Predicción espacio-temporal IS corto plazo España geoestadística RNA

Predicción espacio-temporal de la irradiancia
solar global a corto plazo en España mediante
geoestadística y redes neuronales artificiales
19 de Diciembre de 2014
Madrid, España
Tesis Doctoral
Federico Vladimir Gutiérrez Corea
Directores:
Prof. Dr. Miguel Ángel Manso Callejo
Prof. Dr. Francisco Serradilla García

ÍNDICE
CURRICULUM VITAE
INTRODUCCIÓN
EVALUACIÓN DE LA DISPONIBILIDAD DE DATOS METEOROLÓGICOS EN TIEMPO
CUASI-REAL EN ESPAÑA
ESTIMACIÓN ESPACIAL DE LA IS
PREDICCIÓN ESPACIO-TEMPORAL DE LA IS
CONCLUSIONES
2
3
4
5
6
2
1

CURRICULUM VITAE
3
1
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Corp. Terán
Tesis
INTUR
Consultorías en Desarrollo de Software (algunas):
Ingeniero en
Computación DEA

CURRICULUM VITAE
4
1
Gutiérrez-Corea, F.V.; Manso-Callejo, M.A. and Vázquez-Hoehne, A. (2013).
Assessment of the Availability of Near-Real Time Open Weather Data Provided
by Networks of Surface Stations in Spain.
Earth Science Informatics 6(3): Science Citation Index (SCI).
Gutiérrez-Corea, F.V.; Callejo-Callejo, M.A.; Moreno-Regidor, M.P. and Velasco-
Gómez, J. (2014). Spatial Estimation of Sub-Hour Global Horizontal Irradiance
Based on Official Observations and Remote Sensors.
Sensors 14(4): Science Citation Index (SCI).
Forecasting of Short-Term Solar Irradiance Based on Artificial Neural Networks
and Data from Neighbouring Meteorological Stations.
Solar Energy (2015): Science Citation Index (SCI).
Publicaciones (periodo de Tesis):
Artículos en revistas indexadas por la ISI Web of Science:
Próximo (2015): en revista indexada por la ISI Web of Science:

CURRICULUM VITAE
5
1
Gutiérrez-Corea, F.V.; Malinowski, E. and Rodríguez, A. (2012). Lenguajes
Geoespaciales en Fundamentos de las Infraestructuras de Datos Espaciales (IDE).
UPM-PRESS, Serie Científica UPM.
Moreno, F.J.; Gutiérrez-Corea, F.V.; Manso-Callejo M.A. (2012). Using 3D GeoDesign
for Planning of new Electricity Networks in Spain in Computational Science and Its
Applications (ICCAS 2012).
Lecture Notes in Computer Science (LNCS):
ISI Web of Science - Conference Proceedings Citation Index- Science (CPCI-S)].
Capítulos de libros:
Otros: + 4 Artículos no indexados y/o congresos. + 1 Poster.
Publicaciones (previo al periodo de Tesis - antes de 2012:
Lang, D.H. and Gutiérrez-Corea F.V. (2010). RISe: Illustrating geo-referenced data of seismic
risk and loss assessment studies using Google Earth.
Earthquake Spectra 26(1): Science Citation Index (SCI).
Otros: + 6 Artículos no indexados y/o congresos. + 1 Poster.

ÍNDICE
CURRICULUM VITAE
INTRODUCCIÓN2
6
1

INTRODUCCIÓN
…demanda energética mundial…. con el 1% de la superficie total del planeta (PV)
(Moebius 2006).
7
2

Objetivos del consumo de RER a medio-largo plazo (algunas economías).
8
INTRODUCCIÓN2

9
(1) Irradiancia Solar Extraterrestre Normal
(ISEN) “efecto de traslación”
(2) Irradiancia Solar Extraterrestre Horizontal
(ISEH) “efecto de rotación”
Irradiancia Solar (IS) extraterrestres: (deterministica)
Energía Solar -> Irradiancia Solar (IS)2
Irradiancia Solar (IS) en la superficie: (estocástica)

Importancia del conocimiento de los valores de la Irradiancia Solar (IS):
- Cálculo procesos: - Ecológicos.
- Industriales
( p. ej: Sistemas de Energía Solar (ES))
- En la etapa de desarrollo.
- En la etapa de y explotación.
Los datos (IS) no siempre están disponibles en los sitios de interés y en TR.
Motivación: La importancia del conocimiento y de la predicción de la
Irradiación Solar en cualquier lugar:
1- Evaluar la disponibilidad de estaciones automáticas..
2- Investigar la estimación espacial de la IS.
3- Experimentar el modelado de la predicción temporal a corto plazo de la IS.
10
Motivación y Objetivo2
Objetivo: investigar la predicción espacial a corto plazo de la
Irradiancia Solar a partir de observaciones y auxiliado por imágenes de
satélite, y temporal mediante el uso de RNA.

ÍNDICE
CURRICULUM VITAE
INTRODUCCIÓN
2
3
11
1
Preguntas de investigación asociadas:
1) ¿Existen Estaciones Meteorológicas (EM) que ofrecen datos de forma
abierta en el territorio Español en más de una red de estaciones?
2) ¿Cómo están geográficamente distribuidas estas EM en España?

… creación Y validación de modelos (entre otras aplicaciones) requieren
datos que capturen de la forma más fiel posible la realidad a trabajar.
… se sabe que los mejores valores de la IS son Ios observados por
estaciones en la superficie:
12
Valores de Irradiancia Solar (IS):3
Mundo: 1:500

1- Descubrimiento de las Redes de Estaciones Meteorológicas (REM).
2- Georreferenciación de las estaciones y creación de una Base de Datos
Geoespacial.
3- Caracterización de las estaciones que conforman las redes.
(formatos de datos, protocolos de accesos, intervalos y latencias de entrega, …)
4- Acopio periódico en TR de las observaciones para 3 REM
(AEMet, JCYL y Meteoclimatic)
5- Análisis de redundancia y distribución espacial de las estaciones.
13
Metodologia: Evaluación disponibilidad datos meteorológicos TR en España3

14
Resultados y Discusión: Evaluación disponibilidad datos meteorológicos TR
Distribución espacial de las EM identificadas: 3908 estaciones
3

GUB (16) REMV (8)
área de influencia
mayor al de región
3:
- AEMet (760)
- DGT (216)
- EBRO (28)
5:
- AWEKAS (336)
- CWOP (112)
- Meteoclimatic (1344)
- WeatherLink (103)
- WUNDER (304)
área de influencia
menor o equivalente al
de región.
13:
- ARAGÓN (48)
- CASTILLA LA MANCHA (12)
- CATALUÑA (168)
- C. E. Ambientales del Mediterráneo(45)
- MADRID (24)
- VALENCIA (52)
- EUSKADI(63)
- GALICIA (85)
- LA RIOJA (16)
- CASTILLA Y LEÓN (51)
- MURCIA (44)
- NAVARRA (19)
3:
-MeteoComillasa (5)
- MeteoSal (8)
- UNIMURCIA (1)
15
Resultados y Discusión: Evaluación disponibilidad datos meteorológicos TR
Según GUB/REMV y área de influencia : (24 REM)
3

4 características: (a) Periodicidad de observación, (b) latencia de entrega, (c) formato
de datos, y (d) protocolo de acceso
Tres marcos temporales para las distintas REM (UTC, Local, meridiano de cada
estación)
16
Resultados y Discusión: Evaluación disponibilidad datos meteorológicos TR3

-Temperatura Ambiente (Todas las estaciones de todas las redes)
- Humedad Relativa
- Presión.
- Precipitación.
- Dirección del viento.
- Velocidad de viento.
- Visibilidad.
- Irradiancia Solar:
AEMet CASTILLA Y LEÓN Meteoclimatic
Irradiancia Solar 25 (3 %) 51 (100 %) 229 (17 %)
[# Obs. X Día] > 48 25 (3 %) - - 198 (15 %)
24 < [# Obs. X Día] <= 48 - - 51 (100 %) 12 (~1 %)
[# Obs. X Día] <= 24 - - - - 9 (~1 %)
17
Variables meteorológicas:

18
Redundancia:
Tamaño Buffer /
Tipo estación
1 estaciónes
en buffer
2 estaciones
en buffer
2 estaciones
en buffer
2 estaciones
en buffer
2 estaciones
en buffer
2 estaciones
en buffer
Estimaciones
(peor caso)
100 m (GUB) 1’645 20 0 0 0 0 1’655
150 m (GUB) 1’632 32 3 0 0 0 1’649
200 m (GUB) 1’628 34 3 0 0 0 1’646
250 m (GUB) 1’620 42 3 0 0 0 1’642
100 m
(REMV)
1’418 490 237 80 15 0 1’765
150 m (REMV) 1’384 504 243 96 15 0 1’744
200 m (REMV) 1’346 514 258 104 20 0 1’719
250 m (REMV) 1’322 524 270 104 20 6 1’704
(479 posibles EM registradas en más de una red).

Malla de 3786 celdas con dimensiones de 11.15 km de alto por 13.20 km de ancho 19
lagunaridad

1) ¿Existen Estaciones Meteorológicas (EM) que ofrecen datos de forma
abierta en el territorio Español en más de una red de estaciones?
R: Con la creación del inventario ha quedado demostrada la existencia de
múltiples redes y con el análisis de áreas de influencia la duplicidad de
estaciones (479).
2) ¿Cómo están geográficamente distribuidas estas EM en España?
R: El análisis de lagunaridad realizado ha demostrado que hay un 60.72 %
del territorio sin ningún tipo de EM. Además se identificó que sólo el
19.65 % de las celdas contienen estaciones oficiales, el 8.42 % sólo de
voluntarios y el 11 % ambos tipos.
20
Revisión de las preguntas de investigación3

ÍNDICE
CURRICULUM VITAE
INTRODUCCIÓN
2
3
4
21
1
3) ¿Es posible interpolar determinística o geoestadísticamente la IS en el
territorio nacional a intervalos de 15 minutos más allá de los 25 km con
errores inferiores al 25 %?
4) ¿Están las observaciones de la IS de las EM de la red Meteoclimatic
(voluntarios) dentro del margen de error del modelo de referencia, para
poder considerarlas válidas?

- Inverso de la Distancia Ponderada (IDW) (determinístico)
- Kriging Ordinario (OK) (geoestadístico)
- Kriging con Regresión (RK) (geoestadístico que usa variables aux.)
- HelioSat-2 (basado en imágenes de satélite): Base de Datos HelioClim-3
22
Estimación Espacial de la IS4
Trabajos relacionados
* Benchmarking propuesto por la Agencia Internacional de Energía
- Umbrales (0.1; 10; 50 y 200) w/m^2 para el calculo de errores .
-Este ya ha sido aplicado a HelioSat-2
( %RMSE: 22.9 %, 22 %, 20.4 % 16.3 % )
•(Perez et al. 1997) y (Zelenka et al. 1999):
- 34 km => Perez et al. 1997
- 25 km => Zelenka et al. 1999
SUPERIOR al 25% de %RMSE:
... por lo tanto (sugieren) que despues de dicha distancias es mejor el
uso de estimaciones de la IS desde imagenes de satelite.
Patrones de comparación

23
Metodología: Estimación espacial de la IS (15 minutos)4
… para RK1 … para RK2 y comparación

24
Grupo III:
AEMet
Grupo V:
CYL + 9
AEMet
6- Agrupación de las observaciones.
:Grupo
IV (CYL)
:Grupo
VI (10 Aemet)
Grupo I:
Todas
: Grupo
II (AEMet + 4 JCYL )

7- Estimación espacial de la IS a intervalos de 15 minutos.
25
HS2
IDW
OK
RK1
RK2
1 2 3 4 5 6

Classif
ication
I II III IV V VI
Estadis-
tico
1º RK2 23.75 RK2 27.09 SAT 26.93 RK2 21.77 RK2 23.07 SAT 23.12
%RMSE
2º SAT 29.09 SAT 27.49 RK2 28.02 RK1 25.25 RK1 28.59 RK2 29.82
3º RK1 30.59 RK1 39.28 IDW 39.86 OK 25.41 IDW 28.86 IDW 34.16
4º IDW 30.79 IDW 39.50 RK1 41.17 IDW 25.86 OK 28.92 OK 36.75
5º OK 31.61 OK 40.56 OK 43.22 SAT 28.95 SAT 29.94 RK1 37.91
26
Sinumbralizar
Resultados y Discusión: Estimación espacial de la IS (15 minutos)4
Puntuación de los métodos de estimación

Umbral %RMSE
(%)
Std-dev
RMSEp
(%)
RMSE
(w/m^2)
0.1 22.46 2.87 68.95
10 21.03 2.75 68.97
50 17.51 2.45 72.86
200 11.26 1.35 75.21
Del benchmarking a HelioSat2:
- (22.9, 20.2, 20.04, 16.3) %
- (69, 72, 77, 83) w/m2
27
RK2 en la forma de agrupación IV (CYL):
69
72
77
83
22.9
20.2
20.04
16.3
Fortaleza del método cuando se discriminan valores de IS bajos.

28
30
20
10 80
Relación del %RMSE contra la distancia a interpolar
PérezZelenka PérezZelenka
30
20
RK2 en la forma de agrupación IV (CYL):
umbral 200 w/ m^2 Sin umbral

Umbral %RMSE
(%)
Std-dev
RMSEp
(%)
RMSE
(w/m2)
0.1 24.69 4.26 71.23
10 22.90 3.83 70.49
50 18.95 3.22 68.95
200 12.29 2.01 63.39
29
RK2 en la forma de agrupación V (CYL + 9 AEMet):
Del benchmarking a HelioSat2:
- (22.9, 20.2, 20.04, 16.3) %
- (69, 72, 77, 83) w/m2
69
72
77
83
22.9
20.2
20.04
16.3
Fortaleza del método cuando se discriminan valores de IS bajos.

30
20 100
20
18
12
30
25
15
20 100
RK2 en la forma de agrupación V (CYL + 9 AEMet):
10
Relación del %RMSE contra la distancia a interpolar
umbral 200 w/ m^2 umbral 50 w/ m^2

3) ¿Es posible interpolar determinística o geoestadísticamente la IS en el
territorio nacional a intervalos de 15 minutos más allá de los 25 km con
errores inferiores al 25 %?
R: La interpolación geoestadística apoyada con estimaciones de la IS a
partir de satélite presenta menor error cuando las estaciones tienen una
adecuada distribución y densidad.
4) ¿Están las observaciones de la IS de las EM de la red Meteoclimatic
(voluntarios) dentro del margen de error del modelo de referencia, para
poder considerarlas válidas?
R: Las estimaciones en las ubicaciones de las estaciones de Meteoclimatic ,
permitieron identificar que el 67 % de estas presentan valores con una
desviación inferior al +/- 2 d cuando la IS > 200 w/m^2.
31

ÍNDICE
CURRICULUM VITAE
INTRODUCCIÓN
2
3
4
5
32
1
5) ¿Se mejora el error de la predicción temporal de la IS a corto plazo en base
a RNA con la inclusión de la mayor cantidad de datos de entradas en los
modelos?
6) ¿Cómo se relacionan el horizonte espacial y temporal en la predicción de la
IS a corto plazo con las RNA?

33
PREDICCIÓN ESPACIO-TEMPORAL DE LA IS A CORTO PLAZO5

34
Trabajos relacionados5
RNA utilizadas… predicción de IS en distintos horizontes temporales y en distintos lugares:
-España (Linares-Rodríguez et al. 2011; Bosch et al. 2008; Hontoria et al. 2002).
- Italia (Mellit and Pavan 2010).
- Francia - Isla de Corsica (Voyant et al. 2014; Voyant et al. 2011; Paoli et al. 2010).
-Turquía (Koca et al. 2011).
-Arabia Saudita (Mohandes et al. 1998). - China (Wang et al. 2012). - India (Yadav and Chandel 2012).
- Argelia (Mellit et al. 2006). - Uganda (Mubiru and Banda 2008; Mubiru 2008)…
- entre otros (Mellit et al. 2008; Mellit and Kalogirou 2008).
Trabajos relacionados (predicción de la IS: horizontes a corto plazo)

35
Trabajos relacionados5
Arquitectura RNA: Perceptrón Multicapa (Multi Layer Perceptron, MLP)

Variables desde cada estación:
(observadas)
(1) Irradiancia Solar Global (ISG)
(2) Temperatura Ambiente (TA)
(3) Humedad Relativa del Aire (HRA)
(4) Dirección del Viento (DV)
(5) Velocidad del Viento (VV)
(calculadas)
(6) IS Extraterrestre Horizontal (ISEH)
(7) Índice de Claridad Instantáneo (KTi)
(8) Distancia al Medio Día Solar (DMDS)
(9) el Ángulo Cenit (AC)
36
Caso de estudio5

37
6 RNA - T:
(Históricos)
RNA_T1
RNA_T2
RNA_T3
RNA_T4
RNA_T5
RNA_T6
Metodología: Predicción espacio-temporal de la IS5
1- Técnica de ventana deslizante
Variables en
instantes previos
como entradas RNA

38
6 RNA - ST:
(Vecinos + Históricos)
2- Ventana deslizante + componente espacial (hasta 55 km)
RNA_ST1
RNA_ST2
RNA_ST3
RNA_ST4
RNA_ST5
RNA_ST6

3- Preparación de los datos (transponer y concatenar las observaciones)
39
9 variables x 10 estaciones x 10 instantes previos = 900 entradas

4- Normalización y selección de datos de entrenamiento y de test.
70% y 30%
5- Parámetros de entrenamiento de las RNA:
(i) número de capas ocultas
(ii) cantidad de neuronas en cada capa
(iii) ratio de aprendizaje
(iv) cantidad de veces que se entregan todos los ejemplos a la
RNA para su entrenamiento (Epochs).
(v) intervalo de normalización de los datos [0, 1]
40

RNA_ST
RNA_T
41
Resultados y discusión5
Parámetros para las RNA: Cada RNA se reinicio has 20 veces (de forma auto.)
… para horizontes temporales muy cortos (15 minutos)
- Perceptor simple: problema de aproximación lineal.
- Sin embargo con MLR, no hubiese sido posible (correlación entradas)

RNA_ST
RNA_T
42
… para horizonte temporal de 1 hora
Parámetros para las RNA: Cada RNA se reinicio has 20 veces (de forma auto)
- Sigue existiendo una fuerte componente de aproximación lineal

43
… para horizonte temporal de 2 horas o más
Parámetros para las RNA: Cada RNA se reinicio has 20 veces (de forma auto)

Para RNA_ST (estaciones vecinas):
- MLP con 2 capas ocultas
- entre 50-300 neuronas en la primera capa.
- aprox. 25 neuronas en la segunda capa.
Para RNA_T (históricos: del mismo punto):
MLP de una capa oculta con entre 10-50 neuronas en dicha capa.
Configuración RNA definitiva:
Más experimentos de optimización permitieron identificar:
Para RNA_ST (estaciones vecinas):
-MLP con 100 neuronas en la primera capa oculta
- 10 neuronas en la segunda.
Para RNA_T (históricos: del mismo punto):
- MLP con una capa oculta con 30 neuronas.
44
Configuraciones aprox. de las RNA

(1-3) H.
(4-6) H.
-Voyant et al. (2013):
27.8%
- Paoli et al. (2010):
~20%
-Wang et al. (2012):
63.47 W/m^2
-Mellit and Pavan. (2012):
62.5 %
45
PREDICCIÓN ESPACIO-TEMPORAL DE LA IS5
Resultados y discusión
Resultados Finales: 12 RNA para las predicciones de la IS a corto plazo
6 RNA_ST
6 RNA_T

5) ¿Se mejora el error de la predicción temporal de la IS a corto plazo en
base a RNA con la inclusión de la mayor cantidad de datos de entradas
en los modelos?
R: La inclusión de 9 variables de entradas para cada instante de tiempo
previo y para cada estación vecina permite predecir la IS a corto plazo
con niveles de error inferiores al de los trabajos relacionados.
6) ¿Cómo se relacionan el horizonte espacial y temporal en la predicción de
la IS a corto plazo con las RNA?
R: Se identificó que las predicciones en un horizonte de hasta 3 horas
mejoran si se incluyen las observaciones de estaciones vecinas (< 55 km),
si bien en horizontes de 4 a 6 horas ese límite no mejora la predicción.
46

CONCLUSIONES
Contribuciones
Revisión de las preguntas de investigación e hipótesis
Trabajos Futuros
6
47
ÍNDICE
CURRICULUM VITAE
INTRODUCCIÓN
2
3
4
5
1

• La inclusión de un elevado numero de entradas a la RNA permiten
predecir con distintos horizontes temporales (de 1 a 6 horas) la IS con
errores inferiores a los identificados en los trabajos relacionados.
• Trabajar con tantas dimensiones ha supuesto un reto en la elaboración
de los juegos de datos de entrenamiento y validación, así como en el
entrenamiento de las RNA.
• Para predicciones de entre 1 y 3 horas el mejor modelo de RNA para el
caso de estudio, es el que incluye las observaciones de las EM vecinas
con distancias < 55 km, pudiéndose interpretar como la transferencia
del efecto meteorológico de las estaciones vecinas sobre la estación
objeto de predicción.
48
CONCLUSIONES6
Conclusiones respecto a la predicción a corto plazo de la IS:

• El mejor método de estimación espacial en intervalos de 15 minutos
depende de la densidad y distribución de estaciones.
• Cuando el área de interés está debidamente cubierta por sensores, el
es el mejor método de estimación es el Kriging con Regresión (RK2)
soportado por las variables auxiliares (estimación de la IS desde
imágenes de satélite y la latitud).
• El método RK2 permite interpolar la IS a distancias (> 25 km - probado
hasta 108 km), sin superar el 25 % del RMSE (limite identificado en los
trabajos relacionados Zelenka et. al).
49
CONCLUSIONES6
Conclusiones respecto a la estimación espacial de la IS

• Como desventaja el método RK2 precisa disponer de valores de IS
derivadas desde imágenes de satélite.
• Con baja densidad de estaciones el mejor método es la estimación de
la IS desde imágenes de satélite (en consonancia con lo expuesto en la
literatura).
• Al aplicar sobre las 206 estaciones de voluntarios la interpolación de
RK2 y el Helio-Sat se ha identificado que un 67 % (138) de ellas están
dentro del margen de error, pudiendo ser de utilidad para
estimaciones más groseras.
50
CONCLUSIONES6
Conclusiones respecto a la estimación espacial de la IS

• Las 24 REM (16 GUB + 8 REMV) que acumulan 3429 EM (1858 GUB +
2558 REMV) a fecha de noviembre de 2012, es un inventario amplio
pero sin garantía de ser exhaustivo.
• Las REMV aportan un número significativo de estaciones que publican
sus observaciones en tiempo real.
• La caracterización de las redes y sus estaciones ha puesto de manifiesto
la heterogeneidad de las mismas.
• Se han detectado 479 (12.25 %) posibles estaciones redundantes, que
suponen tanto un inconveniente (descartar duplicados al integrar)
como una ventaja al disponer de redundancia de fuentes de datos ante
fallos de red.
• Es más sencillo identificar redundancia de EM en las redes Voluntarios
que en las gubernamentales.
51
CONCLUSIONES6
Conclusiones respecto a la disponibilidad de datos meteorológicos en tiempo
real

• El 60.72 % de las celdas están vacías (lagunaridad) y hay mayor densidad
de EM en las grandes ciudades / áreas urbanas.
• Las EM de las redes de Voluntarios aportan un 8.42 % en la densificación
espacial en el territorio nacional.
• En cuanto a la disponibilidad de datos en tiempo real el 11.01 % de las
celdas del territorio Nacional disponen de estaciones que publican datos
de este modo.
52
CONCLUSIONES6
Conclusiones respecto a la disponibilidad de datos meteorológicos en tiempo
real

53
CONCLUSIONES6
Aportaciones originales
• Se aporta una metodología para estimar espacialmente la IS basada en
la geoestadística que combina las observaciones realizadas por las EM y
las estimaciones a partir de satélites, permitiendo alcanzar mejores
niveles de error que los indicados por los trabajos previos.
• Se aportan distintos modelos de la predicción espacio-temporal de la IS
a corto plazo mediante RNA que incluyen como variables de entradas,
además de la ventana temporal, observaciones de estaciones vecinas,
mejorando los niveles de error identificados en trabajos relacionados.
• La aplicación secuencial de extrapolación temporal e interpolación
espacial permitiría generar superficies de IS (mapas) en intervalos de 15
minutos con el propósito de estimar el potencial de producción de
energía solar en lugares donde no hay observaciones.

54
CONCLUSIONES6
Aportaciones originales
• Un inventario caracterizado de 24 REM en España. Útil para desarrollar
un sistema que recolecte, integre y publique los datos de una forma
estandarizada (Linked data, SWE).
• El conocimiento de la distribución espacial de las 24 REM, será útil para
planificar nuevas instalaciones de EM por parte tanto de organismos
oficiales como de voluntarios.
• Se ha realizado una primera aproximación a la validación de las REMV
con sensores de IS, como una opción para ayudar a densificar la
disponibilidad geográfica de esta variable frente a las EM GUB.

Hipótesis: En base a la respuesta a las preguntas de investigación se ha
confirmado la doble hipótesis plantada.
- Se ha demostrado que el uso de valores de la IS, derivados a partir de
imágenes de satélite, como variable auxiliar en los métodos de
estimación espacial permite generar mejores predicciones.
-T También se ha demostrado que es posible mejorar la predicción a corto
plazo de la IS con modelos basados en RNA mediante el uso de un gran
número variables de entrada y la inclusión de la componente espacial.
55
CONCLUSIONES6
Revisión de las preguntas de investigación e hipótesis

• Investigar la influencia de las distancias máximas de las estaciones a
incluir como entradas en los modelos de RNA en la predicción la IS para
distintos horizontes temporales.
• Investigar nuevos modelos de RNA capaces de predecir la IS en
cualquier punto, analizando las formas de agrupar las entradas de las
estaciones vecinas (p. ej: por cuadrantes).
• Investigar la relevancia de las los valores de las distintas variables de
entrada en distintos instantes de tiempo.
• Investigar métodos de validación de las REMV, considerando otros
factores que pueden influenciar las interpolaciones (p. ej: al amanecer,
al anochecer y obstáculos).
• Investigar distintos métodos para regenerar series de observaciones
cuando se interrumpe el acceso a los datos o se pierden observaciones
(p. ej. el algoritmo de preservación de la media).
56
CONCLUSIONES6
Trabajos futuros

Gracias
Vladimir Gutiérrez
19 de Diciembre de 2014
57

Predicción espacio-temporal IS corto plazo España geoestadística RNA

Recomendados

Recomendados

Más contenido relacionado

Destacado

Destacado (7)

Similar a Predicción espacio-temporal IS corto plazo España geoestadística RNA

Similar a Predicción espacio-temporal IS corto plazo España geoestadística RNA (20)

Más de Vladimir Gutierrez, PhD

Más de Vladimir Gutierrez, PhD (20)

Último

Último (16)

Predicción espacio-temporal IS corto plazo España geoestadística RNA