Escolar Documentos
Profissional Documentos
Cultura Documentos
Director
Rubén Javier Medina Daza, Ph.D.
Doctor en Informática
Lı́nea de investigación
Percepción Remota
Grupo de investigación
NIDE
Title in English
Estimating of solar irradiance applying HELIOSAT 1 algorithm with GOES satellite images
in Cundiboyacense region in 2011
Jurado
Luis Fernando Gómez M.Sc.
Jurado
Álvaro Espinel Ph.D.
Director
Rubén Javier Medina Daza Ph.D.
Baruch Spinoza
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.
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
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. Unidades de medida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
III
Índice de figuras
IV
Introducción
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.
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.
Justificación
• 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.
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.
El cuarto capı́tulo es el de resultados, el cual presenta los resultados obtenidos con los
métodos de validación en la estimación propuesta.
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
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.
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.
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.
(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.
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 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
CAPÍTULO 1. ESTADO DEL ARTE 4
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).
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.
CAPÍTULO 1. ESTADO DEL ARTE 5
(Zarzalejo
et al., 2009).
(Janjai et al., 2009). HELIOSAT 2-Aj
GMS-5 Terrestres
Hı́brido
Modelos de Estadı́stico
Irradiancia Solar
(Möser &
Raschke, 1984).
(Gautier et al., 1980). (Janjai, 2010).
METEOSAT,
GOES MTSAT-1R
normalización pı́xel
Figura 1.1. Este mapa conceptual presenta la evolución de los modelos de irradiancia solar en el
mundo. Elaboración propia.
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.
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.
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., 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 %.
(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).
CAPÍTULO 1. ESTADO DEL ARTE 8
(Gallegos,
2000).Cartas
radiación solar
Hı́brido
Modelos de Estadı́stico
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.
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
CAPÍTULO 1. ESTADO DEL ARTE 9
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.
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.
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.
(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
Modelos de Estadı́stico
tiempo, Radiación
solar horaria
Irradiancia Solar promedio acumulada
2003-2009
Fı́sico
Figura 1.3. Este mapa conceptual presenta la evolución de los modelos de irradiancia solar en
Colombia. Elaboración propia.
CAPÍTULO 2
Marco Teórico
11
CAPÍTULO 2. MARCO TEÓRICO 12
Figura 2.2. Irradiancias global, directa y difusa; y escalas de radiancias . Fuente:(Garcı́a, 2015)
y (Labarta, 2012).
CAPÍTULO 2. MARCO TEÓRICO 13
Figura 2.3. Movimiento de traslación terrestre y la ecuación del tiempo. Fuente: (Garcı́a, 2015)
y (Labarta, 2012).
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 2.6. Satélite GOES 13. Tomado de (National Aeronautics Space Administration, 2005)
CAPÍTULO 2. MARCO TEÓRICO 15
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).
Donde:
Y el termino
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).
CAPÍTULO 2. MARCO TEÓRICO 17
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.
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.
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.
et = (Gt − ft ) (2.5)
n
1X
M BD = (ei ) (2.6)
n
i=1
Este grupo involucra las medidas que calculan el error absoluto como:
n
1X
M AE = |ei | (2.7)
n
i=1
• 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.
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).
CAPÍTULO 2. MARCO TEÓRICO 19
|et |
Pt = (2.10)
Gt
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.
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
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).
CAPÍTULO 3. METODOLOGÍA 22
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 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
CAPÍTULO 3. METODOLOGÍA 23
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.
3.3. Población
3.4. Método
En este proceso se preparan las imágenes satelitales con su respectiva selección para
descarga y corrección geométrica.
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).
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.
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.
J −1
Γ = 2π (3.3)
365
Y los elementos restantes son:
W
• Constante solar Gs c = 1.366 m2
(Watts por metro cuadrado)
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
δ( m)
TL (m) = (3.7)
δR (m)
TL (m)δ( m)
TL (m) = (3.8)
δR (m)
CAPÍTULO 3. METODOLOGÍA 28
Gdif,clear = Gext (0.0065 + (−0.045 + 0.064TL (2)) cos θz + (0.014 − 0.0327TL (2)) cos2 θz )
(3.9)
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.
C − C0
ρ= (3.12)
Gext
CAPÍTULO 3. METODOLOGÍA 29
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.
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
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.
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.
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.
Resultados
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 .
1
El tiempo medido en segundos (seg.)
34
CAPÍTULO 4. RESULTADOS 35
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).
CAPÍTULO 4. RESULTADOS 36
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.
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
)
CAPÍTULO 4. RESULTADOS 38
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.
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
)
CAPÍTULO 4. RESULTADOS 39
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.
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.
CAPÍTULO 4. RESULTADOS 41
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).
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).
Las medidas empleadas para la evaluación de resultados tanto gráficas como estadı́sti-
cas permiten una mejor comprensión y seguimiento al comportamiento de la irradiancia
CAPÍTULO 4. RESULTADOS 42
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.
43
CAPÍTULO 5. ANÁLISIS DE RESULTADOS 44
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.
de radiación para el año 2011. Por lo cual, la estimación en el mes de enero tiene una
similitud aceptable con la observada.
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.
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.
47
CONCLUSIONES 48
• 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.
• 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.
49
Glosario
Radiación directa: es la que llega sin interacción alguna y sin cambios de dirección. Es
la mas importante en dı́as soleados.
Radiancia: total de energı́a radiada en una determinada dirección por unidad de área y
por unidad de ángulo sólido de medida.
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.
50
ANEXOS
Lista de sı́mbolos
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.
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.
Dagestad, K. F. (2005). Estimating global radiation at ground level from satellite images,
Doctor Scientiarum, University of Bergen, Geophysical Institute, Norway.
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., 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.
Kasten, F. & Young, A. (1989). Revised optical air mass tables and aproximations formula,
Applied Optics 28: 4735–4738.
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.
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., 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.
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.
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.
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
56