Resumen

COMERT, Mehmet Murat; ADEM, Kemal  y  ERDOGAN, Muberra. Comparative analysis of estimated solar radiation with different learning methods and empirical models. Atmósfera [online]. 2023, vol.37, 53131.  Epub 02-Mayo-2023. ISSN 0187-6236.  https://doi.org/10.20937/atm.53131.

La radiación solar, que se utiliza en la modelación hidrológica y agrícola, sistemas de energía solar y en estudios climatológicos, es el elemento más importante de la energía que llega a la tierra. El presente estudio comparó el desempeño de dos ecuaciones empíricas -las ecuaciones de Angstrom y Hargreaves-Samani- y tres modelos de aprendizaje automático -Redes Neuronales Artificiales (ANN), Máquina de Vectores de Soporte (SVM) y Memoria a Largo Corto Plazo (LSTM)-. Se desarrollaron varios modelos de aprendizaje para las variables utilizadas en cada ecuación empírica. En el presente estudio, se utilizaron datos mensuales de seis estaciones en Turquía, tres estaciones que reciben la mayor radiación solar y tres estaciones que reciben la menor radiación solar. En términos de los valores del error cuadrático (MSE), el error cuadrático medio (RMSE), el error absoluto medio (MAE) y el coeficiente de determinación (R2) de cada modelo; el LSTM fue el modelo de aprendizaje más exitoso, seguido de los modelos de aprendizaje automático ANN y SVM, respectivamente. El valor de MAE fue de 2,65 con la ecuación de Hargreaves-Samani y disminuyó a 0,987 con el modelo LSTM mientras que MAE fue de 1,24 en la ecuación de Angstrom y disminuyó a 0,747 con el modelo LSTM. El estudio reveló que el modelo de aprendizaje profundo es más apropiado para usar en comparación con las ecuaciones empíricas, incluso en los casos en que hay datos limitados.

Palabras llave : Solar radiation; Empirical Equations; Machine learning; Deep learning; LSTM model.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )