Understanding solar energy has become crucial for the development of modern societies. For this reason, significant effort has been placed on building models of solar resource assessment. Here, we analyzed satellite imagery and solar radiation data of three years (2012, 2013, and 2014) to build seven predictive models of the solar energy obtained at different altitudes above sea level. The performance of four machine learning algorithms was evaluated using four evaluation metrics, MBE, R², RMSE, and MAPE. Random Forest showed the best performance in the model with data obtained at altitudes below 800 m.a.s.l. The results achieved by the algorithm were: 4.89, 0.82, 107.25, and 41.08%, respectively. In general, the differences in the results of the machine learning algorithms in the different models were not very significant; however, the results provide evidence showing that the estimation of solar radiation from satellite images anywhere on the planet is feasible.

La estimación de la radiación solar es fundamental para quienes participan en la planificación de granjas de energía solar, ya sean aisladas o conectadas a las redes de distribución eléctrica. Esto para el aprovechamiento de las fuentes de energía renovables, reducir el impacto producido por el cambio climático, e incrementar los índices de cobertura en el servicio eléctrico. De igual manera, el número de estaciones de medición existentes es insuficiente para cubrir toda la geografía de una región, y muchas de ellas no están capturando datos de radiación solar. Por consiguiente, es importante hacer uso de modelos matemáticos, estadísticos y de inteligencia artificial que permitan predecir la radiación solar a partir de datos meteorológicos disponibles. En este trabajo se utilizaron conjuntos de datos tomados de estaciones de medición ubicadas en las ciudades de Cali y Villavicencio, además de un conjunto de datos generado por la API World Weather Online para la ciudad de Mocoa. La razón fue realizar estimaciones de radiación solar utilizando distintas técnicas de aprendizaje automático para regresión y clasificación; el principal objetivo fue evaluar su desempeño. Aunque en la mayoría de los trabajos relacionados los investigadores utilizaron el aprendizaje profundo para la predicción de la radiación solar, este estudio demostró que, si bien las redes neuronales artificiales son la técnica más utilizada, otros algoritmos de aprendizaje automático como Random Forest, Máquinas de Soporte Vectorial y AdaBoost también proporcionan estimaciones con suficiente precisión para ser utilizados en este campo de estudio.

Objetivo: Entrenar Redes Neuronales y Máquinas de Soporte Vectorial para la predicción de tendencias futuras en el número de víctimas de secuestros por año en Colombia, con el fin de apoyar la toma de decisiones. Metodología: Se procesó un conjunto de datos de víctimas de secuestro con 39.863 registros tomado del portal de datos abiertos del gobierno y publicado por la Fiscalía Nacional de Colombia, con el fin de entrenar y evaluar una Red Neuronal y una Máquina de Soporte Vectorial para regresión (SVR), esto permitió identificar qué modelo tuvo menor Raíz del Error Cuadrático Medio (RMSE) para predecir la tendencia de víctimas de secuestro. Resultados: Se encontró que la Red Neuronal entrenada tuvo menor Raíz del Error Cuadrático Medio (RMSE) frente a la Máquina de soporte vectorial tanto para la predicción de víctimas de secuestro. Se pudo estimar la cantidad de víctimas de secuestros en los próximos diez años en todo el territorio colombiano. Conclusiones: Existen diversos trabajos relacionados con la predicción de delitos, sin embargo, este estudio propone un nuevo modelo de Redes Neuronales para estimar la tendencia de víctimas de secuestro en Colombia. El modelo permite predecir que con el paso del tiempo, la cantidad de secuestros irá disminuyendo.

Despite global efforts to adopt renewable energy, many remote regions still lack reliable electrical services. Addressing this requires a thorough analysis of solar resource data to identify viable solutions for these underserved areas. We evaluate the error in solar radiation data from a satellite image-based Random Forest (satellite RF) model by using data from IDEAM meteorological stations and NASA sources. By rigorously comparing these datasets, we aim to assess the reliability of predictive sources of solar radiation in the Amazon region. The results help establish confidence in various data sources, essential for utilizing estimated solar energy data in renewable energy research. We compared the data using the Relative Root Mean Squared Error (Relative RMSE). On the one hand, the relative RMSE between NASA and IDEAM ranges from 6.86% to 20.93%. On the other hand, the error between satellite RF model and IDEAM fluctuates between 6.56% and 12.33%. Similarly, the error between satellite RF model and NASA ranges from 4.80% to 15.27%. The findings indicate that the error in NASA data is higher compared to the error in satellite RF model data when benchmarked against IDEAM. Despite the limited number of meteorological stations and a maximum error of 20.93% between the two predictive data sources compared to ground-based observed data, we consider it reliable to use estimated solar radiation data for developing effective renewable energy solutions in remote locations.

Knowing the behavior of solar energy is imperative for its use in photovoltaic systems; moreover, the number of weather stations is insufficient. This study presents a method for the integration of solar resource data: images and datasets. For this purpose, variables are extracted from images obtained from the GOES-13 satellite and integrated with variables obtained from meteorological stations. Subsequently, this data integration was used to train solar radiation prediction models in three different scenarios with data from 2012 and 2017. The predictive ability of five regression methods was evaluated, of which, neural networks had the highest performance in the scenario that integrates the meteorological variables and features obtained from the images. The analysis was performed using four evaluation metrics in each year. In the 2012 dataset, an R^2 of 0.88 and an RMSE of 90.99 were obtained. On the other hand, in the 2017 dataset, an R^2 of 0.92 and an RMSE of 40.97 were achieved. The model integrating data improves performance by up to 4% in R² and up to 10 points less in the level of dispersion according to RMSE, with respect to models using separate data.

Introducción: La optimización de los recursos de energía renovable es trascendental para satisfacer la demanda energética mundial y para evitar los efectos adversos producidos por la quema de combustibles fósiles. Por lo tanto, existen distintos estudios que procuran estimar la capacidad de las fuentes de energía renovable en una ubicación geográfica. Asimismo, existen diversas aplicaciones de software que buscan un equilibrio entre la inversión y la capacidad instalada de una central generadora de energía eléctrica. Objetivo: Este trabajo utiliza los resultados del algoritmo Random Forest para predecir la radiación solar a partir de imágenes satelitales. Esta técnica alcanzó un desempeño en R2 de 0.82 y en RMSE de 107.05. El objeto de este estudio es evaluar los resultados de 2 modelos de sistemas fotovoltaicos diseñados para 10 lugares distintos del territorio colombiano. El modelo M1 utiliza datos de radiación solar de la NASA. El modelo M2 utiliza datos de radiación solar generados por Random Forest. Metodología: La evaluación de la radiación solar proveniente de la NASA y del algoritmo Random Forest está basada en las simulaciones proporcionadas por la herramienta de optimización de recursos energéticos Homer Pro. Resultados: Las simulaciones de ambos modelos en Homer Pro, arrojan una diferencia en la capacidad de los componentes del sistema de entre 0.0% y 47.31%. La diferencia entre la generación de energía eléctrica oscila entre 0.0% y 11.99%. De igual manera, la diferencia entre los costos del sistema está entre 1.34% y 23.64% respectivamente. Conclusiones: Los datos de radiación solar estimados por Random Forest se constituyen como una alternativa a los datos de radiación solar proporcionados por la NASA, dado que las diferencias en la capacidad de los componentes del sistema, la generación de energía eléctrica y los costos totales del sistema están en promedio, en alrededor del 27%.