Detecção de outliers e preenchimento de lacunas em medidas das irradiâncias solares espectrais usando princípios físicos e técnicas de inteligência artificial

• Autor(a) principal: Calça, Marcus Vinícius Contes
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/239645
• topic: Radiação solar espectral; Detecção de medições errôneas; Controle de qualidade; Modelagem; Spectral solar radiation; Detection of erroneous measurements; Quality control; Machine learning; Modeling

A radiação solar de ondas curtas que incide sob a superfície terrestre é composta espectralmente pelas componentes ultravioleta (290 a 400nm), visível (400 a 700nm) e infravermelha (700 a 4000nm). O conhecimento sobre a sua disponibilidade na superfície terrestre permite que órgãos públicos e instituições acadêmicas planejem adequadamente projetos energéticos no Brasil. Para isso, se torna necessário a implantação de sistemas terrestres de medição, que compreendem, naturalmente, valores errôneos causados por adversidades técnicas e operacionais. Neste sentido, o objetivo deste estudo foi implementar um procedimento de controle de qualidade, para identificar valores errôneos, e outro para preencher lacunas das irradiâncias solares ultravioleta, visível e infravermelha sub-horárias (W/m²), coletadas em Botucatu (SP) - Brasil no período de 2001 a 2006. O procedimento de controle de qualidade foi criado em função de três princípios físicos e um intervalo de confiança estatística. Em sequência, o procedimento de preenchimento de lacunas foi implementado em função de um modelo de Machine Learning e avaliado a partir do coeficiente de determinação (R²), erro médio absoluto (MAE e rMAE), e da raiz do erro quadrático médio (RMSE e rRMSE). Foi possível detectar a partir do procedimento de controle de qualidade 1,003%, 0,989% e 0,806% de medições errôneas e isoladas das irradiâncias solares ultravioleta, infravermelha e visível, respectivamente, com relação aos totais medidos. O modelo de preenchimento de lacunas obteve métricas, com relação a sua capacidade de estimar valores, de R² de 0,99565, rMAE de 2,849% e rRMSE de 4,821% para a irradiância solar infravermelha, bem como R² de 0,99562, rMAE de 2,886% e rRMSE de 4,875% para a visível e, por fim, R² de 0,99137, rMAE de 3,923% e rRMSE de 6,889% para a ultravioleta. A partir deste estudo, foi possível avaliar que o primeiro e o terceiro princípio físico foram o mais e o menos restritivos do controle de qualidade, respectivamente, ao detectar medidas errôneas e isoladas, consideradas outliers por se afastarem consideravelmente das demais. Constatou-se, também, que os modelos de Machine Learning obtiveram resultados semelhantes as modelagens de Escobedo et al. (2011) para resoluções temporais horárias e diárias, o que possibilita utilizá-los para preencher lacunas das irradiâncias solares espectrais.