Resumen:
El crecimiento constante de la demanda energética a nivel global, junto con la necesidad de mitigar los efectos del cambio climático, ha impulsado el desarrollo y la implementación de fuentes de energía renovable. En este contexto, la energía solar se posiciona como una alternativa viable debido a su amplia disponibilidad, sostenibilidad y capacidad para contribuir a la reducción de las emisiones de CO₂.
De manera paralela, los modelos de aprendizaje automático, como las Máquinas de Soporte Vectorial (SVM) y las Redes Neuronales Artificiales (ANN), han demostrado un alto potencial para abordar tareas de predicción complejas, entre ellas la estimación del potencial energético solar. Su capacidad para modelar relaciones no lineales puede potenciarse mediante el uso de funciones kernel, las cuales permiten transformar los datos a espacios de mayor dimensionalidad y facilitar procesos de clasificación con mayor precisión. Tradicionalmente, se han empleado funciones kernel como la lineal, la polinómica y la de base radial (RBF). Sin embargo, existe un campo de investigación aún poco explorado relacionado con la evaluación de funciones kernel alternativas, cuyo uso podría contribuir a optimizar el rendimiento de los modelos en contextos específicos. Asimismo, los altos costos y las limitaciones logísticas asociadas con el despliegue de redes meteorológicas en regiones remotas han impulsado el uso de imágenes satelitales multiespectrales, como las obtenidas mediante los sensores Landsat y MODIS, como fuentes de información para la estimación indirecta de la radiación solar
