Uma equipe de pesquisa da Universidade de Córdoba desenvolveu e avaliou modelos de previsão da radiação solar em nove localidades no sul da Espanha e na Carolina do Norte (EUA).
Medir a radiação solar é caro, assim como todas as tarefas relacionadas à manutenção e calibração dos sensores mais comumente usados: piranômetros e radiômetros. O resultado é uma escassez de dados confiáveis. Assim, um grupo de pesquisa da Universidade de Córdoba desenvolveu e avaliou vários modelos de aprendizado de máquina para prever a radiação solar em nove locais (sul da Espanha e Carolina do Norte, EUA) abrangendo uma gama de diferentes condições geoclimáticas (aridez, distância ao mar e elevação). O trabalho foi publicado na revista Applied Energy.
Um dos principais avanços dos modelos que criaram é que eles só precisam de dados térmicos para estimar a radiação solar diária. “Medir e ter dados de temperatura do ar hoje, graças à sensorização de baixo custo e tecnologias IoT (Internet das Coisas), é bastante acessível”, acrescentou Javier Estévez Gualda, pesquisador e professor da UCO. A maioria das estações meteorológicas existentes em todo o mundo tem sensores térmicos e de chuva, mas muito poucas medem a radiação solar.
Juan Antonio Bellido, o principal autor da obra, destaca que um dos problemas que existem atualmente nos modelos baseados em Inteligência Artificial é a configuração de parâmetros internos, denominados hiperparâmetros. “Podemos comparar esses hiperparâmetros com os controles da mesa de mixagem de um técnico de som; seu ajuste é fundamental, pois a modificação dos potenciômetros deve ser constantemente impedida de causar problemas de som”, explica. Para resolver esse problema, eles utilizaram um algoritmo automático denominado Otimização Bayesiana (baseado na teoria de Bayes), que é responsável por buscar de forma eficiente e rápida os parâmetros adequados para que os modelos obtenham resultados eficientes e precisos.
Todos os modelos utilizados podem ser classificados como modelos supervisionados; ou seja, eles exigem treinamento de dados. No entanto, eles podem ser classificados em vários grupos: modelos baseados em redes neurais, cujo funcionamento é semelhante ao dos neurônios (Multilayer Perceptron – MLP, Extreme Learning Machine – ELM – e Redes Neurais de Regressão Generalizada – GRNN); modelos baseados em uma tipologia de árvore (Random Forest — RF — e Extreme Gradient Boost — XGBoost), e outros, como Support Vector Machine (SVM).
Eles foram testados em diferentes condições áridas, como no sul da Espanha e na Carolina do Norte (EUA); ou seja, em áreas áridas, semi-áridas, subúmidas, secas e úmidas. 31% da superfície terrestre é árida/semi-árida/sub-úmida seca, enquanto 67% é úmida. Desta forma, eles são aplicáveis a toda a superfície da Terra. Ao avaliar a eficiência dos modelos treinados em novas localidades cujos dados não foram utilizados durante as mesmas, melhorias significativas são obtidas em todas as localidades. Por exemplo, os formados com séries temporais de Cabra (Córdoba) e depois aplicados em El Campillo (Huelva) apresentam uma melhora considerável.
A professora e pesquisadora Amanda P. García-Marín, que também faz parte da equipe, afirmou que os resultados melhoram em relação aos modelos atuais, obtendo grande precisão na estimativa dos valores diários de radiação solar. “Isso é crucial em locais sem conjuntos de dados disponíveis ou ausentes / de baixa qualidade, e pode ser usado para otimizar a determinação de locais potenciais para a construção de usinas de energia solar”, concluiu o pesquisador Javier Estévez Gualda.
Outro ponto forte do trabalho é que os modelos estão à disposição de qualquer pesquisador, por meio do repositório GitHub de acesso livre, de forma que seu uso pode ser estendido a qualquer região do planeta, dependendo de sua aridez. Além disso, do ponto de vista agronômico, a estimativa precisa da radiação solar é vital, pois é uma variável fundamental no desenvolvimento das lavouras.
Este estudo faz parte do projeto Smarity (AGL2017-87658-R), financiado pelo Plano Nacional de P&D Desafios Sociais do Ministério da Ciência, que busca soluções para a aridez climática no sul da Espanha e prever de forma inteligente a variabilidade espaço-temporal da aridez e sua efeitos na agricultura e no ambiente.
Achou útil essa informação? Compartilhe com seus amigos! ?
Deixe-nos a sua opinião aqui nos comentários.
