Estudio comparativo de algoritmos de forecasting en la predicción de irradiancia mediante imágenes satelitales multiespectrales

Abstract

El incremento de la demanda energética y los efectos del cambio climático han impulsado el desarrollo de fuentes renovables, especialmente la energía solar fotovoltaica. Aunque la radiación solar representa la principal fuente energética del sistema climático terrestre, factores como las emisiones de gases de efecto invernadero intensifican el calentamiento global [1], lo que hace necesario optimizar el aprovechamiento de energías limpias. Debido a las limitaciones y altos costos asociados a las redes tradicionales de medición, la estimación de la irradiancia solar mediante imágenes satelitales y técnicas de Machine Learning se ha convertido en una alternativa eficiente para el análisis espacio-temporal del recurso solar. Investigaciones previas han utilizado imágenes provenientes de los satélites Landsat y MODIS para construir bases de datos geoespaciales y desarrollar modelos supervisados, incluyendo redes neuronales artificiales y máquinas de soporte vectorial, obteniendo resultados satisfactorios [2]. En este contexto, el presente estudio analiza imágenes satelitales multiespectrales para el departamento de Nariño, donde evalúa el desempeño de distintos modelos de aprendizaje automático en la estimación de irradiancia solar y, a partir de esos resultados, construye mapas especializados orientados a mejorar la precisión predictiva y apoyar futuras investigaciones sobre el aprovechamiento de la energía solar en la región.