003)
Y el termino
= 1.000110 + 0.34221 + 0.001280sinT + 0.000719cos2T +

0.000077sin2T , es la corrección por excentricidad.
Por su parte, la irradiancia difusa está dada por la ecuación (2.3).
Gdif = Gext (0.0065 + (−0.045 + 0.064T L(2))cosθz + (0.014 − 0.0327T L(2))cos2 θz )) (2.3)
De esta manera, para la obtención de la irradiancia solar para cielo despejado se suman
las componentes directa y difusa en la ecuación (2.4).
Gclear = Gdn cosθz + Gdif (2.4)
De otra parte, la presencia de nubes, desde el punto de vista del sensor, se traduce en
un incremento del albedo. El ı́ndice de nubosidad varı́a entre [0, 1] y puede ser considerado
como el porcentaje de cobertura nubosa de un pı́xel.
En consecuencia el ı́ndice de nubosidad constituye un indicador de la transmisión

atmosférica de una columna de aire localizada sobre el pı́xel, donde valores bajos del
ı́ndice de nubosidad corresponden a valores altos del factor de transmisión atmosférica.
Los albedos máximos y mı́nimos son determinados como los valores máximos o mı́nimos
de cada pı́xel de una serie de imágenes de albedo en un perı́odo de tiempo establecido: un
mes o un año.
2.4. Medidas estadı́sticas para la validación de errores
Según (Amillo et al., 2014) y (Shcherbakov & Brebels, 2013, p. 171-172) existen di-
ferentes medidas estadı́sticas que son usadas para estimar el grado de incertidumbre o
desviaciones entre un conjunto de datos estimados y otros observados. En la gran mayorı́a
de estudios relacionados con la estimación de irradiancia solar se implementan tres gru-
pos de medidas estadı́sticas: el primero, el error promedio de la predicción; el segundo, el
error absoluto de predicción; y el último, medidas basadas en el porcentaje del error. A
continuación se explica cada grupo y sus medidas.
2.4.1. Error promedio de la predicción
En este grupo de medidas se identifica trabajar con la diferencia de las desviaciones y

el error, el cual se define en la ecuación (2.5).
et = (Gt − ft ) (2.5)
Donde Gt , es el dato de irradiancia observado en un tiempo (t), y por su parte ft el

dato de irradiancia estimado en el mismo tiempo.
De esta manera, en el resultado de este grupo se obtiene una dirección, ya sea en

sentido positivo o negativo. La medida estadı́stica más convencional que se aplica es la
siguiente:
• Mean Bias Deviation (MBD): y se calcula como se muestra en la ecuación (2.6).

n
1X
M BD = (ei ) (2.6)
n
i=1
Donde n es el total de observaciones en un tiempo dado. Si el resultado es positivo,

indica que el modelo está sobrestimado, o si es negativo, indica que el modelo está
subestimado. La desventaja de este método radica en la imposibilidad de medir el
error absoluto.
2.4.2. Error absoluto de la predicción
Este grupo involucra las medidas que calculan el error absoluto como:
• Mean Absolute Error (MAE): es una medida estadı́stica que no considera la

dirección de las desviaciones, indicando el promedio del error absoluto presente entre
la estimación y la observación. Su expresión matemática se muestra en la ecuación
(2.7).
n
1X
M AE = |ei | (2.7)
n
i=1
La MAE y MBD resultan ser complementarias, ya que la MBD no mide la totalidad

del error por las cancelaciones que se dan entre las desviaciones positivas y negativas.
Por esta razón, se recomienda analizar sus resultados paralelamente.
• Median Absolute Error (MdAE): similar al MAE pero en vez de la media se em-
plea la mediana, la cual estadı́sticamente contrarresta la influencia de datos atı́picos
y se expresa como se muestra en la ecuación (2.8) .
M dAE = mediani=1,n (|ei |) (2.8)
• Root Mean Square Error (RMSE): calcula la raı́z cuadrada del promedio del
error al cuadrado, de los valores estimados y los observados, como se presenta en la
ecuación (2.9).
v
u n
u1 X
RM SE = t e2i (2.9)
n
i=1
El RMSE, tiene un dominio de valores que van desde cero hasta infinito y es sensible
a la detección de datos atı́picos.
2.4.3. Medidas basadas en el porcentaje del error
Este grupo de medidas se caracteriza por expresar los errores en porcentaje, donde el
factor de porcentaje del error se expresa como en la ecuación (2.10).
|et |
Pt = (2.10)
Gt
El grupo incluye las siguientes medidas para la medición del error:
• Mean Absolute Percentage Error (MAPE): es similar al MAE, excepto porque

en su expresión incorpora en el denominador la media de las observaciones multi-
plicado por cien, como una forma de estandarizar el resultado, quedando expresado
como se muestra en la ecuación (2.11).
n
1X
M AP E = 100 ∗ |Pi | (2.11)
n
i=1
Cuando los valores del resultado son cercanos a cero señalan estimaciones con un
alto grado de confianza.
• Median Absolute Percentage Error (MdAPE): su expresión es similar a la

MAPE pero en este caso se aplica la mediana, como se muestra en la ecuación
(2.12).
M dAP E = mediani=1,n (100 ∗ |Pi |) (2.12)

Su bondad radica en que es más resistente a la influencia de datos atı́picos.
• Root Mean y Median Square Percentage Error (RMSPE): comúnmente se

conoce como la forma relativa de expresar el RMSE, como se muestra en la ecuación
(2.13).
q
RM SP E = meani=1,n (100 ∗ |Pi |)2 (2.13)
También puede expresarse empleando la mediana, como en la ecuación (2.14).

q
RM dSP E = mediani=1,n (100 ∗ |Pi |)2 (2.14)
En general, estas mediciones estadı́sticas no son simétricas y los valores atı́picos tienen
una gran influencia. Otra precaución al momento de evaluar modelos es con el sesgo que
presentan los errores, conllevando a interpretaciones inadecuadas. En cuanto a las medidas
de porcentaje, cuando el dominio de la variable observada incluye el cero, el cálculo del
factor no es posible.
CAPÍTULO 3
Metodologı́a
La metodologı́a presenta tres componentes: el primero, la descripción de la zona de es-

tudio en donde se aplica la estimación de la irradiancia solar; el segundo, las herramientas
implementadas en cuanto a hardware, software y los datos base utilizados para el procesa-
miento; y el tercero, el método cientı́fico con los procesos y procedimientos aplicados para
la comprobación de la hipótesis y la estimación de la irradiancia solar en superficie.
3.1. Zona de estudio
El área de la región Cundiboyacense en Colombia es de 47.399 km2 , cuyos li-

mites geográficos son: latitud norte 7◦ 30 17.42”; latitud sur 3◦ 430 36.80”, longitud este
−71◦ 560 43.80” y longitud oeste −74◦ 530 26.52”. La temperatura promedio de la zona oscila
entre los 10 a 30◦ C en altitudes entre 115 y los 5.365 m.s.n.m., (Figura 3.1).
20
CAPÍTULO 3. METODOLOGÍA 21
Figura 3.1. Localización región Cundiboyacense. Este mapa presenta los limites administrativos
de la región Cundiboyacense; y se puede apreciar la imagen GOES 13 en la banda
del canal visible, con fecha de 19-01-2011 y hora local 7:45 a.m. Elaboración propia.
En esta zona el IDEAM tiene situadas veintiséis (26) estaciones de radiación global:
12 en Cundinamarca y 14 en Boyacá, de las cuales 19 son automáticas y 7 convencionales,
(Figura 3.2).
Figura 3.2. Localización de las estaciones IDEAM en la región Cundiboyacense. Este mapa pre-
senta la distribución de las estaciones automáticas y convencionales de radiación
global del IDEAM en la región Cundiboyacense. Elaboración propia.
3.2. Herramientas
Para desarrollar esta investigación se utilizaron las siguientes clases de herramientas

en hardware, tipos de software y datos:
Para el recurso de hardware se contó con el apoyo del Centro de Computación de Alto
Desempeño de la Universidad Distrital Francisco José de Caldas (CECAD), en dónde se
habilitó un recurso computacional en red mediante un protocolo de comunicación cliente
servidor Secure SHell (SSH) dotado de 56 núcleos de procesamiento y 200 Gb para el
almacenamiento y procesamiento de las imágenes satelitales. De igual manera, se trabajó

alternadamente con un computador de 8 núcleos core i7 y 6 Gb de RAM.
En el procesamiento de datos se implementaron diferentes tipos de software: Matlab

versión R2017b, para el modelamiento matemático del algoritmo HELIOSAT; Erdas Image
2015, para el procesamiento de imágenes satelitales y Weather and Climate Toolkit (WCT)
para la exportación de las imágenes GOES en formato NetCDF; y Q-Gis versión 2.16.0
(N φdebo) para la generación de mapas y salidas gráficas cartográficas, (Figura 3.3).
Figura 3.3. De izquierda a derecha se pueden apreciar los software utilizados: Matlab, Erdas
Image, WTC y Q GIS. Tomado del manual de ayudas de cada software
Como fuente de datos se usaron las imágenes satelitales capturadas en el año 2011 por
el satélite Geostationary Operational Environmental Satellite (GOES) misión 13, del canal
visible con resolución espacial de 1 km2 y temporal de 30 minutos. Se adquirieron de la
National Oceanic and Atmospheric Administration (NOAA) desde su librerı́a electrónica
Comprhensive Large Array-data Stewardship System Class (CLASS) en la cual se realizó la
búsqueda y la obtención de productos relacionados con la información ambiental, (NOAA,
2016) y Anexo 1.
Las dimensiones de las imágenes adquiridas es de 5.200x5.200 pı́xeles que cubren el

territorio de Colombia, siendo el insumo para extraer la población de pı́xeles de la región
Cundiboyacense.
3.3. Población
El pı́xel es la unidad de representación espacial y su tamaño se definió en 1km2 según

la resolución espacial de las imagines GOES del canal visible; para el cubrimiento del área
de estudio se generó una ventana de 388x388 pı́xeles extraı́dos de las imágenes GOES
13 descargadas previamente, en donde se consolidó una población de 150.544 pı́xeles, los
cuales fueron la base de trabajo para la estimación. Es importante señalar que para cada
momento o tiempo de estimación esta población se mantuvó constante.
En la definición de la muestra, de la población o ventana de trabajo se tomaron tres

pı́xeles que corresponden a las localizaciones de las estaciones de radiación global del
IDEAM. Se trabajó con esta muestra porque fue la cantidad de estaciones que facilitó el
IDEAM para realizar los procesos de validación, (Tabla 3.1).
Tabla 3.1. Localización geográfica estaciones IDEAM

Número Estación Latitud Longitud
1 Tibaitatá 4◦ 410 24” −74◦ 120 36”
2 Tunguavita 5◦ 450 −73◦ 70 12”
3 Universidad Nacional 4 380 24”
◦ −74◦ 50 24”
3.4. Método
El método cientı́fico seleccionado para el desarrollo de esta investigación es el hipotético

deductivo para comprobar la siguiente hipótesis:
Aplicando el algoritmo HELIOSAT en imágenes satelitales GOES, es posi-

terrestres.
Teniendo en cuenta la hipótesis enunciada, se plantea como variable principal de análi-

sis y objeto de estimación la irradiancia solar en superficie, la cual tiene como unidad de
W
medida Watts por metro cuadrado ( m 2 ). Para la estimación de esta variable se utilizan
imágenes satelitales GOES 13, con la aplicación del algoritmo HELIOSAT, y se valida
con las observaciones de tres estaciones automáticas del IDEAM (Tibaitata, Tunguavitá y
Universidad Nacional) mediante métodos de validación. Para luego analizar los resultados
conseguidos.
A continuación se describen los 6 procesos y sus respectivos procedimientos en donde

se muestra la aplicación del algoritmo HELIOSAT para la obtención de la irradiancia
solar,(Figura 3.4).
Estimación de irradiancia solar

Preparación Imágenes GOES
Selección de las imágenes GOES
Corrección geométrica
Programación algoritmo HELIOSAT
Calculos previos de geolocalización
Irradiancia normal directa
Irradiancia difusa
Irradiancia cielo despejado
Detección de nubosidad
Irradiancia global horizontal
Sistematización del algoritmo
Generación de resultados
Validación de resultados
Figura 3.4. Esquema metodológico. Elaboración propia.
3.4.1. Preparación de las imágenes GOES
En este proceso se preparan las imágenes satelitales con su respectiva selección para
descarga y corrección geométrica.
3.4.1.1. Selección de las imágenes GOES
Consiste en seleccionar las imágenes GOES para el año de análisis (2011), que cubren
el área de la región Cundiboyacense de acuerdo a la disponibilidad en la librerı́a electróni-
ca CLASS de la NOAA, ingresando los siguientes parámetros: coordenadas geográficas,
formato de salida, canal y sector de la toma (para el caso de Colombia es el hemisferio
norte). Finalmente, se procede a su descarga (Anexo 1).
3.4.1.2. Corrección geométrica
En este procedimiento se proyectan las imágenes obtenidas a un sistema de referencia

especial adecuado; para este caso, se aplica un sistema de proyección geográfica con datum
geográfico WGS 84, utilizando el software WTC de la NASA, con el cual se define el datum
y se exporta las imágenes GOES de su formato nativo 1 *.AREA al formato *.NetCDF.
1
El sı́mbolo * reemplaza el nombre del archivo que se utilice para guardarlo con la extensión indicada.
Asimismo, se configura la resolución espacial de salida de la imagen a un tamaño de pı́xel

de 1km2 .
3.4.2. Programación del algoritmo HELIOSAT
Este proceso presenta la programación del algoritmo HELIOSAT en imágenes GOES

13, el cual consiste en el modelamiento matemático de la estimación de irradiancia glo-
bal horaria en lenguaje de programación, utilizando el software Matlab y su respectiva
aplicación en el área de la región Cundiboyacense.
Este algoritmo HELIOSAT desarrolla un modelo de irradiancia solar que tiene dos
estructuras: la primera, el cálculo de irradiancia global horizontal asumiendo un modelo de
cielo despejado; y la segunda, la estimación del ı́ndice de nubosidad a partir de las imágenes
satelitales GOES 13. Con la integración de estas estructuras se obtiene la estimación
de irradiancia global en superficie que es el objetivo que se busca con el desarrollo del
algoritmo HELIOSAT en los 6 procedimientos siguientes.
3.4.2.1. Cálculos previos de geolocalización
Los datos de geolocalización son extraı́dos de las imágenes GOES 13 de cualquier fecha
del año 2011 como base para la extracción de las coordenadas geográficas del centroide
de cada pı́xel. Luego, con los centroides de los pı́xeles se extraen las alturas s.n.m.m. de
las imágenes Alos Palsar. Con esta información se conforma una base de datos que es un
archivo en formato cvs nombrado GOES-ylh.
3.4.2.2. Cálculo de la irradiancia normal directa Gdn
Este procedimiento consiste en considerar la interacción de la irradiancia solar con la

atmósfera para calcular la irradiancia normal mediante los siguientes componentes: factor
de turbidez, constante solar, corrección por excentricidad y factor de enlace turbidez para
una masa de aire 2.
La irradiancia normal directa Gdn está dada por la ecuación (3.1).
Gdn = Gsc −0.8662.TL (2)δR (m)m (3.1)
Donde, es la corrección por excentricidad definida por la ecuación (3.2)
= 1.000110 + 0.34221cosΓ + 0.001280sinΓ + 0.000719cos2Γ + 0.000077sin2Γ (3.2)

El periodo de tiempo Γ está definido en la ecuación (3.3):
J −1
Γ = 2π (3.3)
365
Y los elementos restantes son:
W
• Constante solar Gs c = 1.366 m2
(Watts por metro cuadrado)
• Altura de atmósfera Rayleigh en la superficie de la Tierra Zo = 8.434 metros
• Dispersión o marca óptica Rayleigh δR (m)
• Masa de aire (m).
• Factor de enlace turbidez para una masa de aire 2 TL (2)
La masa de aire m se expresa en la ecuación (3.4):

z
1 − 1000
m= (3.4)
cos(θz ) + 0.50572(96.07995 − θz )(−1.6364)
Siendo z la altura del sitio en metros, y θz el ángulo del cenit en grados decimales (Kasten
& Young, 1989)
Los cálculos para encontrar los valores de Rayleigh varı́an según el valor de m, para
un valor de m < 20 se aplica la ecuación (3.5) , y para un valor de m > 20 se aplica la
ecuación (3.6).
1
δR (m) = (3.5)
6.6296 + 1.7513m − 0.1202m2 + 0.0065m3 − 0.0013m4
1
δR (m) = (3.6)
10.4 + 0.718m
Luego se calcula en la ecuación (3.7) para el enlace de turbidez, definido como el

número de atmosferas Rayleigh necesarias para representar la marca óptica Rayleigh δ(m) .
δ( m)
TL (m) = (3.7)
δR (m)
En la ecuación (3.8) se presenta el enlace de turbidez normalizado para una masa 2.
TL (m)δ( m)
TL (m) = (3.8)
δR (m)
3.4.2.3. Cálculo de la irradiancia difusa
Considerando la irradiancia extraterrestre Gext en un plano horizontal. En este proce-

dimiento la irradiancia difusa se expresa en la ecuación (3.9).
Gdif,clear = Gext (0.0065 + (−0.045 + 0.064TL (2)) cos θz + (0.014 − 0.0327TL (2)) cos2 θz )
(3.9)
3.4.2.4. Cálculo de la irradiancia para cielo despejado Gclear
En este procedimiento se calcula la irradiancia en condiciones de cielo despejado en la

ecuación (3.10), a partir de la suma de los componentes de la irradiancia solar directa y
difusa calculadas anteriormente.
Gclear = Gdn,clear cos θz Gdif,clear (3.10)
3.4.2.5. Detección de nubosidad o nubes de transmisión
En este procedimiento se resalta la gran influencia que tienen las nubes en la transfe-
rencia de radiación en la atmósfera. La detección de la cobertura de nubes se realiza con
las imágenes GOES 13, introduciendo el elemento de factor de reflactancia relativa (n)
que se describe en la ecuación (3.11).
ρ − ρmin
n= (3.11)
ρmax − ρmin
Donde, ρmin es el albedo superficial, computado por una base mensual de los registros
de variación temporal de la reflactancia en la superficie con las imágenes GOES 13. El
ρmax , se computa separadamente para cada medición radiométrica del satélite.
Asimismo, la reflactancia relativa se define en la ecuación (3.12):
C − C0
ρ= (3.12)
Gext
3.4.2.6. Irradiancia global horizontal
Donde C es la intensidad radiométrica en el pı́xel de la imagen, y Co es el resultado

total contrarrestado desde un instrumento Cof f y una atmósfera desplazada Catm como
se presenta en la ecuación (3.13):
f (θz )
Catm = (1 + cos2 Ψ) (3.13)
cos0.78 φ
Siendo Ψ, el ángulo entre el sol y el satélite visto desde la tierra, y φ el ángulo cenital
del satélite.
La reflactancia medida refleja que está completamente cercana a la atmósfera, y se

define por la función f (θz ) en la ecuación (3.14):
f (θz ) = 0.55 − 25.2 cos θz − 38.3 cos2 θz + 17.7 cos3 θz (3.14)
De esta forma el offset total Co se representa mediante la ecuación (3.15)
Co = Cof f + Catm (3.15)
Como la reflactancia usualmente es baja para la superficie terrestre y nubes ligeras, el

ı́ndice de nubosidad se expresa: cero (0) si está libre de nubes, y uno (1) si está cubierta
de nubes. De esta manera, la transmisión de nubes puede ser descrita mediante el ı́ndice
de nubosidad K ∗ normalizado a la actual irradiancia superficial G con la irradiancia en
T
cielo descubierto Gclear en la ecuación (3.16):
G
K∗ = (3.16)
T Gclear
Dependiendo del valor que se obtenga de n en los intervalos expresados, se definen los
valores normalizados de K ∗ en (3.17):
T


 1.2 si n ≤ −0.2
1−n si −0.2 < n ≤ −0.8

K∗ = (3.17)
T 
2.0667 − 3.6667n + 1.6667n2 si −0.8 < n ≤ −1.1
0.05 si 1.1 < n

Por último, de las ecuaciones (3.10) y (3.16) se obtiene la irradiancia en la superficie

G, representada en la ecuación (3.18):
G = K ∗ (Gdn,clear cos θz + Gdif,clear ) (3.18)

T
3.4.3. Sistematización del algoritmo HELIOSAT
El proceso de sistematización del algoritmo HELIOSAT se generó en 4 rutinas: la pri-

mera, extrae los datos contenidos del nombre de las imágenes GOES 13 descargadas para
el año 2011; la segunda, realiza los cálculos de geometrı́a solar según la época y las coorde-
nadas geográficas del lugar; la tercera, contiene la primera parte del algoritmo HELIOSAT
en lo referente a los cálculos de irradiancia en condiciones de cielo despejado; y la últi-
ma, desarrolla la segunda parte del algoritmo HELIOSAT, en el cual se implementan las
imágenes satelitales GOES 13 para el cálculo del ı́ndice de nubosidad, y por consiguiente,
la estimación de la irradiancia solar en la superficie, (Figura 3.5).
Inicio
Imágenes GOES
Distancia
sol-tierra
Cálculo geometrı́a solar:
Azimut y elevación solar
Alturas (mts)
Cálculo irradiancia de cada pı́xel
en cielo despejado
(parte I algoritmo)
Cálculo irradiancia
en cielo nublado
(parte II algoritmo)
Cálculo
Cálculoirradiancia
indice de
global horaria
nubosidad
Cálculo irradiancia
promedio diario acumulado
fin
Figura 3.5. Diagrama de flujo general del algoritmo HELIOSAT. Elaboración propia.
En las rutinas de programación se usaron técnicas de programación en paralelo y pro-

gramación funcional. Respecto a la primera, aquella permite reducir los tiempos de dura-
ción en cómputo en complemento con el servicio de cómputo habilitado por el CECAD para
optimizar el rendimiento de procesamiento y capacidad almacenamiento de las imágenes
GOES 13. La segunda técnica hace referencia a la creación de funciones para incorporarlas
en el algoritmo y mejorar su desempeño, (Figura 3.6).
Figura 3.6. Entorno de desarrollo. Elaboración propia.
Por otra parte, se recomienda trabajar en formato *.NetCDF con las imágenes GOES
13, por ser un formato que reconoce el software Matlab a diferencia de las *.AREA que
sugiere la NOAA. No obstante, el formato *.AREA, mediante la herramienta WTC de la
NOAA, se puede exportar al formato NetCDF.
Las imágenes GOES 13 tienen una resolución temporal de 30 minutos, sin embargo,
la serie de imágenes que se pueden obtener no es completa en algunos dı́as del año por
posibles fallas durante la captura de la información.
Hay que tener en cuenta que los tiempos de captura no están fijados para intervalos de
hora en punto, sino para una hora, minutos y segundos no constantes; razón por la cual, se
implementa la función de estimación temporal de Matlab llamada retime y con el método
stepwise se realiza la estimación para irradiancia solar horaria en superficie en intervalos
de hora en punto desde las 6 a.m. hasta las 6 p.m.
3.4.4. Generación de resultados
Con los valores de irradiancia solar horaria en superficie obtenidos, se procede a generar
el mapa cuantificación del promedio diario acumulado de irradiancia solar en el mes de
enero de 2011, identificando clusters áreas con valores altos de irradiancia solar con el fin
de revelar áreas potenciales.
Para la obtención de los mapas mensuales se obtuvo la irradiancia solar en superficie en

promedio acumulada, la cual resulta de promediar los valores horarios mensuales y luego
sumarlos para obtener un valor acumulado, (Figura 3.7).
Figura 3.7. Cubo de datos. Elaboración propia.
Asimismo, se presenta el mapa de densidad irradiación solar promedio que resume el

comportamiento de la irradiación.
3.4.5. Validación de los resultados
Implementando las medidas estadı́sticas de validación mencionadas en la sección 2.4,

se evalúa el grado de correlación existente entre los valores terrestres suministrados por
el IDEAM y las estimaciones obtenidas con la aplicación del algoritmo HELIOSAT en
imágenes GOES 13. De esta manera, se comprueba la validez de la hipótesis planteada en
esta investigación, esto es:
Aplicando el algoritmo HELIOSAT en imágenes satelitales GOES, es posi-

terrestres.
La aplicación de estos procesos y procedimientos en el orden establecido es la forma que

se propone para la obtención de irradiancia solar mediante imágenes GOES 13 aplicando
el algoritmo HELIOSAT, para luego, comparar su resultado con mediciones terrestres de
tres estaciones del IDEAM con el fin de encontrar su significancia estadı́stica.
CAPÍTULO 4
Resultados
Los resultados se presentan de acuerdo a los objetivos planteados: programar el algo-

ritmo HELIOSAT; comparar y validar las estimaciones de irradiancia solar obtenidas de
la aplicación del algoritmo HELIOSAT en las imágenes GOES 13 de 2011 para la región
cundiboyacense.
4.1. Rendimiento del algoritmo HELIOSAT
En cuanto a los tiempos de rendimiento del programa HELIOSAT, se registraron los

tiempos al usar un computador personal y se compararon con los tiempos registrados al
utilizar el entorno de desarrollo proporcionado por el CECAD.
Se encontró que el tiempo registrado por el entorno de desarrollo CECAD fue de 906
segundos promedio, frente a 2.400 segundos promedio del registrado en el computador
personal, (Tabla 4.1) 1 .
Tabla 4.1. Tiempos de rendimiento obtenidos en el entorno matlab del CECAD.

Imagen tiempo Imagen tiempo Imagen tiempo Imagen tiempo
dı́a (seg.) dı́a (seg.) dı́a (seg.) dı́a (seg.)
d1 949.283 d9 929.469 d14 1009.726 d21 837.067
d1 1090.586 d10 903.072 d15 951.786 d23 894.710
d2 938.471 d11 959.392 d15 845.325 d24 858.252
d5 1113.924 d11 909.401 d16 942.230 d25 892.975
d5 862.674 d12 843.160 d18 884.460 d26 891.909
d7 965.594 d12 969.076 d18 948.722 d27 942.842
d8 992.766 d13 830.461 d19 944.620 d28 945.238
d8 945.688 d13 891.933 d20 826.234 d29 929.732
d31 969.229
1
El tiempo medido en segundos (seg.)
34
CAPÍTULO 4. RESULTADOS 35
4.2. Métodos de validación y comparación de estimaciones
Para la validación de las estimaciones se utilizan dos métodos gráficos: la cuantifica-

ción del promedio diario acumulado de irradiancia solar en el mes de enero de 2011; y el
diagrama de correlación y densidad. Por último, como complemento, se aplican seis medi-
das estadı́sticas de validación para verificar el grado de dispersión de las estimaciones con
respecto a las observaciones de la estaciones.
El proceso de validación se realizó con las observaciones de tres estaciones terrestres del
IDEAM (Instituto de Hidrologı́a, Meteorologı́a y Estudios Ambientales): la primera, Ti-
baitatá localizada en el municipio de Mosquera en Cundinamarca; la segunda, Tunguavita
ubicada en el municipio de Paipa en Boyacá; y la tercera, se encuentra en la Universidad
Nacional de Colombia Sede Bogotá, (Tabla 3.1) y (Figura 4.1).
Figura 4.1. Localización de las estaciones de validación IDEAM en la región Cundiboyacense. Es-
te mapa presenta la distribución de las estaciones automáticas de radiación global del
IDEAM usadas para la validación de las estimaciones en la región Cundiboyacense.
Elaboración propia.
A continuación se describen los métodos gráficos y las medidas estadı́sticas empleadas

para validar las estimaciones.
4.2.1. Cuantificación del promedio diario acumulado mensual
El promedio diario acumulado mensual consiste en promediar las imágenes conseguidas

durante un mes determinado y luego hacer la sumatoria de la irradiancia solar obtenida
en todas las horas de aparición o presencia. En este caso, se selecciona el mes de enero de
2011 en donde se obtienen valores que oscilan entre los 5.2 y 5.9 Kwh
m2
en las tres estaciones
de análisis. Asimismo, como zonas referentes para la validación fuera del área de estudio
se señalan: Villavicencio y Yopal. (Figura 4.2).
Figura 4.2. Irradiación global horizontal media diaria mensual. En la parte superior izquierda
se muestra el mapa de irradiación estimado con HELIOSAT 1 a enero de 2011,
comparado con el mapa de la parte superior derecha, reportado por el IDEAM en el
atlas de radiación solar; y en la parte inferior la proyección en 3D de la estimación.
Los valores estimados con el método HELIOSAT 1, contrastados con los reportados
por el IDEAM conlleva al planteamiento del margen de error o intervalo de confianza que
se puede asumir como referencia para la validación; esto consiste en, definir el promedio
el valor reportado por el IDEAM y considerar un valor de desviación estándar en relación
con las diferencias de las estimaciones, esto da como resultado un valor de confianza del
80 % tomando un valor de z=1.28 según resultados, (Tabla 4.2)2 .
2
Los datos de irradiación solar son extraı́dos de los mapas presentados en la figura 4.2, y representan
rangos o intervalos de medición promedio aproximado en unidades ( Kwhm2
)
Tabla 4.2. Comparación datos IDEAM y estimación HELIOSAT 1.

Estación IDEAM ( Kwh
m2
) HELIOSAT 1 ( Kwh
m2
)
Tibaitatá 5-5 a 5 5.2 a 5.3
Tunguavita 4.5 a 5 5.8 a 5.97
Universidad Nacional 4.5 a 5 5.6 a 5.7
Como forma adicional de validación espacial se escogieron lugares que se localizaran

fuera de los limites de la zona de estudió, en este sentido se seleccionaron las ciudades
de Yopal y Villavicencio porque se encuentran en climas cálidos, localizadas en el pie de
monte de la cordillera oriental, es decir, presentan condiciones climáticas y de localización
distintas a las del altiplano Cundiboyacense. De tal forma, se registraron la medidas de
irradiación solar que reportan en la estimación con HELIOSAT 1 y en el reporte car-
tográfico del IDEAM, (Figura 4.3 y Tabla 4.3) 3 .
Figura 4.3. Irradiación global horizontal media diaria mensual Yopal y Villavicencio. En la parte
superior izquierda se muestra el mapa de irradiación estimado con HELIOSAT 1 a
enero de 2011, y en la parte superior derecha, los valores reportados por el IDEAM
en el atlas de radiación solar.
Tabla 4.3. Comparación datos IDEAM y estimación HELIOSAT 1 en Yopal y Villavicencio.

Lugar IDEAM ( Kwh
m2
) HELIOSAT 1 ( Kwh
m2
)
Yopal 5.5 a 6.5 6a7
Villavicencio 4.5 a 5.5 5a7
3
Los datos irradiación solar son extraı́dos de los mapas presentados en la figura 4.3, y representan rangos
o intervalos de medición promedio aproximado en unidades ( Kwh m2
)
4.2.2. Diagramas de correlación y densidad
Para cada estación terrestre se realiza su respectivo diagrama de correlación y densidad

con los datos estimados con la aplicación del algoritmo HELIOSAT en las imágenes GOES
13 de 2011.
En el diagrama de la estación número 1, Tibaitatá, se puede apreciar que se obtiene

una gráfica con tendencia hacia la lı́nea de referencia inclinada a 45◦ , (Figura 4.4).
Figura 4.4. Diagrama de correlación y densidad estación Tibaitatá. En la parte derecha se en-
cuentra la gráfica de correlación y en la izquierda el la gráfica de densidad.
Respecto a la estación número 2, Tunguavita, en el diagrama de correlación se evidencia

un patrón que sigue la lı́nea de referencia de 45◦ , junto a otras estimaciones que están
por encima y por debajo que no mantienen el patrón de referencia. En el diagrama de
densidades las mayores concentraciones se extienden sobre la lı́nea de referencia de 45◦ ,
(Figura 4.5).
Figura 4.5. Diagrama de correlación y densidad estación Tunguavita. En la parte derecha se

encuentra la gráfica de correlación y en la izquierda la gráfica de densidad.
En el diagrama de la estación número 3, Universidad Nacional de Colombia Sede

Bogotá, el comportamiento obtenido ocurre con un patrón que se marca por encima de la
lı́nea de referencia de 45◦ , (Figura 4.6).
Figura 4.6. Diagrama de correlación y densidad estación Universidad Nacional de Colombia Sede
Bogotá. En la parte derecha se encuentra la gráfica de correlación y en la izquierda
la gráfica de densidad.
4.2.3. Medidas estadı́sticas de validación
El reporte de resultados de las medidas estadı́sticas de validación se aborda en dos

grupos: el primero, involucra las medidas basadas en el promedio y el valor absoluto del
error, complementadas con sus valores relativos (porcentuales); el segundo, incluye las
medidas basadas en el porcentaje del error.
A continuación se muestran los resultados obtenidos en los dos grupos mencionados:

en el grupo 1, la muestra o puntos observados en enero de 2011 dependió de las horas
en la cuales se realizó lectura, de esta manera solo se tomaron los datos que tuviesen
observación; por esta razón la muestra es distinta en cada estación, (Tabla 4.4).
Tabla 4.4. Datos con observación estaciones IDEAM.

Estación Muestra
Tibaitatá 385
Tunguavita 347
Universidad Nacional 381
Los resultados del grupo 1 de las medidas estadı́sticas de validación se reportan para
las estaciones Tibaitatá, Tunguavita y Universidad Nacional de Colombia sede Bogotá,
(Tabla 4.5).
Tabla 4.5. Medidas estadı́sticas grupo 1.

Estación MBD MAE MdAE RMSE rMAE % rMdAE % rRMSE %
Tibaitatá -0.348 30.22 25.12 40.16 8.63 7.17 11.47
Tunguavita 4.63 37.34 35.94 46.34 12.96 12.48 16.09
Universidad
-15.62 38.41 40.48 49.38 18 18.97 23.14
Nacional
Con respecto al grupo 2, las observaciones con valores de irradiancia iguales a cero, se
presentan tipo 6 a.m. o 6 p.m., las cuales se ajustaron a valores de (0.1) buscando evitar
divisiones por cero y que fuera posible el cálculo del factor porcentual (Pt). Los resultados
obtenidos se presentan en la (Tabla 4.6).
Tabla 4.6. Medidas estadı́sticas grupo 2.

Estación MAPE MdAPE RMSPE RMdSPE
Tibaitatá 197.67 6.8 102.1 6.9
Tunguavita 55.45 13.96 111.26 13.46
Universidad Nacional 121.8 13.71 115.2 13.86
Las medidas empleadas para la evaluación de resultados tanto gráficas como estadı́sti-
cas permiten una mejor comprensión y seguimiento al comportamiento de la irradiancia
solar en el territorio; ası́ como la utilización de las estaciones terrestres del IDEAM en la
validación permite establecer los margenes de error según las diferencias presentadas en
la estimación.
CAPÍTULO 5
Análisis de Resultados
En este capı́tulo se analizan los resultados conseguidos siguiendo el orden de los obje-
tivos planteados: programar el algoritmo HELIOSAT; validar y comparar las estimaciones
de irradiancia solar obtenidas de la aplicación del algoritmo HELIOSAT en las imágenes
GOES 13 de 2011, para la región cundiboyacense.
5.1. Rendimiento del algoritmo HELIOSAT
Según los resultados obtenidos al implementar el entorno de desarrollo CECAD el tiem-

po de procesamiento se redujó en una tercera parte con respecto al entorno de desarrollo
personal. Esto se explica en el número de núcleos empleados en el procesamiento: con el
CECAD fue de 56 y en el personal 8.
Sin embargo, la activación y funcionamiento de los núcleos en simultaneo se consiguió,

en ambos casos, al aplicar las técnicas de programación en paralelo en matlab con los ciclos
Loop.
5.2. Análisis de comparación y validación de estimaciones
El análisis de validación y comparación se desarrolla para las zonas seleccionadas para

la validación Yopal y Villavicencio, y las tres estaciones del IDEAM presentadas en el
capı́tulo de resultados, (Tibaitatá, Tunguavita y Universidad Nacional de Colombia Se-
de Bogotá), comprende la interpretación de lo conseguido para cada estación según los
métodos gráficos y medidas estadı́sticas aplicadas.
43
CAPÍTULO 5. ANÁLISIS DE RESULTADOS 44
5.2.1. Ciudades Yopal y Villavicencio
En estas zonas se realiza la comparación de la estimación con HELIOSAT 1 y los

valores interpolados del IDEAM. Usando los mapas de cuantificación del promedio diario
acumulado mensual se aprecia que los resultados tienen coincidencias en ciertos valores y
áreas del territorio; por ejemplo, en Yopal los datos observados y estimados, coinciden con
el valor de 6 Kwhm2
, y en Villavicencio con el valor de 5 Kwh
m2
; tomando como referencia el
mapa del IDEAM, se aprecia una sobreestimación en el modelo de estimación HELIOSAT
1 en cerca de 0.5 Kwh m2
, esto es, con un margen de error del 20 %. Sin embargo, el nivel
de detalle que otorga la estimación HELIOSAT 1, da indicios de la variabilidad de la
componente de irradiación solar en el territorio, demostrando que el mapa de IDEAM
presenta zonas de interpolación que no llegan al detalle de la estimación propuesta, lo cual
no lo constituye como una fuente fiable para realizar validaciones de tipo espacial.
5.2.2. Estación Tibaitatá
En esta estación el promedio diario acumulado mensual alcanzó un nivel de radiación

de 5.2 ( Kwh
m2
), mayor en 0.3 unidades al reportado por el IDEAM de 4.9 ( Kwh m2
) en el Atlas
de radiación para el año 2011. Por lo cual, la estimación en el mes de enero tiene un alto
grado de coincidencia con la observada según intervalo de confianza al 80 %.
Por su parte, en el diagrama de correlación se puede apreciar que el patrón alcanzado

se despliega sobre la lı́nea de referencia de 45◦ , dando indicios de presencia de correlación.
En el diagrama de densidad las mayores concentraciones se localizan sobre la lı́nea de

referencia de 45◦ apoyando la presencia de correlación.
En lo que respecta a las medidas estadı́sticas del grupo 1, esta estación alcanza re-
sultados aceptables, sobre todo en aquellos estadı́sticos que no se dejan afectar por datos
atı́picos, como el rMAE con 8.63 % y el rMdAE con 7.17 % de error; y en el valor rRMSE
con un 11.47 % la situación es se ve favorable para la predicción.
Para las medidas estadı́sticas del grupo 2, la estación mostró resultados más favora-
bles sobre todo en las medidas que menor influencia presentan de datos atı́picos como el
MdAPE con 13.96 % y RMdSPE con 6.9 %.
Lo anterior conlleva a confirmar que los datos de predicción obtenidos para la estación
Tibaitatá son aceptables. Las dispersiones encontradas se pueden estar presentando por
los factores de nubosidad de la zona que no se ajustan a los ı́ndices calculados en esta
investigación, y con problemas en la calibración de parámetros del sensor.
5.2.3. Estación Tunguavita
En esta estación el promedio diario acumulado mensual alcanzó un nivel de irradiancia

de 5.8 ( Kwh
m2
), mayor en 0.8 unidades al reportado por el IDEAM de 5 ( Kwh
m2
) en el Atlas
de radiación para el año 2011. Por lo cual, la estimación en el mes de enero tiene una
similitud aceptable con la observada.
Por su parte, en el diagrama de correlación se puede apreciar que el patrón alcanzado

se despliega paralelamente por debajo de la lı́nea de referencia de 45◦ , lo que indica la
existencia de correlación positiva pero con estimaciones subvaloradas.
Para el grupo 1 de medidas estadı́sticas son constantes en los valores alcanzados en

rMAE con 12.96 % y rMdAE con 12.48 %, siendo aceptables, y algo mayor en el rRMSE
con 16.09 %; este resultado se acerca al reportado por la estación Tibaitatá, mostrando la
consistencia de la predicción.
Analizando los resultados del grupo 2, se aprecia que aumentan los porcentajes de los
resultados con respecto a los reportados en el grupo 1, con valores de MdAPE de 13.96 % y
RMdSPE de 13.46 %. En las demás medidas los resultados no son significativos ratificando
la presencia de posibles datos atı́picos en la predicción.
De esta manera, las predicciones obtenidas para esta estación son aceptables en la
medida en que presenta patrones de correlación positiva y porcentajes aceptables en las
medidas estadı́sticas que menor grado de influencia demuestran con datos atı́picos.
Los resultados son aceptables y similares a los de la estación Tibaitatá, en algunos

casos, hay datos que se están comportando de manera atı́pica, los cuales pueden ser aso-
ciados a ı́ndices de nubosidad, considerados en esta investigación, y que en cierta medida
están afectando la predicción.
5.2.4. Estación Universidad Nacional de Colombia Sede Bogotá
El promedio diario acumulado mensual en esta estación marcó un nivel de irradiancia

de 5.6 ( Kwh
m2
), mayor en 0.6 unidades al reportado por el IDEAM de 5 ( Kwh
m2
) en el Atlas
de radiación para el año 2011. Por lo cual, la estimación en el mes de enero, aunque
sobrestimada, se acerca a la observada.
En el diagrama de correlación se observa un patrón de puntos en el sentido de la

lı́nea de referencia de 45◦ , pero están por encima a una distancia algo perceptible, dando
indicios de sobreestimación. También se aprecian otros puntos dispersos fuera del patrón
de referencia, mostrando un comportamiento atı́pico en la predicción.
Al observar el diagrama de densidad se evidencia que la mayor concentración de puntos

se esparce en el sentido de la lı́nea de referencia de 45◦ , no obstante, son notables pequeñas
agrupaciones fuera de la referencia, confirmando la existencia de datos atı́picos.
En lo que respecta con las métricas de validación, en el grupo 1, la estación reporta

valores aceptables en rMAE con 18 % y similar en rMdAE con 18.97 %, y en las demás
mediciones los resultados están un poco fuera del margen de aceptación esperado de 20 %.
En las mediciones estadı́sticas del grupo 2, el panorama es favorable con resultados en

MdAPE de 13.17 % y RMdSPE de 13.86 %, siendo estas la que menor grado de influencia
muestran respecto a datos atı́picos.
En esta estación se presenta la predicción que superan el margen de error del 20 % para
su aceptación. Aunque en los métodos gráficos es perceptible cierto grado de correlación
positiva, no deja de notarse algunos datos atı́picos, lo que conduce a pensar que las posibles
fallas en la predicción de esta estación se deben a errores en los parámetros del modelo y
condiciones que afectan su adecuada predicción.
En general, las predicciones de la estaciones Tibaitatá y Tunguavita demuestran acep-

tación para comprobar que mediante la aplicación del algoritmo HELIOSAT en imágenes
GOES 13 es posible la estimación de irradiancia solar, obteniendo resultados acordes pero
sujetos a afinación.
Con los resultados obtenidos en la estación de la Universidad Nacional Sede Bogotá,

aunque no permiten la comprobación de la hipótesis de esta investigación, si obligan a
que se tengan que realizar pruebas funcionales en el algoritmo para detectar en que parte
radican las diferencias marcadas que han surgido, no solo en esta estación sino también
en las anteriores, en lo que respecta a los datos atı́picos que presentaron.
Conclusiones
Las siguientes conclusiones se exponen siguiendo el orden de los objetivos planteados

y la comprobación de la hipótesis, las demás conclusiones se derivan del contenido y
metodologı́a presentada:
• La programación del algoritmo HELIOSAT se logró con el entorno habilitado por el

CECAD de la Universidad Distrital, consiguiendo una solución informática adecuada
con el volumen de datos almacenados y procesados a nivel de Big Data; con 8.030
imágenes por año y un tamaño en disco de 352 Gb aproximadamente. Asimismo,
permitió reducir los tiempos de procesamiento y la optimización del almacenamiento,
acceso, manejo, disponibilidad y seguridad de la información.
• Respecto al almacenamiento y procesamiento de las imágenes GOES, utilizar como

método la concepción de un cubo de datos, permitió completar los datos o imágenes
faltantes mediante estimaciones temporales aplicando la función retime de Matlab y
el método spline, aportando al análisis de la información, recursividad y consistencia.
• Los datos de las estaciones terrestres Tibaitatá, Tunguavita y Universidad Nacional

Sede Bogotá, proporcionados por parte del IDEAM, sirvieron como observaciones
y punto de comparación para la validación de la estimación de la irradiancia solar
aplicando el algoritmo HELIOSAT en imágenes GOES 13 para enero de 2011.
• Con la aplicación de mediciones estadı́sticas de validación se comprueba la significan-

cia estadı́stica de las predicciones; en el caso de las estaciones Tibaitatá y Tunguavita
son las que mejores resultados demostraron en los estadı́sticos con porcentajes que
oscilan entre un 15 % y 25 % de error con referencia a las observaciones con instru-
mentos terrestres.
• Se comprueba la hipótesis que al aplicar el algoritmo HELIOSAT 1 en imágenes

satelitales GOES, es posible obtener estimaciones de irradiancia solar que precisen los
niveles de incertidumbre, con respecto a los conseguidos en modelos de interpolación
y extrapolación estadı́stica.
• En esta investigación se comprueba la hipótesis, en la cual, aplicando el algorit-

mo HELIOSAT en imágenes satelitales GOES 13, es posible reducir los niveles de
47
CONCLUSIONES 48
incertidumbre obtenidos en las estimaciones de irradiancia solar con modelos de ex-

trapolación estadı́stica basados en mediciones terrestres; demostrando el aumento
en la densidad de las mediciones en áreas (pı́xeles) de 1Km2 .
• Las medidas estadı́sticas que mejor compartimiento y confiabilidad demostraron res-

pecto a la no influencia de datos atı́picos, son aquellas que contemplan la mediana
dentro de su formulación como la MdAE, MdAPE y RMdSPE.
• La gran utilidad que tiene el uso de imágenes satelitales meteorológicas y la aplica-

ción de algoritmos para la estimación de irradiación solar, sirve para optimizar los
puntos de medición y el complemento a mediciones históricas no registradas por los
instrumentos terrestres.
• La ventaja que permite la aplicación del algoritmo HELIOSAT, es su implementa-

ción en sistemas de cómputo con grandes especificaciones como las ofrecidas por el
CECAD de la Universidad Distrital Francisco José de Caldas, para poder realizar
puestas a punto y validaciones, obteniendo rendimientos que mejoran el procesamien-
to frente a equipos de cómputo personales, y con ello, aportando a la consolidación
de datos y divulgación periódica de resultados.
• Con la técnica de programación en paralelo mediante la aplicación de los ciclos Loop

de matlab permitió un mejor aprovechamiento del recurso computacional al poder
utilizar los núcleos de procesamiento en simultaneo.
• Las horas que presentan mayor cantidad radiación solar son las cercanas al mediodı́a
y las horas de la noches con las de menor cantidad radiación solar, aspecto importante
en lo concerniente con la comunicación UHF.
• Cuantificar el recurso solar permite diseñar escenarios para el aprovechamiento de

energı́a solar y dimensionar sistemas de captura como fuente de energı́a alternativa.
En este sentido, en Colombia, se puede apreciar que la región Cundiboyacense tiene
un gran potencial de este recurso, por lo que es propicio la incorporación de sistemas
de captura y almacenamiento de energı́a solar en estos territorios tomando como
referencia las estimaciones de esta investigación.
De acuerdo con lo expuesto en la estimación alcanzada con el algoritmo HELIOSAT

1 y las evaluaciones y validaciones efectuadas, demuestran la utilidad y fiabilidad del
algoritmo para ser utilizado en diferentes regiones del paı́s, ası́ como en diferentes áreas:
energı́a solar renovable, agricultura de precisión, arquitectura solar, modelos ionosféricos
para la comunicación, entre otros. No obstante, la afinación de sus parámetros fı́sicos es
un tema que merece espacial atención para mejorar la precisión.
Trabajo futuro
• Completar la serie de estimaciones de radiación solar para el periodo y hasta el año

2017 con sus repectivos procesos de ajuste y validación.
• Diseñar un portal de servicios web liderado por la Universidad Distrital Francisco

José de Caldas, en donde se proporcione la información de estimaciones de radiación
solar para cualquier zona del territorio nacional y cualquier hora del dı́a.
• Con los datos de las estimaciones de radiación solar obtenidas, realizar una simula-
ción del comportamiento de la irradiancia solar para planificar el dimensionamiento
de sistemas de captación de energı́a solar en Colombia.
• En el campo de las comunicaciones apoyar como insumo para el modelamiento io-

nosférico que proporcione información en la optimización de señales.
• Establecer un convenio interinstitucional entre la Universidad DistritalFrancisco José

de Caldas y el IDEAM para abrir lineas de investigación en el tema de radiación
solar.
49
Glosario
Heliostat: es un algoritmo empleado por la ESRA para la estimación de irradiancia solar

a partir de imágenes satelitales.
Radiación directa: es la que llega sin interacción alguna y sin cambios de dirección. Es
la mas importante en dı́as soleados.
Radiación difusa: es el resultado de los choques de la radiación directa con la partı́culas

y componentes atmosfericos; es la radiacion tipica de los dÃas nublados.
Radiación global: es la radiación que llega a un punto sobre la superficie terrestre y se

divide en tres componentes: directa, difusa y reflejada.
Radiación reflejada: también conocida como albedo, es la que llega procedente de la

reflexión de radiación directa en los elementos del entorno.
Radiancia: total de energı́a radiada en una determinada dirección por unidad de área y
por unidad de ángulo sólido de medida.
Irradiación: es la integral o sumatoria de irradiancias en un lapso o rango de tiempo.
Irradiancia: total de energı́a radiada o incidente sobre una unidad de área y por una
unidad de tiempo.
Albedo: Porcentaje de radiación incidente que es reflejada por una superficie bidimen-
sional.
GOES: : constelación de satélites geoestacionarios, llamados por sus siglas en inglés:

Geostationary Operational Environmental Satellite y administrados por la National
Oceanic and Atmospheric Administration - NOAA.
50
ANEXOS
Lista de sı́mbolos
Tabla 1. Unidades de medida

Sı́mbolo Término Unidad SI
t Tiempo Seg. (s) y dı́as
Coordenadas espaciales de un pı́xel en
(i, j)
imagen
θz Ángulo cenital del sol Grados decimales
Gsc Constante Solar, igual a 1.367 W/m2
Distancia media anual entre el sol y la
ro y r
tierra
Corrección por excentricidad de la
ξ 1
relación distancia tierra-sol
Gext Irradiancia extraterrestre
Irradiancia solar para cielo claro o
Gclear
despejado
Gdn
Irradiancias global, directa y difusa a
Gt , B t y D t W/m2
nivel del suelo
Irradiancias global, directa y difusa a
Gdif , Bct y Dct nivel del suelo en condiciones de cielo W/m2
claro
TL Factor de transmisión atmosférica
T Temperatura K
t Tiempo S
51
Bibliografı́a
Albarelo, T., Marie-Joseph, I., Primerose, A., Seyler, F., Wald, L. & Linguet, L. (2015).
Optimizing the heliosat-ii method for surface solar irradiation estimation with GOES
images, Canadian Journal of Remote Sensing 41(2): 86–100.
Alvarez, O. (2014). Utilización de imágenes GOES en el cálculo de radiación solar en la

Región Sur del Ecuador, 4(1): 97–105.
Amillo, A. G., Huld, T. & Müller, R. (2014). A new database of global nad direct solar
radiation using the eastern Meteosat satellite, models and validation, Remote Sensing
2: 8165–8189.
Beyer, H.-G., Gerhard, C., Terzenbach, U. & Wald, L. (1997). Assessment of the method
used to construct clearness index maps for the new European solar radiation atlas
(ESRA), Solar Energy 61(6): 389–397.
Borrajero, I., Lavastida, L. & Pelaez, J.-C. (2005). Determinación de la irradiación solar
sobre el Territorio de Cuba a partir de Imágenes de Satelites, pp. 1–36.
Cano, D., Monget, M., Albuisson, M., Guillard, H., Regas, N. & Wald, L. (1986). A
Method for the Determination of the Global Solar Radiation from Meteorological
Satellite data, 37: 31–39.
Ceballos, J. C., Bottino, M. & Righini, R. (2005). IX Congreso Argentino de Meteorologı́a,

Applied Energy pp. 1–11.
Ceballos, J. C. & Rodrigues, M. L. (2004). Coherence of Solar Irradiation Assessed With

a Simplified Physical Model Using Goes and Msg2 Vis Imagery, 1: 0–6.
Dagestad, K. F. (2005). Estimating global radiation at ground level from satellite images,
Doctor Scientiarum, University of Bergen, Geophysical Institute, Norway.
Delgado, G. J. & Orellana, M. L. (2015). Estimación de la radiación solar global diaria en

el cantón Cuenca mediante la aplicación del modelo Bristow and Campbell.
Diabaté, L., Moussu, G. & Wald, L. (1989). Description of an operational tool for de-
termining global solar radiation at ground using geostationary satellite images, Solar
Energy 42(3): 201–207.
52
BIBLIOGRAFÍA 53
Dumortier, D. (1995). Modelling global and diffuse horizontal irradiances under cloudless
skies with different turbidities, Daylight II 2: 92–144.
Frulla, L. A., Gagliardini, D. A., Gallegos, H. G., Lopardo, R. & Tarpley, J. D. (1988).
Incident solar radiation on Argentina from the geostationary satellite GOES: Com-
parison with ground measurements, Solar Energy 41(1): 61–69.
Gallegos, H. G. (2000). Disponibilidad y caracterı́sticas de la radiación solar en Sudaméri-

ca, Solar Safe Water pp. 91–98.
Gallegos, H. G., Atienza, G. & Garcı́a, M. (1987). Cartas de radiación solar global para
la región meridional de América del Sur, Anales del II Congreso Interamericano de
Meteorologı́a pp. 1–10.
Garcı́a, A. F. (2015). Fundamentos fı́sicos de las energı́as renovables, Disponible en: http:
//www.sc.ehu.es/sbweb/fisica3/solar/portada.html. Fecha de consulta: 2015-
07-17.
Gautier, C., Diak, G. & Masse, S. (1980). A Simple Physical Model to Estimate Incident
Solar Radiation at the Surface from GOES Satellite Data, 19: 1005–1012.
Hammer, A., Heinemann, D., Hoyer, C., Kuhlemann, R., Lorenz, E., Müller, R. & Beyer,
H. G. (2003). Solar energy assessment using remote sensing technologies, Remote
Sensing of Environment 86(3): 423–432.
IDEAM & UPME (2005). Atlas de Radiación Solar de Colombia, Ministerio de Minas y
Energı́a - Ministerio de Ambiente y Vivienda y Desarrollo Territorial. República de
Colombia.
Janjai, S. (2010). A method for estimating direct normal solar irradiation from satellite
data for a tropical environment, Solar Energy 84(9): 1685–1695.
Janjai, S., Masiri, I., Pattarapanitchai, S. & Laksanaboonsong, J. (2013). Mapping global
solar radiation from long-term satellite data in the tropics using an improved model,
International Journal of Photoenergy 2013: 1–11.
Janjai, S., Pankaew, P. & Laksanaboonsong, J. (2009). A model for calculating hourly
global solar radiation from satellite data in the tropics, Applied Energy 86(9): 1450–
1457.
Jaramillo, A. & Ruiz, J. F. (2012). Análisis y procesamiento digital de imágenes de

satélite GOES para verificar en tiempo real los modelos de pronósticos de tiempo
implementados en el IDEAM, Proyecto IDEAM, BID y FONADE XXXIII(2): 81–
87.
Kasten, F. & Young, A. (1989). Revised optical air mass tables and aproximations formula,
Applied Optics 28: 4735–4738.
Larrayoz, A. O., Goñi, S. M. & Barrio, I. P. (2014). Implementación de método HELIOSAT

para la estimación de la radiación solar a partir de imágenes de satélite.
Mazorra, L., Pereira, B., David, M., Dı́az, F. & Lauret, P. (2015). Use of satellite data to
improve solar radiation forecasting with Bayesian Artificial Neural Networks, Solar
Energy 122: 1309–1324.
BIBLIOGRAFÍA 54
Möser, W. & Raschke, E. (1984). Incident Solar Radiation over Europe Estimated from
METEOSAT Data, Climate and Applied Meteorology 23: 166–170.
National Aeronautics Space Administration, N. (2005). GOES N Data Book.
NOAA (2016). Comprhensive large data-array stewardship system class, Disponible

en: http://www.class.ncdc.noaa.gov/saa/products/welcome. Fecha de consul-
ta: 2015-01-17.
Page, J. (1996). Algorithms for the Satellight programme. Tech. rep., Daylight II .
Perdomo, R., Banguero, E. & Gordillo, G. (2010). Statistical modeling for global solar
radiation forecasting in Bogotá, 2010 35th IEEE Photovoltaic Specialists Conference
pp. 002374–002379.
Pereira, E. B., Abreu, S. L., Stuhlmann, R., Rieland, M. & Colle, S. (1996). Survey of
the incident solar radiation in Brazil by use of meteosat satellite data, Solar Energy
57(2): 125–132.
Perez, R., Ineichen, P., Moore, K., Kmiecik, M., Chain, C., George, R. & Vignola, F.
(2002). A new operational model for satellite-derived irradiances: Description and
validation, Solar Energy 73(5): 307–317.
Pinker, R.-T. & Ewing, J.-A. (1985). Modeling Surface Solar Radiation: Model Formula-
tion and Validation, Journal of Climate and Applied Meteorology 24(5): 389–401.
Pinker, R.-T. & Laszlo, I. (1991). Effects of Spatial Sampling of Satellite Data on Derived
Surface Solar Irradiance, Journal of Atmospheric and Oceanic Technology 8: 96–107.
Polo, J. (2010). Optimización de modelos de estimación de la radiación solar a partir de

imágenes de satélite, Tesis Doctoral, Universidad Complutense de Madrid, Facultad
de Ciencias Fı́sicas, Departamento de fı́sica atómica, molecular y nuclear, Madrid.
Polo, J., Zarzalejo, L.-F., Ramirez, L. & Espinar, B. (2006). Iterative filtering of ground
data for qualifying statistical models for solar irradiance estimation from satellite
data, Solar Energy 80(3): 240–247.
Pomares, L.-M. (2012). Análisis y predicción de series temporales de irradiancia solar

global mediante modelos estadı́sticos, Tesis Doctoral, Universidad Complutense de
Madrid, Facultad de ciencias fı́sicas, departamento de fı́sica atómica, molecular y
nuclear, Madrid.
Rigollier, C., Lefèvre, M. & Wald, L. (2004). The method HELIOSAT-2 for deriving
shortwave solar radiation from satellite images, Solar Energy 77(2): 159–169.
Rodrı́guez, D. J., Ávila, M. & Benı́tez, J. A. (2015). Atlas de radiación solar para la región
Cundiboyacense de Colombia por medio de datos Radiométricos, Vol. XXXIII.
Rossow, W.-B. & Schiffer, R. A. (1991). ISCCP global radiance data set: a new resource
for climate research, Bulletin of the American Meteorological Society 72(1): 1–20.
Shcherbakov, M. V. & Brebels, A. (2013). A Survey of Forecast Error Measures, Solar

Energy 24(2): 171–176.
BIBLIOGRAFÍA 55
Skartveit, A., Olseth, J. & Tuft, M. (1998). An hourly diffuse fraction model with correction
for variability and surface albedo, Solar Energy 63: 173–183.
Soares, J., Oliveira, A. P., Boznar, M. Z., Mlakar, P., Escobedo, J. F. & Machado, A. J.
(2004). Modeling hourly diffuse solar-radiation in the city of Sao Paulo using a
neural-network technique, Applied Energy 79(2): 201–214.
Suárez, R. A., Abal, G., Siri, R. & Musé, P. (2012). Brightness-dependent Tarpley model
for global solar radiation estimation using GOES satellite images: Application to
Uruguay, Solar Energy 86(11): 3205–3215.
Suárez, R. A., Abal, G., Siri, R. & Musé, P. (2014). Satellite-derived solar irradiation map
for Uruguay, Energy Procedia 57(2014): 1237–1246.
Tarpley, J.-D. (1979). Estimating Incident Solar Radiation at the Surface from Geostatio-
nary Satellite Data, Journal of Applied Meteorology 18(9): 1172–1181.
Unidad de Planeación Minero Energética (2006). Atlas de radiación solar de Colombia,

Escenarios minerı́a y Estrategias energı́a pp. 4–12.
Vanegas, M., Villicaña, E. & Arrieta, L. (2015). Cuantificación y caracterización de la

radiación solar en el departamento de La Guajira en Colombia mediante el cálculo
de transmisibilidad atmosférica, Prospect 13(2): 54–63.
Zarco, P. J., Feo, A. & López, R. (1996). Métodos de obtención de la radiación solar
mediante teledetección: órbita polar vs órbita geoestacionaria, Espacio y Desarrollo
8: 33–73.
Zarzalejo, L.-F., Polo, J., Pomenares, L. M., Ramı́rez, L. & Espinar, B. (2009). A new
statistical approach for deriving global solar radiation from satellite images, Solar
Energy 83(4): 480–484.
Índice alfabético
GOES, 1 modelos estadı́sticos, 1

modelos fı́sicos, 1
HELIOSAT, 2
METEOSAT, 2 radiación solar, 1
56

Don Cel Ball Én David 2018

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Don Cel Ball Én David 2018

Enviado por

Direitos autorais:

Formatos disponíveis

Estimación de irradiancia solar aplicando el algoritmo

HELIOSAT 1 con imágenes satelitales GOES en la región

David Doncel Ballén

Universidad Distrital Francisco José de Caldas

David Doncel Ballén

Tesis de grado para optar al tı́tulo de

Universidad Distrital Francisco José de Caldas

Estimación de irradiancia solar aplicando el algoritmo HELIOSAT 1 con imágenes sateli-

Resumen: Las diversas actividades que se relacionan con la captación y análisis de la

Abstract: The present investigation proposes to estimate the component of solar

Palabras clave: Irradiancia solar, satélites geoestacionarios, percepción remota, GOES,

Keywords: Solar Irradiance, geostationary satellites, remote sensing, GOES, HELIO-

Bogotá, D.C., mayo 18 de 2018

de la realidad porque siempre parte de hipótesis de trabajo,

de una segunda realidad construida.

A todos aquellos seres maravillosos

que me rodean y transitan a mi lado

los peabirus del corazón.

David Doncel Ballén

Al Centro de Computación de Alto Desempeño (CECAD) de la Universidad Distrital

Al Instituto de Hidrologı́a, Meteorologı́a y Estudios Ambientales de Colombia

A mi familia, por la motivación, acompañamiento y paciencia en el tiempo que duró

A mi amada Siteraxi por su inconmensurable compañia en las largas noches de desvelo,

1. Estado del arte 1

1.1. Resumen de modelos de irradiancia solar con imágenes de satélite . . . . . . . 4

2.1. Caracterı́sticas satélite geoestacionario GOES . . . . . . . . . . . . . . . . . . . . . . 15

3.1. Localización geográfica estaciones IDEAM . . . . . . . . . . . . . . . . . . . . . . . . 24

4.1. Tiempos de rendimiento obtenidos en el entorno matlab del CECAD. . . . . . 34

1. Esquema de investigación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VIII

1.1. Mapa conceptual modelos de irradiancia solar en el mundo. . . . . . . . . . . . . 5

2.1. Emitancia de un cuerpo negro. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

3.1. Localización región Cundiboyacense . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

4.1. Localización estaciones validación IDEAM . . . . . . . . . . . . . . . . . . . . . . . . 36

La duración de la energı́a solar está proyectada para los próximos 5.000.000.000 de

A escala mundial se han desarrollado diferentes sistemas de medición para cuantifi-

El resultado de estas mediciones ha sido registrado y publicado en diferentes Atlas

En el caso de Colombia existe un Atlas de radiación solar, que para su elaboración se

En el sentido de continuar aportando en la investigación del recurso solar, a conti-

Aunque el Atlas de radiación solar de Colombia cubre la región Cundiboyacense, la

Es evidente la necesidad de cuantificar el recurso solar de manera más detallada y

Por consiguiente, en esta investigación se enfoca la percepción remota hacia la esti-

En Colombia son pocas las aplicaciones realizadas en torno a la estimación de la irra-

Objetivos En busca de encontrar alternativas de solución que mejoren la resolución

El objetivo general busca estimar la irradiancia solar en la región Cundiboyacense

Para alcanzar este objetivo se plantean tres objetivos especı́ficos:

• Realizar la programación del algoritmo HELIOSAT 1 para estimar la irradiancia

• Validar la significancia estadı́stica de las estimaciones de irradiancia solar obtenidas

Como sı́ntesis a los objetivos planteados se presenta el esquema de investigación,(Figura

Con el cumplimiento de los objetivos planteados se espera dar respuesta a la pregunta

¿Cuál es el nivel de confianza que se puede obtener en las estimaciones de

Asimismo, se busca comprobar la siguiente hipótesis acudiendo al método hipotético

Aplicando el algoritmo HELIOSAT 1 en imágenes satelitales GOES, es posi-

Para confirmar o invalidar esta hipótesis en la investigación se han dispuesto 6 capı́tu-

El primer capı́tulo corresponde al estado del arte, comprende un recuento y contexto

El segundo capı́tulo es el marco teórico, en cual se describe los fundamentos y teorı́a

El tercer capı́tulo comprende la metodologı́a aplicada en esta investigación para la

Un quinto capı́tulo es el de análisis de resultados en el cual se describe e interpreta los

Estado del arte

Por su parte, los modelos estadı́sticos se fundamentan en el ajuste de las medicio-

1.1. Contexto a nivel mundial

Diversos estudios se han planteado para la estimación de la radiación solar, diferen-

(Gautier et al., 1980), proponen una estimación de la radiación solar incidente en la

A mitad de la década de las ochentas surge una propuesta de algoritmo denominado

En el trabajo de (Perez et al., 2002), surge la propuesta de generar un modelo fı́sico

Gdn = Gsc −0.8662.T L(2)δR(m)m (2.2)

= 1.000110 + 0.34221 + 0.001280sinT + 0.000719cos2T +