Comparación de algoritmos de aprendizaje profundo para el monitoreo de la cobertura de nubes a partir del uso de imágenes

CHRISTIAN BOTTA; LUCAS OLIVERA; JORGE OSIO; DANIEL MARTÍN MORALES; CAPPELLETTI MARCELO

Concepción del Uruguay

Congreso; 10° Congreso Nacional de Ingeniería en Informática / Sistemas de Información (CoNaIISI 2022); 2022

Univ. Tecn. Nac. Facultad Regional Concepción del Uruguay

La radiación solar es una magnitud clave en numerosas aplicaciones, entre ellas, para el diseño de sistemas basados en energía solar, y para el desarrollo de los cultivos. La cobertura de nubes es un factor que atenúa y ocasiona intermitencia en los valores de la energía proveniente del sol. Poder conocer cuándo hay presencia de nubes en el campo solar es una información fundamental para aquellos sistemas que aprovechen esta fuente como recurso energético. Por lo tanto, en base a la importancia de monitorear la cobertura de nubes, este trabajo presenta una comparación entre sistemas de clasificación de tres condiciones de cielo (despejado, con nubosidad parcial o total), a partir de imágenes, utilizando redes neuronales basadas en aprendizaje profundo. Específicamente, se evaluaron y compararon los desempeños de una red neuronal profunda (DNN), una red neuronal convolucional (CNN); y una red neuronal convolucional CNN pre-entrenada (MobileNet v2). Los resultados presentados en este trabajo muestran que ambas arquitecturas convolucionales poseen el mejor desempeño para el monitoreo de la cobertura de nubes. Estos modelos podrán ser incorporados para la toma de decisión de sistemas de predicción de la radiación solar que utilicen el índice de claridad.