Sistema de pronóstico de radiación solar a corto plazo a partir de un modelo meteorológico y técnicas de post-proceso para España

Acta de qualificació de tesi doctoral Curs acadèmic: Nom i cognoms ANGEL ALBERTO RINCÓN RODRIGUEZ DNI / NIE / Passaport X6132918Z Programa de doctorat DOCTORADO EN INGENIERIA AMBIENTAL Unitat estructural responsable del programa DEPARTAMENTO DE PROYECTOS DE INGENIERIA Resolució del Tribunal Reunit el Tribunal designat a l'efecte, el doctorand / la doctoranda exposa el tema de la seva tesi doctoral titulada __________________________________________________________________________________________ _________________________________________________________________________________________. Acabada la lectura i després de donar resposta a les qüestions formulades pels membres titulars del tribunal, aquest atorga la qualificació: APTA/E NO APTA/E (Nom, cognoms i signatura) President/a (Nom, cognoms i signatura) Secretari/ària (Nom, cognoms i signatura) Vocal (Nom, cognoms i signatura) Vocal (Nom, cognoms i signatura) Vocal ______________________, _______ d'/de __________________ de _______________ El resultat de l’escrutini dels vots emesos pels membres titulars del tribunal, efectuat per l’Escola de Doctorat, a instància de la Comissió de Doctorat de la UPC, atorga la MENCIÓ CUM LAUDE: SÍ NO (Nom, cognoms i signatura) Presidenta de la Comissió de Doctorat (Nom, cognoms i signatura) Secretària de la Comissió de Doctorat Barcelona, _______ d'/de ____________________ de _________ UNIVERSITAT POLIT` ECNICA DE CATALUNYA Programa de Doctorat en Enginyeria Ambiental Tesis doctoral Sistema de pron´ostico de radiaci´on solar a corto plazo a partir de un modelo meteorol´ogico y t´ecnicas de post-proceso para Espa˜na Angel Alberto Rinc´on Rodriguez Directors: Dr. Oriol Jorba Casellas Dr. Jos´e Mar´ıa Baldasano Recio Barcelona, Abril 2013. “El futuro pertenece a quienes creen en la belleza de sus sue˜nos”. Anna Eleanor Roosevelt. Agradecimientos A mis directores Dr. Oriol Jorba yDr. Jos´e Mar´ıa Baldasano por la oportunidad, la confianza, el inter´es en el tema y el invaluable apoyo que ha permitido el desarrollo de esta tesis doctoral. I want to thank for the valuable collaboration: Dr. Luca Delle Monache of National Center for Atmospheric Research (NCAR) of United States by facilitating the Kalman Filter algorithm. To Dr. Jan Kleissl and Dr. Patrick Mathiesen of Department of Mechanical and Aerospace Engineering of the University of California, San Diego (USA), for the help and collaboration on the implementation of MOS methodology. To Luc Blarel and Thierry Podvin of Universit´e des Sciences et Technologies de Lille (France) and Joel Schafer of Goddard Space Flight Center/NASA (USA) for the technical support for the maintenance, calibration and installation of devices for AErosol RObotic NETwork (AERONET) and Solar Radiation Network (SolRad-Net) in the Station of Barcelona, Spain. Al Barcelona Supercomputing Center - Centro Nacional de Supercomputaci´on (BSC-CNS) por el soporte computacional que ha permitido obtener las simulaciones meteorol´ogicas. Al Servei Meteorol`ogic de Catalunya (SMC), el Institut Catal`a d’Energia de Catalunya (ICAEN) y la Agencia Estatal de Meteorolog´ıa (AEMET), por los datos de las estaciones radiom´etricas. En especial a los observadores de las estaciones de la Xarxa radiom´etrica del ICAEN en: la Escola Polit`ecnica Superior de la Universitat de Girona, el Observatori de Lleida, la Escola Polit`ecnica Superior d’Enginyeria de Manresa, la Escola Polit`ecnica Superior d’Enginyeria Industrial de Terrassa, el Ajuntament de Torroella de Montgr´ı, el Observatori de l’Ebre, CX M ´ ONNATURA Pirineus de Planes de Son, el Observatori de Pujalt, la oficina meteorol`ogica de l’aeroport de Reus, el Observatori de Sort y el departament d’astronomia i meteorologia de la Universitat de Barcelona. Quiero agradecer a mis compa˜neros del departamento de Ciencias de la Tierra del BSC-CNS: Al Dr. Gustavo Ar´evalo,Dra. Valentina Sicardi,David Carri´o,Francesco Benincasa y Enric Terradellas, por la colaboraci´on con respecto a la interpolaci´on espacial Kriging y el software de visualizaci´on. AKim Serradell y Miguel Castrillo, por el soporte t´ecnico con respecto al tratamiento de las bases de datos. Al Dr. Mathias Piot,Dr. Simone Marras,Francesco Benincasa, Luca Telloli y Michele Spada por vuestra valiosa ayuda en el fascinante mundo de Linux y L A T EX. En especial quiero agradecer al: Dr. Santiago Gass´o,Dra. Maria Teresa Pay,Dra. Sara Basart, Dr. Karsten Haustein,Alba Badia, Albert Soret, Marc Guevara y Francesc Martinez. Esta tesis esta dedicada muy especialmente a mi querida Lourdes Larr´e por tu inagotable amor, cari˜no, paciencia, comprensi´on, apoyo y en especial por tu tierna compa˜n´ıa durante este hermoso trayecto de nuestras vidas. Por los buenos y por los malos momentos, porque los dos sabemos que este logro tambi´en es tuyo y porque gran parte del trabajo de redacci´on y s´ıntesis que refleja este documento, no ser´ıa el mismo sin tu valiosa y constante ayuda: “Rohayhu ha roguerohoryeterei Yuye, a˜nembotavyro yepe sapy’ante. Umi mit˜akuerandive, Yuyito ha Trini, pende ha’e mba’e tuichaitereiva che- ve guar´a ha mba’e ipor˜aveva ojehuvaekue che tekovepe. Che py’aite guive aguyje ndeve guar´a”. Desde lo m´as profundo de mi coraz´on, esta tesis tambi´en va dedicada a mis padres Luis Angel y Mery Lucia, y a mis hermanos Laura Alejandra y Diego Andr´es por que sin el apoyo, la confianza, la compa˜n´ıa en la distancia y el amor, no hubiese sido posible emprender este sue˜no y sobre todo, por ense˜narme que las metas y los objetivos en la vida se pueden conseguir con nobleza, humildad y perseverancia. A todos mis familiares en Colombia (Bogot´a y Facatativ´a) y en USA (Miami, Stamford y Houston), por ese ejemplo de unidad familiar que me acompa˜na siempre y que a˜noro cada vez que los siento tan lejos. En especial, a mi t´ıa Rosita porque sin importar la distancia y la hora, siempre est´a pendiente de mi a trav´es de todos los medios de comunicaci´on posibles. A mi querida abuela Rosario por ser el ejemplo a seguir de cari˜no, ternura y paciencia de toda una vida, y porque tus oraciones fueron escuchadas: “... por fin termine la tesis Abuelita !!! ”. A mis amigos de Aguadulce, a Maria de los ´ Angeles y su cari˜nosa familia, y a Do˜na Luz Romero. A mis difuntos abuelos Carmen Rosa,Pap´a Juan, Ignacio, las T´ıas Carmenza yZoila, a Armandito Acosta, a mi profesor William Pulido y a mi amigo Jimmy Ospina, porque desde donde est´en, s´e que siempre me est´an cuidando. A mi gran amigo y hermano Mauricio Rodriguez porque a pesar de la distancia y el tiempo, la amistad y complicidad perdura y se refuerza con cada inconveniente que nos pone por delante la vida. Gracias Mauro por tu compa˜n´ıa y por tu apoyo en los momentos de flaquezas y penas. A mi amiga la Dra. Guadalupe Maldonado por sus consejos y por ense˜narme a ver la vida desde una perspectiva personal y espiritual. A la Dra. Fabiola M´endez por sus palabras de aliento que me animaron a empezar el doctorado que hoy finaliza. De una manera muy especial, quiero agradecer a Karina S´anchez y a Francesc Coll por el apoyo y la ayuda recibida a mi llegada a Espa˜na, en todos estos a˜nos y especialmente en el ´ultimo tramo de este largo camino. Por la acogida desinteresada en vuestro hogar como un integrante m´as de la familia, detalle que nunca olvidar´e. Muchas Gracias a los dos !!!. De igual manera, a toda la familia Coll Puigpey en Vilanova del Vall`es presidida por Asunci´on, Maria Luisa, Francisco y M´onica. Por las incontables reuniones familiares que compartimos y que me hac´ıan sentir siempre m´as cerca de mi casa. A la familia de Karina: Jasmin, Andr´es e Iv´an, Iris y Tio Emilio, Gibsen, Horacio y Florance, Sergio y Paola, Lorena y Jaume, por ser entre todos mi familia sustituta cuando echaba en falta la m´ıa del otro lado del mundo. A la familia Araujo: Isabel, Guille y Nico, por el buen humor, los inolvidables momentos compartidos y por hacerme sentir el afecto de verdaderos amigos. Por los buenos a˜nos de amistad y convivencia compartidos en Barcelona (almuerzos, barbacoas, cenas, pelis, conciertos y tertulias musicales), en especial a Edwin Guevara,Cecilia Palma,Aldemar Guerra,Denisse Velandia, Montserrat Grasas,Yanc´ı Pos,Pierina Rodriguez,Jose Luis Mar´ın,Juanita Acevedo,Andrea Allamand,Jos´e Ab´asolo (Cole),Paula, Eduard, Pablo, Alen, Ricardo, Anita y Jorge, Jennifer y Ram´on, Andr´es M., Andrea y Angela, Ina, Lourdes, Francesca, Mart´ın, Edith e Iv´an. Al grup coral de la Fundaci´o Orfe´o Gracienc pels moments agradables viscuts al voltant de la m´usica durant aquests anys. Especialment, al seu director Poire Vallv´e, a Isabel Carvajal i a Alvaro Chalar (Company) per compartir aquesta experi`encia de vida amb mi a Catalunya. Al Bar¸ca y los compa˜neros del futbolito de los viernes: Jorge, Deivy, Gonzalo, Yanc´ı, Luis Gerardo, Alberto, Oscar, Jackson, Manolo, Rafa, Diana y Mila. Por la compa˜n´ıa musical que inspiraron esas largas noches en vela: J.S. Bach, W.A. Mozart, L.V. Beethoven, F. Chopin, Paul y John (B.), Freddy M. (Q.), Jimmy & Robert (L.Z), Axl y Slash (G.&R.), James y Lars (M.), Juan Esteban A. (J.), Carlos V. y M. Vicencio (A.). Y a todas aquellas personas que de alguna u otra manera han hecho posible la culminaci´on de esta importante etapa de mi vida...Muchas gracias. Publicaciones relacionadas con la tesis Congresos •Rinc´on, A., Jorba, O., Delle Monache, L. and Baldasano, J.M. (2013). Solar irradiance forecast system based on post-processing techniques applied on WRF-ARW meteorological simulations in Spain. Accepted as Oral presentation in: 2nd International Conference Energy & Meteorology (ICEM). Meteo-France International Conference Centre. Toulouse, France. 25 - 28 June 2013. •Rinc´on, A., Jorba, O., Baldasano, J.M. and Delle Monache, L. (2011). Short-term irradiance forecasting based on post-processing tools applied on WRF meteorological simulations. Geophysical Research Abstracts, Vol. 13, EGU2011-4239. General Assembly of European Geosciences Union (EGU). Poster Session: Energy, resources & the environment ERE1.1. Vienna, Austria. 3 - 8 April 2011. •Rinc´on, A., Jorba, O., Baldasano, J.M. and Delle Monache, L. (2011). Assessment of short-term irradiance forecasting based on post-processing tools applied on WRF-ARW meteorological simulations. COST Action ES1002 Weather Intelligence for Renewable Energy “WIRE“. 8th State of the Art Workshop - Working Group meetings - Management Commitee meeting. Mines ParisTech, Sofia Antipolis, France. 22 - 24 March 2011. •Rinc´on, A., Jorba, O., Baldasano, J.M. and Delle Monache, L. (2010). Development of a short-term irradiance prediction system using post-processing tools on WRF-ARW meteorological forecasts in Spain. 10th European Meteorological Society Annual Meeting - 8th European Conference on Applied Climatology. AW14: Energy Meteorology. Oral presentation in EMS Annual Meeting Abstracts, Vol. 7, EMS2010-406. Z¨urich, Switzerland. 13 - 17 September 2010. •Rinc´on, A., Jorba, O. and Baldasano, J.M. (2009). Analysis of a long-term dataset of global and diffuse irradiance in northeastern Spain for energy applications. Geophysical Research Abstracts, Vol. 11, EGU2009-8079, 2009, General Assembly of European Geosciences Union (EGU). Poster Session: Energy, resources & the environment. ERE2. Vienna, Austria. 19 - 24 April 2009. •Rinc´on, A., Jorba, O. y Baldasano, J.M. (2008). Validaci´on de una Simulaci´on Anual de irradiancia solar usando el Modelo Meteorol´ogico WRF para la pen´ınsula Ib´erica. Presentaci´on Oral en: XXX Jornadas Cient´ıficas de la Asociaci´on Espa˜nola de Meteorolog´ıa (AME), XII Congreso Latinoamericano e Ib´erico de Meteorolog´ıa: Agua y Cambio Clim´atico. Zaragoza, Espa˜na. 5 - 7 Mayo 2008. Revistas •Sicardi, V., Ortiz, J., Rinc´on, A., Jorba, O., Pay, M., Gass´o, S., Baldasano, J. (2012). Assessment of Kalman filter bias-adjustment technique to improve the simulation of ground-level ozone over Spain. Science of the Total Environment, (416):329–342. •Sicardi, V., Ortiz, J., Rinc´on, A., Jorba, O., Pay, M., Gass´o, S., Baldasano, J. (2011). Ground-level ozone concentration over Spain: an application of Kalman Filter post-processing to reduce model uncertainties. Geoscientific model development discussions, 4: 343-384. Informes •Rinc´on, A., Jorba, O., Serradell, K., Castrillo, M., L´opez, E. y Baldasano, J.M. (2012). Informes semestrals entre els anys 2006 i 2012 encaminats a l’actualizaci´o de l’Atlas de radiaci´o solar a Catalunya i el manteniment de la Xarxa Radiom´etrica de l’Institut Catal`a d’Energia de Catalunya. RS2006-1S a RS2012-2S. Universitat Polit`ecnica de Catalunya (UPC) - Institut Catal`a d’Energia (ICAEN). Barcelona, Espa˜na. •Baldasano, J.M., Jorba, O., Rinc´on, A., y L´opez, E. (2006). Atlas de radiaci´o solar a Catalunya 1971-2005. Document t`ecnic: ver- si´o preliminar. Actualitzaci´o de la versi´o publicada del Atlas de radiaci´o solar a Catalunya. Edici´o 2000. Universitat Polit`ecnica de Catalunya. Barcelona, Espanya. 122 pp. ´ INDICE GENERAL 2.2. Revisi´on bibliogr´afica de las metodolog´ıas de post-proceso . . . . . . . . 48 3. Zona de estudio y observaciones radiom´etricas 57 3.1. Zona geogr´afica de la pen´ınsula Ib´erica . . . . . . . . . . . . . . . . . . . 57 3.1.1. Climatolog´ıa peninsular . . . . . . . . . . . . . . . . . . . . . . . 59 3.1.2. Radiaci´on solar en la pen´ınsula Ib´erica . . . . . . . . . . . . . . . 62 3.1.3. Estaciones de la red radiom´etrica nacional de AEMET para Espa˜na 63 3.2. Zona geogr´afica de Catalu˜na . . . . . . . . . . . . . . . . . . . . . . . . . 66 3.2.1. Redes radiom´etricas de Catalu˜na . . . . . . . . . . . . . . . . . . 70 3.2.2. Control de calidad de las estaciones radiom´etricas para la zona geogr´afica de Catalu˜na . . . . . . . . . . . . . . . . . . . . . . . . 72 3.2.2.1. Filtraci´on por salida y puesta de Sol . . . . . . . . . . . 72 3.2.2.2. Implementaci´on de los l´ımites de control QCRad Testing 73 3.2.2.3. Validaci´on gr´afica de las componentes global y difusa . 73 3.3. Evaluaci´on de modelos de descomposici´on param´etrica para la estimaci´on de la componente directa . . . . . . . . . . . . . . . . . . . . . . . . 77 4. Evaluaci´on de la radiaci´on solar simulada por el modelo meteorol´ogico WRF-ARW 83 4.1. Modelo meteorol´ogico Weather Research and Forecasting . . . . . . . . 83 4.1.1. Par´ametros de evaluaci´on . . . . . . . . . . . . . . . . . . . . . . 86 4.2. Evaluaci´on de la simulaci´on de la radiaci´on solar global en la zona de estudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 4.2.1. Resultados de la evaluaci´on de la radiaci´on global diaria para Espa˜na . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 4.2.1.1. Desagregaci´on temporal del Root Mean Square Error . 92 4.2.2. Resultados de la evaluaci´on de la radiaci´on solar horaria para Catalu˜na . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 4.2.2.1. Desagregaci´on temporal del error de la GHI simulada para Catalu˜na . . . . . . . . . . . . . . . . . . . . . . . 98 4.2.2.2. Evaluaci´on de la GHI simulada en funci´on de la altitud, el´ındice de transparencia atmosf´erica y el ´angulo cenital solar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 4.3. Discusi´on de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . 105 5. Metodolog´ıas de post-proceso e interpolaci´on espacial 107 xiv ´ INDICE GENERAL 5.1. Descripci´on e implementaci´on de los post-procesos . . . . . . . . . . . . 107 5.1.1. Model Output Statistics . . . . . . . . . . . . . . . . . . . . . . . 109 5.1.1.1. Implementaci´on del post-proceso MOS . . . . . . . . . 109 5.1.2. Redes Neuronales Artificiales . . . . . . . . . . . . . . . . . . . . 116 5.1.2.1. Implementaci´on del post-proceso ANN . . . . . . . . . 117 5.1.3. Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 5.1.3.1. Implementaci´on del post-proceso KF . . . . . . . . . . . 124 5.1.4. M´etodo Recursivo . . . . . . . . . . . . . . . . . . . . . . . . . . 129 5.2. Evaluaci´on de las t´ecnicas de post-proceso . . . . . . . . . . . . . . . . . 133 5.2.1. Discusi´on de resultados . . . . . . . . . . . . . . . . . . . . . . . 139 5.2.2. Post-proceso combinado KF-MOS . . . . . . . . . . . . . . . . . 142 5.2.2.1. Resultados del post-proceso KF-MOS . . . . . . . . . . 146 5.3. Interpolaci´on espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 5.3.1. Implementaci´on de la interpolaci´on espacial . . . . . . . . . . . . 151 5.3.2. Evaluaci´on de la interpolaci´on espacial de la GHI, DNI y horas de Sol en la zona geogr´afica de Catalu˜na . . . . . . . . . . . . . . 154 6. Aplicaci´on y evaluaci´on en fase de pron´ostico 161 6.1. Descripci´on del sistema de pron´ostico . . . . . . . . . . . . . . . . . . . 161 6.2. Evaluaci´on del sistema de pron´ostico . . . . . . . . . . . . . . . . . . . . 165 6.2.1. Correcci´on de la radiaci´on global a trav´es del post-proceso KF-MOS166 6.2.2. Estimaci´on de la radiaci´on directa y las horas de Sol a trav´es del modelo param´etrico . . . . . . . . . . . . . . . . . . . . . . . . . 175 7. Conclusiones 181 7.1. Principales conclusiones de esta tesis . . . . . . . . . . . . . . . . . . . . 181 7.2. Propuestas de continuidad y recomendaciones . . . . . . . . . . . . . . . 185 Ap´endices 188 A. Aspectos y conceptos b´asicos de la radiaci´on solar 191 A.1. C´alculo de la posici´on solar . . . . . . . . . . . . . . . . . . . . . . . . . 191 A.2. Unidades de medida de la radiaci´on solar . . . . . . . . . . . . . . . . . 193 A.3. Interacci´on de la radiaci´on solar con la atm´osfera y la superficie terrestre 194 xv ´ INDICE GENERAL B. Estaciones radiom´etricas utilizadas por el estudio para Espa˜na en el a˜no 2004 201 C. Mapas de interpolaci´on espacial de la GHI simulada, GHI corregida, DNI estimada y horas de Sol para el 28 de abril del 2004 en Catalu˜na211 D. Metodolog´ıa para la detecci´on de nubes en im´agenes de sat´elite 223 E. Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de las estaciones radiom´etricas ICAEN para los d´ıas 6 y 7 de mayo del a˜no 2009 229 xvi ´ Indice de figuras 1.1. Cambios observados de la temperatura superficial a escala continental y mundial comparados con los resultados simulados mediante modelos clim´aticos que contemplan forzamientos naturales y antropog´enicos. . . 2 1.2. Distribuci´on energ´etica global con respecto al consumo anual de energ´ıa mundial, las reservas energ´eticas y la radiaci´on solar anual recibida sobre la superficie terrestre (Kjær, 2002). . . . . . . . . . . . . . . . . . . . . . 3 1.3. Evoluci´on de la capacidad el´ectrica mundial de energ´ıa solar fotovoltaica instalada (CEC, 2010). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4. a) Consumo final bruto (CFB) de energ´ıa primaria y b) Estructura de producci´on el´ectrica en Espa˜na para el a˜no 2010 (IDAE, 2011). . . . . . 5 1.5. Evoluci´on anual de la potencia instalada y acumulada en Espa˜na para a) energ´ıa solar fotovoltaica y b) energ´ıa solar termoel´ectrica (IDAE, 2011). 6 1.6. Distribuci´on espacial de la radiaci´on solar anual en Espa˜na (Ruiz et al., 2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.7. Principales caracter´ısticas del Supercomputador MareNostrum v.2 utilizado para generar las simulaciones del presente trabajo de investigaci´on. 12 1.8. Esquema del desarrollo de los objetivos que se plantean para el presente trabajo de investigaci´on. . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9. Estructura de las etapas de desarrollo del trabajo de investigaci´on. . . . 19 2.1. Interacci´on entre los diferentes procesos f´ısicos que considera un modelo meteorol´ogico NWP (Dudhia et al., 2001). . . . . . . . . . . . . . . . . . 33 2.2. Segmentaci´on de la atm´osfera para el c´alculo de la absorci´on a partir de la parametrizaci´on propuesta por Lacis y Hansen (1974). . . . . . . . . . 35 3.1. Situaci´on geogr´afica y descripci´on topogr´afica de la pen´ınsula Ib´erica. . 58 3.2. Mapa de la distribuci´on geogr´afica de la radiaci´on solar global media en kWh ·m2·d−1para la pen´ınsula Ib´erica en el periodo 1983-2005 (Sancho ´ Avila et al., 2012). . . . . . . . . . . . . . . . . . . . . . . . . . 62 xvii ´ INDICE DE FIGURAS 3.3. Distribuci´on geogr´afica de las estaciones radiom´etricas de AEMET en Espa˜na utilizadas por el estudio para el a˜no 2004. . . . . . . . . . . . . . 65 3.4. Descripci´on de la zona geogr´afica de Catalu˜na para: a) Principales sistemas morfoestructurales; b) Amplitud termom´etrica promedio anual en oC; c) Precipitaci´on promedio anual en mm y d) Irradiaci´on global promedio anual en MJ ·m−2·a−1(Clavero et al., 1997; Baldasano et al., 2006). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 3.5. Distribuci´on geogr´afica de las estaciones radiom´etricas de Catalu˜na utilizadas por el estudio para el a˜no 2004. . . . . . . . . . . . . . . . . . . . 71 3.6. Resultados de los c´alculos astron´omicos de las horas de salida y puesta del Sol para la estaci´on radiom´etrica de Barcelona en el a˜no 2004. . . . 73 3.7. Resultados del control de calidad para la irradiaci´on global y difusa diaria de la estaci´on radiom´etrica de Girona en el 2004 para a) Registros previos al control de calidad y b) Resultados posteriores al control de calidad. . 76 3.8. Comparaci´on de la radiaci´on solar directa anual estimada por los modelos de descomposici´on param´etrica para las estaciones radiom´etricas ICAEN. 81 4.1. Estructura del sistema de modelizaci´on del modelo meteorol´ogico Weather Research & Forecasting (Skamarock et al., 2005). . . . . . . . . . . . 84 4.2. Distribuci´on de la radiaci´on global diaria simulada y observada a trav´es de 24 estaciones radiom´etricas de AEMET en el a˜no 2004. . . . . . . . 90 4.3. a) Distribuci´on geogr´afica de la radiaci´on solar diaria simulada y b) Resultados del RMSE y el porcentaje de cubrimiento anual de las estaciones radiom´etricas de AEMET para el a˜no 2004 (Rinc´on et al., 2008). . . . . 91 4.4. Distribuci´on del RMSE en funci´on de las estaciones del a˜no y las zonas geogr´aficas peninsulares a partir de 24 estaciones radiom´etricas de AEMET (Rinc´on et al., 2008). . . . . . . . . . . . . . . . . . . . . . . . 94 4.5. Resultados de la desagregaci´on temporal de la radiaci´on solar acumulada por d´ıa para las estaciones radiom´etricas de AEMET en el a˜no 2004. . . 95 4.6. Distribuci´on de la GHI simulada y observada para 90 estaciones radiom´etricas para Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . 96 4.7. Diagrama de cajas de la GHI simulada (rect´angulos azules) y la GHI observada (rect´angulos grises) en 90 estaciones radiom´etricas para Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 4.8. Evaluaci´on temporal del error de la GHI simulada en relaci´on a 90 estaciones radiom´etricas para Catalu˜na en el a˜no 2004. . . . . . . . . . . . 99 4.9. Distribuci´on horaria del Bias y el RMSE para 90 estaciones radiom´etricas en Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . 100 xviii ´ INDICE DE FIGURAS 4.10. Diagrama de cajas por periodo estacional para la GHI simulada (rect´angulos azules) y observada (rect´angulos grises) para 90 estaciones radiom´etricas en Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . 100 4.11. Evaluaci´on de la GHI simulada en funci´on de la altitud para 90 estaciones radiom´etricas en Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . 102 4.12. Estimaci´on del Bias para la GHI simulada en 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . 104 5.1. Comportamiento de la GHI horaria y el Bias en funci´on de la correcci´on MOS del 10 al 25 de abril del 2004 para la estaci´on radiom´etrica de Barcelona. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.2. Distribuci´on de la GHI horaria simulada y corregida para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . 112 5.3. Diagramas de cajas de la GHI observada (rect´angulos grises), GHI simulada (rect´angulos azules) y GHI corregida (rect´angulos violeta) por el post-proceso MOS para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 5.4. Estimaci´on del Bias simulado (a, c y e) en comparaci´on al Bias corregido por el MOS (b, d y f) para las estaciones radiom´etricas de Barcelona, Lleida y Sort en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . 115 5.5. a) Esquema de una red neuronal artificial del tipo MLP b) Descripci´on del procesamiento de la informaci´on para una neurona artificial (Kalogirou, 2001). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 5.6. Entrenamiento de una red neuronal mediante los´ındices de transparencia atmosf´erica de las simulaciones y las observaciones para 7 d´ıas previos al 18 de abril del 2004 en la estaci´on radiom´etrica de Barcelona. . . . . 119 5.7. Distribuci´on de la GHI horaria simulada y corregida para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . 120 5.8. Diagrama de cajas de la GHI observada (rect´angulos grises), GHI simulada (rect´angulos azules) y GHI corregida (rect´angulos amarillos) por el post-proceso ANN para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 5.9. Comparaci´on de los pesos generalizados (GW) de las variables utilizadas en el proceso de entrenamiento del 18 de abril del 2004 en la estaci´on radiom´etrica de Barcelona (Intrator y Intrator, 2001). . . . . . . . . . . 122 5.10. Diagrama de flujo del funcionamiento del Filtro de Kalman (KF) (Delle Monache et al., 2006) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124 xix ´ INDICE DE FIGURAS 5.11. Optimizaci´on del ratio en funci´on del RMSE y el coeficiente de correlaci´on rpara diversas estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 5.12. Distribuci´on de la GHI simulada y corregida para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . 126 5.13. Diagrama de cajas de la GHI observada (rect´angulos grises), simulada (rect´angulos azules) y corregida (rect´angulos rojos) por el post-proceso KF para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . 128 5.14. Distribuci´on de GHI simulada y corregida para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . 130 5.15. Diagrama de cajas de la GHI observada (rect´angulos grises), simulada (rect´angulos azules) y corregida (rect´angulos verdes) por el post-proceso REC para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . 132 5.16. Resultados de la evaluaci´on temporal de las correcciones horarias entre las simulaciones y los post-procesos para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 5.17. Resultados de la evaluaci´on del Bias corregido por los post-procesos en funci´on del cos(SZA) y el ´ındice k∗ tpara 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . 138 5.18. Diagrama de Taylor para la comparaci´on de la GHI corregida por los post-procesos MOS y KF para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 5.19. a) Comparaci´on de la distribuci´on de GHI corregida por el post-proceso KF-MOS para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. b) Rango intercuartil horario para la GHI observada (rect´angulos grises) y corregida (rect´angulos azules) para 90 estaciones radiom´etricas en Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . 147 5.20. Evoluci´on diaria del error para la GHI corregida por el post-proceso combinado KF-MOS para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 5.21. Comparaci´on del error anual entre la GHI simulada y corregida en funci´on de la altitud para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149 5.22. Bias corregido por el post-proceso KF-MOS en funci´on del cos(SZA) y el ´ındice k∗ tpara 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. 150 5.23. Implementaci´on de la correcci´on espacial para la GHI simulada a las 12:00h del d´ıa 28 de abril del 2004 para Catalu˜na. . . . . . . . . . . . . 153 xx ´ INDICE DE FIGURAS 5.24. Interpolaci´on espacial a las 12:00h del d´ıa 28 de abril del 2004 en Catalu˜na para a) GHI simulada por el modelo WRF-ARW; b) GHI corregida por el post-proceso KF-MOS con 30 % de estaciones; c) GHI corregida por el post-proceso KF-MOS con 90 % de estaciones; d) DNI estimada por el modelo param´etrico de Macagnan y e) Contabilizaci´on de las horas de Sol acumuladas para el d´ıa 28 de abril del 2004. . . . . . . . . . . . 156 5.25. Im´agenes del sat´elite Meteosat de la zona geogr´afica de Catalu˜na para la observaci´on de la nubosidad a partir del a) canal visible y b) canal infrarrojo t´ermico a las 12:00h del d´ıa 28 de abril del 2004. . . . . . . . 160 6.1. Esquema del sistema de pron´ostico de radiaci´on solar para Espa˜na. . . . 163 6.2. Evaluaci´on diaria del error anual promedio de las estaciones radiom´etricas para la GHI horaria corregida por el post-proceso KF-MOS en el a˜no 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169 6.3. Resultados de la evaluaci´on horaria del post-proceso KF-MOS para 48 horas de pron´ostico del a˜no 2009. . . . . . . . . . . . . . . . . . . . . . . 170 6.4. Resultados de la evaluaci´on del Bias corregido por el post-proceso KFMOS en funci´on del cos(SZA) y el ´ındice k∗ tpara 48 horas de pron´ostico del a˜no 2009. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 6.5. Evoluci´on horaria de la GHI observada, la GHI simulada y la GHI corregida para los d´ıas 6 y 7 de mayo del a˜no 2009 en las estaciones radiom´etricas de a) Lleida, b) Sort, c) Barcelona y d) Girona. . . . . . . . 174 6.6. Evoluci´on horaria de la DNI estimada, la DNI calculada y las horas de Sol para las estaciones radiom´etricas de a) Lleida, b) Sort, c) Barcelona y d) Girona del 6 y 7 de mayo del a˜no 2009. . . . . . . . . . . . . . . . . 178 A.1. a) Espectro electromagn´etico en funci´on de la frecuencia en MHz y la longitud de onda (λ), y b) Radiaci´on solar espectral en W·m−2·nm−1 (Rohde, 2007; ASTM, 2012). . . . . . . . . . . . . . . . . . . . . . . . . 195 A.2. Representaci´on esquem´atica del balance radiativo del sistema Tierraatm´osfera y de los procesos atmosf´ericos asociados a la extinci´on atmosf´erica de la radiaci´on solar. . . . . . . . . . . . . . . . . . . . . . . . 199 B.1. Distribuci´on geogr´afica de las estaciones radiom´etricas de AEMET en Espa˜na utilizadas por el estudio para el a˜no 2004. . . . . . . . . . . . . . 202 B.2. Distribuci´on geogr´afica de las estaciones radiom´etricas de Catalu˜na utilizadas por el estudio para el a˜no 2004. . . . . . . . . . . . . . . . . . . . 204 C.1. Interpolaci´on espacial de la GHI simulada (6:00h a 13:00h) para el d´ıa 28 de abril del 2004 en Catalu˜na. . . . . . . . . . . . . . . . . . . . . . 212 xxi ´ INDICE DE FIGURAS C.2. Interpolaci´on espacial de la GHI simulada (14:00h a 18:00h) para el d´ıa 28 de abril del 2004 en Catalu˜na. . . . . . . . . . . . . . . . . . . . . . 213 C.3. Interpolaci´on espacial de la GHI corregida (6:00h a 13:00h) con el 30 % de las estaciones radiom´etricas para el d´ıa 28 de abril del 2004. . . . . . 214 C.4. Interpolaci´on espacial de la GHI corregida (14:00h a 18:00h) con el 30 % de las estaciones radiom´etricas para el d´ıa 28 de abril del 2004. . . . . . 215 C.5. Interpolaci´on espacial de la GHI corregida (6:00h a 13:00h) con el 90 % de las estaciones radiom´etricas para el d´ıa 28 de abril del 2004. . . . . . 216 C.6. Interpolaci´on espacial de la GHI corregida (14:00h a 18:00h) con el 90 % de las estaciones radiom´etricas para el d´ıa 28 de abril del 2004. . . . . . 217 C.7. Interpolaci´on espacial de la DNI estimada (6:00h a 13:00h) para el d´ıa 28 de abril del 2004 en Catalu˜na. . . . . . . . . . . . . . . . . . . . . . 218 C.8. Interpolaci´on espacial de la DNI estimada (14:00h a 18:00h) para el d´ıa 28 de abril del 2004 en Catalu˜na. . . . . . . . . . . . . . . . . . . . . . . 219 C.9. Interpolaci´on espacial de las horas de Sol estimadas (6:00h a 13:00h) para el d´ıa 28 de abril del 2004 en Catalu˜na. . . . . . . . . . . . . . . . 220 C.10.Interpolaci´on espacial de las horas de Sol estimadas (14:00h a 18:00h) para el d´ıa 28 de abril del 2004 en Catalu˜na. . . . . . . . . . . . . . . . 221 D.1. Clasificaci´on de los diferentes tipos de nubes en funci´on de la distribuci´on vertical. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225 D.2. Im´agenes de la pen´ınsula Ib´erica para la observaci´on de la nubosidad a partir del canal visible del sat´elite Meteosat a las a) 06:00h, b) 12:00h y c) 18:00h del d´ıa 28 de abril del 2004. . . . . . . . . . . . . . . . . . . . 226 D.3. Im´agenes de la pen´ınsula Ib´erica para la observaci´on de la nubosidad a partir del canal infrarrojo t´ermico del sat´elite Meteosat a las a) 06:00h, b) 12:00h y c) 18:00h del d´ıa 28 de abril del 2004. . . . . . . . . . . . . . 227 E.1. Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de la estaci´on radiom´etrica de Lleida del 6 y 7 de mayo del a˜no 2009. . . 230 E.2. Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de la estaci´on radiom´etrica de Sort del 6 y 7 de mayo del a˜no 2009. . . . 230 E.3. Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de la estaci´on radiom´etrica de Barcelona del 6 y 7 de mayo del a˜no 2009. 231 E.4. Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de la estaci´on radiom´etrica de Girona del 6 y 7 de mayo del a˜no 2009. . 231 xxii ´ Indice de tablas 2.1. Caracter´ısticas de diferentes tipos de modelos param´etricos. . . . . . . . 30 2.2. Caracter´ısticas de los principales modelos NWP y sus esquemas de transferencia radiativa. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.3. Trabajos desarrollados entorno a la evaluaci´on de la radiaci´on solar para modelos NWP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.4. Trabajos desarrollados entorno a la aplicaci´on de t´ecnicas de post-proceso para pron´osticos de radiaci´on solar de modelos NWP. . . . . . . . . . . 53 3.1. Tipos de clima de la pen´ınsula Ib´erica definidos en funci´on de la clasificaci´on K¨oppen-Geiner (Peel et al., 2007; AEMET-IM, 2011). . . . . . . 61 3.2. Niveles de control de calidad de la metodologia QCRad Testing implementados a las componentes global y difusa de las estaciones de la zona geogr´afica de Catalu˜na (Long y Dutton, 2002; Long y Shi, 2006, 2008). . 74 3.3. Resultados de la evaluaci´on anual de la radiaci´on solar directa estimada por los modelos de descomposici´on param´etrica a partir de las observaciones de radiaci´on global y difusa de las estaciones radiom´etricas ICAEN en Catalu˜na. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 4.1. Caracter´ısticas de las parametrizaciones utilizadas para la simulaci´on de radiaci´on solar en la zona de estudio. . . . . . . . . . . . . . . . . . . . . 86 4.2. Par´ametros de medida del error de la radiaci´on solar simulada por el modelo WRF-ARW para la zona de estudio. . . . . . . . . . . . . . . . . 88 4.3. Resultados de la evaluaci´on anual de la radiaci´on solar acumulada por d´ıa simulada para Espa˜na en el a˜no 2004 (Rinc´on et al., 2008). . . . . . 93 4.4. Resultados de la desagregaci´on temporal de la GHI simulada en relaci´on a 90 estaciones radiom´etricas para Catalu˜na en el a˜no 2004. . . . . . . . 98 5.1. Resultados de la evaluaci´on de la GHI corregida por los diferentes postprocesos para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. . 135 xxiii 1. INTRODUCCI ´ ON la potencia acumulada se mantuvo y para el 2010 se contaban con 3787 MW. Por otro lado, la energ´ıa solar termoel´ectrica posiciona a Espa˜na como potencia mundial con un significativo incremento de la potencia instalada desde la construcci´on de la primera planta comercial en el a˜no 2006 con 11 MW hasta el a˜no 2010 con 400 MW. Figura 1.5: Evoluci´on anual de la potencia instalada y acumulada en Espa˜na para a) energ´ıa solar fotovoltaica y b) energ´ıa solar termoel´ectrica (IDAE, 2011). En relaci´on a los costes de generaci´on de electricidad proveniente de la energ´ıa solar fotovoltaica y de la energ´ıa solar termoel´ectrica, es previsible que se mantengan los descensos desde el rango de 25 - 30 cBC/kWh en el a˜no 2010, hasta el rango de 10 - 13 cBC/kW h para el a˜no 2020 (IDAE, 2011). As´ı mismo, se prev´e una mejora de la eficiencia desde el rango actual de 10 - 14 %, hasta el rango esperado de 17 - 22 % para el a˜no 2020, al reducir entre 3 y 10 % los costes de producci´on por cada punto de eficiencia alcanzado para mejorar el potencial energ´etico de las tecnolog´ıas de conversi´on solar. La tecnolog´ıa solar fotovoltaica depende de la conversi´on en electricidad de la potencia incidente por unidad de ´area, denominada irradiancia horizontal global (Global Horizontal Irradiance, GHI). As´ı mismo, la tecnolog´ıa solar fotovoltaica de concentraci´on y la tecnolog´ıa solar termoel´ectrica dependen de la concentraci´on del calor generado por los rayos solares para alimentar un ciclo termodin´amico y producir electricidad. La fracci´on de luz susceptible de ser concentrada para un plano normal al vector posici´on del Sol, es la componente directa de la radiaci´on solar, denominada irradiancia normal directa (Direct Normal Irradiance, DNI)1. 1La definici´on de los componentes de la radiaci´on solar y sus instrumentos de medida se presentan en el ap´endice A.3 (tabla A.1). 6 1.1 Marco General La figura 1.6 presenta la distribuci´on espacial de la radiaci´on solar integrada para un a˜no en Espa˜na. Se observa una significativa disponibilidad espacial del potencial energ´etico entre el Centro-Este y el Sur peninsular, tanto para la componente global (figura 1.6a), como para la componente directa (figura 1.6b). La distribuci´on espacial m´as heterog´enea de la directa con respecto a la global, es ocasionada por la variabilidad asociada a la topograf´ıa, a los cambios producidos por la nubosidad y los componentes presentes en la atm´osfera. Por lo tanto, la disponibilidad energ´etica promedio de 1600 kWh ·m−2·a−1de radiaci´on global y de 1850 kWh ·m−2·a−1de radiaci´on directa, representa un potencial de 23925 TWhal a˜no (Ruiz et al., 2011). Esta cantidad implica m´as de 90 veces el consumo el´ectrico anual de Espa˜na. Figura 1.6: Distribuci´on espacial de la radiaci´on solar anual en Espa˜na (Ruiz et al., 2011). a) Radiaci´on global anual en kW h ·m−2·a−1y b) Radiaci´on directa anual en kW h ·m−2·a−1. La metodolog´ıa de c´alculo realiza una estimaci´on de la radiaci´on solar con una resoluci´on espacial de 5kmx5km. En relaci´on con lo expuesto, el mayor reto para el futuro lo representa la integraci´on de la energ´ıa solar dentro de las infraestructuras de generaci´on de energ´ıa el´ectrica existente (Heinemann et al., 2006b). La fluctuaci´on de la energ´ıa el´ectrica que proviene del recurso solar en comparaci´on con la electricidad generada convencionalmente, origina una producci´on intermitente debido a la dependencia con los patrones meteorol´ogicos. Sin embargo, a partir de la experiencia obtenida con la energ´ıa e´olica para los pron´osticos de velocidad del viento, la informaci´on de la energ´ıa solar disponible con cierta antelaci´on podr´ıa mejorar aspectos como la gesti´on de las redes el´ectricas, la programaci´on de la producci´on de centrales el´ectricas solares o convencionales, el dise˜no de nuevas pol´ıticas y m´as aun, facilitar la toma de decisiones en el mercado 7 1. INTRODUCCI ´ ON energ´etico (Saintcross et al., 2005; IEA, 2007; Wittmann et al., 2008). En definitiva, la predicci´on de la energ´ıa solar podr´ıa mejorar la integraci´on de los rendimientos solares al reducir los costes, incrementar su participaci´on en la generaci´on el´ectrica y sobre todo, disminuir la concentraci´on de gases con efecto invernadero en la atm´osfera. 1.2. Justificaci´on La necesidad de incrementar la utilizaci´on de la energ´ıa solar como fuente de generaci´on el´ectrica, requiere del conocimiento espacial y temporal de la radiaci´on solar disponible en la superficie terrestre. Dicho requerimiento surge como consecuencia a que la cantidad de radiaci´on solar, se encuentra condicionada por una serie de factores que ocasionan su variabilidad. En este sentido, los factores m´as relevantes son: las condiciones astron´omicas y temporales,las condiciones geogr´aficas ylas condiciones atmosf´ericas. Las condiciones astron´omicas y temporales se refieren a la variabilidad en la intensidad de la radiaci´on ocasionada principalmente por movimientos de rotaci´on y traslaci´on de la Tierra alrededor del Sol. De este modo, las variaciones en la constante solar ocasionadas por las fluctuaciones de las manchas solares, la actividad magn´etica solar, los cambios en la distancia Tierra-Sol ocasionados por la excentricidad de la ´orbita terrestre, y el movimiento de precesi´on de los equinoccios que ocasionan las variaciones estacionales, representan el 88 % de la variabilidad de la radiaci´on solar (Foukal y Lean, 1988). Por su parte, las condiciones geogr´aficas se refieren al comportamiento clim´atico del lugar de incidencia y se caracterizan por la altitud, latitud, longitud y orograf´ıa del lugar. Cabe mencionar que la regi´on ecuatorial recibe del Sol m´as energ´ıa promedio en relaci´on a la regi´on polar. A trav´es del transporte meridional de energ´ıa del Ecuador hacia las latitudes altas, se compensa el equilibrio energ´etico con los polos, donde a unos 35ode latitud, el 90 % lo transporta la atm´osfera en forma de calor y energ´ıa, y el 10 % restante es transportado por las corrientes oce´anicas (Casas y Alarc´on, 1999). Finalmente, las condiciones atmosf´ericas establecidas por la interacci´on de las masas de aire de origen mar´ıtimo o continental, con sus diferentes propiedades ´opticas dadas por el contenido de aerosoles, vapor de agua, nubes, concentraci´on de di´oxido de carbono (CO2) y ozono (O3), influyen significativamente en el balance radiativo de la Tierra. El efecto filtro producido por los procesos atmosf´ericos como la absorci´on o la dispersi´on 8 1.2 Justificaci´on atmosf´erica (scattering), ocasiona la atenuaci´on o extinci´on atmosf´erica de la radiaci´on solar1. Como consecuencia de la variabilidad de la radiaci´on solar, el mecanismo establecido para mejorar la calidad de esta informaci´on y controlar su fluctuaci´on espacio-temporal lo representa la predicci´on meteorol´ogica de la radiaci´on solar. A diferencia de la energ´ıa e´olica, la predicci´on de la radiaci´on solar a´un se encuentra en etapa de desarrollo, m´as a´un en la aplicaci´on del pron´ostico y su implementaci´on en la gesti´on de la energ´ıa el´ectrica (Lara-Fanego et al., 2011). Las contribuciones cient´ıficas hacen referencia a los diferentes enfoques para la predicci´on de la radiaci´on en funci´on del alcance temporal requerido, desde escalas de tiempo que var´ıan de menos de una hora hasta varios d´ıas (Heinemann et al., 2006a). Para predicciones de tiempo muy cortas (nowcasting), los sat´elites de ´ultima generaci´on ofrecen una mayor precisi´on en im´agenes de alta calidad, que detectan las nubes con una resoluci´on temporal de hasta 15 minutos. Esta metodolog´ıa hace posible extrapolar el campo de radiaci´on a trav´es del movimiento de las nubes con una antelaci´on de hasta 6 horas (Hammer et al., 1999; Heinemann et al., 2006a; Zarzalejo et al., 2009). Por otra parte, Mellit y Pavan (2010) y Changsong et al. (2011), proponen t´ecnicas estad´ısticas para el pron´ostico con un m´aximo de 24 horas. No obstante, la base del pron´ostico de la radiaci´on solar para aplicaciones energ´eticas con un alcance temporal de 48 horas, lo representan los modelos num´ericos de predicci´on meteorol´ogica del tiempo o conocidos en Ingl´es como Numerical Weather Prediction (IEA, 2007; Lorenz et al., 2009a). Los modelos NWP son una representaci´on computacional f´ısica y din´amica de la atm´osfera y de la superficie terrestre, que plantean un conjunto de principios de conservaci´on de la masa, del momento y de la energ´ıa, que gobiernan el estado atmosf´erico respecto a un sistema de coordenadas cartesianas discretas (Pielke, 1984). Por lo tanto, la modelizaci´on de la radiaci´on solar en los modelos NWP se realiza a trav´es de un conjunto de ecuaciones que expresan las interacciones f´ısicas que ocurren entre la energ´ıa radiante y el sistema Tierra-Atm´osfera. Los modelos resuelven estas interacciones a trav´es de esquemas expl´ıcitos de transferencia radiativa. Para tal efecto, est´an condicionados por una potencia de c´alculo suficiente para predecir la energ´ıa solar superficial en una amplia ´area geogr´afica con elevadas resoluciones temporales y espaciales. Los estudios que eval´uan la radiaci´on solar simulada por los modelos NWP, incluyen a Armstrong (2000) y Zamora et al. (2003, 2005) que realizan una evaluaci´on del modelo 1En el ap´endice A.3 se presentan en detalle los factores que afectan la interacci´on de la radiaci´on solar con la atm´osfera y la superficie terrestre. 9 1. INTRODUCCI ´ ON MM5 (Grell et al., 1998) para Estados Unidos, usando resoluciones temporales horarias y espaciales de 36 a 12 km. Heinemann et al. (2006a) eval´uan las simulaciones del modelo MM5 en Alemania con una resoluci´on temporal de 1 a 3 horas y espacial de 3 a 150 km. Diferentes estudios que investigan la optimizaci´on de modelos NWP para la simulaci´on de la radiaci´on solar se presentan en Girodo (2006). Por su parte, Lorenz et al. (2009b) eval´uan las simulaciones para una serie de modelos NWP en Europa con resoluciones temporales de 1 a 6 h y espaciales de 5 a 100 km. Mientras que Remund et al. (2008) y Perez et al. (2009), realizan un estudio similar para Estados Unidos con resoluciones temporales de 1 a 3 h y espaciales de 9 a 11 km. En general, se observa una sobrestimaci´on sistem´atica de las simulaciones al incrementar la resoluci´on espacial de los modelos NWP, debido a la compleja microf´ısica de las nubes (altura y propiedades ´opticas), y a una especificaci´on incorrecta del espesor ´optico de los aerosoles. Para hacer frente a dichas limitaciones se han propuesto diversas metodolog´ıas de post-proceso, que interpretan objetivamente las variables de las simulaciones con las variables observadas (Kalman, 1960; Glahn y Lowry, 1972; Bishop, 1995). En concreto, trabajos como los desarrollados por Guarnieri et al. (2008), Lorenz et al. (2009a), Mathiesen y Kleissl (2011) o Pelland et al. (2011), representan los avances m´as recientes entorno a la aplicaci´on de la metodolog´ıa para pron´osticos de radiaci´on solar global en modelos NWP. Esta metodolog´ıa mejora notablemente los errores sistem´aticos de las predicciones no expl´ıcitamente previstas por los modelos. En cuanto a la estimaci´on de la radiaci´on directa, los esquemas implementados en la mayor´ıa de los modelos NWP no ofrecen un pron´ostico espec´ıfico de dicha componente (Lara-Fanego et al., 2011). No obstante, Breitkreuz et al. (2009) proponen el modelo AFSOL para pron´osticos de la componente directa que combina la informaci´on proporcionada por un modelo NWP, un modelo de calidad del aire y datos de teledetecci´on. Una evaluaci´on y comparaci´on de los pron´osticos de las componentes global y directa es presentada por Wittmann et al. (2008). Por su parte, Lara-Fanego et al. (2011) eval´uan la aplicaci´on de un post-proceso para estimar radiaci´on directa a partir de salidas del modelo WRF (contenido de vapor de agua y transmitancia de nubes de agua y hielo) y productos de sat´elite (aerosoles y ozono) en diversas estaciones radiom´etricas en Andaluc´ıa, Espa˜na. En base a lo anterior, el presente trabajo de investigaci´on se enfoca en el desarrollo de un sistema de pron´ostico de radiaci´on solar a partir de las simulaciones del modelo meteorol´ogico Advanced Research of Weather Research and Forecasting (WRF-ARW, v3.0.1.1) (Skamarock et al., 2008; Michalakes et al., 2004), las correcciones derivadas de 10 1.2 Justificaci´on t´ecnicas de post-proceso y las estimaciones de radiaci´on directa a partir de un modelo param´etrico. El modelo meteorol´ogico de meso-escala WRF-ARW representa el desarrollo de un proyecto planteado por el National Center of Atmospheric Research (NCAR) y el National Centers for Environmental Prediction (NCEP) de Estados Unidos. Actualmente, el WRF-ARW incorpora los ´ultimos avances en modelizaci´on meso-escalar y es el modelo de referencia a nivel mundial. En definitiva, el desarrollo de un sistema de pron´ostico de radiaci´on solar con un alcance temporal a corto plazo (48 horas), constituye un importante potencial que podr´ıa ayudar a satisfacer los requerimientos de una mayor integraci´on de la energ´ıa solar en la infraestructura de un sistema el´ectrico convencional. 1.2.1. Soporte computacional El grupo de investigaci´on de Ciencias de la Tierra donde se realiza esta investigaci´on, cuenta con el soporte del Supercomputador MareNostrum1. El MareNostrum se establece en Barcelona en el a˜no 2005, a partir de un acuerdo entre el Gobierno espa˜nol e IBM. En el primer a˜no de funcionamiento se posiciona como el supercomputador m´as potente de Europa y el cuarto a nivel mundial. Seg´un TOP500 List (Meuer, 2012), en noviembre del 2012 se posiciona como el No36 en el mundo y el No12 en Europa (www.top500.org). La relevancia de llevar a cabo las simulaciones de radiaci´on solar con el MareNostrum, radica en la significativa reducci´on del tiempo de c´alculo debido al incremento de la potencia computacional empleada para una amplia extensi´on y complejidad geogr´afica. En consecuencia, las principales caracter´ısticas del MareNostrum v.2 utilizado para realizar las simulaciones del presente estudio se muestran en la figura 1.7. 1Gestionado por el Barcelona Supercomputing Center - Centro Nacional de Supercomputaci´on (BSC-CNS), (www.bsc.es) 11 1. INTRODUCCI ´ ON Figura 1.7: Principales caracter´ısticas del Supercomputador MareNostrum v.2 utilizado para generar las simulaciones del presente trabajo de investigaci´on. Es gestionado por el Barcelona Supercomputing Center - Centro Nacional de Supercomputaci´on (BSC-CNS). En el ´ultimo trimestre del a˜no 2012 ha sido actualizado a Marenostrum v.3 con una capacidad de c´alculo de 1 Petaflop (www.bsc.es). 1.2.2. Antecedentes del grupo de investigaci´on El presente trabajo de investigaci´on se desarrolla en el Barcelona Supercomputing Center - Centro Nacional de Supercomputaci´on (BSC-CNS), en el grupo de investigaci´on de Ciencias de la Tierra dirigido por el Dr. Jos´e Mar´ıa Baldasano Recio y en la l´ınea de modelizaci´on meteorol´ogica dirigida por el Dr. Oriol Jorba Casellas. Los trabajos previos desarrollados en el Laboratorio de Modelizaci´on Ambiental de la Universidad Polit´ecnica de Catalu˜na (LMA-UPC) forman parte de las investigaciones entorno a la radiaci´on solar y la modelizaci´on meteorol´ogica en el grupo. Desde el a˜no 1987, el Laboratorio de Modelizaci´on Ambiental de la UPC ha venido desarrollando para el Institut Catal`a d’Energia (ICAEN) del Departament d’Ind´ustria i Energia de la Generalitat de Catalunya, las diferentes versiones del Atlas de Radiaci´o Solar a Catalunya (Baldasano et al., 1992, 1996, 2001, 2004) y (Baldasano et al., 2006). El tratamiento de los datos implementa la metodolog´ıa basada en el an´alisis de los arm´onicos de las series de Fourier, lo que permite disponer de una ecuaci´on representativa de un a˜no tipo para la estimaci´on de la radiaci´on global. A este respecto, Coronas y Baldasano (1984) validan la metodolog´ıa que se utiliza con los datos de ra- 12 1.2 Justificaci´on diaci´on global diaria de Barcelona, para posteriormente ser aplicada para toda Espa˜na (Baldasano et al., 1988) y Catalu˜na (Cremades y Baldasano, 1990). Las diferentes versiones del Atlas de Radiaci´o Solar a Catalunya, utilizan series hist´oricas de datos de radiaci´on global diaria procedentes de diversas estaciones radiom´etricas. La primera versi´on de este estudio corresponde a Baldasano et al. (1992), el cual contiene datos procedentes de 22 estaciones para el periodo 1964 - 1989. En Baldasano et al. (1996) se ampl´ıa el periodo hasta el a˜no 1993 con 65 estaciones. Posteriormente, en una tercera versi´on Baldasano et al. (2001) se extiende hasta el a˜no 1997 con 83 estaciones. Finalmente, Baldasano et al. (2004) y Baldasano et al. (2006) presentan la ´ultima actualizaci´on del Atlas que totaliza la serie temporal hist´orica hasta el a˜no 2005 con la utilizaci´on de 203 estaciones. Las contribuciones previas con respecto a las metodolog´ıas que incluyen la utilizaci´on de sat´elites corresponden a Flores (2002) y Flores y Baldasano (2001c), con el desarrollo de una t´ecnica para la obtenci´on de mapas de radiaci´on global diaria para Catalu˜na, mediante un modelo estad´ıstico e im´agenes procedentes del sat´elite NOAA-AVHRR. El modelo estad´ıstico es calibrado con im´agenes y datos de estaciones radiom´etricas para el a˜no 1998 (Flores y Baldasano, 2001a). Posteriormente, Flores y Baldasano (2001b), Flores et al. (2002) y Baldasano et al. (2003) presentan el Atlas de Radiaci´on Solar de las Islas Baleares mediante im´agenes de Sat´elite. Finalmente, Vera (2005) desarrolla el Atlas clim´atico de irradiaci´on solar para la Pen´ınsula Ib´erica con una resoluci´on espacial de 1 km a partir de un modelo estad´ıstico e im´agenes del sat´elite NOAAAVHRR para el periodo 1998-2002. La modelizaci´on meteorol´ogica dentro del grupo de investigaci´on, inicia con el desarrollo de un modelo de pron´ostico meteorol´ogico espec´ıfico (PROMETEO) para el ´area geogr´afica de Barcelona (Calb´o, 1993; Calb´o y Baldasano, 1995). En este sentido, el modelo resuelve las ecuaciones de las principales variables atmosf´ericas como la temperatura, el viento y la energ´ıa cin´etica turbulenta. Posteriormente, Soriano et al. (2001) profundiza en el conocimiento de las circulaciones atmosf´ericas y propone un patr´on de recirculaci´on de los contaminantes atmosf´ericos con la aplicaci´on de la modelizaci´on num´erica y medidas LIDAR para una situaci´on de brisa de mar en un d´ıa de verano para el ´area metropolitana de Barcelona. Finalmente, Jorba (2005) aplica el modelo de pron´ostico meteorol´ogico MM5 (Grell et al., 1995, 1998) para describir los campos de vientos para la pen´ınsula Ib´erica y el ´area geogr´afica de Catalu˜na con una elevada resoluci´on (2kmx2km, 1h). Esta contribuci´on establece una evaluaci´on del modelo MM5 13 1. INTRODUCCI ´ ON tanto en superficie como en altitud, para los vientos y la temperatura del aire a trav´es de radio-sondeos. Ante lo expuesto anteriormente, el presente trabajo de investigaci´on buscar dar continuidad a las contribuciones previas del grupo, al establecer un vinculo entre los trabajos desarrollados entorno a la radiaci´on solar y los trabajos que aplican la modelizaci´on meteorol´ogica. 1.3. Objetivos Objetivo Principal: Desarrollar un sistema de pron´ostico de radiaci´on solar a corto plazo de alta resoluci´on espacial y temporal (4kmx4km, 1h), mediante simulaciones de un modelo meteorol´ogico y t´ecnicas de post-proceso para Espa˜na. Objetivos espec´ıficos: 1. Evaluar una simulaci´on anual de la radiaci´on solar global del modelo meteorol´ogico WRF-ARW. •Identificar los errores sistem´aticos de la simulaci´on anual en funci´on del comportamiento espacial, temporal y las condiciones atmosf´ericas en la zona geogr´afica de la pen´ınsula Ib´erica. 2. Evaluar las metodolog´ıas de post-proceso para corregir el error sistem´atico de la simulaci´on del modelo meteorol´ogico. •Comparar los resultados de diferentes t´ecnicas de post-proceso a partir del comportamiento espacial, temporal y las condiciones atmosf´ericas en la zona geogr´afica de Catalu˜na (Noreste de la pen´ınsula Ib´erica). 3. Estimar la radiaci´on directa y las horas de Sol a partir de la radiaci´on global corregida por el post-proceso. •Evaluar diferentes modelos de descomposici´on param´etrica a partir de las observaciones de radiaci´on global y radiaci´on difusa en Catalu˜na. 4. Realizar una interpolaci´on espacial de la radiaci´on global corregida por el post-proceso y de la radiaci´on directa estimada por el modelo param´etrico. •Evaluar la interpolaci´on espacial en funci´on de la distribuci´on geogr´afica para un periodo concreto del a˜no 2004 en Catalu˜na. 5. Realizar la aplicaci´on y la evaluaci´on del sistema de pron´ostico de radiaci´on solar a partir de pron´osticos de 48h en un a˜no. 14 1.3 Objetivos A continuaci´on se presenta una descripci´on de los objetivos espec´ıficos del presente trabajo de investigaci´on, los cuales se esquematizan en la figura 1.8. 1.3.1. Evaluaci´on de una simulaci´on anual de la radiaci´on solar global del modelo meteorol´ogico WRF-ARW La evaluaci´on de una simulaci´on anual de radiaci´on solar global del modelo meteorol´ogico WRF-ARW, se realiza a partir de las observaciones de estaciones radiom´etricas en la zona geogr´afica de estudio. La simulaci´on en modo diagn´ostico para el a˜no 20041, se analiza en funci´on de las tendencias espacio-temporales y de las condiciones atmosf´ericas para identificar los errores sistem´aticos de la simulaci´on. Por lo tanto, este objetivo establece el punto de partida para la aplicaci´on y la evaluaci´on de las metodolog´ıas de post-proceso que busca mejorar los pron´osticos de radiaci´on global del modelo meteorol´ogico. 1.3.2. Evaluaci´on de las metodolog´ıas de post-proceso para la correcci´on del error sistem´atico del modelo meteorol´ogico Este objetivo busca implementar y evaluar diferentes t´ecnicas de post-proceso, que interpretan objetivamente las variables de pron´ostico del modelo y las variables observadas para corregir el error sistem´atico y mejorar las predicciones. En base a la revisi´on bibliogr´afica, las t´ecnicas de post-proceso utilizadas son: Model Output Statistics (MOS; Glahn y Lowry (1972)), Redes Neuronales Artificiales (Artificial Neural Networks, ANN; Bishop (1995)), el Filtro de Kalman (Kalman Filter, KF; Kalman (1960)) y el M´etodo Recursivo (RECursive method, REC; Boi (2004)). La evaluaci´on de las t´ecnicas se realiza a partir de la comparaci´on de los errores sistem´aticos corregidos por los post-procesos a trav´es de diversas estaciones radiom´etricas en la zona geogr´afica de Catalu˜na. Los resultados de las correcciones se comparan a partir del comportamiento temporal y las condiciones atmosf´ericas para el a˜no 2004. Finalmente, de acuerdo a los resultados de la evaluaci´on se propone una t´ecnica combinada de post-proceso para corregir las simulaciones de la radiaci´on global del modelo meteorol´ogico. 1La simulaci´on en modo diagn´ostico es una identificaci´on del estado de la atm´osfera mediante an´alisis para condiciones iniciales y de contorno cada 6 horas. La resoluci´on espacial de dichos an´alisis es de 1ox1o(110 km aproximadamente en las latitudes del dominio de trabajo) y el alcance temporal de la simulaci´on es de 24 horas. 15 1. INTRODUCCI ´ ON 22 Cap´ıtulo 2 Modelizaci´on de la radiaci´on solar El siguiente cap´ıtulo presenta una revisi´on bibliogr´afica respecto a la modelizaci´on de la radiaci´on solar y las metodolog´ıas de post-proceso. El primer apartado presenta los diferentes modelos de estimaci´on de la radiaci´on, donde se incluyen los modelos param´etricos y los modelos de pron´ostico meteorol´ogico. El segundo apartado expone la revisi´on de las metodolog´ıas de post-proceso utilizadas para mejorar las estimaciones de la radiaci´on solar en los modelos de pron´ostico meteorol´ogico. 2.1. Modelos de estimaci´on de la radiaci´on solar La estimaci´on de la energ´ıa solar que llega a la superficie terrestre depende de la atenuaci´on o extinci´on atmosf´erica ocasionada por las nubes, los aerosoles, el vapor de agua, el di´oxido de carbono, el ozono y los dem´as componentes presentes en la atm´osfera. La literatura presenta modelos de estimaci´on de radiaci´on solar aplicados en diferentes latitudes y para diversas resoluciones espaciales, temporales y espectrales. En este apartado se presentan los modelos en funci´on de su grado de complejidad. Inicialmente, se describen los modelos param´etricos de cielo claro que estiman la radiaci´on a trav´es de un estado atmosf´erico te´orico que se define mediante par´ametros atmosf´ericos o informaci´on meteorol´ogica disponible. Posteriormente, a trav´es de diferentes modelos num´ericos de pron´ostico meteorol´ogico (Numerical Weather Prediction, NWP) se profundiza en los principales esquemas de transferencia radiativa, que 23 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR realizan una estimaci´on de la absorci´on y difusi´on causada por los componentes atmosf´ericos. Se hace referencia a los esquemas de transferencia radiativa de onda larga (p.e. RRTM-LW y GFDL-LW ) y los esquemas de transferencia radiativa de onda corta (p.e. RRTM-SW, GFDL-SW, MM5-SW, MCRad y Goddard-SW ). Finalmente, se presenta una revisi´on de diferentes trabajos que eval´uan la fiabilidad de los esquemas de transferencia radiativa. 2.1.1. Modelos param´etricos La estimaci´on de la radiaci´on solar mediante la aplicaci´on de par´ametros atmosf´ericos, se basa en el desarrollo de algoritmos matem´aticos que modelizan la radiaci´on que llega a la superficie terrestre en funci´on de la informaci´on meteorol´ogica disponible. Por una parte, se cuenta con los modelos param´etricos que requieren de un elevado grado de informaci´on meteorol´ogica para estimar la extinci´on atmosf´erica, y por otra parte se hallan los modelos que utilizan el m´etodo de correlaciones param´etricas que no requieren de un nivel muy detallado de informaci´on meteorol´ogica. A continuaci´on se detallan los modelos de tipo param´etrico aplicados para el desarrollo de la tesis. En concreto, se presentan los modelos param´etricos de cielo claro y los modelos de descomposici´on param´etrica. 2.1.1.1. Modelos de cielo claro Los modelos de cielo claro se basan en parametrizaciones para d´ıas despejados o con poca nubosidad, los cuales debido a su simplicidad se utilizan para un gran n´umero de aplicaciones. Entre los modelos m´as importantes destaca el modelo de cielo claro del ESRA (European Solar Radiation Atlas) (Rigollier et al., 2000), el cual aplica un m´etodo de parametrizaci´on para la radiaci´on solar global a partir de la determinaci´on independiente de la radiaci´on solar directa y la radiaci´on solar difusa para un cielo claro; la parametrizaci´on de la componente directa utiliza el modelo de Page (1996), y el modelo propuesto por Dumortier (1996) se emplea para parametrizar la componente difusa. Dichas parametrizaciones dependen principalmente de la extinci´on atmosf´erica dada por un ´unico par´ametro: el coeficiente de turbiedad de Linke (Linke, 1922). El coeficiente de turbiedad de Linke se mide experimentalmente y se utiliza con frecuencia para caracterizar el grado de transparencia de la atm´osfera. Por lo tanto, se define como el n´umero de atm´osferas limpias y secas necesarias para obtener la extinci´on equivalente observada en la atm´osfera real. El coeficiente de turbiedad de 24 2.1 Modelos de estimaci´on de la radiaci´on solar Linke combina los procesos atmosf´ericos m´as atenuantes, principalmente la extinci´on ocasionada por los aerosoles y la absorci´on del vapor de agua. El coeficiente de Linke se calcula a partir de medidas de la componente directa espectral en superficie (Kasten, 1980; Louche et al., 1986; Polo et al., 2009). El modelo de cielo claro de Ineichen y Perez (2002) depende de la altitud geogr´afica y de las variaciones en la transparencia atmosf´erica debido a los aerosoles, el ozono y el vapor de agua. En la siguiente ecuaci´on, se presenta la estimaci´on de la radiaci´on solar global para el modelo de cielo claro de Ineichen (GHImodC ). GHImodC =a1·I0·sen(h)·exp(−a2·AM1.5·(fh1+fh2−(TL−1))) (2.1) Donde, I0es la irradiancia recibida por una superficie plana tangente a la superficie terrestre (ecuaci´on A.3 del ap´endice A), hrepresenta el ´angulo de elevaci´on con respecto a la altura del Sol (el sen(h) es equivalente al vector posici´on del Sol dado por el cos(SZA)), el AM1.5 (Air Mass)1es la masa ´optica del aire igual a 1.5 atm´osferas, TL es el valor promedio mensual del coeficiente de turbiedad de Linke, calculado a trav´es de la base de datos del SoDa Service para una resoluci´on espacial de 8 km (Remund et al., 2003; SoDa, 2011). Adicionalmente, los par´ametros a1,a2,fh1yfh2constituyen una funci´on de la altitud geogr´afica (φ) y se expresan mediante las ecuaciones 2.2, 2.3, 2.4 y 2.5, respectivamente. a1= 5.09 ·10−5·φ+ 0.868 (2.2) a2= 3.92 ·10−5·φ+ 0.0387 (2.3) fh1= exp( −φ 8000) (2.4) fh2= exp( −φ 1250) (2.5) 1La masa relativa del aire (AM) es una medida de la longitud de la trayectoria ´optica de la radiaci´on solar incidente relativa al ´angulo cenital normal a la atm´osfera terrestre. Kasten y Young (1989) proponen una aproximaci´on del coeficiente de la masa relativa del aire en funci´on del ´angulo cenital solar (SZA), donde: AM0 se refiere a la masa de aire fuera de la atm´osfera igual a cero, AM1 (SZA=0o) es el valor de 1 atm´osfera a nivel del mar (latitud ecuatorial), AM1.5 (SZA=48.2o)representa un espesor ´optico anual promedio de 1.5 atm´osferas para latitudes medias, y AM2 (SZA=60o)es el espesor ´optico anual promedio de 2 atm´osferas para latitudes altas. El valor del AM se emplea para estimar el rendimiento global promedio de los paneles solares fotovoltaicos instalados en diferentes latitudes. 25 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR 2.1.1.2. Modelos de descomposici´on param´etrica La escasa disponibilidad de series temporales para medidas de radiaci´on directa ha generado el desarrollo de diversos ajustes y correlaciones a partir de la disponibilidad de otras componentes como la radiaci´on global o la radiaci´on difusa. La literatura al respecto presenta modelos param´etricos que descomponen estas componentes mediante las condiciones atmosf´ericas del cielo dadas por el ´ındice de transparencia atmosf´erica (kt) y el vector posici´on del Sol representado por el cos(SZA). En consecuencia, la estimaci´on de la componente directa se realiza a trav´es de modelos de descomposici´on para rangos temporales concretos, desde promedios mensuales y diarios hasta estimaciones horarias o minutales. Los modelos de descomposici´on se basan en correlaciones adimensionales que calculan la transmitancia directa (kb) o la fracci´on de la componente difusa (kd), a partir de la interacci´on con el ´ındice kty el cos(SZA). Seg´un la revisi´on realizada por CIEMAT (2008), en relaci´on al nivel de complejidad se pueden distinguir tres tipos de modelos de descomposici´on: Tipo I (modelos tipo Liu y Jordan (1960)): Proponen una relaci´on lineal simple a partir del ´ındice kt. Tipo II (modelos compuestos): Plantean una relaci´on lineal entre la fracci´on de difusa (kd) y las variables independientes: kty cos(SZA). Tipo III (modelos polin´omicos): Establecen una relaci´on polin´omica de cuarto orden entre la fracci´on de difusa (kd) y el kt. Los modelos de descomposici´on se fundamentan en la correlaci´on existente entre las componentes global (GHI), difusa (DI) y directa (DNI) (ecuaci´on A.9). Dicha correlaci´on se expresa en funci´on de la DNI de la siguiente manera. DNI =GHI ·(1 −kd) cos(SZA)(2.6) Donde, cos(SZA) es el coseno del ´angulo cenital solar (ecuaci´on A.4) y kdes la fracci´on de la componente difusa definida por la ecuaci´on 2.7. kd=DI GHI (2.7) Los modelos param´etricos que descomponen la radiaci´on global y difusa para la estimaci´on de la directa mediante las relaciones anteriores, se clasifican en dos grupos: 26 2.1 Modelos de estimaci´on de la radiaci´on solar los modelos kb−kty los modelos kd−kt. Los modelos kb−ktcorrelacionan la componente directa a partir de la relaci´on con la transmitancia directa (kb) definida mediante la siguiente expresi´on1. kb=DNI I0 (2.8) Donde, I0es la irradiancia solar recibida en el l´ımite superior de la atm´osfera (ecuaci´on A.3). Por su parte los modelos kd−ktse basan en el c´alculo inicial de la componente difusa para estimar la directa. No obstante, los diferentes modelos de descomposici´on param´etrica son establecidos a partir de mediciones provenientes de estaciones radiom´etricas para latitudes y periodos de tiempo concretos. A continuaci´on se presentan las parametrizaciones utilizadas dentro del desarrollo de la tesis. La parametrizaci´on tipo I de clase kd−ktpropuesta por Orgill y Hollands (1977) establece una correlaci´on simple a partir de 4 a˜nos de medidas de radiaci´on global y difusa para Toronto (Canad´a, latitud: 43.8oN). Dicha correlaci´on se presenta en el siguiente conjunto de ecuaciones en funci´on de los intervalos del ´ındice kt. kd=     1.0−0.249 ·ktSi kt<0.35 1.577 −1.84 ·ktSi 0.35 ≤kt≤0.75 0.177 Si kt>0.75 (2.9) Donde, el intervalo para cielos completamente nublados (0.35 < kt) representa el 32 % del total de datos, el intervalo para cielos nublados o con nubosidad media (0.35≤ kt≤0.75) el 62 % y el intervalo para cielos despejados (kt>0.75) el 5.6 %. Debido a la limitada frecuencia de datos para el intervalo de cielos despejados y a la naturaleza poco predecible de la reflexi´on en las nubes, los autores proponen un valor constante de 0.177. Posteriormente, una revisi´on del modelo de Orgill y Hollands (1977) realizada por Erbs et al. (1982), propone un modelo polin´omico tipo III para el ajuste en una menor latitud (31-41oN) incluyendo 5 estaciones en los Estados Unidos. El modelo de Erbs et al. (1982) obtenido a partir de medidas de radiaci´on global y directa, se presenta en el conjunto de ecuaciones 2.10, donde se incluye un polinomio de cuarto orden para el 1La transmitancia o transmisividad representa la proporci´on de radiaci´on solar que tiene la capacidad de propagarse o difundirse a trav´es de la atm´osfera. 27 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR intervalo de cielos nublados o con nubosidad media. kd=     1.0−0.09 ·ktSi kt≤0.22 0.9511 −0.1604 ·kt+ 4.388 ·k2 t−16.638 ·k3 t+ 12.336 ·k4 tSi 0.22 < kt≤0.8 0.165 Si kt>0.8 (2.10) As´ı mismo, el modelo param´etrico de clase kb−ktpropuesto por Maxwell (1987) combina el modelo de cielo claro de Bird y Hulstrom (1981) con un a˜no de medidas en Estados Unidos. Por lo tanto, la transmitancia directa (kb) se establece en funci´on de la masa de aire (Air Mass, AM) a partir de la ecuaci´on 2.11: kb=kcl b−(A+B·exp(AM ·C)) (2.11) Donde kcl bes la transmitancia directa para cielos despejados, y los par´ametros A, B y C dependen de dos intervalos para el ´ındice kten funci´on del siguiente conjunto de ecuaciones. Si kt≤0.6     A= 0.512 −1.56 ·kt+ 2.286 ·k2 t−2.222 ·k3 t B= 0.37 + 0.962 ·kt C=−0.28 + 0.923 ·kt−2.048 ·k2 t (2.12) Si kt>0.6     A=−5.743 + 21.77 ·kt−27.49 ·k2 t+ 11.56 ·k3 t B= 41.4−118.5·kt+ 66.05 ·k2 t+ 31.9·k3 t C=−47.01 + 184.2·kt−222.0·k2 t+ 73.81 ·k3 t (2.13) Maxwell (1987) propone que la transmitancia directa para cielos despejados (kcl b) se establece a partir del modelo param´etrico de Bird y Hulstrom (1981), y se estima mediante la siguiente expresi´on. kcl b= 0.866 −0.122 ˙ AM + 0.0121 ·AM2−0.000653 ·AM3+ 0.000014 ·AM4(2.14) Por otra parte, el modelo propuesto por Reindl et al. (1990) estima la fracci´on de difusa empleando dos parametrizaciones establecidas a partir de medidas de radiaci´on global y difusa de 4 a˜nos para 5 estaciones en Estados Unidos y Europa. La primera 28 2.1 Modelos de estimaci´on de la radiaci´on solar correlaci´on simple de tipo I estima la fracci´on de difusa en funci´on del ´ındice kt. kd=     1.020 −0.248 ·ktSi 0 ≤kt≤0.30 1.450 −1.670 ·ktSi 0.30 < kt<0.78 0.147 Si 0.78 ≤kt (2.15) La segunda correlaci´on compuesta de tipo II se propone en funci´on del ´ındice kty el cos(SZA). kd=     1.020 −0.254 ·kt+ 0.0123 ·cos(SZA) Si 0 ≤kt≤0.30 1.400 −1.749 ·kt+ 0.177 ·cos(SZA) Si 0.30 < kt<0.78 0.486 ·kt−0.182 ·cos(SZA) Si 0.78 ≤kt (2.16) De igual manera, para el intervalo de cielos despejados los autores establecen que la fracci´on de difusa incrementa con la disminuci´on de la altura del Sol. Por lo tanto, junto con el ´ındice kt, el cos(SZA) representa la variable m´as importante en la estimaci´on de la componente difusa. Con respecto a las parametrizaciones establecidas para la pen´ınsula Ib´erica, destaca el trabajo propuesto por Macagnan et al. (1994) a partir de medidas de radiaci´on global y difusa en Madrid (Espa˜na). Por un lado, la correlaci´on 2.17 del tipo II, estima la fracci´on de difusa en funci´on del ´ındice kty el cos(SZA). Por otro lado, la correlaci´on 2.18 del tipo III, propone una serie de polinomios de segundo y cuarto orden que estiman la fracci´on de difusa en funci´on del ´ındice kt. kd=     0.996 + 2.3979 ·kt−0.07033 ·cos(SZA) Si kt≤0.18 1.123 −1.220 ·kt+ 0.000273 ·cos(SZA) Si 0.18 < kt≤0.81 1.479 −1.466 ·kt−0.0810 ·cos(SZA) Si kt>0.81 (2.17) kd=     0.9960 + 0.0424 ·kt−0.586 ·k2 tSi 0 ≤kt<0.20 1.11 −0.203 ·kt−2.52 ·k2 t+ 0.617 ·k3 t+ 1.063 ·k4 tSi 0.20 ≤kt≤0.75 −0.0169 −0.99 ·kt+ 1.63 ·k2 tSi kt>0.75 (2.18) Finalmente, la tabla 2.1 presenta un resumen de las caracter´ısticas de los modelos param´etricos revisados para el desarrollo de la tesis. La revisi´on incluye las parametrizaciones simples tipo I de clase kd−kt(Liu y Jordan, 1960; Orgill y Hollands, 1977; Reindl et al., 1990), los modelos compuestos tipo II de clase kd−ktde Reindl et al. (1990) y Macagnan et al. (1994), y los modelos polin´omicos tipo III de clase kd−ktde 29 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR Erbs et al. (1982) y Macagnan et al. (1994). Adicionalmente, se describen los modelos param´etricos de clase kb−ktpropuestos por Maxwell (1987) y Louche et al. (1991), y los modelos param´etricos de cielo claro. Tabla 2.1: Caracter´ısticas de diferentes tipos de modelos param´etricos. Modelo y/o Referencia Tipo de modelo Caracter´ısticas, aplicaci´on y/o evaluaci´on Liu y Jordan (1960) Tipo I, kd−ktXAplicaci´on: 98 estaciones en Canad´a & Estados Unidos (Lat:19- 55oN). XParametrizaci´on a partir de medidas de la componente difusa. XEstimaci´on de las componentes directa y difusa para intervalos medios mensuales, diarios y horarios con diferentes tipos de nubosidad. Orgill y Hollands (1977) Tipo I, kd−ktXAplicaci´on: Toronto, Canad´a (Latitud: 43.8oN) entre los a˜nos 1967-1971. XParametrizaciones a partir de medidas de las componentes global y difusa. XParametrizaci´on para cielos totalmente nublados (0.35 < kt): 32 % del total de datos. XParametrizaci´on para cielos nublados o con nubosidad media (0.35 < kt<0.75): 62 % del total de datos. XParametrizaci´on para cielos despejados (kt>0.75): 5.6 % del total de datos. Bird y Hulstrom (1981) Modelo param´etrico de cielo claro XModelo establecido a partir de la comparaci´on entre modelos de estimaci´on de la componente directa SOLTRAN y el modelo Montecarlo (Bird, 1984) XPar´ametros: constante solar, ´angulo cenital, temperatura superficial, albedo, vapor de H2O,O3y medidas de coeficientes de transparencia para Estados Unidos. Erbs et al. (1982) Tipo III, kd−ktXAplicaci´on: Canad´a y m´as de 5 estaciones en Estados Unidos (Latitud: 31-41oN). XAjuste de parametrizaciones para una latitud inferior a partir del modelo Orgill y Hollands (1977). XPolinomio de cuarto orden obtenido a partir de medidas de global y directa. XEstimaci´on de la fracci´on de difusa para intervalos medios mensuales, diarios y horarios con diferentes tipos de nubosidad. XParametrizaci´on para cielos despejados (kt>0.8): 2 % del total de datos. XEvaluaci´on para 2 a˜nos (2000-2002) en Madrid, Espa˜na: Bias=15.6 W·m−2(5.45 %) - RMSE=50.6 W·m−2(17.68 %). Iqbal (1983) Modelo param´etrico XEstimaci´on de la componente directa. XPar´ametros: constante solar, transmitancia por scattering, masa y presi´on de aire local, temperatura y presi´on superficial, espesor de la capa vertical de ozono, el vapor de agua precipitable y el espesor ´optico de aerosoles (AOD). 30 2.1 Modelos de estimaci´on de la radiaci´on solar Modelo Tipo de modelo Caracter´ısticas, aplicaci´on y/o evaluaci´on Maxwell (1987) Modelo param´etrico, kb−kt XAplicaci´on: 1 a˜no de medidas en Atlanta (EE.UU). XCombina el modelo de cielo claro de Bird y Hulstrom (1981), para estimar la componente directa mediante una parametrizaci´on en funci´on de la masa de aire (AM). XRepresenta la base del c´odigo de simulaci´on de directa denominado DISC. Reindl et al. (1990) Tipo I y II, kd−ktXAplicaci´on: 5 estaciones en Estados Unidos y Europa (Lat:28o- 60oN) en cuatro a˜nos. XPropone dos parametrizaciones a partir de medidas de radiaci´on global y difusa. XCorrelaci´on 1: estima la fracci´on de difusa en funci´on del ´ındice kt. XCorrelaci´on 2: estima la fracci´on de difusa en funci´on de la altura del Sol y el ´ındice kt. Louche et al. (1991) Modelo param´etrico, kb−kt XAplicaci´on: Observaciones diarias de radiaci´on global para cielo claro de la estaci´on Carpentas (Francia) XMedidas del espesor ´optico de aerosoles (AOD) XEvaluaci´on de 3 correlaciones para estimaci´on de las componentes global, difusa y directa. XBasado en el Bias y el RMSE: Correlaci´on No.3 presenta la mejor correspondencia con las medidas de la componente directa, mientras que la correlaci´on No.2 es m´as precisa en la estimaci´on de global y difusa. Macagnan et al. (1994) Tipo II y III, kd−ktXAplicaci´on: Madrid, Espa˜na. XProponen dos parametrizaciones a partir de medidas de radiaci´on global y difusa. XCorrelaci´on No. 1: estima la fracci´on de difusa en funci´on del ´ındice kty la altura del Sol. XCorrelaci´on No. 2: polinomio de cuarto orden que estima la fracci´on de difusa en funci´on del ´ındice kt. Rigollier et al. (2000) Modelo param´etrico de cielo claro XAplicaci´on: European Solar Radiation Atlas (ESRA). XParametrizaci´on para estimaci´on de la componente global, directa Page (1996) y difusa Dumortier (1995). XPar´ametros: Coeficiente de turbiedad de Linke (TL), espesor ´optico para atm´osfera libre en funci´on del vapor de H2Oy aerosoles. Ineichen y Perez (2002) Modelo param´etrico de cielo claro XAplicaci´on: Un a˜no de medidas de radiaci´on global y directa de 7 estaciones con diferentes latitudes, altitudes y climatolog´ıa, ubicadas en Estados Unidos y Suiza. XC´alculo del grado de transparencia de la atm´osfera a trav´es del coeficiente de turbiedad de Linke, que incluye los efectos de los aerosoles y el vapor de H2O. XPar´ametros: Altitud geogr´afica, coeficiente de turbiedad de Linke (TL), masa de aire (AM), ´angulo cenital y constante solar. 31 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR Tabla 2.2: Caracter´ısticas de los principales modelos NWP y sus esquemas de transferencia radiativa. Modelo Resoluci´on, coordenadas y/o alcance Esquema de transferencia radiativa Otros esquemas y caracter´ısticas Tipo LAM: modelo meso-escalar MM5 (Grell et al., 1995) XResoluci´on espacial inferior a 0.25o(25 a 1 km aproximadamente) para distintas aplicaciones. XResoluci´on temporal: 3- 6h. XAlcance temporal: 10d. XCoord. horizontales: Arakawa-B (Arakawa y Schubert, 1974). XCoord. verticales: σen presi´on. Esquema MM5-SW de Dudhia (1989) XModelo hidrost´atico/nohidrost´atico. XPar´ametros de salida: temperatura del aire, velocidad del viento horizontal, humedad relativa, altura geopotencial, presi´on a nivel del mar y temperatura superficial. XEsquemas convectivos: Arakawa y Schubert (1974); Kuo (1979); Fritsch y Chappell (1980); Betts y Miller (1986); Kain y Fritsch (1993); Grell (1993). XM´etodo de c´alculo de ecuaciones primitivas: diferencias finitas. Tipo Global: modelo macro y meso-escalar IFS de ECMWF XResoluci´on espacial: 0.25ox0.25o(aprox. 25 km). XResoluci´on temporal: 3- 6h XCoord. horizontales: Quasi-regular Gaussian grid. XCoord.verticales: sistema h´ıbrido p-σ. Esquema McRad (Morcrette et al., 2008) y esquema de Slingo (1989) XSistema integrado de pron´ostico operacional del European Centre for Medium-Range Weather Forecasts. Tipo LAM: modelo meso-escalar NAM XResoluci´on espacial: 0.113ox0.111o XResoluci´on temporal: 1- 3h XAlcance temporal: 36- 84h XCoord. verticales: sistema h´ıbrido p-σ. Esquema GFDL-SW (Lacis y Hansen, 1974; Stephens, 1978, 1984) Incluye la configuraci´on del modelo WRF-NMM (Skamarock et al., 2008). Tipo Global: modelo macro-escalar GFS/NCEP XResoluci´on espacial: 0.5ox0.5oo superior XResoluci´on temporal: 3- 6h XAlcance temporal: 180h. Esquema RRTM (Mlawer et al., 1997; Mlawer y Clough, 1998) Desarrollado por National Oceanic and Atmospheric Administration (NOAA) yNational Centers for Environmental Prediction (NCEP) 38 2.1 Modelos de estimaci´on de la radiaci´on solar Modelo Resoluci´on, coordenadas y/o alcance Esquema de transferencia radiativa Otros esquemas y caracter´ısticas Tipo LAM: modelo mesoescalar HIRLAM (Unden et al., 2002) XResoluci´on espacial inferior a 0.5o. XResoluci´on Vertical: 16- 31 niveles. XAlcance temporal: 3d (intervalo 6h); 4-6d (intervalo 24h). XCoord. horizontales: Arakawa-C (Arakawa y Schubert, 1974). XCoord. verticales: sistema h´ıbrido p-σ. Esquema Fast radiation scheme (Savu¨arvi, 1990). XEuleriano de cuarto orden y de difusi´on horizontal lineal. XModelo hidrost´atico de tipo malla-punto. XModelo operativo en la Agencia Estatal de Meteorolog´ıa (AEMET) de Espa˜na (resoluci´on 0.05o-0.16o). XPar´ametros en superficie: pre- si´on, precipitaci´on, viento, nubosidad y temperatura. XOtros par´ametros: 850 hPa y 500 hPa (temperatura y geopotencial); 300 hPa (viento y geopotencial). Tipo LAM: modelo meso-escalar WRF (Michalakes et al., 2004; Skamarock et al., 2008) XResoluci´on espacial inferior a 0.1o(12kmx12km - 4km4km). XResoluci´on temporal: 1h. XAlcance temporal:48- 60h. XResoluci´on Vertical: 38 niveles. XEsquema RRTM (Mlawer et al., 1997; Mlawer y Clough, 1998) XEsquema GFDL-LW (Schwarzkopf y Fels, 1991) XEsquema GFDL-SW (Lacis y Hansen, 1974) XEsquema MM5-SW de Dudhia (1989) XEsquema Goddard- SW (Chou y Suarez, 1994). XParametrizaci´on de cumulus: Kain-Fritsch (Kain y Fritsch, 1990, 1993), Betts-Miller-Janjic (Janjic, 2000). XModelo no-hidrost´atico. XPermite anidamientos m´ultiples y posee la capacidad de asimilar datos de observaciones meteorol´ogicas. XCondiciones iniciales y de frontera dadas por el modelo global GFS. XEsquema GFDL-SW es utilizado por el modelo de circulaci´on atmosf´erica global del Instituto Goddard para Estudios Espaciales de NASA (Stone, 1988) 39 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR 2.1.2.1. Revisi´on bibliogr´afica entorno a la evaluaci´on de los esquemas de transferencia radiativa La evaluaci´on de la radiaci´on solar estimada por los diferentes esquemas de transferencia radiativa de los modelos NWP, tiene como prop´osito comparar el valor modelizado con observaciones medidas a trav´es de estaciones radiom´etricas. Por lo tanto, se realiza un an´alisis de la capacidad de estimaci´on de la radiaci´on solar a trav´es de la utilizaci´on de par´ametros de evaluaci´on. Los par´ametros estad´ısticos m´as comunes que se utilizan para evaluar la radiaci´on solar estimada por los modelos NWP son el Bias (Mean Bias Error, MBE) y el RMSE (Root Mean Square Error, RMSE)1. De igual forma, se utiliza el valor porcentual relativo para dichos par´ametros (rMBE y rRMSE), que consiste en dividir el resultado del par´ametro por el valor promedio de las observaciones. Por lo tanto, a continuaci´on se presentan los trabajos que eval´uan los esquemas radiativos en funci´on de las condiciones atmosf´ericas (cielos despejados, cielos nublados y cielos totalmente nublados), la resoluci´on espacio-temporal y el vector posici´on del Sol dado por el ´angulo cenital solar. Los estudios entorno a la evaluaci´on de los esquemas de transferencia radiativa, incluyen los trabajos propuestos por Armstrong (2000) y Zamora et al. (2003, 2005) para la radiaci´on solar simulada por el modelo MM5 (Grell et al., 1998) en Estados Unidos. Armstrong (2000) eval´ua la parametrizaci´on radiativa del esquema propuesto por Dudhia (1989), incluido en el modelo MM5 para un mes de verano del a˜no 1997. El autor obtiene resultados que sobrestiman la radiaci´on en cielos despejados y la subestiman en cielos totalmente nublados (Bias= -44 W·m−2). Dichas discrepancias est´an relacionadas con un c´alculo excesivo de la fracci´on nubosa y el vapor de agua en las capas altas de la troposfera. En este sentido, el trabajo de Guichard et al. (2003) concluye que los aerosoles y los pron´osticos de las nubes tipo cirros2, son los responsables de la mayor´ıa de las diferencias entre el modelo MM5 y las observaciones. Posteriormente, Zamora et al. (2003) obtiene una sobrestimaci´on de hasta 100 W·m−2 para cielos despejados del esquema de Dudhia (1989). Sin embargo, establece una es- 1La definici´on de los par´ametros que se utilizan para la evaluaci´on de la radiaci´on solar simulada son presentados en el cap´ıtulo 4. 2Los cirros son el g´enero m´as caracter´ıstico de nubes altas debido a que se encuentran a m´as de 6000 m de altura. Son nubes delgadas de color blanco intenso y de textura fibrosa (no tienen sombras en su base). A la altura donde se forman los cirros, las temperaturas son siempre muy bajas, y cuando el vapor de agua se condensa forma peque˜nos cristales de hielo de baja densidad que aten´uan la radiaci´on solar (Costa y Maz´on, 2006). 40 2.1 Modelos de estimaci´on de la radiaci´on solar timaci´on favorable para valores del espesor ´optico de aerosoles (Aerosol Optical Depth, AOD) cercanos a 0.1 con un error de 3-4 %. De este modo, Zamora et al. (2005) concluye que con elevados valores del AOD (AOD > 0.1) en cielos despejados y distintos ´angulos cenitales, la parametrizaci´on de Dudhia (1989) obtiene resultados que sobrestiman la radiaci´on solar entre 80 y 100 W·m−2. Por consiguiente, los autores relacionan la sobrestimaci´on con un calentamiento excesivo de la superficie terrestre como consecuencia de un enfriamiento superficial insuficiente durante las horas nocturnas. Heinemann et al. (2006a) y Heinemann et al. (2006b) eval´uan las predicciones de radiaci´on solar global con el modelo MM5 en Alemania. Para tal efecto, en funci´on del estado atmosf´erico obtienen valores m´aximos de Bias iguales a: 14.7 % para cielos despejados, 64.4 % para cielos nublados y 129 % para cielos totalmente nublados. Mientras que el trabajo realizado por Lorenz et al. (2009b) obtiene un rRMSE para Europa Central de 40-60 % y el Sur de la pen´ınsula Ib´erica de 20-35 %. Resultados similares obtienen Remund et al. (2008) y Perez et al. (2009) para Estados Unidos. El estudio m´as reciente realizado por Lara-Fanego et al. (2011), eval´ua el modelo WRF-ARW a trav´es de medidas realizadas durante los a˜nos 2007 y 2008 de cuatro estaciones en el Sur de la pen´ınsula Ib´erica. Los autores obtienen una sobrestimaci´on del esquema de Dudhia (1989) para todas las estaciones con un rRMSE mayor al 50 % para cielos nublados y un rRMSE mayor al 100 % para cielos totalmente nublados. En concreto, se observa que los diferentes trabajos de evaluaci´on del esquema radiativo de Dudhia (1989) presentan resultados similares. En cuanto a la evaluaci´on del esquema radiativo RRTM-LW (Mlawer et al., 1997), se distingue el trabajo realizado por Morcrette (1990) para el modelo global IFS del ECMWF. En el an´alisis se establece un decrecimiento de la absorci´on atmosf´erica del vapor de agua de aproximadamente un 20 % para cielos despejados. De este modo, el esquema estima una mayor radiaci´on solar al disminuir el calentamiento de la atm´osfera para una situaci´on de cielos despejados. Posteriormente, Morcrette (2002) realiza una evaluaci´on del modelo IFS para situaciones de cielos despejados y cielos nublados, donde obtiene una sobrestimaci´on de 25-31 W·m−2. En base a estos resultados, se evidencia que los sesgos en la radiaci´on del esquema RRTM-LW se relacionan con una especificaci´on incorrecta del espesor ´optico de los aerosoles y una definici´on ambigua de los par´ametros de las nubes. En resumen, a partir de la evaluaci´on de los diferentes esquemas radiativos, las limitaciones de los modelos meteorol´ogicos NWP se deben principalmente a una deficiencia en el c´omputo de la extinci´on atmosf´erica producida por el vapor de agua, los aerosoles 41 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR y la microf´ısica de las nubes (Morcette (2000); Chou et al. (2002); Alonso-Calvo et al. (2006); Girodo (2006); y Geijo y Orfila (2006)). Adicionalmente, una comparaci´on y evaluaci´on de diferentes modelos de transferencia radiativa de onda corta de alta resoluci´on espectral1realizado por Halthore et al. (2005) para 4 intervalos espectrales (ultravioleta, visible, infrarrojo y espectro total), dos tipos de atm´osferas (invierno sub-´artico y tropical) y dos ´angulos cenitales (30oy 75o), presentan resultados similares con respecto a los esquemas de los NWP. El estudio evidencia diferencias entre los modelos de hasta el 10 % del c´alculo de la absorci´on para atm´osferas con bajo nivel de humedad (invierno sub-´artico). Sin embargo, todos los modelos presentan un incremento del 30 % en el c´alculo de la absorci´on de la banda espectral total (0.28-5µm) para un ´angulo cenital bajo (30o), con respecto a solo el 3 % de la absorci´on para un ´angulo cenital alto (75o). Los autores relacionan esta diferencia a una posible saturaci´on de las l´ıneas de absorci´on del vapor de agua en la parte alta de la atm´osfera (encima de las nubes), que deja una cantidad relativamente peque˜na de energ´ıa para la absorci´on en las nubes. Con respecto a los aerosoles, se establece que la radiaci´on solar de onda corta disminuye ligeramente con el incremento de los aerosoles en todos los modelos. Por lo tanto, el c´omputo en exceso de la absorci´on para cielos despejados se relaciona con la presencia de aerosoles org´anicos oscuros (holl´ın o carb´on) que dificultan el tratamiento de la extinci´on de aerosoles en los modelos. Finalmente, para una mayor comprensi´on de la implicaci´on y evaluaci´on de las diferentes contribuciones, la tabla 2.3 presenta un resumen de los trabajos desarrollados entorno a los esquemas de transferencia radiativa para modelos NWP. 1Modelos espectrales: ATRAD2 (Laszlo, 1994): 199 intervalos entre 0.2-5µm; MODTRAN-3.5 (Masuda et al., 1995): 105 intervalos entre 0.25-5µm; LOWTRAN7 (Chang et al., 2000): 112 intervalos entre 0.25-5µm; SBDART (Ricchiazzi et al., 1998): 0-200µm; RAPRAD (Kato et al., 1999): 16 intervalos entre 3.3-1000µm; MODTRAN-4 (Berk et al., 1998): 188 intervalos entre 0.2-8.11µm. 42 2.1 Modelos de estimaci´on de la radiaci´on solar Tabla 2.3: Trabajos desarrollados entorno a la evaluaci´on de la radiaci´on solar para modelos NWP. Referencia NWP Esquema radiativo Metodolog´ıa Evaluaci´on Armstrong (2000) MM5 Esquema de Dudhia (1989) XUso de dos dominios anidados de 36 y 12 km. XEsquema microf´ısico de nubes: simple ice scheme (36 km) yGSFC scheme (12 km). XDatos tomados de Oklahoma (EE.UU): 18 de junio - 18 julio, 1997. XRed de piran´ometros de Baseline Radiation Network (BSRN). XNubosidad derivada de datos del sat´elite GOES-7. XResoluci´on horizontal de 12kmx12km. XSobrestimaci´on para cielos despejados. XSubestimaci´on para cielos totalmente nublados (Bias=- 44W·m−2). Morcrette (1990, 2002) IFS XEsquema RRTM (Mlawer et al., 1997; Mlawer y Clough, 1998) XPrimavera de 1999 (abrilmayo) con medidas en Lamont, Oklahoma (EE.UU.) del programa ARM Atmospheric Radiation Measurement del Departamento de Energ´ıa de Estados Unidos. XIncertidumbre para cielos despejados: Sobrestimaci´on con Bias de 31 W·m−2(para 164 de las 168 situaciones de transparencia atmosf´erica). XIncertidumbre para cielos totalmente nublados: Sobrestimaci´on con Bias de 26 W·m−2. Chou et al. (2002) NCEP-eta XEsquema de Lacis y Hansen (1974) para onda corta XEsquema de Fels y Schwarzkopf (1975) para onda larga XResoluci´on horizontal de 80 km y 38 capas verticales para el continente Suramericano XAgosto y Noviembre de 1997 XDatos del sat´elite NOAAAVHRR son usados para la evaluaci´on del esquema de onda larga XObservaciones del estudio ABRACOS (Gash et al., 1996) para la evaluaci´on del esquema de onda corta XSobrestimaci´on de la radiaci´on de onda larga (Bias=20-40 W·m−2) XSobrestimaci´on de los flujos latentes de calor de superficie en onda corta (Bias entre 100 y 200 W·m−2). 43 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR Referencia NWP Esquema radiativo Metodolog´ıa Evaluaci´on Zamora et al. (2003, 2005) 1) MM5 2) NCEP- eta 1) Esquema de Dudhia (1989) 2) Esquema GFDL XLos esquemas radiativos de los modelos MM5 y NCEP-eta se basan en el m´etodo propues- to por Lacis y Hansen (1974). XCampa˜nas experimentales de calidad de aire: Texas Air Quality Experiment (TexAQS- 2000), Central California Ozone Study (CCOS-2000), y New England Air Quality Study (NEAQS-2002) XResoluci´on horizontal de 4kmx4km. XMM5 y NCEP-eta sobrestiman la radiaci´on entre 80-100 W·m−2cuando el espesor ´optico de los aerosoles (AOD) excede el 0.1. XLa carga de aerosoles urbanos/industriales (sulfato y SO2) afectan en mayor medida el rendimiento del m´etodo de Lacis y Hansen (1974). Geijo y Orfila (2006) HIRLAM Fast radiation scheme (Savu¨arvi, 1990) XEvaluaci´on para la Pen´ınsula Ib´erica mediante datos de estaciones radiom´etricas y del sat´elite Meteosat para agosto-octubre/2005 y diciembre-enero/2006 XBias: 29 W·m−2en agosto XBias: 16 W·m−2en octubre XBias: 8-9 W·m−2en diciembre y enero XSobrestimaci´on de la radiaci´on en condiciones de cielos despejados. XLimitaciones del modelo para reproducir mecanismos nubosos. XExistencia de efecto spinup que relaciona el tiempo del modelo para generar un campo nuboso (relevante en verano). Alonso-Calvo et al. (2006) MM5 Esquema RRTM (Mlawer et al., 1997; Mlawer y Clough, 1998) XMedidas de estaci´on de la Universidad de Ja´en para 2 d´ıas de Julio del 2002. XAlcance temporal del modelo: 72h XResoluci´on espacial del modelo: 4 km XTendencia del modelo a subestimar la radiaci´on para las primeras horas del d´ıa y a sobrestimar durante las horas de mayor radiaci´on solar. XErrores comprendidos en - 300 y 300 W·m−2. Heinemann et al. (2006a,b) MM5 Esquema de Dudhia (1989). XInicializaci´on del MM5 con re-analisis NCEP resoluci´on de 1ox1oy 6h a trav´es de los modelos globales IFS y DWD (German Weather Service). XEvaluaci´on en funci´on de tres situaciones de nubosidad del cielo. XAlemania: regi´on de 150x150km con una resoluci´on espacial de 3x3km, 23 capas verticales y resoluci´on temporal horaria. XAlcance temporal: 48h. XIncertidumbre para cielos despejados: M´aximo rMBE de 14.7 % XIncertidumbre para cielos nublados: M´aximo rMBE de 64.4 % XIncertidumbre para cielos totalmente nublados: M´aximo rMBE de 129 % 44 2.1 Modelos de estimaci´on de la radiaci´on solar Referencia NWP Esquema radiativo Metodolog´ıa Evaluaci´on Ruiz-Arias et al. (2008) MM5 XEsquema de Dudhia (1989) XEsquema RRTM (Mlawer et al., 1997; Mlawer y Clough, 1998) XSelecci´on de periodos estacionales del a˜no 2005 para condiciones de cielos despejados, nublados y totalmente nublados. XEvaluaci´on a trav´es de medidas de dos estaciones radiom´etricas. XEvaluaci´on de diferentes parametrizaciones de la PBL (Planetary Boundary Layer) para una resoluci´on horizontal de 4kmx4km en el Sur de la pen´ınsula Ib´erica. Incertidumbre para cielos despejados: XBias de 100 W·m−2. XRMSE de 30 W·m−2(verano) a 130 W·m−2(primavera). XIncertidumbre para cielos nublados: Sobrestimaci´on del modelo en todo el a˜no, excepto para oto˜no. RMSE de 200 W·m−2(invierno) a 300 W·m−2(verano). XIncertidumbre para cielos totalmente nublados: Bias de 12-35 W·m−2(oto˜no) y de -95 a -120 W·m−2(invierno) RMSE de 100 W·m−2(oto˜no) a 180 W·m−2(invierno). . Remund et al. (2008) 1) NFDL 2) IFS 3) WRF Esquema de Dudhia (1989) XEvaluaci´on de modelos a trav´es de 3 estaciones radiom´etricas XModelo NFDL: resoluci´on espacial de 9 km XModelo IFS: resoluci´on espacial de 25 km XModelo WRF: resoluci´on espacial de 11 km XPeriodo de evaluaci´on: Abril-Septiembre 2007. XModelo NFDL: Bias de 12 W·m−2y RMSE de 167 W· m−2 XModelo IFS: Bias de 43 W· m−2y RMSE de 162 W·m−2. XModelo WRF: Bias de 85 W· m−2y RMSE de 223 W·m−2. Perez et al. (2009) GFS Esquema McRad (Morcrette et al., 2008) XEvaluaci´on anual del modelo GFS a partir de 13 estaciones radiom´etricas de la red SURFRAD en EE.UU. XAlcance temporal: desde 3h a 6 d´ıas XResoluci´on espacial del modelo GFS 0.1ox0.1o. XGHI derivado del movimien- to de las nubes por cada pixel en las im´agenes de sat´elite XPeriodo de evaluaci´on: Agos- to 2008 - Agosto 2009. XRMSE anual de 100-200 W· m−2desde 1h a 2 d´ıas de alcance temporal. XSubestimaci´on de la radiaci´on debido a Bias negativos en invierno, verano y primavera. XSobrestimaci´on de la radiaci´on en oto˜no con Bias positivos. XMayores errores en invierno y verano. 45 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR Referencia NWP Esquema radiativo Metodolog´ıa Evaluaci´on Lorenz et al. (2009b) IFS GFS HIRLAM XEsquema McRad (Morcrette et al., 2008) XEvaluaci´on de modelos NWP mediante 24 estaciones radiom´etricas horarias ubicadas en el Sur de la pen´ınsula Ib´erica y Europa Central (Sur de Alemania, Suiza y Austria). XPeriodo de evaluaci´on: Julio 2007 a Junio 2008. XAlcance temporal: 3 d´ıas. XLa persistencia de la nubosidad permite establecer un adecuado modelo de referencia para los pron´osticos de radiaci´on. XrRMSE para Europa Central de 40-60 % y el Sur de la pen´ınsula Ib´erica de 20-35 % Mathiesen y Kleissl (2011) 1) NAM 2) GFS 3) IFS 1) GFDLSW (Lacis y Hansen, 1974) 2) RRTM-SW (Mlawer et al., 1997; Mlawer y Clough, 1998) 3) McRad (Morcrette et al., 2008) XEvaluaci´on de modelos a partir de 7 estaciones radiom´etricas para Estados Unidos. XPeriodo de estudio: 3/2010-2/2011 (NAM) 6/2010-2/2011 (GFS) 9/2009-8/2010 (IFS) XResoluci´on espacial: 0.11o(aprox. 12 km) para NAM 0.5o(aprox. 50 km) para GFS 0.25o(aprox. 25 km) para IFS XAlcance temporal: 84h (NAM) 180h (GFS) 240h (IFS). XModelo NAM: Bias = 57W·m−2(rMBE = 15 %) y RMSE = 133W· m−2(rRMSE = 36 %) XModelo GFS: Bias = 35W·m−2(rMBE = 9.6 %) y RMSE = 109W· m−2(rRMSE = 30 %) XModelo IFS: Bias = 31W·m−2(rMBE = 8.5 %) y RMSE = 122W· m−2(rRMSE = 33 %) XCondiciones de cielos despejados (kt>0.9): Bias = 150W·m−2(NAM y GFS) XCondiciones de cielos nublados (0.4< kt<0.9): Bias = 100W·m−2(IFS) XCondiciones de cielos totalmente nublados (kt<0.4): Bias =−150W·m−2(NAM y GFS) 46 2.1 Modelos de estimaci´on de la radiaci´on solar Referencia NWP Esquema radiativo Metodolog´ıa Evaluaci´on Lara-Fanego et al. (2011) WRFARW XEsquema de Dudhia (1989). XEsquema RRTM (Mlawer et al., 1997; Mlawer y Clough, 1998). XPron´osticos de radiaci´on global y directa para un alcance temporal de 3 d´ıas. XUtilizaci´on de cuatro estaciones radiom´etricas en el Sur de la Pen´ınsula Ib´erica para los a˜nos 2007 y 2008 en diversas condiciones del cielo. XResoluci´on horizontal de hasta 3kmx3km en el Sur de la Pen´ınsula Ib´erica. XEstimaci´on de radiaci´on directa mediante un post-proceso f´ısico del modelo WRF y datos de sat´elites. Para estimaci´on de GHI: XrRMSE anual de 30 % XMayores errores relativos (rRMSE >30 %) en invierno, primavera y oto˜no. XIncertidumbre de GHI para cielos despejados: rMBE de 4 %. rRMSE <10 %. XIncertidumbre de GHI para cielos nublados: rMBE <20 % rRMSE de 50 %. XIncertidumbre de GHI para cielos totalmente nublados: rMBE >60 %. rRMSE >100 % En s´ıntesis, la evaluaci´on del esquema de transferencia radiativa de onda corta de Dudhia (1989), permite identificar las limitaciones en la estimaci´on de la radiaci´on solar en funci´on de las condiciones atmosf´ericas y la resoluci´on espacio-temporal de los modelos NWP. Los trabajos que utilizan datos anuales y resoluciones espaciales entre 12kmx12km y 3kmx3km, presentan Bias superiores a 50 W·m−2(rMBE=12-15 %) y RMSE superiores a 130 W·m−2(rRMSE=32-33 %). La sobrestimaci´on para cielos despejados y nublados presentan Bias superiores a 100 W·m−2(rMBE=4-20 %) y la subestimaci´on para cielos totalmente nublados presentan Bias de hasta -150 W·m−2(rMBE > 60 %). En consecuencia, la extinci´on atmosf´erica producida por los aerosoles y las condiciones ´opticas de las nubes propician errores sistem´aticos que afectan la exactitud de las simulaciones de radiaci´on solar. Adicionalmente, el error sistem´atico de las simulaciones se relaciona con el incremento de la resoluci´on espacial y con la reproducci´on de patrones clim´aticos locales para niveles horizontales cercanos a la superficie terrestre (Baum, 2007). Por lo tanto, con el fin de reducir dicho error, la literatura propone la utilizaci´on de las metodolog´ıas de post-proceso. 47 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR Referencia Modelo NWP Post-proceso y/o ajuste Aplicaci´on & Evaluaci´on Lorenz et al. (2009a) IFS (ECMWF) XModel Output Statistics (MOS) y utilizaci´on del modelo de cielo claro ECMWFOL XAjuste espacial mediante la t´ecnica Spatial averaging. XAn´alisis basado en m´as de 200 estaciones radiom´etricas en Alemania. XPeriodo de estudio: 1/1/2007 - 31/10/2007 XResoluci´on espacial de 0.25ox0.25o XResoluci´on temporal de 3h XAlcance temporal: 72h XPeriodo de entrenamiento: primeros 15 d´ıas de cada mes. XAn´alisis del sesgo de los resultados del pron´ostico (Bias) en funci´on de la nubosidad y vector posici´on del Sol XRegresi´on multivariable de cuarto orden para correcci´on de pron´osticos a trav´es de las variables kty cos(SZA). XInterpolaci´on lineal del ktmediante el modelo de cielo claro propuesto por Dumortier (1995) XrRMSE de 37 % por cada estaci´on para el primer d´ıa de pron´ostico y de 46 % para el tercero. Lorenz et al. (2009b) XIFS (ECMWF) XGFS XSkiron/GFS XAEMETHIRLAM X WRF/GFS XModel Output Statistics (MOS) de ECMWF-OL y MM-MOS para IFS XArtificial Neural Networks (ANN) de BLUE para GFS XAjuste de CENER para Skiron/GFS XBias correcci´on de CIEMAT para AEMET-HIRLAM XAjuste de Meteotest de Suiza para WRF/GFS XAjuste de Universidad de Ja´en de Espa˜na para WRF/GFS XAn´alisis comparativo de diferentes post-procesos basados en 24 estaciones radiom´etricas localizadas entre Europa Central (Sur de Alemania, Suiza y Austria) y el Sur de Espa˜na. XPeriodo de evaluaci´on: Julio 2007 a Junio 2008 XResoluci´on espacial: IFS (0.25ox0.25o); GFS (1o a 0.25o); AEMET-HIRLAM (0.2ox0.2o); Skiron/GFS (5kmx5km); WRF/GFS (3kmx3km) XAlcance temporal: 72h XPost-procesos ECMWF-OL, BLUE, MM-MOS en Alemania: rRMSE de 40-43 % y rMBE de -4 a -7 % XPost-procesos ECMWF-OL, BLUE, MM-MOS en Suiza: rRMSE de 39-45 % y rMBE de -1 a -18 % XPost-procesos ECMWF-OL, BLUE en Austria: rRMSE de 45-46 % y rMBE de 1 a 16 % XECMWF-OL en el Sur de Espa˜na: rRMSE de 21 % y rMBE de 1 % Breitkreuz et al. (2009) IFS (ECMWF) MM5 Sistema de pron´ostico de aerosoles: AFSOL (Breitkreuz, 2008) XAn´alisis basado en 5 meses (julio-nov de 2003) con medidas de aerosoles (EURAD - AERONET) y sat´elite (albedo y ozono) en Europa. XrMBE de -26 a 11 % y rRMSE de 31 a 19 % de la componente directa. 54 2.2 Revisi´on bibliogr´afica de las metodolog´ıas de post-proceso Referencia Modelo NWP Post-proceso y/o ajuste Aplicaci´on & Evaluaci´on Mathiesen y Kleissl (2011) 1) NAM 2) GFS 3) IFS (ECMWF) XModel Output Statistics (MOS). XAjuste espacial mediante la t´ecnica Spatial averaging. XAn´alisis comparativo basado en 7 estaciones radiom´etricas para Estados Unidos. XPeriodo de estudio: 3/2010-2/2011 (NAM) - 6/2010- 2/2011 (GFS) - 9/2009-8/2010 (IFS) XResoluci´on espacial: 0.11o(aprox. 12 km) para NAM - 0.5o(aprox. 50 km) para GFS y 0.25o(aprox. 25 km) para IFS XA partir de Lorenz et al. (2009a), establecen una regresi´on multivariable de cuarto orden en funci´on del ´ındice kty el cos(SZA) XC´alculo din´amico de correcciones MOS para cada estaci´on a partir de un periodo de entrenamiento de 56 d´ıas previos. XInterpolaci´on lineal del ktmediante el modelo de cielo claro propuesto por Ineichen y Perez (2002) XModelo NAM: Bias = 7W·m−2(rMBE = 1.9 %) y RMSE = 120W· m−2(rRMSE = 33 %) XModelo GFS: Bias = 5.3W·m−2(rMBE = 1.4 %) y RMSE = 84W·m−2(rRMSE = 23 %) XModelo IFS: Bias = 0.6W·m−2(rMBE = 0.1 %) y RMSE = 105W·m−2(rRMSE = 29 %) Mart´ın et al. (2011) GFS Artificial Neural Networks (ANN) XAn´alisis basado en 18 estaciones radiom´etricas con observaciones cada 10 minutos en Navarra, Espa˜na. XBase de datos de entrenamiento: Aprox. 10 a˜nos (1999 a 2009) XPeriodo de evaluaci´on: 1/6/2010-10/3/2011 XEntrada de ANN de valores del ´ındice ktprevios: 72h del modelo GFS (0.5ox0.5o) y 24h de observaciones. XSalida de ANN de valores del ´ındice ktposteriores: 72h. XEstimaci´on de radiaci´on directa a partir de modelo de cielo claro de Louche et al. (1991). XLos valores del pron´ostico de radiaci´on solar superiores a 100 W·m−2se incluyen en el an´alisis. XMenores errores para las configuraciones feedforward de ANN: 4 capas (rRMSE de 13 a 80 %) y 1 capa (rMBE de -4.4 a 11.6 %). 55 2. MODELIZACI ´ ON DE LA RADIACI ´ ON SOLAR Referencia Modelo NWP Post-proceso y/o ajuste Aplicaci´on & Evaluaci´on Pelland et al. (2011) GEM (Environment Canada’s Global Environmental Multiscale) XKalman Filter (KF) XAjuste espacial mediante la t´ecnica Spatial averaging. XAn´alisis basado en 10 estaciones radiom´etricas en Estados Unidos y Canad´a XComparaci´on de m´etodos de post-proceso con respecto a pron´osticos del modelo GEM y su persistencia temporal. XPeriodo de estudio de 2 a˜nos: 1/4/2007-31/3/2009 XResoluci´on espacial del modelo GEM: 15kmx15km XrMBE de -0.8 a 14 % XrRMSE de 15 a 40 % 56 Cap´ıtulo 3 Zona de estudio y observaciones radiom´etricas Este cap´ıtulo presenta una descripci´on de la zona de estudio y las observaciones de radiaci´on solar utilizadas en la pen´ınsula Ib´erica para el desarrollo de la tesis. El primer apartado describe la zona geogr´afica peninsular y las estaciones pertenecientes a la red radiom´etrica de la Agencia Estatal de Meteorolog´ıa (AEMET) de Espa˜na. Seguidamente, en el segundo apartado se exponen los aspectos relevantes de Catalu˜na (Noreste peninsular) y las estaciones que corresponden a las redes radiom´etricas del Servei Meteorol`ogic de Catalunya y la Generalitat de Catalunya. El tratamiento de calidad implementado en las estaciones en funci´on del ´angulo cenital solar (SZA) y la constante solar se incluye en este apartado. Finalmente, a partir de las estaciones localizadas en Catalu˜na, en el tercer apartado se eval´uan los diferentes modelos de descomposici´on param´etrica para la estimaci´on de la componente directa de la radiaci´on. 3.1. Zona geogr´afica de la pen´ınsula Ib´erica La pen´ınsula Ib´erica es la principal zona geogr´afica sobre la cual se centra el estudio. La variabilidad de la radiaci´on solar peninsular depende principalmente de factores como la ubicaci´on geogr´afica, la interacci´on con la topograf´ıa y la din´amica de los patrones meteorol´ogicos. Dichas caracter´ısticas son ampliamente consideradas ya que influyen directamente en los resultados de la presente investigaci´on. 57 3. ZONA DE ESTUDIO Y OBSERVACIONES RADIOM´ ETRICAS La figura 3.1 muestra la localizaci´on geogr´afica de la pen´ınsula Ib´erica con respecto al resto del continente Europeo. Ubicada en el Suroeste de Europa, la pen´ınsula Ib´erica se encuentra rodeada por el oc´eano Atl´antico y el mar Mediterr´aneo, adem´as de la influencia de dos grandes masas continentales. Al Sur a trav´es del estrecho de Gibraltar se separa del Norte de ´ Africa y al Noreste mediante los Pirineos del resto del continente Europeo. La mayor parte de la topograf´ıa peninsular se articula alrededor de la meseta Central, la cual se encuentra rodeada por un gran conjunto de sistemas monta˜nosos. En la descripci´on topogr´afica de la figura 3.1, se observa la meseta Central definida por el sistema Central con orientaci´on Suroeste-Noreste y el sistema Ib´erico en direcci´on Noroeste-Sureste. Figura 3.1: Situaci´on geogr´afica y descripci´on topogr´afica de la pen´ınsula Ib´erica. Imagen de Europa y el Norte de ´ Africa del sat´elite Meteosat. La informaci´on topogr´afica de la pen´ınsula Ib´erica procede del Instituto Geogr´afico Nacional del Gobierno de Espa˜na (www.ign.es). 58 3.1 Zona geogr´afica de la pen´ınsula Ib´erica El l´ımite septentrional de la meseta Central de Oeste a Este comprende el macizo Galaico, los montes de Le´on, la cordillera Cant´abrica y los montes Vascos. En los l´ımites meridionales de la meseta se encuentra sierra Morena, la cual se separa de los sistemas B´eticos en el Sur por medio de la depresi´on del r´ıo Guadalquivir. Por el lado Noreste de la pen´ınsula, se localizan los Pirineos y la depresi´on del r´ıo Ebro, la cual se aisla de la costa mediterr´anea mediante las cordilleras Costeras ubicadas en paralelo al litoral Catal´an. En la pen´ınsula meridional, destaca el levante peninsular que se caracteriza por una compleja topograf´ıa con sistemas litorales que recorren desde la cordillera Penib´etica al Sur de Andaluc´ıa con las m´aximas altitudes de la pen´ınsula, hasta las cordilleras pre-litoral y litoral de Catalu˜na al Noreste. Por otra parte, la pen´ınsula septentrional presenta cordilleras de menor altitud que la costa mediterr´anea con una variabilidad topogr´afica menos significativa. En este sentido, la complejidad topogr´afica que presenta la pen´ınsula Ib´erica tiene una especial relevancia sobre la radiaci´on solar, debido a la orientaci´on del relieve peninsular que establece agudos contrastes entre la solana y la umbr´ıa ocasionados por la declinaci´on del Sol durante el a˜no. Adicionalmente, la heterogeneidad en la utilizaci´on del suelo1, induce el desarrollo de circulaciones t´ermicas entre la topograf´ıa y la atm´osfera, que condicionan la climatolog´ıa predominante en la zona de estudio. 3.1.1. Climatolog´ıa peninsular La variabilidad de la climatolog´ıa peninsular asociada a la radiaci´on solar, esta relacionada con las fluctuaciones producidas por la circulaci´on atmosf´erica global2. Por lo tanto, la diversidad clim´atica en la pen´ınsula Ib´erica se define por un clima templadofr´ıo en la zona septentrional y por un clima templado-c´alido en la zona meridional. As´ı mismo, los tipos de clima predominantes est´an definidos por grandes centros de 1El uso del suelo en la pen´ınsula Ib´erica se encuentra distribuido aproximadamente por un 50 % de zonas agr´ıcolas, 47 % de zonas forestales naturales y un 3 % de superficies artificiales y h´umedas (Arozarena et al., 2006). 2La variabilidad clim´atica producida en la pen´ınsula Ib´erica es dominada por la NAO (North Atlantic Oscillation). La NAO es un ´ındice que establece la fluctuaci´on atmosf´erica de las masas de aire producidas entre el anticicl´on subtropical de las Azores en Ponta Delgada (Portugal) y la zona de bajas presiones cerca de Stykkisholmur/Reykiavik (Islandia). El ´ındice NAO mide la diferencia de presi´on atmosf´erica a nivel del mar y se define por una fase positiva y otra negativa. La fase positiva se asocia a centros de presi´on subtropical y flujos provenientes del oc´eano Atl´antico m´as intensos que los habituales, los cuales inducen a inviernos m´as h´umedos y c´alidos en la zona septentrional de Europa, y a inviernos m´as fr´ıos y secos en la zona meridional. Por otra parte, la fase negativa esta asociada a un comportamiento inverso. 59 3. ZONA DE ESTUDIO Y OBSERVACIONES RADIOM´ ETRICAS acci´on meteorol´ogica que provienen tanto de frentes mar´ıtimos como continentales. Por el Suroeste, el anticicl´on de las Azores aporta hacia la pen´ınsula masas de aire estable y c´alido que provoca largos per´ıodos de sequ´ıa y aridez. Por el Norte, la borrasca de Islandia aporta masas de aire fr´ıo polar cargadas de humedad que ocasiona una fuerte inestabilidad con precipitaciones persistentes durante todo el a˜no. De igual manera, el anticicl´on Siberiano que transporta aire fr´ıo polar continental, proporciona vientos secos que producen fuertes heladas en el interior de la pen´ınsula. Finalmente, el Este peninsular con la borrasca Sudsahariana y la presencia del mar Mediterr´aneo, se ve influenciado por masas de aire h´umedo y c´alido que derivan en una disminuci´on de las precipitaciones en la franja mediterr´anea. La tabla 3.1 presenta los principales tipos de clima de la pen´ınsula Ib´erica definidos a partir de la clasificaci´on propuesta por K¨oppen-Geiner (Peel et al., 2007). No obstante, los tipos de clima se definen como seco, templado, fr´ıo y polar. A su vez, cada uno se divide en diversos subtipos de clima en funci´on de los valores medios mensuales de precipitaci´on y temperatura. Dichos intervalos se definen a partir de la influencia del clima sobre la distribuci´on y la cobertura del suelo (Essenwanger, 2001). En la pen´ınsula Ib´erica, destaca una fuerte tendencia de un clima templado con verano seco y caluroso (Csa) hacia la mitad Sur y Este peninsular con una extensi´on del 40 % del territorio. En la mayor parte del Norte peninsular predominan los climas templados que no presentan estaci´on seca (Cfb) y aquellos que presentan un verano seco (Csb). Por su parte, el clima seco de tipo estepa fr´ıa (BSk) se encuentra en el valle del Ebro, la parte Sureste de la meseta meridional y los sistemas B´eticos. Finalmente, en una menor medida se encuentran los climas secos des´erticos (tipo BW) en peque˜nas ´areas del Sureste peninsular, y los climas fr´ıos y polares (Dfb, Dfc y ET) en las cumbres m´as altas de los Pirineos, la cordillera Cant´abrica y el sistema Ib´erico. En definitiva, la variabilidad clim´atica que presenta la pen´ınsula Ib´erica a nivel mesoescalar es definida por el transporte de grandes masas de aire a trav´es de una compleja topograf´ıa peninsular. En decir, la disposici´on de los sistemas monta˜nosos propicia una disminuci´on progresiva de la temperatura y las precipitaciones desde los litorales hacia el interior de la meseta Central. Esta particularidad ocasiona un efecto de continentalidad clim´atica denominado efecto F¨ohn1, que produce una elevada amplitud t´ermica en la 1El efecto de continentalidad clim´atica se produce cuando la masa de aire c´alido y h´umedo proveniente de altitudes bajas, es forzada a ascender por la topograf´ıa debido a la diferencias de presiones. Esto genera por un lado, la condensaci´on del vapor de agua que produce lluvias orogr´aficas en las laderas de barlovento, y por otro lado, el incremento de la presi´on atmosf´erica y la temperatura producida por el aire seco y c´alido que desciende por las laderas de sotavento. 60 3.1 Zona geogr´afica de la pen´ınsula Ib´erica pen´ınsula. En consecuencia, se produce una significativa variabilidad espacio-temporal de la radiaci´on solar en la superficie peninsular. Tabla 3.1: Tipos de clima de la pen´ınsula Ib´erica definidos en funci´on de la clasificaci´on K¨oppen-Geiner (Peel et al., 2007; AEMET-IM, 2011). Tipo de Clima SubtipoClasificaci´ on Temperatura media Zona peninsular asociada Clima Seco (Tipo B) BS (estepa) BSh (estepa c´alida) y BSk (estepa fr´ıa). Temperatura media anual: 18oCAmpliamente extendida por el Sureste de la pen´ınsula y el valle del Ebro. Se presenta en menor extensi´on en la meseta meridional. BW (desier- to) BWh (desierto c´alido) y BWk (desierto fr´ıo). Temperatura media anual: 18oCPeque˜nas ´areas del Sureste de la pen´ınsula Ib´erica, especialmente en las provincias espa˜nolas de Almer´ıa, Murcia y Alicante, coincidiendo con los m´ınimos pluviom´etricos peninsulares. Clima Templado (Tipo C) Cs (periodo seco en verano) Csa (templado con verano seco y caluroso). Temperatura media del mes m´as c´alido superior a 22oC. Variedad clim´atica con la mayor exten- si´on peninsular igual al 40 %. Se extiende por la mayor parte de la mitad Sur y de las regiones costeras mediterr´aneas, a excepci´on de las zonas ´aridas del Sureste. Csb (templado con verano seco y temprado). Temperatura media del mes m´as c´alido menor o igual a 22oC y cuatro meses o m´as con una temperatura media superior a 10oC Ocupado por la mayor parte del Noroeste de la pen´ınsula, casi todo el litoral del Oeste peninsular y numerosas ´areas monta˜nosas del interior de la pen´ınsula. Cf (sin estaci´on seca) Cfa (templado sin estaci´on seca con verano caluroso) Temperatura media del mes m´as c´alido superior a 22oC. Se observa principalmente en el Noreste de la pen´ınsula, en una franja de altitud media que rodea los Pirineos y el sistema Ib´erico. Cfb (templado sin estaci´on seca con verano templado) Temperatura media del mes m´as c´alido menor o igual a 22oC y cuatro meses o m´as con una temperatura media superior a 10oC Se encuentra localizada en la zona Cant´abrica, en el sistema Ib´erico, meseta septentrional y gran parte de los Pirineos con excepci´on de las ´areas de mayor altitud. Clima fr´ıo (Tipo D) Ds (periodo seco en verano) Dsb (fr´ıo con verano seco y templado). Temperatura media del mes m´as c´alido menor o igual a 22oC y cuatro meses o m´as con una temperatura media superior a 10oC Se encuentran localizadas en peque˜nas ´areas de alta monta˜na de la cordillera Cant´abrica, sistema Ib´erico, sistema Central y sierra Nevada. Dsc (fr´ıo con verano seco y fresco) Temperatura media del mes m´as c´alido menor o igual a 22oC y con menos de cuatro meses con temperatura media superior a 10oC Se encuentran localizadas en peque˜nas ´areas de alta monta˜na de la cordillera Cant´abrica, sistema Ib´erico, sistema Central y sierra Nevada. Df (sin estaci´on seca) Dfb (fr´ıo sin estaci´on seca con verano templado) Temperatura media del mes m´as c´alido menor o igual a 22oC y cuatro meses o m´as con una temperatura media superior a 10oC ´ Areas de alta monta˜na de los Pirineos y en algunas peque˜nas zonas de alta monta˜na de la cordillera Cant´abrica y del sistema Ib´erico. Dfc (fr´ıo sin estaci´on seca con verano fresco) Temperatura media del mes m´as c´alido menor o igual a 22oC y con menos de cuatro meses con temperatura media superior a 10oC ´ Areas de alta monta˜na de los Pirineos y en algunas peque˜nas zonas de alta monta˜na de la cordillera Cant´abrica y del sistema Ib´erico. Clima polar (tipo E) ET (tundra) - Temperatura media del mes m´as c´alido es superior a 0oC Se encuentra en peque˜nas ´areas de alta monta˜na en las mayores altitudes de los Pirineos Centrales. EF (glacial) - Temperatura media del mes m´as c´alido es inferior a 0oC No se encuentra presente en la pen´ınsula Ib´erica 61 3. ZONA DE ESTUDIO Y OBSERVACIONES RADIOM´ ETRICAS 3.1.2. Radiaci´on solar en la pen´ınsula Ib´erica El an´alisis del comportamiento de la radiaci´on solar en la pen´ınsula Ib´erica, se realiza a trav´es de las observaciones de series temporales provenientes de las estaciones de medici´on en superficie. Dichas observaciones reciben un tratamiento estad´ıstico que permite analizar el comportamiento medio de la radiaci´on a trav´es de los mapas contenidos en los Atlas de Radiaci´on Solar. La ´ultima versi´on del Atlas de Radiaci´on Solar para la pen´ınsula Ib´erica de Sancho ´ Avila et al. (2012), presenta los mapas de valores medios de las componentes global y directa con una resoluci´on espacial de 3kmx3km utilizando datos de sat´elite del proyecto CM-SAF (Climate Satellite Application Facilities), validados mediante estaciones de la Red Radiom´etrica Nacional de AEMET (Agencia Estatal de Meteorolog´ıa) para el periodo 1983-2005. La figura 3.2 presenta el mapa de la distribuci´on peninsular de la radiaci´on global media, donde se observa un marcado gradiente latitudinal con los valores m´aximos superiores a 5 kWh ·m2·d−1en el Sur de la pen´ınsula, valores intermedios entre 4 y 5 kWh ·m2·d−1en el Centro peninsular, y valores m´ınimos inferiores a 4 kWh ·m2·d−1en el Norte. Figura 3.2: Mapa de la distribuci´on geogr´afica de la radiaci´on solar global media en kW h·m2·d−1para la pen´ınsula Ib´erica en el periodo 1983-2005 (Sancho ´ Avila et al., 2012). 62 3.1 Zona geogr´afica de la pen´ınsula Ib´erica En concreto, las regiones del Sur que reciben una mayor radiaci´on son la comunidad de Andaluc´ıa y la regi´on de Murcia, en las zonas costeras del Golfo de C´adiz, el valle del Guadalquivir, el sistema Ib´erico y el Sur de sierra Morena. Por su parte, el centro de la pen´ınsula presenta un importante gradiente en el sistema Central donde la comunidad de Castilla y Le´on en la meseta septentrional, recibe mayor radiaci´on que las comunidades de Castilla-La Mancha y Madrid en la meseta meridional. En la costa del Mediterr´aneo, se observa un contraste Norte-Sur acusado entre la Comunidad Valenciana y la costa Norte de Catalu˜na. As´ı mismo, el valle del Ebro que abarca desde el Noroeste de la Comunidad de Arag´on hasta el Oeste de Catalu˜na, registra valores de radiaci´on relativamente altos. Finalmente, el Norte peninsular presenta la m´ınima radiaci´on que cubre toda la costa Norte que incluye la comunidad de Galicia, el principado de Asturias y Cant´abria (cordillera Cant´abrica), el Pa´ıs Vasco, la Rioja y el Norte de Navarra y Arag´on (Pirineos). Con respecto a la dependencia estacional, el verano exhibe una gradiente latitudinal m´as notable en relaci´on a la del invierno, en especial sobre la mitad Norte peninsular. As´ı mismo, en el transcurso del a˜no se presenta un marcado gradiente radiativo Norte- Sur, delimitado por la cordillera Cant´abrica. Esta situaci´on propicia valores similares en el mes de julio para la pen´ınsula, con excepci´on de la baja radiaci´on que se presenta en la cornisa Cant´abrica. Durante la primavera los valores m´aximos se presentan en las regiones del Sureste peninsular. Posteriormente, en periodos pr´oximos al verano (mes de mayo), estos valores m´aximos se desplazan hacia el Suroeste de la pen´ınsula, donde a medida que se acercan los meses m´as calurosos del a˜no (julio y agosto) los valores m´aximos se desplazan hacia el Norte (regi´on de extremadura), los cuales se mantienen en esa zona hasta el mes de septiembre. Finalmente, durante el mes de octubre la distribuci´on espacial de la radiaci´on se compensa nuevamente hacia el Sureste de la pen´ınsula Ib´erica. Ante lo expuesto anteriormente, se evidencia la importancia del estudio de la radiaci´on solar en la pen´ınsula Ib´erica, que se fundamenta en la complejidad geogr´afica que dificulta la caracterizaci´on espacial y temporal del recurso solar. 3.1.3. Estaciones de la red radiom´etrica nacional de AEMET para Espa˜na La Red Radiom´etrica Nacional (RRN) de la Agencia Estatal de Meteorolog´ıa (AEMET, 2006), depende del Ministerio de Agricultura, Alimentaci´on y Medio Ambiente 63 3. ZONA DE ESTUDIO Y OBSERVACIONES RADIOM´ ETRICAS 3.2.1. Redes radiom´etricas de Catalu˜na Las estaciones radiom´etricas en la zona geogr´afica de Catalu˜na se establecen a partir de la versi´on m´as reciente del Atlas de Radiaci´o Solar a Catalunya de Baldasano et al. (2006), con observaciones para el periodo 1971 - 20051. Las estaciones radiom´etricas recopiladas pertenecen a diferentes redes auton´omicas, nacionales e internacionales. Las redes auton´omicas de Catalu˜na son la Xarxa radiom´etrica de l’Institut Catal`a d’Energia de Catalunya (ICAEN, 1991) y la Xarxa d’Equipaments Meteorol`ogics de la Generalitat de Catalunya (XEMEC) del Servei Meteorol`ogic de Catalunya (Meteocat, 2001). A nivel nacional se encuentra la Red Radiom´etrica Nacional (RRN) de la Agencia Estatal de Meteorolog´ıa de Espa˜na (AEMET, 2006), y a nivel internacional las estaciones de MeteoFrance en el Sur de Francia y la estaci´on de Andorra perteneciente al Govern d’Andorra. Posteriormente, como resultado del tratamiento de calidad cuya implementaci´on se describe en el siguiente apartado, se establecen 95 estaciones que representa la base de datos de las observaciones de radiaci´on solar global y difusa en Catalu˜na para el a˜no 2004. En la figura 3.5, se presenta la distribuci´on espacial de dichas estaciones clasificadas por color en funci´on de la altitud geogr´afica. Se observa una significativa homogeneidad para la zona de estudio, donde las estaciones con una altitud inferior a 200 m (color verde) se ubican principalmente en el Empord`a, la plana de Lleida, el litoral mediterr´aneo y en los deltas de los r´ıos Ebro y Llobregat. Las estaciones que presentan una altitud entre 200 y 500 m (color naranja), se encuentran distribuidas entre el pla d’Urgell y el pla de Bages. Finalmente, las estaciones con una altitud superior a 500 m (color rojo) se ubican en el altipl`a de la Segarra, la plana de Vic y los sistemas monta˜nosos del Pirineo y el pre-pirineo. La tabla B.2 del ap´endice B presenta una descripci´on de las estaciones radiom´etricas clasificadas en funci´on de la red radiom´etrica y su resoluci´on temporal. No obstante, las estaciones pertenecientes a las redes auton´omicas del ICAEN y de XEMEC, muestran la mayor resoluci´on temporal con registros cada cinco y treinta minutos, respectivamente. Es importante mencionar que las estaciones de la red ICAEN son las ´unicas de la base de datos que cuentan con observaciones cinco-minutales de la radiaci´on solar difusa2. 1El Atlas de Radiaci´o Solar a Catalunya contiene mapas de estimaci´on anual y mensual de la irradiaci´on global promedio diaria, realizados a partir del m´etodo de interpolaci´on de Kriging con un ajuste lineal a partir de 203 estaciones radiom´etricas (Baldasano et al., 2006). 2La gesti´on de la Xarxa radiom´etrica de l’Institut Catal`a d’Energia de Catalunya (ICAEN) se realiza a trav´es de un convenio de colaboraci´on que mantiene el Institut Catal`a d’Energia de Catalunya con la Universitat Polit`ecnica de Catalunya. En consecuencia, la coordinaci´on, supervisi´on y mantenimiento 70 3.2 Zona geogr´afica de Catalu˜na Por su parte, las estaciones de la Red Radiom´etrica Nacional de AEMET, MeteoFrance y el Govern d’Andorra exhiben los registros de radiaci´on con una resoluci´on temporal diaria. Figura 3.5: Distribuci´on geogr´afica de las estaciones radiom´etricas de Catalu˜na utilizadas por el estudio para el a˜no 2004. La numeraci´on de las estaciones radiom´etricas corresponde con la primera columna de la tabla B.2 (ap´endice B). La clasificaci´on por color se realiza en funci´on de la altitud geogr´afica: en color verde las estaciones ubicadas a menos de 200 m de altitud, en naranja las estaciones entre 200 y 500 m de altitud y en rojo las estaciones con una altitud superior a 500 m. La resoluci´on temporal de las estaciones pertenecientes a la Red Radiom´etrica Nacional de AEMET, el Govern d’Andorra yMeteoFrance es diaria. La resoluci´on de las estaciones de la red XEMEC es semi-horaria. Finalmente, la resoluci´on de las estaciones de la red ICAEN es cinco-minutal y presenta registros de radiaci´on solar difusa. de las estaciones ICAEN es realizada por el grupo de investigaci´on donde se desarrolla el presente trabajo de investigaci´on (Rinc´on et al., 2012). 71 3. ZONA DE ESTUDIO Y OBSERVACIONES RADIOM´ ETRICAS 3.2.2. Control de calidad de las estaciones radiom´etricas para la zona geogr´afica de Catalu˜na El control de calidad se aplica a las observaciones de radiaci´on solar global y difusa de la zona geogr´afica de Catalu˜na. El tratamiento de dichas observaciones se basa en los l´ımites propuestos por la metodolog´ıa QCRad Testing de Long y Dutton (2002); Long y Shi (2006, 2008) del proyecto BSRN (Baseline Surface Radiation Network) creado bajo el auspicio del World Meteorological Organization (WMO) y el World Climate Research Program (WCRP)1. En funci´on a lo establecido por el proyecto BSRN las etapas del tratamiento de control de calidad comprenden: 1) filtraci´on de los datos entre la salida y la puesta del Sol; 2) implementaci´on de los l´ımites de control QCRad Testing y 3) validaci´on gr´afica de las componentes global y difusa. 3.2.2.1. Filtraci´on por salida y puesta de Sol El proceso de filtrado de los registros de radiaci´on entre las horas de la salida del Sol hasta la puesta del mismo, constituye la primera etapa del tratamiento de calidad. Por lo tanto, los registros antes del alba y despu´es del ocaso son excluidos de la base de datos mediante el c´alculo de las horas efectivas de radiaci´on solar para cada estaci´on y d´ıa del a˜no. Dicho c´alculo se establece a partir de las coordenadas latitud y longitud de las estaciones radiom´etricas en funci´on de los algoritmos astron´omicos propuestos por Meeus (1999)2. A modo de ejemplo, la figura 3.6 presenta los resultados de los c´alculos astron´omicos de las horas de salida y puesta del Sol para la estaci´on radiom´etrica de Barcelona en el a˜no 2004. 1El proyecto BSRN se encarga de establecer las normas que precisan las observaciones de radiaci´on solar en superficie debido a la amplia gama de condiciones meteorol´ogicas encontradas en todo el mundo (Ohmura et al., 1998; WMO, 1996). La base de datos del BSRN se encuentra en Zurich, Suiza bajo la direcci´on del Dr. Atsumu Ohmura (www.bsrn.awi.de). 2Los algoritmos de c´alculo de las horas de salida y puesta del Sol son implementados en el software de c´alculo del departamento de aplicaciones astron´omicas del Observatorio Naval de Estados Unidos (United States Naval Observatory, USNO). La web principal del USNO es www.usno.navy.mil y las aplicaciones astron´omicas utilizadas se encuentran en el siguiente link: http://aa.usno.navy.mil. 72 3.2 Zona geogr´afica de Catalu˜na Figura 3.6: Resultados de los c´alculos astron´omicos de las horas de salida y puesta del Sol para la estaci´on radiom´etrica de Barcelona en el a˜no 2004. C´alculos realizados en hora UTC (Universal Time Coordinated) a partir de las coordenadas de la estaci´on de Barcelona (Latitud: 41o2305.14”N y Longitud: 2o704.39”E) mediante el software de c´alculo del Departamento de Aplicaciones Astron´omicas del Observatorio Naval de Estados Unidos (http://aa.usno.navy.mil). 3.2.2.2. Implementaci´on de los l´ımites de control QCRad Testing La segunda etapa del control de calidad de las observaciones radiom´etricas consiste en la implementaci´on de los l´ımites de control definidos mediante la metodolog´ıa QCRad Testing, donde se establecen par´ametros de radiaci´on solar en onda corta a partir del coseno del ´angulo cenital y la constante solar ajustada a la distancia Tierra-Sol. De esta manera, se obtienen registros de radiaci´on solar dentro de niveles efectivos para las horas entre la salida y la puesta del Sol, con un ´angulo cenital comprendido entre 0oy 90o. La tabla 3.2 presenta los par´ametros de control de calidad para l´ımites f´ısicamente posibles (nivel 1), l´ımites extremadamente raros (nivel 2) y para las observaciones de la componente difusa en relaci´on a los registros de global superiores a 50 W·m−2(nivel 3). 3.2.2.3. Validaci´on gr´afica de las componentes global y difusa La ´ultima etapa del control de calidad de las observaciones radiom´etricas consiste en un proceso de validaci´on de la evoluci´on gr´afica de las componentes global y difusa. 73 3. ZONA DE ESTUDIO Y OBSERVACIONES RADIOM´ ETRICAS Tabla 3.2: Niveles de control de calidad de la metodologia QCRad Testing implementados a las componentes global y difusa de las estaciones de la zona geogr´afica de Catalu˜na (Long y Dutton, 2002; Long y Shi, 2006, 2008). Nivel de control Par´ametro Componente Global (GHI)a Componente Difusa (DI)b 1. L´ımites f´ısicamente posibles M´ınimo -4 W·m−2-4 W·m−2 M´ aximocSa·1.5·µ1.2+100W·m−2Sa·0.95·µ1.2+50W·m−2 2. L´ımites extremadamente raros M´ınimo -2 W·m−2-2 W·m−2 M´aximodSa·1.2·µ1.2+50W·m−2Sa·0.75·µ1.2+30W·m−2 3. L´ımites de la componente difusa en funci´on de la componente global mayor a 50 W·m−2 Par´ametroeFracci´on de difusa (kd)f SZA<75okd<1.05 75o<SZA<93okd<1.10 aMedida de radiaci´on de onda corta para un piran´ometro no sombreado. bMedida de radiaci´on de onda corta para un piran´ometro sombreado. cSaes la constante solar ajustada a la distancia Tierra-Sol donde Sa=ICS AU2, La constante solar (ICS) en la media de la distancia Tierra-Sol es igual a 1367 W·m−2(WMO, 1996). La media de la distancia Tierra-Sol se denomina unidad astron´omica (AU) y es igual a 1.496·108km. dµes el coseno del ´angulo cenital solar calculado mediante la ecuaci´on A.4. eSZA es el ´angulo cenital solar. fLa fracci´on de la componente difusa es calculada mediante la ecuaci´on 2.7. A partir del trabajo de Santab´arbara et al. (1996), se realiza una comparaci´on gr´afica entre la evoluci´on anual de la energ´ıa global diaria en MJ ·m−2·d−1, y la curva de atenuaci´on te´orica extraterrestre (similar a la aplicada para las estaciones AEMET de la pen´ınsula Ib´erica en el apartado anterior). La validaci´on gr´afica de la componente difusa consiste en la detecci´on de los errores de medida ocasionados principalmente por un mal posicionamiento de la banda de sombreado sobre el piran´ometro. El an´alisis del comportamiento de la curva de difusa con respecto a la curva de global previamente validada, se realiza para los registros de cada d´ıa. Es decir, en un d´ıa despejado sin presencia de nubes, si la curva de global presenta un comportamiento sim´etrico con una m´axima amplitud en el mediod´ıa solar, la curva de difusa muestra una amplitud mucho m´as peque˜na. En caso contrario, si se presenta nubosidad durante dicho d´ıa, gr´aficamente se observa un incremento de la curva de difusa que coincide con una disminuci´on de la curva de global3. Adicionalmente, con el prop´osito de diferenciar los bajos niveles de irradiaci´on global y difusa diaria de los registros err´oneos acumulados a trav´es del tratamiento de calidad, se establece un par´ametro que representa el 80 % de los registros v´alidos por d´ıa. 3La validaci´on gr´afica de la componente difusa se realiza para evaluar las observaciones de las estaciones radiom´etricas de la red ICAEN, las cuales son utilizadas en el siguiente apartado para la evaluaci´on de los modelos de descomposici´on param´etrica. 74 3.2 Zona geogr´afica de Catalu˜na De esta manera, finaliza el control de calidad para las observaciones radiom´etricas de las estaciones de Catalu˜na para el a˜no 2004. No obstante, la implementaci´on del tratamiento de calidad se realiza como parte de los trabajos realizados entorno a la actualizaci´on del Atlas de Radiaci´o Solar a Catalunya (Baldasano et al., 2006) y la gesti´on de la Xarxa radiom´etrica de l’Institut Catal`a d’Energia de Catalunya (ICAEN), realizada por el grupo de investigaci´on donde se desarrolla el presente trabajo de investigaci´on (Rinc´on et al., 2012). En la tabla B.2 del ap´endice B, se presentan los resultados del control de calidad para las estaciones radiom´etricas, donde se observa un porcentaje de cubrimiento superior al 75 % para todas las estaciones. A modo de ejemplo, la figura 3.7 muestra el control de calidad realizado a la estaci´on radiom´etrica de Girona perteneciente a la red ICAEN, donde se observa la evoluci´on anual de la curva de atenuaci´on te´orica extraterrestre (color negro), con respecto al comportamiento de la irradiaci´on global diaria (color azul) y la irradiaci´on difusa diaria (color rojo). Por una parte, la figura 3.7a muestra la evoluci´on anual de la irradiaci´on solar previa a la aplicaci´on del tratamiento de calidad, y por otra parte, la figura 3.7b muestra los resultados posteriores a dicho tratamiento. En concreto, para d´ıas despejados de primavera (p.e. los d´ıas 95 a 100), se observa un comportamiento similar entre la curva de irradiaci´on global y la curva de atenuaci´on te´orica extraterrestre. De igual forma, durante los mismos d´ıas se observa un distanciamiento de la irradiaci´on difusa con valores menores a 10 MJ ·m−2·d−1, con respecto a la irradiaci´on global (superior a 20 MJ ·m−2·d−1). Por lo tanto, los registros de irradiaci´on difusa para estos d´ıas se consideran v´alidos. Por el contrario, para los d´ıas 84 a 91 y 225 a 237, donde la irradiaci´on difusa presenta una evoluci´on gr´afica at´ıpica con respecto a la curva de irradiaci´on global, se realiza una exclusi´on de dichos registros como se muestra en la figura 3.7b. En consecuencia, el porcentaje de cubrimiento para la estaci´on de Girona en el a˜no 2004 es del 95 %. 75 3. ZONA DE ESTUDIO Y OBSERVACIONES RADIOM´ ETRICAS a b Figura 3.7: Resultados del control de calidad para la irradiaci´on global y difusa diaria de la estaci´on radiom´etrica de Girona en el 2004 para a) Registros previos al control de calidad y b) Resultados posteriores al control de calidad. La evoluci´on de la irradiaci´on global diaria se presenta en color azul, la irradiaci´on difusa diaria en color rojo y la evoluci´on anual de la curva de atenuaci´on te´orica extraterrestre se presenta en color negro. 76 3.3 Evaluaci´on de modelos de descomposici´on param´etrica para la estimaci´on de la componente directa 3.3. Evaluaci´on de modelos de descomposici´on param´etrica para la estimaci´on de la componente directa Las diferentes tecnolog´ıas de aprovechamiento de la energ´ıa solar concentrada requieren cuantificar la ´unica componente de la radiaci´on solar susceptible de ser utilizada: la radiaci´on solar directa (DNI). De igual manera, la cuantificaci´on del n´umero de horas de Sol estimadas a partir de la DNI, representa un criterio relevante para el dise˜no y el dimensionamiento de dichas tecnolog´ıas de aprovechamiento de la radiaci´on solar1. La escasa disponibilidad de series temporales de medida de la DNI hace necesaria la utilizaci´on de modelos de descomposici´on param´etrica, los cuales realizan una descomposici´on de otras componentes o par´ametros de la radiaci´on solar mediante la obtenci´on de correlaciones adimensionales2. Dichas correlaciones estiman la fracci´on de la componente difusa (kd) o la transmitancia directa (kb), a partir del ´ındice de transparencia atmosf´erica (kt) y el vector posici´on del Sol dado por el cos(SZA). Por lo tanto, las observaciones cinco-minutales de las componentes global y difusa obtenidas del tratamiento de calidad de la red ICAEN, son utilizadas para evaluar las correlaciones de diferentes modelos de estimaci´on de DNI en la zona geogr´afica de Catalu˜na. Las parametrizaciones f´ısicas de los modelos de pron´ostico meteorol´ogico realizan el c´alculo de la radiaci´on global pero presentan limitaciones en la estimaci´on de la DNI (Lara-Fanego et al., 2011). En este trabajo, la estimaci´on de dicha componente se realiza mediante la evaluaci´on de cinco modelos de descomposici´on param´etrica. Los modelos se han seleccionado en funci´on de la proximidad del ajuste de sus parametrizaciones con la zona geogr´afica de Catalu˜na entre las latitudes 40 y 43oN. En consecuencia, los modelos de descomposici´on param´etrica considerados son3: 1La duraci´on de las horas de Sol se registra a trav´es del heli´ografo de Campbell-Stokes, el cual concentra la radiaci´on solar a trav´es de una esfera de cristal que act´ua como lente convergente sobre un registro de papel. Sin embargo, debido al grado de subjetividad que supone la lectura de los datos y al dise˜no que limita su automatizaci´on, en la actualidad se utilizan sensores termoel´ectricos que realizan la suma de los intervalos de tiempo (en horas) donde la DNI excede el umbral de 120 W·m−2. Este umbral corresponde aproximadamente con una altura solar sobre el horizonte superior a 3oen condiciones de cielo despejado (WMO, 1996; Campbell, 2005). 2La limitada disponibilidad de series temporales de DNI se debe b´asicamente a razones de tipo tecnol´ogico. El Pirheli´ometro que es el instrumento normalmente utilizado para la medici´on, requiere de un sistema de seguimiento de la trayectoria solar que genera un incremento en los costos de instalaci´on y mantenimiento de la estaci´on radiom´etrica. 3La descripci´on detallada de los modelos de descomposici´on param´etrica y el ajuste de las parametrizaciones propuestas por los diferentes autores, se presenta en la revisi´on bibliogr´afica del cap´ıtulo 2. 77 3. ZONA DE ESTUDIO Y OBSERVACIONES RADIOM´ ETRICAS Modelo de Orgill y Hollands (1977) (ecuaci´on 2.9): Constituye un grupo de relaciones lineales simples establecidas en funci´on del ´ındice kt. Modelo de Erbs et al. (1982) (ecuaci´on 2.10): Plantea un conjunto de parametrizaciones donde se incluye un polinomio de cuarto orden para el intervalo de nubosidad media dado en funci´on del ´ındice kt. Modelo de Maxwell (1987) (ecuaciones 2.11, 2.12, 2.13 y 2.14): Estima la transmitancia directa a partir de un conjunto de parametrizaciones que dependen de la masa de aire y del ´ındice kt. En este modelo se encuentra implementado el modelo de cielo claro de Bird y Hulstrom (1981). Modelo de Reindl et al. (1990): Estima la fracci´on de difusa empleando dos grupos de parametrizaciones. La parametrizaci´on I (ecuaci´on 2.15) se propone en funci´on del ´ındice kt, y la parametrizaci´on II (ecuaci´on 2.16) depende del ´ındice kty el cos(SZA). Modelo de Macagnan et al. (1994): Estima la fracci´on de difusa utilizando dos parametrizaciones. La parametrizaci´on I (ecuaci´on 2.17) depende del ´ındice kty el cos(SZA), y la parametrizaci´on II (ecuaci´on 2.18) propone tres polinomios de segundo y cuarto orden en funci´on del ´ındice kt. La estimaci´on de la DNI se realiza a trav´es de los valores proyectados de la componente sobre la superficie horizontal. De esta manera, se evita la singularidad num´erica producida por la desproyecci´on de los rayos solares cuando la divisi´on con el coseno del ´angulo cenital tiende a cero cerca de la salida y la puesta del Sol (CIEMAT, 2008). La evaluaci´on de la DNI estimada por los modelos de descomposici´on param´etrica, se basa en el c´alculo del error sistem´atico (Mean Bias Error), y del RMSE (Root Mean Square Error). En la tabla 3.3 y la figura 3.8, se presentan los resultados de la evaluaci´on de los modelos param´etricos para las estaciones radiom´etricas ICAEN de Girona, Manresa, Barcelona, Sort, Lleida, Torroella y Terrassa. Los resultados para el promedio de las estaciones permiten establecer que el modelo de Macagnan et al. (1994) (parametrizaci´on II), realiza las mejores estimaciones de DNI con valores de RMSE de 37 W·m−2y Bias de -4 W·m−2. Dichos resultados son notablemente inferiores a los obtenidos por los dem´as modelos. Por una parte, los modelos de Orgill y Hollands (1977), Erbs et al. (1982) y Reindl et al. (1990) (parametrizaci´on I), presentan un RMSE similar al modelo de Macagnan et al. (1994) 78 3.3 Evaluaci´on de modelos de descomposici´on param´etrica para la estimaci´on de la componente directa (parametrizaci´on II). Sin embargo, los valores de Bias inferiores a -12 W·m−2evidencian una subestimaci´on de dichos modelos (figuras 3.8a, 3.8b y 3.8d). Por otra parte, los modelos de Maxwell (1987) y Reindl et al. (1990) (parametrizaci´on II), muestran una sobrestimaci´on con valores de RMSE y Bias de 88 y 32 W·m−2, respectivamente (figura 3.8c). Finalmente, las dos parametrizaciones de Macagnan et al. (1994) presentan los menores Bias (4 y -4 W·m−2). No obstante, la primera parametrizaci´on presenta un RMSE superior e igual a 297 W·m−2(figura 3.8e). El error en la estimaci´on de la DNI en la segunda parametrizaci´on del modelo de Macagnan et al. (1994) (figura 3.8f), es comparada mediante la altitud de las estaciones radiom´etricas. Se observan los mejores resultados para las estaciones con una altitud inferior a 300 m, pr´oximas al litoral y el pre-litoral Catal´an (Girona, Manresa, Barcelona, Torroella y Terrassa) y la depresi´on Central (Lleida). Por otra parte, la estaci´on de Sort localizada en los Pirineos (altitud de 692 m), presenta una marcada subestimaci´on para dicha parametrizaci´on (RMSE=48.5 W·m−2y Bias=-16.7 W·m−2). Los resultados sugieren que las estimaciones se ajustan en mayor medida a las ´areas geogr´aficas litorales y de tendencia continental, en relaci´on a la complejidad orogr´afica que presentan las zonas monta˜nosas de los Pirineos. Esta limitante se relaciona con los contrastes que presentan la solana y la umbr´ıa en dichas zonas monta˜nosas. Asimismo, se observa que la parametrizaci´on que depende ´unicamente del ´ındice de transparencia atmosf´erica, es susceptible a los cambios en la cobertura nubosa, donde la variabilidad atmosf´erica que presentan los climas de alta monta˜na, afectan en mayor medida a la estimaci´on de la DNI. En conclusi´on, la segunda parametrizaci´on propuesta por Macagnan et al. (1994) es seleccionada para la estimaci´on de la DNI y la cuantificaci´on de las horas de Sol a partir de las correcciones de la radiaci´on global del modelo meteorol´ogico WRF-ARW. Por lo tanto, los resultados de la estimaci´on para la zona de estudio se presentan en el cap´ıtulo 6. 79 4. EVALUACI´ ON DE LA RADIACI ´ ON SOLAR SIMULADA POR EL MODELO METEOROL ´ OGICO WRF-ARW Tabla 4.1: Caracter´ısticas de las parametrizaciones utilizadas para la simulaci´on de radiaci´on solar en la zona de estudio. Tipo de parametrizaci´on Esquema Caracter´ısticas principales Microf´ısica WSM3-class Diagn´ostico de la concentraci´on de hielo basado en la estimaci´on de su masa. Implementa tres categor´ıas para definir el estado del agua: vapor, cloud water/ice yrain/snow (Hong et al., 2004). Cumulus Kain-Fritsch Implementa un modelo de nube simple con las corrientes h´umedas ascendentes y descendentes, incluyendo efectos como el arrastre, y la microf´ısica simple (Kain y Fritsch, 1990, 1993). Capa Superficial Monin-Obukhov Incluye parametrizaciones de la sub-capa viscosa sobre la superficie del agua y la superficie terrestre (Monin y Obukhov, 1954; Janji´c, 2002). Modelo Tierra-Superficie Noah LSM Desarrollado en conjunto por NCAR y NCEP (Chen y Dudhia, 2001), es un modelo que posee la capacidad de estimar la temperatura del suelo (en cuatro capas), la humedad, la predicci´on de la cubierta de nieve, la evapotranspiraci´on, el drenaje del suelo y la escorrent´ıa. Adem´as, tiene en cuenta las categor´ıas de la vegetaci´on, la fracci´on mensual de vegetaci´on y las texturas del suelo. El esquema proporciona los flujos de calor sensible y latente con el esquema de la capa l´ımite. Capa l´ımite planetaria (PBL) Yonsei University Hong y Pan. (1996) proponen utilizar el t´ermino del gradiente para representar los flujos debido a los gradientes no locales. Radiaci´on atmosf´erica MM5-SW para radiaci´on de onda corta Integraci´on simple del flujo solar descendente que representa la dispersi´on para un cielo claro, la absorci´on del vapor de agua, y el albedo y la absorci´on producida por las nubes (Lacis y Hansen, 1974; Dudhia, 1989). RRTM-LW para radiaci´on de onda larga Mlawer et al. (1997) propone el m´etodo correlated-k, el cual utiliza tablas preestablecidas de vapor de agua, ozono, di´oxido de carbono y trazas de gases. Tambi´en realiza la contabilizaci´on del espesor ´optico de las nubes. 4.1.1. Par´ametros de evaluaci´on La evaluaci´on de la radiaci´on solar consiste en la medida de la precisi´on del valor modelizado en relaci´on al grado de correspondencia con observaciones medidas en estaciones radiom´etricas. La International Energy Agency Solar Heating and Cooling a trav´es del proyecto MESoR1, establece las directrices para la utilizaci´on de los par´ametros de calidad en la evaluaci´on de la radiaci´on solar mediante modelizaci´on (Beyer et al., 2009). 1Management and Exploitation of Solar Resource Knowledge (www.mesor.net). 86 4.1 Modelo meteorol´ogico Weather Research and Forecasting La evaluaci´on de la radiaci´on solar simulada se realiza mediante los siguientes par´ametros estad´ısticos: el Bias o desviaci´on media (Mean Bias Error, MBE), el error cuadr´atico medio o error global (Root Mean Square Error, RMSE), y el coeficiente de correlaci´on de Pearson (r). De manera similar, se utilizan los valores relativos porcentuales del MBE y el RMSE, denominados Relative Mean Bias Error (rMBE) yRelative Root Mean Square Error (rRMSE). La tabla 4.2 presenta las principales caracter´ısticas de los par´ametros utilizados para la medida del error de las simulaciones. Los par´ametros xmod,i yxobs,i, representan el par de valores del modelo y la observaci´on, y nel n´umero de pares comparados. El Bias (MBE) cuantifica el error sistem´atico del modelo al sobrestimar (Bias positivo) o subestimar (Bias negativo) la variable evaluada. El RMSE establece la medida del error global (mayor a cero) dado por las diferencias entre las observaciones y los valores simulados. El coeficiente rproporciona el grado de correlaci´on entre los pares de datos comparados y finalmente, los valores relativos proporcionan el grado de correspondencia porcentual en proporci´on al promedio de la variable observada. Adem´as, la evaluaci´on de la radiaci´on solar se realiza a trav´es de la distribuci´on estad´ıstica que permite analizar la variaci´on de la posici´on central (mediana, 50 %), el histograma de frecuencias y las medidas de posici´on no central como el primer cuartil (25 %), el tercer cuartil (75 %) y el decil 90 %. 87 4. EVALUACI´ ON DE LA RADIACI ´ ON SOLAR SIMULADA POR EL MODELO METEOROL ´ OGICO WRF-ARW Tabla 4.2: Par´ametros de medida del error de la radiaci´on solar simulada por el modelo WRF-ARW para la zona de estudio. Par´ametro Ecuaci´on de c´alculo Rango de medida Valor ideal Unidades Bias o desviaci´on media (Mean Bias Error, MBE) Bias =MBE = n X i=1 (xmod,i −xobs,i) n(4.1) −∞ ≤ MBE ≤+∞0W·m−2 Error cuadr´atico medio (Root Mean Square Error, RMSE) RMSE =√MSE =v u u t n X i=1 (xmod,i −xobs,i)2 n(4.2) 0≤RMSE ≤+∞0W·m−2 Coeficiente de correlaci´on de Pearson (r) r=Pn i=1(xmod,i −xmod)·(xobs,i −xobs) pPn i=1(xmod,i −xmod)2·Pn i=1(xobs,i −xobs)2(4.3) −1≤r≤1 Ajuste positivo=1 Adimensional Desviaci´on media relativa (Relative Mean Bias Error, rMBE) rMBE =MBE xobs ·100 % (4.4) −∞ ≤ rMBE ≤+∞0 % Error cuadr´atico medio relativo (Relative Root Mean Square Error, rRMSE) rRMSE =RMSE xobs ·100 % (4.5) 0≤rRMSE ≤+∞0 % 88 4.2 Evaluaci´on de la simulaci´on de la radiaci´on solar global en la zona de estudio 4.2. Evaluaci´on de la simulaci´on de la radiaci´on solar global en la zona de estudio La evaluaci´on de la radiaci´on solar anual simulada en la pen´ınsula Ib´erica, se lleva a cabo en t´erminos de energ´ıa y potencia solar. La evaluaci´on de la energ´ıa solar integrada por d´ıa en Espa˜na, se realiza en unidades de MJ·m−2·d−1, y la evaluaci´on de la potencia solar horaria instant´anea en W·m−2, se realiza para Catalu˜na (Noreste peninsular). La relaci´on que se establece entre la energ´ıa y la potencia solar se presenta en detalle en el ap´endice A.2. 4.2.1. Resultados de la evaluaci´on de la radiaci´on global diaria para Espa˜na Las simulaciones de la radiaci´on global diaria se eval´uan con observaciones de 24 estaciones radiom´etricas pertenecientes a la Agencia Estatal de Meteorolog´ıa de Espa˜na (AEMET, 2006). La figura 4.2, presenta los resultados de la distribuci´on anual de la radiaci´on simulada y observada para todas las estaciones radiom´etricas. Para un rango de valores comprendido entre 0 y 35 MJ ·m−2·d−1, el comportamiento de la mediana (l´ınea continua roja), el rango del cuartil 75 % (l´ınea punteada verde) y el rango del decil 90 % (l´ınea punteada azul), establece la mejor estimaci´on de la radiaci´on simulada entre 10 y 20 MJ ·m−2·d−1. Sin embargo, se observa una sobrestimaci´on para valores superiores a 20 MJ ·m−2·d−1y una subestimaci´on para valores inferiores a 10 MJ ·m−2·d−1. La frecuencia para los registros diarios de todas las estaciones se observa mediante el histograma azul de la figura 4.2. El comportamiento de la radiaci´on diaria entre 7 y 35 MJ ·m−2·d−1es homog´eneo para el rango de 600 a 800 registros anuales. Sin embargo, para los valores de radiaci´on inferiores a 7 MJ ·m−2·d−1, la frecuencia de datos disminuye hasta los 200 registros anuales. En consecuencia, la medida del Bias promedio anual corresponde a 0.7 MJ ·m−2·d−1y del RMSE promedio anual a 3.8 MJ ·m−2·d−1. 89 4. EVALUACI´ ON DE LA RADIACI ´ ON SOLAR SIMULADA POR EL MODELO METEOROL ´ OGICO WRF-ARW Figura 4.2: Distribuci´on de la radiaci´on global diaria simulada y observada a trav´es de 24 estaciones radiom´etricas de AEMET en el a˜no 2004. El comportamiento de la radiaci´on global se define mediante la mediana (50 %, l´ınea continua roja), el rango del tercer cuartil (75 %, l´ınea punteada verde), el rango del decil 90 % (l´ınea punteada azul) y la frecuencia para los registros horarios (histograma azul). Las figuras 4.3a y 4.3b, presentan los resultados de la distribuci´on geogr´afica de la radiaci´on global simulada. La figura 4.3a muestra el comportamiento de la mediana y los percentiles en funci´on de la localizaci´on espacial de las estaciones radiom´etricas. Se observa que las estaciones pr´oximas a las costas del oc´eano Atl´antico y el mar Mediterr´aneo como Santander, Bilbao, Barcelona y Valencia, sobrestiman la radiaci´on simulada para valores superiores a 20 MJ ·m−2·d−1. Por el contrario, las estaciones continentales ubicadas en el interior de la pen´ınsula como Salamanca, Toledo y Badajoz, muestran una mejor tendencia para el mismo rango de radiaci´on. La subestimaci´on para los valores menores a 10 MJ ·m−2·d−1presenta un comportamiento similar para todas las estaciones radiom´etricas. En la figura 4.3b, se presentan los rangos del RMSE y de los porcentajes de cubrimiento de las estaciones radiom´etricas. Se observan valores del RMSE en un rango de 3 a 5 MJ ·m−2·d−1y un rango de 40 a 100 % de cubrimiento anual de las observaciones. 90 4.2 Evaluaci´on de la simulaci´on de la radiaci´on solar global en la zona de estudio a b Porcentaje de cubrimiento Figura 4.3: a) Distribuci´on geogr´afica de la radiaci´on solar diaria simulada y b) Resultados del RMSE y el porcentaje de cubrimiento anual de las estaciones radiom´etricas de AEMET para el a˜no 2004 (Rinc´on et al., 2008). 91 4. EVALUACI´ ON DE LA RADIACI ´ ON SOLAR SIMULADA POR EL MODELO METEOROL ´ OGICO WRF-ARW De acuerdo a la distribuci´on espacial que presenta el RMSE, se observa un mayor error en las zonas litorales con respecto a las continentales. Dicha afirmaci´on se comprueba al analizar los valores del RMSE por estaci´on radiom´etrica. Las estaciones radiom´etricas de las zonas litorales como Palma (RMSE=3.7 MJ ·m−2·d−1), A Coru˜na (RMSE=4.3 MJ ·m−2·d−1) o M´alaga (RMSE=3.8 MJ ·m−2·d−1), presentan un mayor error en relaci´on a las estaciones continentales de Toledo (RMSE=3 MJ ·m−2·d−1) y Salamanca (RMSE=3.1 MJ ·m−2·d−1). 4.2.1.1. Desagregaci´on temporal del Root Mean Square Error La desagregaci´on temporal del RMSE se realiza con el prop´osito de analizar el efecto de la simulaci´on de la radiaci´on solar diaria en las estaciones del a˜no. En este sentido, la tabla 4.3 presenta los resultados de la evaluaci´on en invierno, primavera, verano y oto˜no. Los valores del RMSE m´as significativos, se observan en primavera con 4.7 MJ ·m−2·d−1. En verano se presenta un RMSE de 3.5 MJ ·m−2·d−1, en invierno de 3.3 MJ ·m−2·d−1, y por ´ultimo el menor valor se observa en oto˜no con 2.7 MJ ·m−2·d−1. En las figuras 4.4 y 4.5, se presentan los resultados de la distribuci´on geogr´afica del RMSE para las estaciones del a˜no. Los valores m´aximos de primavera se localizan en el Norte, Sureste y Noreste peninsular (RMSE >5MJ ·m−2·d−1). Por su parte, el verano con valores de RMSE entre 4 y 5 MJ ·m−2·d−1se localizan en las zonas del Norte y el Noreste. En cuanto al invierno, el rango de RMSE de 3 a 4 MJ ·m−2·d−1comprende las zonas del Sur, Suroeste, Sureste y Centro peninsular. Finalmente, el rango inferior del RMSE en oto˜no (1 - 3.5 MJ ·m−2·d−1) se presenta en toda la zona peninsular. Los resultados de la evaluaci´on espacial y temporal de la radiaci´on solar diaria simulada, permiten concluir que las simulaciones presentan los mayores errores en primavera y verano para las zonas litorales peninsulares. Dichos resultados se podr´ıan relacionar con una deficiencia en la extinci´on atmosf´erica producida por las condiciones ´opticas de los aerosoles y la nubosidad. En este sentido, las masas de aire que afectan significativamente a la pen´ınsula Ib´erica se generan por situaciones sin´opticas en el oc´eano Atl´antico y por brisas de meso-escala en el mar Mediterr´aneo. 92 4.2 Evaluaci´on de la simulaci´on de la radiaci´on solar global en la zona de estudio Tabla 4.3: Resultados de la evaluaci´on anual de la radiaci´on solar acumulada por d´ıa simulada para Espa˜na en el a˜no 2004 (Rinc´on et al., 2008). Distribuci´on peninsular Nombre de estaci´on Cubrimiento anual ( %) ERROR (MJ ·m−2·d−1) RMSE Estacional (MJ ·m−2·d−1) Bias RMSE Primavera Verano Invierno Oto˜no Norte San Sebasti´an ’Igueldo’ 75 0 4.2 4.8 4.9 3.4 2.9 Bilbao ’Aerop.’ 82 0.3 3.9 5.2 4.7 2.3 2.4 Logro˜no ’Agoncillo’ 96 1 4.2 6 3.8 3.4 2.8 Santander ’CMT’ 78 0.2 4.6 6.2 5 2.8 2.4 Vitoria ’Aerop.’ 82 1 4.7 6.4 4.5 3.4 2.9 Noroeste Coron 64 0 3.4 4.5 3.4 2.2 2 ACoru˜na 63 -1.6 4.3 5.2 4.7 3.3 3.5 Centro Salamanca ’Matacan’ 56 -0.2 3.1 3.2 3.2 3.3 2.4 Valladolid ’Obs.’ 69 0 3.3 3.5 3.3 3.2 3.1 Toledo ’Buenavista’ 69 0.3 3 3.7 2.3 2.7 3.1 Ciudad Real 56 0.5 3.6 4.4 2.8 4.5 3.4 Madrid ’C.Univers.’ 75 0.7 3.6 5.1 2.6 3.3 2.8 Noreste Zaragoza ’Argualas’ 80 0.7 3.1 3.8 3.2 2.8 2.3 Lleida ’ICAEN’ 76 2 4 5 4.2 3.9 2.7 Barcelona ’CMT’ 99 1.6 4.2 5.3 5.2 2.6 3.1 Este Ibiza ’Aerop.’ 66 1.1 3.3 4.4 3.1 2.7 2.5 Palma ’Aerop.’ 66 1.3 3.7 4.8 3.5 3.1 2.9 Valencia 42 1.4 3.7 5.1 2.7 3.2 1 Albacete ’Obs’ 74 0.5 3.8 5.3 2.7 3.8 3.1 Suroeste Badajoz ’Univers.’ 42 0.4 3.4 4.2 2.3 3.5 3.2 Sur Granada ’Base Aerea’ 50 0.9 3.4 4.1 2.6 4 3.1 M´ alaga ’CMT’ 58 1.6 3.8 4.8 3.1 4.1 2 Murcia 79 1.5 3.8 4.8 3.1 4.1 2.7 Almeria ’Aerop.’ 56 1.8 3.6 3.8 3.7 3.3 2.7 Promedio Total 70 0.7 3.8 4.7 3.5 3.3 2.7 93 4. EVALUACI´ ON DE LA RADIACI ´ ON SOLAR SIMULADA POR EL MODELO METEOROL ´ OGICO WRF-ARW SURESTE SUR NORTE NOROESTE NORESTE CENTRO SUROESTE Figura 4.4: Distribuci´on del RMSE en funci´on de las estaciones del a˜no y las zonas geogr´aficas peninsulares a partir de 24 estaciones radiom´etricas de AEMET (Rinc´on et al., 2008). En conclusi´on, la evaluaci´on de la simulaci´on de la radiaci´on solar acumulada por d´ıa permite establecer una sobrestimaci´on sistem´atica en el a˜no. La reproducci´on de la radiaci´on estimada por el modelo meteorol´ogico se ve afectada por la variabilidad espacial y temporal de la zona de estudio. Sin embargo, la relativa distribuci´on espacial de las estaciones radiom´etricas utilizadas, se considera insuficiente para evaluar la amplia variabilidad espacio-temporal y las fluctuaciones atmosf´ericas de la radiaci´on solar peninsular. Por lo tanto, el siguiente apartado presenta los resultados de la evaluaci´on de la simulaci´on de la radiaci´on global horaria instant´anea para el Noreste peninsular (Catalu˜na), mediante la utilizaci´on de una cantidad significativa de estaciones radiom´etricas. 94 4.2 Evaluaci´on de la simulaci´on de la radiaci´on solar global en la zona de estudio Figura 4.5: Resultados de la desagregaci´on temporal de la radiaci´on solar acumulada por d´ıa para las estaciones radiom´etricas de AEMET en el a˜no 2004. a) RMSE estacional para el Norte peninsular; b) RMSE estacional para el Sur y Suroeste peninsular; c) RMSE estacional para el Centro peninsular; d) RMSE estacional para el Sureste peninsular; e) RMSE estacional para el Noreste peninsular; f) RMSE estacional para el Noroeste peninsular. 95 4. EVALUACI´ ON DE LA RADIACI ´ ON SOLAR SIMULADA POR EL MODELO METEOROL ´ OGICO WRF-ARW Figura 4.11: Evaluaci´on de la GHI simulada en funci´on de la altitud para 90 estaciones radiom´etricas en Catalu˜na en el a˜no 2004. a) Bias y RMSE anual para las estaciones radiom´etricas en funci´on de la altitud entre 0-1000m; b) Desagregaci´on temporal del Bias y RMSE para las estaciones radiom´etricas en funci´on de la altitud entre 0-1000m; c) Desagregaci´on temporal del Bias y RMSE para las estaciones radiom´etricas en funci´on de la altitud entre 0-500m. Las estaciones radiom´etricas se identifican a trav´es de la numeraci´on de la tabla B.2 (Ap´endice B). 102 4.2 Evaluaci´on de la simulaci´on de la radiaci´on solar global en la zona de estudio Finalmente, la figura 4.12 presenta la estimaci´on del Bias en las cuatro estaciones del a˜no en funci´on del ´angulo cenital solar (SZA) y del ´ındice de transparencia atmosf´erica (k∗ t). El an´alisis del Bias a trav´es del SZA y el ´ındice k∗ t, tiene la finalidad de evaluar la capacidad del modelo meteorol´ogico WRF-ARW para reproducir la GHI, con respecto al vector posici´on del Sol y a las condiciones atmosf´ericas1. Por lo tanto, en base a las condiciones de la atm´osfera que se establecen mediante los intervalos dados por el ´ındice k∗ t(ver ap´endice A.3), se observa que la sobrestimaci´on de la GHI con Bias superiores a 80 W·m−2, se produce en condiciones de cielos despejados (Clear-sky: k∗ t>0.65), mientras que la subestimaci´on para Bias inferiores a -80 W·m−2, se observa en condiciones de cielo totalmente nublado (Overcast:k∗ t<0.4). En orden descendente, las estaciones de primavera, verano, invierno y oto˜no presentan los mayores errores sistem´aticos para un vector posici´on del Sol que alcanza el cenit en las latitudes de la zona de estudio (tonos rojos y azules de la figura 4.12a). En la figura 4.12b, se analiza la distribuci´on estacional del Bias en funci´on del ´ındice k∗ t. Los resultados corroboran la mayor sobrestimaci´on en primavera y verano para condiciones de cielos despejados y nublados. De igual manera, la subestimaci´on para cielos totalmente nublados se presentan en verano (Bias >-110 W·m−2), invierno y oto˜no (-80 a -110 W·m−2), y primavera (Bias >-80 W·m−2). En conclusi´on, la evaluaci´on de la simulaci´on de la GHI establece una persistente sobrestimaci´on a lo largo del a˜no 2004. Dicha persistencia se debe a valores mayoritariamente positivos del Bias y del RMSE para primavera y verano, los cuales se presentan en amplios rangos cenitales para condiciones atmosf´ericas de cielos totalmente nublados y cielos despejados en la zona de estudio. 1Los valores del Solar Zenith Angle (SZA) se calculan en radianes para los ´angulos comprendidos entre 0oy 90o(1 radi´an=57.3o). Por lo tanto, los valores del cos(SZA) para la figura 4.12a var´ıan desde 0 para el plano del horizonte (90o), hasta 1 cuando el Sol se encuentra en el cenit (0o). Otros valores comparativos del cos(SZA) son: 0.7 para 45o, 0.5 para 60oy 0.26 para 75o. Por otra parte, el ´ındice k∗ tse obtiene siguiendo la metodolog´ıa propuesta por Mathiesen y Kleissl (2011) donde se divide la GHI simulada entre la GHI estimada por el modelo de cielo claro de Ineichen (Ineichen y Perez, 2002) (ecuaci´on 2.1). 103 4. EVALUACI´ ON DE LA RADIACI ´ ON SOLAR SIMULADA POR EL MODELO METEOROL ´ OGICO WRF-ARW Figura 4.12: Estimaci´on del Bias para la GHI simulada en 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. a) Bias en funci´on del ´angulo cenital solar (SZA) y el ´ındice de transparencia atmosf´erica (k∗ t) para primavera, verano, oto˜no e invierno; b) Bias por estaci´on en funci´on del ´ındice de transparencia atmosf´erica (k∗ t). 104 4.3 Discusi´on de resultados 4.3. Discusi´on de resultados La evaluaci´on de la radiaci´on solar simulada en modo diagn´ostico para Espa˜na y Catalu˜na, permite analizar el grado de precisi´on de las parametrizaciones f´ısicas utilizadas en la simulaci´on anual. De esta manera, mediante los par´ametros de evaluaci´on dados por el Bias, el RMSE y el coeficiente de correlaci´on r, se eval´ua la radiaci´on solar estimada por el esquema de transferencia radiativa para onda corta MM5-SW (Dudhia, 1989), en funci´on de la variabilidad espacio-temporal y las condiciones atmosf´ericas de la zona de estudio. La evaluaci´on anual a partir de la variabilidad temporal presenta resultados num´ericamente similares entre la radiaci´on solar diaria en Espa˜na (Bias=0.7 MJ ·m−2·d−1y RMSE=3.8 MJ ·m−2·d−1) y la radiaci´on solar horaria en Catalu˜na (Bias=23.3 W·m−2 y RMSE=135 W·m−2)1. De igual manera, a nivel estacional se mantiene el contraste observado entre los mayores errores en primavera-verano, y los menores errores en invierno-oto˜no. Por lo tanto, aunque ambas zonas de estudio difieren en la extensi´on territorial, el n´umero de estaciones radiom´etricas utilizadas y la complejidad orogr´afica, los errores sistem´aticos de la radiaci´on solar global persisten sistem´aticamente a lo largo del a˜no. La evaluaci´on en funci´on de la variabilidad espacial se enfoca en analizar la distribuci´on geogr´afica peninsular del RMSE. La sobrestimaci´on sistem´atica observada en primavera y verano, se localiza en las zonas litorales peninsulares que reciben una mayor incidencia de masas de aire originadas por las condiciones meteorol´ogicas del oc´eano Atl´antico y el mar Mediterr´aneo. Por un lado, el Norte y el Noroeste peninsular son influenciados por masas de aire h´umedo y fr´ıo procedentes de situaciones sin´opticas en el oc´eano Atl´antico. Por otro lado, el Este y el Noreste peninsular (zona de Catalu˜na) se ve afectado por masas de aire c´alido y h´umedo provenientes de brisas de meso-escala en el mar Mediterr´aneo. Los resultados de la evaluaci´on en relaci´on a las condiciones atmosf´ericas, relacionan el error sistem´atico con el estado atmosf´erico asociado a la nubosidad y el vector posici´on del Sol. Se obtiene una sobrestimaci´on superior a 80 W·m−2para condiciones de cielo despejado, y una subestimaci´on inferior a -80 W·m−2para condiciones de cielo completamente nublado. En consecuencia, se relacionan dichos resultados con la 1Los resultados del Bias y el RMSE de la radiaci´on solar horaria de Catalu˜na (irradiancia), se comparan con los resultados de la radiaci´on solar diaria (irradiaci´on) en Espa˜na, a trav´es de la conversi´on de la ecuaci´on A.8 establecida en el ap´endice A.2: P8h i=1 Biashorario ∗3600s 1000000J=Biasdiario. 105 4. EVALUACI´ ON DE LA RADIACI ´ ON SOLAR SIMULADA POR EL MODELO METEOROL ´ OGICO WRF-ARW deficiencia en la reproducci´on de la extinci´on atmosf´erica de las masas nubosas y los aerosoles del esquema radiativo de onda corta de Dudhia (1989). La revisi´on bibliogr´afica realizada en el capitulo 2, establece que los trabajos que eval´uan dicho esquema radiativo para diferentes zonas geogr´aficas, presentan resultados similares a los obtenidos por el presente estudio. En este sentido, Mathiesen y Kleissl (2011) y Lara-Fanego et al. (2011), obtienen Bias superiores a 50 W·m−2(rMBE=12- 15 %) y RMSE superiores a 130 W·m−2(rRMSE=32-33 %) para simulaciones anuales con resoluciones horizontales desde 12kmx12km a 3kmx3km. La sobrestimaci´on para cielos despejados y nublados muestran Bias superiores a 100 W·m−2(rMBE=4-20 %) y la subestimaci´on para cielos totalmente nublados presentan Bias de -150 W·m−2 (rMBE > 60 %). Por su parte, Armstrong (2000) relaciona dicha sobrestimaci´on con un c´alculo excesivo de la fracci´on nubosa y el vapor de agua en las capas altas de la trop´osfera, mientras que Guichard et al. (2003) concluye que los aerosoles y las nubes tipo Cirrus afectan a dicha estimaci´on de la radiaci´on solar. De igual manera, Zamora et al. (2005) relaciona la carga atmosf´erica de los aerosoles con la sobrestimaci´on para cielos despejados en diferentes ´angulos cenitales. Adem´as, Husar et al. (1997) relaciona la presencia de aerosoles con ´areas geogr´aficas afectadas por intrusiones de masas de aire de origen mar´ıtimo. En conclusi´on, los autores coinciden en relacionar la sobrestimaci´on sistem´atica de la radiaci´on solar con la variabilidad espacio-temporal y con las condiciones atmosf´ericas analizadas en el presente estudio. La sobrestimaci´on de la radiaci´on solar en condiciones de cielo despejado se debe principalmente a una deficiencia en el c´omputo de la extinci´on atmosf´erica ocasionada por los aerosoles y las condiciones ´opticas de las nubes. Con el fin de reducir el error sistem´atico de la radiaci´on solar simulada, la literatura propone la utilizaci´on de las metodolog´ıas de post-proceso, las cuales se implementan para hacer frente a las limitaciones del modelo meteorol´ogico WRF-ARW. 106 Cap´ıtulo 5 Metodolog´ıas de post-proceso e interpolaci´on espacial En este cap´ıtulo se presentan las metodolog´ıas de post-proceso analizadas para reducir el error sistem´atico de las simulaciones de radiaci´on global (GHI) con el modelo meteorol´ogico WRF-ARW. En el primer apartado se describen las t´ecnicas de postproceso seleccionadas y se presentan los aspectos relevantes de su implementaci´on para la zona geogr´afica de Catalu˜na. A continuaci´on se analizan mediante una evaluaci´on de los post-procesos.Posteriormente, se realiza una discusi´on de los resultados y se presenta un post-proceso combinado con las mejores t´ecnicas evaluadas. El ´ultimo apartado describe la metodolog´ıa de interpolaci´on espacial de los resultados del post-proceso y se eval´ua la implementaci´on realizada. 5.1. Descripci´on e implementaci´on de los post-procesos Las metodolog´ıas de post-proceso se utilizan para minimizar los errores sistem´aticos de un sistema din´amico lineal mediante la interpretaci´on objetiva de las aproximaciones establecidas entre las variables del sistema. Por ejemplo, mediante la utilizaci´on de algoritmos num´ericos es posible relacionar las variables observadas y simuladas para estimar el error sistem´atico inherente en los modelos Numerical Weather Prediction (NWP) y mejorar los pron´osticos futuros (Heinemann et al., 2006a). A partir de la revisi´on bibliogr´afica realizada en el cap´ıtulo 2, las t´ecnicas de postproceso que mejoran los pron´osticos de los modelos NWP son: Model Output Statistics 107 5. METODOLOG´ IAS DE POST-PROCESO E INTERPOLACI ´ ON ESPACIAL (MOS; Glahn y Lowry (1972)), Redes Neuronales Artificiales (Artificial Neural Networks, ANN; Bishop (1995)), el Filtro de Kalman (Kalman Filter, KF; Kalman (1960)) y un algoritmo simplificado del Filtro de Kalman denominado M´etodo Recursivo (RE- Cursive method, REC; Boi (2004)). Las t´ecnicas han sido implementadas y evaluadas a partir de las simulaciones y observaciones de la GHI en el a˜no 2004 para el dominio geogr´afico de Catalu˜na (resoluci´on horizontal de 4kmx4km). Se establece una base de datos horaria con las observaciones de las estaciones radiom´etricas presentadas en el cap´ıtulo 3 y las simulaciones del modelo evaluadas en el cap´ıtulo 4. En funci´on de la t´ecnica de post-proceso empleada, se aplica la correcci´on del error sistem´atico directamente en la variable GHI o a trav´es del ´ındice de transparencia atmosf´erica. Por lo tanto, los registros de la base de datos se organizan de la siguiente manera: obs: observaci´on de la GHI medida en W·m−2. wrf : simulaci´on de la GHI del modelo WRF-ARW en W·m−2. modC: estimaci´on de la GHI del modelo de cielo claro de Ineichen y Perez (2002) en W·m−2. El c´alculo de la GHImodC se realiza en funci´on del coeficiente de turbiedad de Linke (TL), la altitud (m), la masa de aire (Air Mass) y el cos(SZA) mediante la ecuaci´on 2.1. cos: coseno del ´angulo cenital solar (SZA) calculado en funci´on del ´angulo de declinaci´on del Sol, la latitud y el ´angulo solar horario mediante la ecuaci´on A.4. Los valores del cos(SZA) var´ıan desde 0 para el plano del horizonte (SZA = 90o), hasta 1 cuando el Sol se encuentra en el cenit (SZA = 0o). ktm: es el ´ındice de transparencia atmosf´erica de las observaciones de GHI. Es un valor adimensional que se calcula dividiendo las observaciones entre las estimaciones del modelo de cielo claro de Ineichen y Perez (2002): ktm =GHIobs GHImodC . k∗ t: es el´ındice de transparencia atmosf´erica de las simulaciones de GHI. Es un valor adimensional que se calcula dividiendo las simulaciones entre las estimaciones del modelo de cielo claro de Ineichen y Perez (2002): k∗ t=GHIwrf GHImodC . 108 5.1 Descripci´on e implementaci´on de los post-procesos 5.1.1. Model Output Statistics El Model Output Statistics (MOS; Glahn y Lowry (1972)) es una t´ecnica que consiste en determinar correlaciones entre una variable dependiente y varias variables independientes de un modelo matem´atico simple, mediante una regresi´on polinomial de la forma: ˆy=a0+a1·x1+a2·x2+a3·x3+···+an·xn(5.1) En donde la variable dependiente (ˆy) es denominada predictante, las variables independientes (xn) son los predictores,a0representa la constante de la regresi´on y anlos coeficientes de la regresi´on. En este sentido, el resultado de la regresi´on puede utilizarse como una estimaci´on del predictante a trav´es de la combinaci´on lineal de los predictores mediante un proceso de entrenamiento de datos. La finalidad de dicho entrenamiento radica en la obtenci´on de los coeficientes de la regresi´on mediante la interacci´on del mayor n´umero de datos hist´oricos dentro de la serie temporal de aplicaci´on. El MOS es una t´ecnica que tiene la capacidad de predecir el error sistem´atico en sistemas num´ericos y se aplica, por ejemplo a las salidas de los modelos NWP para mejorar objetivamente las correlaciones entre las simulaciones y las observaciones1. La correcci´on de la desviaci´on sistem´atica en las simulaciones de radiaci´on solar a trav´es de la t´ecnica MOS se realiza siguiendo la metodolog´ıa propuesta por Lorenz et al. (2009a) y Mathiesen y Kleissl (2011). En dichos estudios, se incorporan como predictores de la regresi´on el ´ındice de transparencia atmosf´erica de las simulaciones (k∗ t) y el coseno de ´angulo cenital solar (cos(SZA)). Esto implica la interacci´on del estado atmosf´erico y la posici´on del Sol en el ajuste de la regresi´on MOS para la minimizaci´on del error sistem´atico de las simulaciones. 5.1.1.1. Implementaci´on del post-proceso MOS La implementaci´on de la t´ecnica MOS para las simulaciones de GHI de las 90 estaciones radiom´etricas de Catalu˜na en el 2004, se realiza mediante la obtenci´on de una regresi´on polinomial de cuarto orden establecida en base a Lorenz et al. (2009a) y Mathiesen y Kleissl (2011). Por lo tanto, la regresi´on MOS definida para cada estaci´on 1La t´ecnica MOS se aplica en el pron´ostico de variables meteorol´ogicas como: temperatura m´ınima o m´axima diaria, temperatura del punto de roc´ıo, nubosidad, direcci´on y velocidad del viento, probabilidad de precipitaci´on, probabilidad de tormenta el´ectrica y visibilidad, entre otros (Wilks, 2006). 109 5. METODOLOG´ IAS DE POST-PROCESO E INTERPOLACI ´ ON ESPACIAL radiom´etrica corresponde a: Biasc=ε+α1·k∗ t+α2·cos(SZA) + α3·(k∗ t)2+α4·k∗ t·cos(SZA) + α5·(cos(SZA))2+α6·(k∗ t)3+α7·(k∗ t)2·cos(SZA) + α8·k∗ t·(cos(SZA))2+ α9·(cos(SZA))3+α10 ·(k∗ t)4+α11 ·(cos(SZA))3·cos(SZA) + α12 ·(k∗ t)2·(cos(SZA))2+α13 ·k∗ t·(cos(SZA))3+α14 ·(cos(SZA))4(5.2) En donde, las variables independientes k∗ ty cos(SZA) realizan la estimaci´on del Bias (Biasc) a trav´es de la constante εy los coeficientes de la regresi´on (α1...14). El ajuste de la regresi´on se realiza a trav´es de un proceso de entrenamiento que permite la obtenci´on de los coeficientes mediante los pesos relativos de las variables independientes. Los registros horarios del k∗ ty el cos(SZA) son utilizados para obtener el Bias promedio mediante la interacci´on num´erica de dichas variables (entre 0 y 1). Por lo tanto, para realizar dichas interacciones se realizan pruebas de diferentes intervalos temporales para un periodo de 7 a 90 d´ıas, en donde se obtiene un periodo de entrenamiento igual a 60 d´ıas para todas las estaciones radiom´etricas de Catalu˜na. Las interacciones permiten la obtenci´on de los pesos relativos que relacionan el Bias de los datos de entrenamiento. Finalmente, se obtiene la matriz de pesos relativos y la matriz de Bias promedio para calcular los coeficientes de la regresi´on MOS1. En consecuencia, los coeficientes permiten la estimaci´on del error sistem´atico (Biasc) para corregir la simulaci´on del modelo (GHIwrf ) y obtener la correcci´on GHIc mediante: GHIc =GHIwrf −Biasc(5.3) Con el objetivo de analizar el alcance de la correcci´on MOS en funci´on de los 60 d´ıas de entrenamiento, en la figura 5.1 se presenta la aplicaci´on para 16 d´ıas (10 al 25 de abril del 2004) en la estaci´on radiom´etrica de Barcelona. En la parte superior de la figura 5.1, se muestra el comportamiento horario de la GHI observada (puntos negros), GHI simulada (l´ınea roja) y la GHI corregida por el MOS (l´ınea azul). En la parte inferior de dicha figura, se muestra la tendencia del Bias de la simulaci´on (l´ınea negra) con respecto al Bias de la correcci´on MOS (l´ınea roja). Se presenta una reducci´on del Bias de 26 a -5 W·m−2y del RMSE de 202 a 185 W·m−2. 1El c´alculo de los coeficientes de la regresi´on MOS se realiza a trav´es de la funci´on polyfitweighted2 propuesta por Rogers (2007) en el lenguaje de programaci´on MATLAB. 110 5.1 Descripci´on e implementaci´on de los post-procesos Para los 16 d´ıas analizados, la correcci´on MOS presenta un alcance temporal de aproximadamente 7 d´ıas (10 a 16 de abril), en donde destaca la significativa correcci´on en la sobrestimaci´on para los d´ıas despejados (11 y 12 de abril) y para los d´ıas con una importante variabilidad atmosf´erica (13, 14 y 15 de abril). En concreto, la estaci´on analizada presenta una mayor capacidad de correcci´on para los d´ıas despejados en relaci´on a los d´ıas nublados. Por consiguiente, la aplicaci´on del MOS en las 90 estaciones para un a˜no de simulaci´on, se implementa con un periodo de 60 d´ıas de entrenamiento que var´ıa en funci´on del d´ıa del a˜no. Es decir, al realizar el ajuste del d´ıa 61, se obtiene una matriz de pesos y una matriz de Bias a partir de las interacciones para un periodo que varia entre los d´ıas 1 y 60. Posteriormente, al ajustar el d´ıa 62 se utiliza la informaci´on de los d´ıas 2 a 61 y as´ı sucesivamente hasta completar los 366 d´ıas del a˜no. Figura 5.1: Comportamiento de la GHI horaria y el Bias en funci´on de la correcci´on MOS del 10 al 25 de abril del 2004 para la estaci´on radiom´etrica de Barcelona. Los resultados de la implementaci´on del post-proceso MOS para Catalu˜na1, se muestran en la figura 5.2. La distribuci´on anual de los registros horarios de la GHI simulada (figura 5.2a) y la GHI corregida (figura 5.2b), se compara mediante el comportamiento de la mediana (l´ınea continua roja), el rango del cuartil 75 % (l´ınea punteada verde) y el rango del decil 90 % (l´ınea punteada azul). Se observa una significativa correcci´on de la sobrestimaci´on general de las simulaciones con una reducci´on del Bias de 23 1El tiempo de c´alculo del post-proceso MOS requiere de aproximadamente 20 segundos por estaci´on para la obtenci´on de los coeficientes de la regresi´on. Se utiliza un procesador Intel Core i7-640M a 2.80Ghz que requiere de un tiempo total de 15 minutos para un periodo de entrenamiento de 60 d´ıas con 90 estaciones. 111 5. METODOLOG´ IAS DE POST-PROCESO E INTERPOLACI ´ ON ESPACIAL La configuraci´on de la red se determina de acuerdo a la metodolog´ıa propuesta por Mart´ın et al. (2011)1, en donde obtienen la mayor reducci´on del error para una red neuronal con una configuraci´on de entre una y cuatro capas. En consecuencia, la configuraci´on de la t´ecnica ANN para el presente estudio se realiza mediante la asignaci´on de una neurona a cada rango de valores diarios del ´ındice kten la capa de entrada, cuatro neuronas en la capa oculta y una neurona en la capa de salida, la cual se ajusta a trav´es de un proceso de entrenamiento. El entrenamiento de la red utiliza el algoritmo Rprop de Riedmiller y Braun (1993), para el ajuste de los pesos entre las neuronas mediante la interacci´on de los ´ındices kt de las simulaciones y las observaciones para los siete d´ıas previos al d´ıa de aplicaci´on. Por lo tanto, se realiza una simplificaci´on en la estructura de la red para ajustar la se˜nal de salida mediante 15 neuronas que representan los ´ındices previos de kten la capa de entrada de la ANN2. En la figura 5.6, se muestran los resultados del proceso de entrenamiento de una red neuronal para el 18 de abril del 2004 de la estaci´on radiom´etrica de Barcelona. La red neuronal contiene 15 variables en la capa de entrada que corresponden a los ´ındices de las simulaciones (ktp) y de las observaciones (ktm) para los siete d´ıas previos de entrenamiento (ktm7···1yktp7···1=11 al 17 de abril; ktp=18 de abril). El algoritmo Rprop realiza la modificaci´on y la adaptaci´on de los pesos mediante un proceso que precisa 120 pasos de tiempo para la minimizaci´on del error. Finalmente, la se˜nal entrenada de la red se utiliza para generar el ´ındice corregido en el siguiente d´ıa (ktc=18 de abril). Los resultados de la implementaci´on del post-proceso ANN para las 90 estaciones radiom´etricas de Catalu˜na3, se muestran en la figura 5.7. La tendencia anual de los registros horarios de la GHI simulada (figura 5.7a) y la GHI corregida (figura 5.7b), se compara mediante el comportamiento de la mediana, el cuartil 75 %, y el decil 90 %. Se observa una correcci´on de la sobrestimaci´on para los valores inferiores a 600 W·m−2. Sin embargo, para valores superiores se sobrestiman las correcciones del post-proceso 1Los autores aplican una red neuronal feed-forward del tipo percentr´on multi-capa a los pron´osticos del modelo GFS con 0.5ox0.5ode resoluci´on espacial, a partir de 72 horas previas del ´ındice k∗ tde las simulaciones y de 24 horas previas del ´ındice ktm de las observaciones. El proceso de entrenamiento realizado para aproximadamente 10 a˜nos, permite obtener un ´ındice ktc para la correcci´on de los pron´osticos con un alcance de 72 horas. 2Las caracter´ısticas de la configuraci´on para las redes neuronales utilizando el paquete neuralnet de G¨unther y Fritsch (2010) son: rprop+ para el algoritmo de entrenamiento, sum of squared errors (sse) como funci´on de error diferenciable, cuatro neuronas en la capa oculta (hidden=4) y la funci´on de activaci´on diferenciable llamada logistic. 3El tiempo de c´alculo computacional del post-proceso ANN para la obtenci´on del ajuste para 90 estaciones, requiere de aproximadamente 10 minutos con un periodo de entrenamiento de 7 d´ıas a trav´es de un procesador Intel Core i7-640M a 2.80Ghz. 118 5.1 Descripci´on e implementaci´on de los post-procesos Figura 5.6: Entrenamiento de una red neuronal mediante los ´ındices de transparencia atmosf´erica de las simulaciones y las observaciones para 7 d´ıas previos al 18 de abril del 2004 en la estaci´on radiom´etrica de Barcelona. La ANN del tipo percentr´on multi-capa comprende una capa de entrada con 15 ´ındices ktpara 7 d´ıas de entrenamiento, una capa oculta con 4 neuronas y una capa de salida que contiene el ´ındice corregido por la red ktc. El valor del ktp corresponde al ´ındice para la GHI simulada y el ktm se refiere al ´ındice para la GHI observada. ANN. Por lo tanto, el error sistem´atico inicial del modelo meteorol´ogico de 23.3 W·m−2 (rMBE=9.8 %) muestra una disminuci´on excesiva ocasionada por el post-proceso ANN de -16.8 W·m−2(rMBE=-6.3 %). Asimismo, el RMSE se incrementa desde 135 W·m−2 (rRMSE=51 %) hasta 187.2 W·m−2(rRMSE=70.6 %) y el coeficiente de correlaci´on disminuye desde 0.89 a 0.79. En la figura 5.8, se presenta la correcci´on del post-proceso ANN en funci´on del rango intercuartil horario para el a˜no 2004. La persistencia en la sobrestimaci´on de la GHI simulada (rect´angulos azules) muestra una excesiva correcci´on del ANN (rect´angulos amarillos) a lo largo del ciclo diario entre las 4:00h y las 18:00h. En la figura 5.8a, se observa una subestimaci´on de la correcci´on de hasta 50 W·m−2entre las diferencias de la mediana y el cuartil 75 % para todas las horas del d´ıa. El ajuste de la distribuci´on estacional del error sistem´atico muestra una correcci´on desfavorable para el rango intercuartil horario en las estaciones del a˜no. En concreto, las figuras 5.8b, 5.8c, 5.8d y 5.8e, indican la disminuci´on excesiva de la GHI en primavera, verano, oto˜no e invierno, respectivamente. 119 5. METODOLOG´ IAS DE POST-PROCESO E INTERPOLACI ´ ON ESPACIAL Figura 5.7: Distribuci´on de la GHI horaria simulada y corregida para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. a) GHI anual simulada por el modelo WRF-ARW y b) GHI anual corregida por el post-proceso ANN. El comportamiento de la GHI se define mediante la mediana (50 %, l´ınea continua roja), el rango del tercer cuartil (75 %, l´ınea punteada verde), el rango del decil 90 % (l´ınea punteada azul) y la frecuencia para los registros horarios (histograma azul). En base a lo anterior, la configuraci´on establecida para la t´ecnica ANN no presenta correcciones favorables para las simulaciones y las observaciones del presente estudio. Dicho comportamiento podr´ıa estar relacionado con el periodo de entrenamiento y las variables utilizadas en la red neuronal. En este sentido, los pesos de las variables que interaccionan en el proceso de entrenamiento de la ANN, se comparan para determinar el efecto del peso individual de cada variable con respecto al peso generalizado del conjunto de variables. En la figura 5.9, se observa el c´alculo de los pesos generalizados (Generalized Weights, GW (Intrator y Intrator, 2001)), para las variables utilizadas en el proceso de entrenamiento de la red neuronal para Barcelona el 18 de abril del 2004. La distribuci´on de los pesos (eje y) a lo largo de la magnitud de cada variable (eje x), demuestra una proximidad a cero en gran parte de los ´ındices ktobservados y simulados. Esto evidencia un efecto poco relevante del peso generalizado de dichas variables, que afecta el ajuste en la se˜nal de salida de la red neuronal. 120 5.1 Descripci´on e implementaci´on de los post-procesos Figura 5.8: Diagrama de cajas de la GHI observada (rect´angulos grises), GHI simulada (rect´angulos azules) y GHI corregida (rect´angulos amarillos) por el post-proceso ANN para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. Rango intercuartil horario para a) ciclo diario del a˜no, b) ciclo diario de primavera, c) ciclo diario de verano, d) ciclo diario de oto˜no y e) ciclo diario de invierno. El rango intercuartil se define por las dimensiones del rect´angulo, donde el l´ımite inferior corresponde al primer cuartil 25 %, la l´ınea central negra a la mediana (50 %) y el l´ımite superior pertenece al tercer cuartil 75 %. Las l´ıneas punteadas indican los valores at´ıpicos m´aximos y m´ınimos. 121 5. METODOLOG´ IAS DE POST-PROCESO E INTERPOLACI ´ ON ESPACIAL Figura 5.9: Comparaci´on de los pesos generalizados (GW) de las variables utilizadas en el proceso de entrenamiento del 18 de abril del 2004 en la estaci´on radiom´etrica de Barcelona (Intrator y Intrator, 2001). En conclusi´on, el entrenamiento y la aplicaci´on de la t´ecnica ANN para la correcci´on del error sistem´atico en las simulaciones de GHI para Catalu˜na, indica una baja influencia de los ´ındices de transparencia atmosf´erica de las observaciones y las simulaciones para el periodo de entrenamiento seleccionado. Por lo tanto, es necesario evaluar la aplicaci´on de la metodolog´ıa en las simulaciones de radiaci´on solar con un periodo de entrenamiento superior a 7 d´ıas. 5.1.3. Filtro de Kalman El Filtro de Kalman (Kalman Filter, KF) es un algoritmo matem´atico propuesto por Kalman (1960), que estima el error sistem´atico de un modelo num´erico con el prop´osito de minimizar el error del pron´ostico. El algoritmo del KF establece una relaci´on lineal din´amica mediante la estimaci´on del error previo y un factor de correcci´on proporcional al error del pron´ostico. En concreto, el KF optimiza el c´alculo del error sistem´atico mediante una adaptaci´on recursiva de sus coeficientes en cada paso de tiempo. Dicha 122 5.1 Descripci´on e implementaci´on de los post-procesos adaptaci´on permite reducir el periodo de entrenamiento entre las simulaciones y las observaciones1. En la figura 5.10, se muestra el diagrama de flujo del funcionamiento del KF. A partir de la descripci´on del algoritmo presentado por Delle Monache et al. (2006), el c´alculo del error sistem´atico (ˆx) para un paso de tiempo futuro (t+ ∆t|t) se realiza mediante: ˆxt+∆t|t= ˆxt|t−∆t+βt|t−∆t·(yt−ˆxt|t−∆t) (5.6) Donde, la estimaci´on del error previo se representa por ˆxt|t−∆t, el factor de ganancia del KF por βt|t−∆ty el error del pron´ostico en el tiempo tse determina por yt. El factor de ganancia (Kalman Gain Factor) constituye el ajuste recursivo del algoritmo que depende del error cuadr´atico medio esperado (p), la varianza del error previo (σ2 η) y la varianza del error del pron´ostico (σ2 ε). Dicho factor de ganancia es calculado mediante la ecuaci´on 5.7: βt|t−∆t=pt−∆t|t−2∆t+σ2 η (pt−∆t|t−2∆t+σ2 η+σ2 ε)(5.7) A partir de la proporci´on establecida entre σ2 η(varianza del error previo) y σ2 ε(varianza del error del pron´ostico) se obtiene un par´ametro denominado ratio (σ2 η σ2 ε). El ratio determina el rendimiento del algoritmo a partir del error aleatorio producido por el sistema num´erico (numerical noise). Por lo tanto, la optimizaci´on del ratio se define como el rendimiento del KF en funci´on de las simulaciones y las observaciones de la zona de estudio. Es decir, para un valor del ratio muy elevado, la varianza del error del pron´ostico es inferior en relaci´on a la varianza del error previo (σ2 η> σ2 ε). Esto conlleva a un exceso del nivel de confianza en la estimaci´on del error previo, que implica una respuesta demasiado r´apida en el ajuste del error del pron´ostico. Por el contrario, si el valor ´optimo del ratio es demasiado bajo, la variaci´on en dicho ajuste se produce a una velocidad muy lenta en relaci´on al paso de tiempo. Los trabajos de Homleid (1995); Roeger et al. (2003); Delle Monache et al. (2008); Kang et al. (2008, 2010) y Sicardi et al. (2012), aplican el Filtro de Kalman para pron´osticos de otras variables meteorol´ogicas como temperatura superficial, precipitaci´on, direcci´on y velocidad del viento, y pron´osticos de calidad del aire como ozono troposf´erico y material particulado. No obstante, la aplicaci´on del post-proceso KF pa- 1Las aplicaciones del algoritmo de KF incluyen el an´alisis de series de tiempo para el procesamiento de se˜nales, sistemas de navegaci´on, pron´osticos de variables meteorol´ogicas, econometr´ıa y sismolog´ıa, entre otros. 123 5. METODOLOG´ IAS DE POST-PROCESO E INTERPOLACI ´ ON ESPACIAL ra la correcci´on del error sistem´atico de las simulaciones de GHI en la zona geogr´afica de Catalu˜na, se enfoca en ajustar el ratio ´optimo del algoritmo. Figura 5.10: Diagrama de flujo del funcionamiento del Filtro de Kalman (KF) (Delle Monache et al., 2006) La estimaci´on del error sistem´atico para un paso de tiempo posterior (Output: ˆxt+∆t|t) se realiza en funci´on de la estimaci´on del error previo (Prediction: ˆxt|t−∆t), el factor de ganancia del algoritmo (Kalman Gain Factor:βt|t−∆t) y el error de la simulaci´on (Input: yt) en el tiempo t. 5.1.3.1. Implementaci´on del post-proceso KF La implementaci´on del Filtro de Kalman (KF) para las simulaciones de GHI se realiza mediante la optimizaci´on del ratio entre las varianzas del error previo y el error del pron´ostico. La metodolog´ıa consiste en evaluar un intervalo de valores en funci´on del error global (RMSE) y el coeficiente de correlaci´on r(Delle Monache et al., 2008)1. La comparaci´on de los errores de las simulaciones con la minimizaci´on del RMSE y la maximizaci´on del coeficiente de correlaci´on, se realiza mediante la evaluaci´on de un rango de ratios que var´ıan entre 0.005 y 0.2 para el a˜no 2004. Como se observa en la figura 5.11a, el RMSE de las estaciones radiom´etricas para los ratios comprendidos entre el intervalo 0.01 y 0.02 en primavera y verano, es menor en comparaci´on con el error presentado por las simulaciones (145.4 W·m−2). Por su parte, la figura 5.11b muestra un 1El c´odigo original del Filtro de Kalman del Profesor Roland Stull programado en MATLAB por el Dr. Thomas Nipen de la University of British Columbia (UBC), ha sido modificado y proporcionado para esta tesis por el Dr. Luca Delle Monache del National Center for Atmospheric Research (NCAR) de Estados Unidos. 124 5.1 Descripci´on e implementaci´on de los post-procesos mejor ajuste del coeficiente r entre los ratios 0.02 y 0.05 para las estaciones radiom´etricas en oto˜no e invierno. Por consiguiente, a partir de la dependencia estacional que presenta el ratio en funci´on del RMSE y el r, se determina un ratio ´optimo de 0.015 para primavera y verano; y un ratio ´optimo de 0.03 para oto˜no e invierno. Figura 5.11: Optimizaci´on del ratio en funci´on del RMSE y el coeficiente de correlaci´on rpara diversas estaciones radiom´etricas de Catalu˜na en el a˜no 2004. a) Comportamiento del ratio en funci´on del RMSE para 32 estaciones radiom´etricas con una altitud inferior a 200 m para primavera y verano, y b) Comportamiento del ratio en funci´on del coeficiente rpara 21 estaciones radiom´etricas con una altitud superior a 500 m para oto˜no e invierno. Los ratios se eval´uan con los valores RMSE y robtenidos por las simulaciones de GHI del modelo WRF-ARW. Los valores del ratio para la variable GHI se muestran en escala logar´ıtmica desde 0.005 hasta 0.2. El valor ideal del RMSE es 0 W·m−2 y de coeficiente res 1. Seg´un Kang et al. (2008), la variabilidad espacial del ratio obtenido por estaci´on no afecta de manera significativa el ajuste global del mismo. Por lo tanto, el ratio ´optimo de las estaciones radiom´etricas en las estaciones del a˜no es utilizado para la implementaci´on del post-proceso KF en la zona geogr´afica de Catalu˜na. La implementaci´on del post-proceso KF en las simulaciones de GHI se realiza en dos etapas: inicializaci´on y aplicaci´on. Por un lado, la etapa de inicializaci´on consiste en un periodo de adaptaci´on o entrenamiento, necesario para ajustar los par´ametros del algoritmo mediante las simulaciones y las observaciones. Las pruebas realizadas en las estaciones de Catalu˜na, determinan un periodo de entrenamiento de entre 6 y 10 d´ıas. Por otro lado, la etapa de aplicaci´on consiste en el ajuste del algoritmo mediante la actualizaci´on de los par´ametros previos. Dicho periodo representa aproximadamente 125 5. METODOLOG´ IAS DE POST-PROCESO E INTERPOLACI ´ ON ESPACIAL 3 a 5 d´ıas. Finalmente, la implementaci´on del post-proceso KF para el a˜no 2004, se realiza con un periodo previo de 15 d´ıas que se ajusta para cada d´ıa del a˜no. En la figura 5.12, se presenta la comparaci´on entre la tendencia anual de la GHI simulada y corregida para las estaciones radiom´etricas de Catalu˜na en el a˜no 20041. El comportamiento de la mediana (l´ınea continua roja), el rango del cuartil 75 % (l´ınea punteada verde) y el rango del decil 90 % (l´ınea punteada azul), muestran una significativa correcci´on del KF en el rango de valores entre 200 y 800 W·m−2(figura 5.12b), en relaci´on a la persistente sobrestimaci´on de las simulaciones (figura 5.12a). Figura 5.12: Distribuci´on de la GHI simulada y corregida para 90 estaciones radiom´etricas de Catalu˜na en el a˜no 2004. a) GHI anual simulada por el modelo WRF-ARW y b) GHI anual corregida por el post-proceso KF. El comportamiento de la GHI se define mediante la mediana (50 %, l´ınea continua roja), el rango del tercer cuartil (75 %, l´ınea punteada verde), el rango del decil 90 % (l´ınea punteada azul) y la frecuencia para los registros horarios (histograma azul). Los resultados de la correcci´on del KF presentan una correcci´on del Bias promedio anual de 23.3 a 8.4 W·m−2, el RMSE promedio anual de 135 a 121.6 W·m−2y un incremento del coeficiente rde 0.89 a 0.91. La reducci´on del error representa una mejora del 64 % del Bias, 10 % del RMSE y 2 % para el coeficiente r. Sin embargo, para los registros horarios de GHI en el rango superior a 800 W·m−2, se observa una marcada sobrestimaci´on en la correcci´on del KF. 1El tiempo de c´alculo computacional del post-proceso KF requiere de aproximadamente 5 segundos por estaci´on para la obtenci´on del ajuste para un periodo de 15 d´ıas. Es decir, el c´alculo total de las 90 estaciones a trav´es de un procesador Intel Core i7-640M a 2.80Ghz es de aproximadamente 8 minutos. 126 5.1 Descripci´on e implementaci´on de los post-procesos Los valores de dicha sobrestimaci´on se puede atribuir a repentinos cambios del error sistem´atico producidos en las simulaciones que el algoritmo no logra asimilar. Dichos cambios podr´ıan estar relacionados con la variabilidad clim´atica que caracteriza las diferentes zonas geogr´aficas. El clima mediterr´aneo litoral (costa mediterr´anea, cordilleras litoral y depresi´on pre-litoral) y el clima mediterr´aneo de tendencia continental (depre- si´on Central), presentan veranos calurosos y secos, fuertes precipitaciones durante el oto˜no y temperaturas extremas durante invierno y verano. Los errores generados por las simulaciones del modelo muestran una mayor influencia en dichas zonas geogr´aficas, donde el c´alculo de la extinci´on atmosf´erica para aerosoles y el desarrollo de la nubosidad, ocasionan la sobrestimaci´on en la correcci´on del KF para los valores de GHI superiores a 800 W·m−2. En la figura 5.13, se presenta la correcci´on del post-proceso KF en funci´on del rango intercuartil horario para el a˜no 2004. La persistencia en la sobrestimaci´on de la GHI simulada (rect´angulos azules) es corregida por el post-proceso KF (rect´angulos rojos) a lo largo del ciclo diario entre las 4:00h y las 18:00h. En la figura 5.13a, se observa una disminuci´on del promedio anual de hasta 50 W·m−2entre la mediana y el cuartil 75 % para la primera mitad del d´ıa (6:00h a 11:00h). La correcci´on del KF para la segunda mitad del d´ıa (12:00h a 15:00h), muestra un incremento del cuartil 25 % en aproximadamente 50 W·m−2. En concreto, el ajuste de la distribuci´on estacional del error sistem´atico es corregida por el KF para el rango intercuartil horario en las estaciones del a˜no. Por un lado, en las figuras 5.13b y 5.13c, se observa la correcci´on de la sobrestimaci´on en primavera y verano para el rango horario de 6:00h a 13:00h con una baja variabilidad entre los valores comparados. Por otro lado, en las figuras 5.13d y 5.13e, se puede observar el ajuste del post-proceso para oto˜no e invierno, con una correcci´on de la subestimaci´on de las 6:00h a 10:00h, y de la sobrestimaci´on de las 13:00h a 17:00h. 127 E. EVOLUCI ´ ON HORARIA DE LAS OBSERVACIONES DE RADIACI´ ON SOLAR GLOBAL Y DIFUSA DE LAS ESTACIONES RADIOM´ ETRICAS ICAEN PARA LOS D´ IAS 6 Y 7 DE MAYO DEL A˜ NO 2009 Figura E.1: Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de la estaci´on radiom´etrica de Lleida del 6 y 7 de mayo del a˜no 2009. La radiaci´on global corresponde a la l´ınea azul y la radiaci´on difusa se indica mediante la l´ınea roja. Figura E.2: Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de la estaci´on radiom´etrica de Sort del 6 y 7 de mayo del a˜no 2009. La radiaci´on global corresponde a la l´ınea azul y la radiaci´on difusa se indica mediante la l´ınea roja. Los valores de la radiaci´on difusa iguales a cero que se observan en el segundo d´ıa (29 a 43h), corresponden a un cubrimiento insuficiente de la banda parasol sobre el sensor de medida. Dichas observaciones fueron eliminadas por la validaci´on gr´afica del tratamiento de calidad. 230 Figura E.3: Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de la estaci´on radiom´etrica de Barcelona del 6 y 7 de mayo del a˜no 2009. La radiaci´on global corresponde a la l´ınea azul y la radiaci´on difusa se indica mediante la l´ınea roja. Figura E.4: Evoluci´on horaria de las observaciones de radiaci´on solar global y difusa de la estaci´on radiom´etrica de Girona del 6 y 7 de mayo del a˜no 2009. La radiaci´on global corresponde a la l´ınea azul y la radiaci´on difusa se indica mediante la l´ınea roja. 231 E. EVOLUCI ´ ON HORARIA DE LAS OBSERVACIONES DE RADIACI´ ON SOLAR GLOBAL Y DIFUSA DE LAS ESTACIONES RADIOM´ ETRICAS ICAEN PARA LOS D´ IAS 6 Y 7 DE MAYO DEL A˜ NO 2009 232 Bibliograf´ıa AEMET (2006). Agencia Estatal de Meteorolog´ıa del Gobierno de Espa˜na. Creada mediante Ley 28/2006 y adscrita al Ministerio de Agricultura, Alimentaci´on y Medio Ambiente a trav´es de la Secretar´ıa de Estado de Medio Ambiente. xxiv,xxiv, 63, 70, 89, 203, 205 AEMET-IM (2011). Atlas Clim´atico Ib´erico. Temperatura del Aire y Precipitaci´on (1971-2000). Departamento de Producci´on de la Agencia Estatal de Meteorolog´ıa de Espa˜na (´ Area de Climatolog´ıa y Aplicaciones Operativas) y por el Departamento de Meteorologia e Clima, Instituto de Meteorologia de Portugal (Divis˜ao de Observa¸c˜ao Meteorol´ogica e Clima). xxiii, 61 Alonso-Calvo, I., Pozo-V´azquez, D., Ruiz-Arias, J., Bosch, J., Luz´on-Cuesta, R., y Tovar-Pescador, J. (2006). Evaluaci´on de los recursos solares en el sur de la pen´ınsula Ib´erica utilizando el modelo MM5. XXIX Jornadas cient´ıficas de la Asociaci´on Meteorol´ogica Espa˜nola, Pamplona, Espa˜na, 24-26 Abril. 42, 44 Arakawa, A. y Schubert, W. (1974). Interaction of a cumulus cloud ensemble with the large-scale environment, Part I. Journal of the Atmospheric Sciences, 31(3):674–701. 38, 39 Armstrong, M. (2000). Comparison of MM5 forecast shortwave radiation with data obtained from the atmospheric radiation measurement program. Master’s thesis, Master of Science Scholarly Paper, University of Maryland, USA. 9, 40, 43, 106 Arozarena, A., Del Bosque, I., Villa, G., y Porcuna, A. (2006). Mapa de Ocupaci´on del Suelo en Espa˜na. Corine Land Cover-Proyecto I&CLC2000. 59 ASTM (2012). American Society for Testing and Materials. xxi, 195 Baldasano, J. M., Calb´o, J., Santab´arbara, J., Esteve, J., y Margarit, J. (1996). Atlas de Radiaci´o Solar a Catalunya. Institut Catal`a d’Energia, Barcelona. 12, 13 233 BIBLIOGRAF´ IA Baldasano, J. M., Clar, J., y Berna, A. (1988). Fourier analysis of daily solar radiation data in spain. Solar Energy, 41(4):327–333. 13 Baldasano, J. M., Cremades, L., Mitj`a, A., y Esteve, J. (1992). Atlas de Radiaci´o Solar a Catalunya (Volum 1. Dades Preliminars). Institut Catal`a d’Energia, Barcelona. 12, 13 Baldasano, J. M., Flores, H., y Vera, N. (2003). Atlas de Radiaci´on Solar de las Islas Baleares - Mediante im´agenes de Sat´elite. Universidad Polit´ecnica de Catalu˜na - Laboratorio de Modelizaci´on Ambiental y Govern de les Illes Balears-Conselleria d’Innovaci´o i Energ´ıa., Barcelona, Espa˜na. 13 Baldasano, J. M., Jorba, O., y L´opez, E. (2004). Atlas de radiaci´o solar a Catalunya 1971-2002, volume Updating the published version of the Atlas de radiaci´o solar a Catalu˜na. Edici´o 2000. Laboratori Modelitzaci´o Ambiental - Universitat Polit`ecnica de Catalunya, Barcelona, Espanya. 12, 13 Baldasano, J. M., Jorba, O., Rinc´on, A., y L´opez, E. (2006). Versi´o preliminar del Atlas de radiaci´o solar a Catalunya 1971-2005, volume Actualitzaci´o de la versi´o del Atlas de radiaci´o solar a Catalunya, Edici´o 2000. Laboratori de Modelitzaci´o Ambiental, Universitat Polit`ecnica de Catalunya, Barcelona, Espanya. xviii, 12, 13, 69, 70, 75, 96, 113 Baldasano, J. M., Soriano, C., y Flores, H. (2001). Atlas de radiaci´o solar a Catalunya. Institut Catala d’Energia, Barcelona, Espanya. 12, 13 Baum, M. (2007). When nature strikes: weather disasters and the law. Greenwood Publishing Group. 47 BELSPO (2012). Web site of EOEdu Observing our planet of Belgian Science Policy Office (BELSPO). http://eoedu.belspo.be. xxiv, 224 Benincasa, F. y Terradellas, E. (2012). MapGenerator: a toolbox to process and visualize air quality datasets. In EuroSciPy, Annual European Conference for Scientists using Python. Universit´e Libre de Bruxelles, 23-27 August 2012. 164 Berk, A., Bernstein, L., Anderson, G., Acharya, P., Robertson, D., Chetwynd, J., y Adler-Golden, S. (1998). MODTRAN cloud and multiple scattering upgrades with application to AVIRIS. Remote Sensing of Environment, 65(3):367–375. 42 234 BIBLIOGRAF´ IA Betts, A. y Miller, M. (1986). A new convective adjustment scheme. Part II: Single column tests using GATE wave, BOMEX, ATEX and arctic air-mass data sets. Quarterly Journal of the Royal Meteorological Society, 112(473):693–709. 38 Beyer, H., Polo, J., Suri, M., Torres, J., Lorenz, E., Muller, S., Hoyer-Klick, C., y Ineichen, P. (2009). Report on Benchmarking of Radiation Products. D 1.1.3 Report under Contract No. 038665 of Project MESoR. 86 Bird, R. (1984). A simple, solar spectral model for direct-normal and diffuse horizontal irradiance. Solar Energy, 32(4):461–471. 30 Bird, R. y Hulstrom, R. (1981). Simplified clear sky model for direct and diffuse insolation on horizontal surfaces. Technical report, Solar Energy Research Inst., Golden, CO (USA). 28, 30, 31, 78 Bishop, C. (1995). Neural networks for pattern recognition. Oxford University Press, New York. 10, 15, 49, 51, 108, 116 Black, T. (1994). The new NMC mesoscale Eta model: Description and forecast examples. Weather and Forecasting, 9(2):265–278. 37 Bofinger, S. y Heilscher, G. (2004). Solar radiation forecast based on ECMWF and Model Output Statistics. Technical Report AO/1-4364/03/I-IW, EOEP-EOMD, ESA/ENVISOLAR. 48, 52, 53, 139, 141 Boi, P. (2004). A Statistical Method for forecasting extreme daily temperatures using ECMWF 2-m temperatures and ground station measurements. Meteorological Applications, 11(3):245–251. 15, 50, 51, 108, 129, 141 Bosch, J., L´opez-Rodr´ıguez, G., Batlles, F., y Tovar-Pescador, J. (2006). Modelado de la radiaci´on solar global horaria sobre superficie inclinada mediante redes neuronales artificiales. XXIX Jornadas Cientificas de la Asociaci´on Meteorol´ogica Espa˜nola, Pamplona, Espa˜na. 49 Bozic, S. (1979). Digital and Kalman filtering: an introduction to discrete-time filtering and optimum linear estimation. John Wiley & Sons. 50 Breitkreuz, H. (2008). Solare Strahlungsvorhersagen f¨ur energiewirtschaftliche Anwendungen: Der Einfluss von Aerosolen auf das solare Strahlungsangebot in Europa; 19 Tabellen. (Solar irradiance forecasts for energy applications-The influence of aerosols on solar irradiance). PhD thesis, Universitt¨at W¨urzburg. 54 235 BIBLIOGRAF´ IA Breitkreuz, H., Schroedter-Homscheidt, M., Holzer-Popp, T., y Dech, S. (2009). Shortrange direct and diffuse irradiance forecasts for solar energy applications based on aerosol chemical transport and numerical weather modeling. Journal of Applied Meteorology and Climatology, 48(9):1766–1779. 10, 54 Brunet, N., Verret, R., y Yacowar, N. (1988). An objective comparison of model output statistics and ((perfect prog)) systems in producing numerical weather element forecasts. Weather and forecasting, 3(4):273–283. 48 Cacciamani, C. y Simone, C. (1992). Minimum temperature forecast at the regional meteorological service of the Emilia Romagna region (North Italy) by the application of the Kalman filter technique. ECMWF Newsletters, 60. 51 Calb´o, J. y Baldasano, J. (1995). PROMETEO: An hydrostatic mesoscale model applied to the simulation of land-sea breeze in the Barcelona area. Environmental Software, 10(3):139–155. 13 Calb´o, J. (1993). Contribuci´o al Desenvolupament d’un Model Num`eric de Pron`ostic Meteorol`ogic de Mesoscala. PhD thesis, Universitat Polit´ecnica de Catalunya, Barcelona, Espanya. 13 Campbell (2001). User guide of CM6B & CM11 Pyranometer Sensors. Technical report, Campbell Scientific Ltd. 198 Campbell (2005). Calculating sunshine hours from pyranometer/solarimeter data. Technical report, Campbell Scientific Ltd. 77 Carter, G., Dallavalle, J., y Glahn, H. (1989). Statistical forecasts based on the National Meteorological Center’s Numerical Weather Prediction system. Weather and Forecasting, 4(3):401–412. 48 Casas, M. C. y Alarc´on, M. (1999). Meteorolog´ıa y clima. Edicions UPC. Universidad Polit´ecnica de Catalu˜na, Barcelona, Espa˜na. 8, 194 Castro, M., Carpio, J., Guirado, R., Colmenar, A., y D´avila, L. (2004). Energ´ıa Solar Fotovoltaica. Ed. Protesta., Sevilla, Espa˜na, 2aedition. 3 Cattani, D. (1994). Application d’un filtre de Kalman pour adapter les temp´eratures `a 2 m`etres fournies par le mod`ele ECMWF aux stations m´et´eorologiques de la Suisse. Rapport de travail de l’ISM, 175. 129 236 BIBLIOGRAF´ IA CEC (2010). National Electric Power Industry Statistics 2009 Express. China Electricity Council, Beijing. xvii, 4 CEM (2011). Clean Energy Ministerial (CEM2). 6–7 April 2011, Abu Dhabi, UAE. 4 Chang, F., Li, Z., y Ackerman, S. (2000). Examining the relationship between cloud and radiation quantities derived from satellite observations and model calculations. Journal of climate, 13(21):3842–3859. 42 Changsong, C., Shanxu, D., Tao, C., y Bangyin, L. (2011). Online 24-h solar power forecasting based on weather type classification using artificial neural network. Solar Energy, 85:2856–2870. 9 Chen, C., Duan, S., Cai, T., y Liu, B. (2011). Online 24-h solar power forecasting based on weather type classification using artificial neural network. Solar Energy. 50 Chen, F. y Dudhia, J. (2001). Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity. Monthly Weather Review, 129(4):569–585. 86 Chou, M. y Suarez, M. (1994). An efficient thermal infrared radiation parameterization for use in general circulation models. Climate and Radiation Branch. NASA/GSFC Technical Memory, 104606(3):85. 37, 39 Chou, S., Tanajura, C., Xue, Y., y Nobre, C. (2002). Validation of the coupled Eta/SSiB model over South America. Journal of geophysical research, 107(D20):8088. 42, 43 CIEMAT (2008). Curso de caracterizaci´on de la Radiaci´on Solar como recurso energ´etico. Serie ponencias. Centro de Investigaciones Energ´eticas, Medioambientales y Tecnol´ogicas. Ministerio de ciencia e innovaci´on., Madrid, Espa˜na. 26, 78, 151, 193 Clavero, P., Mart´ın Vide, J., y Raso, J. (1997). Atles Clim`atic de Catalunya. Institut Cartogr`afic de Catalunya i Departament de Medi Ambient de la Generalitat de Catalunya, Barcelona.xviii, 67, 69 Conte, M., de Simone, C., y Finizo, C. (1980). Post-processing of numerical models: Forecasting the maximum temperature at Milano Linate. Rivista di Meteorologia Aeronautica, 40:247–265. 48 Cooper, P. (1969). The absorption of radiation in solar stills. Solar Energy, 12:333–346. 196 237 BIBLIOGRAF´ IA Coronas, A. y Baldasano, J. M. (1984). Fourier analysis of meteorological data to obtain a typical annual time function. Solar Energy, 32(4):479–488. 12 Costa, M. y Maz´on, J. (2006). Nubes y fen´omenos meteorol´ogicos. Clasificaci´on e identificaci´on. Geoestel, S.A. 35, 40 Cremades, L. y Baldasano, J. M. (1990). An´alisis de los datos de irradiaci´on solar global diaria para el mapa de catalu˜na. Revista de Geof´ısica, 46(2):137–146. 13 Cressie, N. (1990). The origins of kriging. Mathematical Geology, 22(3):239–252. 16 Delle Monache, L., Nipen, T., Deng, X., Zhou, Y., y Stull, R. (2006). Ozone ensemble forecasts: 2. A Kalman-filter predictor bias correction. Journal of Geophysical Research, 111(D05308). xix, 51, 123, 124 Delle Monache, L., Nipen, T., Liu, Y., Roux, G., y Stull, R. (2011). Kalman filter and analog schemes to Postprocess Numerical Weather Predictions. Monthly Weather Review, 139(11):3554–3570. 51 Delle Monache, L., Wilczak, J., Mckeen, S., Grell, G., Pagowski, M., Peckham, S., Stull, R., J., M., y McQueen, J. (2008). A Kalman-filter bias correction method applied to deterministic, ensemble averaged, and probabilistic forecasts of surface ozone. Tellus B, 60(2):238–249. 51, 123, 124 Dorvlo, A., Jervase, J., y Al-Lawati, A. (2002). Solar radiation estimation using artificial neural networks. Applied Energy, 71(4):307–319. 49 Dudhia, J. (1989). Numerical study of convection observed during the winter monsoon experiment using a mesoscale two-dimensional model. Journal of the Atmospheric Sciences, 46(20):3077–3107, doi:10.1175/1520–0469. 34, 35, 38, 39, 40, 41, 43, 44, 45, 47, 86, 105, 106, 181 Dudhia, J., Gill, D., Guo, Y., Manning, K., Wang, W., y Chriszar, J. (2001). PSU/NCAR Mesoscale Modeling System Tutorial Class Notes and User Guide: MM5 Modeling System Version 3. Available on-line: http://www.mmm.ucar.edu/mm5/mm5-home.html, page 245. xvii, 33 Duffie, J. y Beckman, W. (1991). Solar engineering of termal process. Wiley- Interscience, New York (EE.UU). 192 238 BIBLIOGRAF´ IA Dumortier, D. (1995). Modelling global and diffuse horizontal irradiances under cloudless skies with different turbidities. Daylight II, jou2-ct92-0144, final report vol, 2. 31, 54 Dumortier, D. (1996). Mesure, Analyse et Mod´elisation du gisement lumineux. Application `a l’´evaluation des performances de l’´eclairage naturel des bˆatiments. PhD thesis, Universit´e de Savoie. 24 Elizondo, D., Hoogenboom, G., y McClendon, R. (1994). Development of a neural network model to predict daily solar radiation. Agricultural and Forest Meteorology, 71(1):115–132. 49 Erbs, D., Klein, S., y Duffie, J. (1982). Estimation of the diffuse radiation fraction for hourly, daily and monthly-average global radiation. Solar Energy, 28(4):293–302. 27, 30, 78, 80, 81 Essenwanger, O. (2001). Classification of Climates, World Survey of Climatology 1C, General Climatology. page 102. 60 Fels, S. y Schwarzkopf, M. (1975). The simplified exchange approximation - A new method for radiative transfer calculations. Journal of Atmospheric Sciences, 32:1475– 1488. 43 Flores, H. (2002). Procesamiento digital de im´agenes de sat´elites para la obtenci´on de mapas de radiaci´on solar. Aplicaci´on a Catalu˜na. PhD thesis, Universidad Polit´ecnica de Catalu˜na, Barcelona, Espa˜na. 13, 64 Flores, H. y Baldasano, J. (2001a). Detecci´on de nubes mediante im´agenes NOAA AVHRR. In Teledetecci´on: Medio Ambiente y Cambio Global, pages 409–412. Departament de Medi Ambient i Ci`encies del S`ol. 13 Flores, H. y Baldasano, J. M. (2001b). Atlas de radiaci´on solar de las Islas Baleares mediante im´agenes de sat´elite. Laboratorio de Modelizaci´on Ambiental, Universidad Polit´ecnica de Catalu˜na, Barcelona, Espa˜na. 13 Flores, H. y Baldasano, J. M. (2001c). Solar Radiation mapping from NOAA AVHRR data in Catalonia, Spain. Journal of Applied Meteorology, 40(11):1821–1834. 13 Flores, H., Baldasano, J. M., Vera, N., y Nadal, P. (2002). Radiaci´on solar en las islas Baleares mediante im´agenes de sat´elite. Proceedings of the First International Symposium on Recent Advances in quantitative remote sensing, Spain. 13 239 BIBLIOGRAF´ IA (2009b). Benchmarking of different approaches to forecast solar irradiance. Proceedings of 24th European Photovoltaic and Solar Energy Conference and Exhibition. Hamburg, Germany. 10, 41, 46, 48, 52, 54, 141 Lorenz, E., Scheidsteger, T., Hurka, J., Heinemann, D., y Kurz, C. (2011). Regional PV power prediction for improved grid integration. Progress in Photovoltaics: Research and Applications, 19(7):757–771. 48 Louche, A., Notton, G., Poggi, P., y Simonnot, G. (1991). Correlations for direct normal and global horizontal irradiation on a French Mediterranean site. Solar Energy, 46(4):261–266. 30, 31, 55 Louche, A., Peri, G., y Iqbal, M. (1986). An analysis of linke turbidity factor. Solar Energy, 37:393–396. 25 Louka, P., Galanis, G., Siebert, N., Kariniotakis, G., Katsafados, P., Pytharoulis, I., y Kallos, G. (2008). Improvements in wind speed forecasts for wind power prediction purposes using Kalman filtering. Journal of Wind Engineering and Industrial Aerodynamics, 96(12):2348–2362. 51 Lu, R. (1991). The application on NWP products and progress of interpretation techniques in China. Programme on Short-and Medium-Range Weather Prediction Research, HR Glahn, AH Murphy, LJ Wilson and JS Jensenius, eds., WM/TD, (421):911–926. 48 Macagnan, M., Lorenzo, E., y Jimenez, C. (1994). Solar radiation in Madrid. International journal of solar energy, 16(1):1–14. 29, 30, 31, 78, 79, 80, 81, 159, 162, 183 Mart´ın, L., Cony, M., Marchante, R., Polo, J., Zarzalejo, L., y Navarro, A. (2011). Global and direct normal irradiance forecast using GFS and statistical techniques. COST Action ES1002 ’WIRE’, Mines ParisTech, Sofia Antipolis, France. 50, 55, 118, 140, 141 Mart´ın-Vide, J. y Olcina, J. (2001). Climas y tiempos de Espa˜na. Alianza Editorial. 67 Marx, H. (2008). The use of Artificial Neural Networks to enhance Numerical Weather Prediction model forecasts of temperature and rainfall. PhD thesis, University of Pretoria. 49 246 BIBLIOGRAF´ IA Masuda, K., Leighton, H., y Li, Z. (1995). A New Parameterization for the Determination of Solar Flux Absorbed at the Surface from Satellite Measurements. Journal of Climate, 8:1615–1629. 42 Matheron, G. (1963). Principles of geostatistics. Economic geology, 58(8):1246–1266. 151 Mathiesen, P. y Kleissl, J. (2011). Evaluation of Numerical Weather Prediction for intraday solar forecasting in the continental United States. Solar Energy, 85(5):967–977. 10, 46, 49, 52, 55, 103, 106, 109, 113, 139, 141 Maxwell, E. (1987). A quasi-physical model for converting hourly global horizontal to direct normal insolation. Technical report, Solar Energy Research Institute. 28, 30, 31, 78, 79, 80, 81 Meeus, J. (1999). Astronomical Algorithms. Willmann-Bell, Inc., second edition. 72 Mellit, A. y Pavan, A. (2010). A 24-h forecast of solar irradiance using artificial neural network: application for performance prediction of a grid-connected pv plant at trieste, italy. Solar Energy, 84(5):807–821. 9, 49 Meteocat (2001). Xarxa d’Equipaments Meteorol`ogics de la Generalitat de Catalunya (XEMEC) del Servei Meteorol`ogic de Catalunya. xxiv, 70, 205 Meuer, H. (2012). Top500 supercomputer sites. http://www.top500.org/list/2012/11/. 11 Michalakes, J., Dudhia, J., Gill, D., Henderson, T., Klemp, J., Skamarock, W., y Wang, W. (2004). The Weather Research and Forecast Model: Software Architecture and Performance. In Mozdzynski, E. G., editor, To appear in proceeding of the Eleventh ECMWF Workshop on the Use of High Performance Computing in Meteorology, pages 117–124. 25–29 October 2004, Reading, U.K. 10, 37, 39, 84 Mlawer, E. y Clough, S. (1998). Shortwave and longwave enhancements in the rapid radiative transfer model. In Proceedings of the 7th Atmospheric Radiation Measurement (ARM) Science Team Meeting. 36, 38, 39, 43, 44, 45, 46, 47 Mlawer, E., Taubman, S., Brown, P., Iacono, M., y Clough, S. (1997). Radiative transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for the longwave. Journal of Geophysical Research, 102(D14):16663–16. 36, 38, 39, 41, 43, 44, 45, 46, 47, 86 247 BIBLIOGRAF´ IA Monin, A. y Obukhov, A. (1954). Basic laws of turbulent mixing in the surface layer of the atmosphere. Trudy Geofizicheskogo Instituta, Akademiya Nauk SSSR, 24(151):163–187. 86 Morcette, J. (2000). Radiation Transfer, Meteorological Training Course Lecture Series. Meteorological Training Course Lecture Series, ECMWF, Reading UK. 42 Morcrette, J. (1990). Impact of changes to the radiation transfer parameterizations plus cloud optical properties in the ECMWF model. Monthly weather review, 118(4):847– 873. 41, 43 Morcrette, J. (2002). Assessment of the ECMWF model cloudiness and surface radiation fields at the ARM SGP site. Monthly weather review, 130(2):257–277. 41, 43 Morcrette, J., Barker, H., Cole, J., Iacono, M., y Pincus, R. (2008). Impact of a new radiation package, McRad, in the ECMWF Integrated Forecasting System. Monthly Weather Review, 136(12):4773–4798. 36, 38, 45, 46 Ohmura, A., Dutton, E., Forgan, B., Fr¨ohlich, C., Gilgen, H., Hegner, H., Heimo, A., K¨onig-Langlo, G., McArthur, B., M¨uller, G., Phillipona, R., Pinker, R., Whitlock, C., Dehne, K., y Wild, M. (1998). Baseline Surface Radiation Network (BSRN/WCRP): New Precision Radiometry for Climate Research. Bulletin-American Meteorological Society, 79:2115–2136. 72 Oliver, M. y Webster, R. (1990). Kriging: a method of interpolation for geographical information systems. International Journal of Geographical Information System, 4(3):313–332. 151 Orgill, J. y Hollands, K. (1977). Correlation equation for hourly diffuse radiation on a horizontal surface. Solar energy, 19(4):357–359. 27, 29, 30, 78, 80, 81 Page, J. (1996). Algorithms for the Satellight programme. Projektinterner Bericht, June. 24, 31 Peebles, G. y Plesset, M. (1951). Transmission of gamma-rays through large thicknesses of heavy materials. Physical Review, 81(3):430. 34 Peel, M., Finlayson, B., y McMahon, T. (2007). Updated world map of the K¨oppen- Geiger climate classification. Hydrology and Earth System Sciences, 11:1633–1644. xxiii, 60, 61 248 BIBLIOGRAF´ IA Pelland, S., Galanis, G., y Kallos, G. (2011). Solar and photovoltaic forecasting through post-processing of the Global Environmental Multiscale Numerical Weather Prediction model. Progress in Photovoltaics: Research and Applications. 10, 51, 52, 56, 139, 141 Perez, R., Kivalov, S., Schlemmer, J., Hemker Jr., K., Renne, D., y Hoff, T. (2009). Validation of short and medium term operational solar radiation forecasts in the US. Proceedings of the ASES Annual Conference, Buffalo, New York. 10, 41, 45 Pielke, R. A. (1984). Mesoscale Meteorological Modeling. Academis Press, Orlando. 9, 32 Polo, J., Zarzalejo, L., Mart´ın, L., Navarro, A., y Marchante, R. (2009). Estimation of daily Linke turbidity factor by using global irradiance measurements at solar noon. Solar Energy, 83:1177–1185. 25 R Development Core Team (2010). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3- 900051-07-0. 117 Real Decreto 661 (2007). Regulaci´on de la actividad de producci´on de energ´ıa el´ectrica en r´egimen especial. Bolet´ın Oficial del Estado. Ministerio de Industria, Turismo y Comercio del Gobierno de Espa˜na, BOE-A-2007-10556:22846 – 22886. 4 Reindl, D., Beckman, W., y Duffie, J. (1990). Diffuse fraction correlations. Solar Energy, 45(1):1–7. 28, 29, 31, 78, 79, 80, 81 Remund, J., Perez, R., y Lorenz, E. (2008). Comparison of solar radiation forecasts for the USA. 23rd European Photovoltaic Solar Energy Conference, Valencia, Spain. 10, 41, 45 Remund, J., Wald, L., Lef`evre, M., Ranchin, T., y Page, J. (2003). Worldwide Linke turbidity information. International Solar Energy Society. 25 Ricchiazzi, P., Yang, S., Gautier, C., y Sowle, D. (1998). SBDART: A research and teaching software tool for plane-parallel radiative transfer in the Earth’s atmosphere. Bull. American Meteorological Society, 79:2101–2114. 42 Riedmiller, M. y Braun, H. (1993). A direct adaptive method for faster backpropagation learning: The RPROP algorithm. In Neural Networks, 1993., IEEE International Conference on, pages 586–591. IEEE. 50, 53, 116, 118 249 BIBLIOGRAF´ IA Rigollier, C., Bauer, O., y Wald, L. (2000). On the clear sky model of the ESRA—European Solar Radiation Atlas—with respect to the Heliosat method. Solar Energy, 68(1):33–48. 24, 31 Rinc´on, A., Jorba, O., y Baldasano, J. M. (2008). Validaci´on de una Simulaci´on Anual de irradiancia solar usando el Modelo Meteorol´ogico WRF para la Pen´ınsula Ib´erica. XXX Jornadas Cient´ıcas de la Asociaci´on Espa˜nola de Meteorolog´ıa, XII Congreso Latinoamericano e Ib´erico de Meteorolog´ıa: Agua y Cambio Clim´atico, Zaragoza, Espa˜na. xviii,xviii,xxiii, 91, 93, 94 Rinc´on, A., Jorba, O., Serradell, K., Castrillo, M., L´opez, E., y Baldasano, J. (2012). Informes semestrals entre els anys 2006 i 2012 encaminats a l’actualitzaci´o de l’Atles de radiaci´o solar a Catalunya i el manteniment de la Xarxa Radiom´etrica de l’Institut Catal`a d’Energia de Catalunya. Technical Report RS2006-1S a RS2012-2S, Universitat Polit`ecnica de Catalunya - Institut Catal`a d’Energia, Barcelona, Espanya. 71, 75 Roeger, C., Stull, R., McClung, D., Hacker, J., Deng, X., y Modzelewski, H. (2003). Verification of Mesoscale Numerical Weather Forecasts in Mountainous Terrain for Application to Avalanche Prediction. Weather and forecasting, 18:1140–1160. 51, 123 Rogers, E., Black, T., Deaven, D., DiMego, G., Zhao, Q., Baldwin, M., Junker, N., y Lin, Y. (1996). Changes to the operational Early ETA analysis/forecast system at the National Centers for Environmental Prediction. Weather and forecasting, 11(3):391–415. 37 Rogers, S. (2007). 2D weighted polynomial fitting and evaluation. Matlab Central File Exchange. 110 Rohde, R. (2007). Global Warming Art project. xxi, 195 Ruiz, V., Blanco, M., Maraver, A., Silva, M., Lillo, I., Moreno, S., Dom´ınguez, J., Ram´ırez, L., S´anchez, M., Garc´ıa-Barberena, J., Garc´ıa, P., Pascal, E., C´ardenas, B., Regidor, A., Mu˜noz, J., Pallardo, I., y Luna, S. (2011). Evaluaci´on del potencial de energ´ıa solar termoel´ectrica. Estudio T´ecnico PER 2011-2020. Technical report, Instituto para la Diversificaci´on y Ahorro de la Energ´ıa (IDAE), Madrid, Espa˜na. xvii, 7 250 BIBLIOGRAF´ IA Ruiz-Arias, J., Pozo-V´azquez, D., S´anchez-S´anchez, N., Mont´avez, J., Hayas-Barr´u, A., y Tovar-Pescador, J. (2008). Evaluation of two MM5-PBL parameterizations for solar radiation and temperature estimation in the South-Eastern area of the Iberian Peninsula. Il Nuovo Cimento C, 31:825–842. 45 Saintcross, J., Piwko, R., Bai, X., Clara, K., Jordan, G., Miller, N., y Zimberlin, J. (2005). The effects of integrating wind power on transmission system planing, reliability and operations. Technical report, The New York State Energy Research and development authority, Albany, NY. 8 Sancho ´ Avila, J., Riesco Mart´ın, J., Jim´enez Alonso, C., S´anchez de Cos Escuin, M., Montero Cadalso, J., y L´opez Bartolom´e, M. (2012). Atlas de Radiaci´on Solar en Espa˜na utilizando datos de Clima de EUMETSAT. Agencia Estatal de Meteorolog´ıa (AEMET). Ministerio de Agricultura, Alimentaci´on y Medio Ambiente del Gobierno de Espa˜na. xvii, 62 Santab´arbara, J., Calb´o, J., Baldasano, J., Esteve, J., y Mitja, A. (1996). Month-to- month variation of global solar radiation in Catalonia (Spain). International Journal of Climatology, 16(6):711–721. 64, 74 Sasamori, T., London, J., y Hoyt, D. (1971). Radiation budget of the Southern Hemisphere. Meteorological Monographs, 13(35):9–23. 34 Savu¨arvi, H. (1990). Fast radiation parameterization schemes for mesoscale and shortrange forecast models. Journal of Applied Meteorology. 37, 39, 44 Schietecat, G. (1984). Les photos m´et´eorologiques: interpr´etation et utilisation de photos m´et´eorologiques prises par satellites. Institut Royal M´et´eorologique de Belgique. xxiv, 224 Schwarzkopf, M. y Fels, S. (1991). The simplified exchange method revisited- An accurate, rapid method for computation of infrared cooling rates and fluxes. Journal of Geophysical Research, 96(D5):9075–9096. 39 Seaman, N. (2000). Meteorological modeling for air-quality assessments. Atmospheric Environment, 34(12-14):2231–2259. 32 Sicardi, V., Ortiz, J., Rinc´on, A., Jorba, O., Pay, M., Gass´o, S., y Baldasano, J. (2012). Assessment of Kalman filter bias-adjustment technique to improve the simulation of ground-level ozone over Spain. Science of The Total Environment, (416):329–342. 51, 123 251 BIBLIOGRAF´ IA Skamarock, W., Klemp, J., Dudhia, J., Gill, D., Barker, D., Duda, M., Huang, X., Wang, W., y Powers, J. (2008). A Description of the Advanced Research WRF Version 3, NCAR/TN-475+STR. Mesoscale and Microscale Meteorology Division, National Centre for Atmospheric Research, Boulder, USA. 10, 37, 38, 39, 84 Skamarock, W., Klemp, J., Dudhia, J., Gill, D., Barker, D. M., Wang, W., y Powers, J. G. (2005). A description of the advanced research wrf version 2. Technical Report NCAR/TN-468+STR, NCAR Technical note. xviii, 84 Slingo, A. (1989). A GCM parameterization for the shortwave radiative properties of water clouds. Journal of Atmospheric Sciences, 46:1419–1427. 38 SoDa (2011). SoDa service: Solar Energy Services for Professionals. 25 Soriano, C., Baldasano, J., Buttler, W., y Moore, K. (2001). Circulatory patterns of air pollutants within the Barcelona air basin in a summertime situation: Lidar and numerical approaches. Boundary-Layer Meteorology, 98(1):33–55. 13 Spencer, J. (1971). Fourier series representation of the position of the Sun. Search, 2(5):172. 192, 193 Stephens, G. (1978). Radiation profiles in extended water clouds. II: Parameterization schemes. Journal of the Atmospheric sciences, 35(11):2123–2132. 35, 36, 38 Stephens, G. (1984). The parameterization of radiation for Numerical Weather Prediction and climate models. Monthly Weather Review, 112(4):826–867. 36, 38 Stone, P. (1988). Global Climate Changes as Forecast by Goddard Institute for Space Three-Dimensional Model. Journal of Geophysical Research, 93(D8):9341–9364. 39 Szuromi, P., Jasny, B., Clery, D., Austin, J., y Hanson, B. (2007). Energy for the long haul. Science, 315(5813):781. 3 Taylor, K. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research, 106(D7):7183–7192. 143, 145 Unden, P., Rontu, L., J¨arvinen, H., Lynch, P., Calvo, J., Cats, G., Cuxart, J., Eerola, K., Fortelius, C., Garcia-Moya, J., et al. (2002). HIRLAM-5 scientific documentation. 36, 39 252 BIBLIOGRAF´ IA Vera, N. (2005). Atlas clim´atico de irradiaci´on solar a partir de im´agenes del sat´elite NOAA. Aplicaci´on a la Pen´ınsula Ib´erica. PhD thesis, Universidad Polit´ecnica de Catalu˜na, Barcelona, Espa˜na. 13, 64 Wilks, D. (2006). Statistical Methods in the Atmospheric Sciences. Academic press of Elsevier, second edition. 48, 109 Wittmann, M., Breitkreuz, H., Schroedter-Homscheidt, M., y Eck, M. (2008). Case studies on the use of solar irradiance forecast for optimized operation strategies of solar thermal power plants. Selected Topics in Applied Earth Observations and Remote Sensing, Journal of IEEE, 1(1):18–27. 8, 10 WMO (1996). Measurement of Radiation - Guide to meteorological instruments and methods of observation. Technical report, World Meteorological Organization. WMO-No.8., Geneva, Switzerland. 72, 74, 77, 192 Zamora, R., Dutton, E., Trainer, M., McKeen, S., Wilczak, J., y Hou, Y. (2005). The accuracy of solar irradiance calculations used in mesoscale numerical weather prediction. Monthly weather review, 133(4):783–792. 9, 40, 41, 44, 106 Zamora, R., Salomon, S., Dutton, E., Bao, J., Trainer, M., Portmann, R. W., White, A., Nelson, D., y McNider, R. T. (2003). Comparing MM5 radiative fluxes with observations gathered during the 1995 and 1999 Nashville southern oxidant studies. Journal of Geophysical Research, 108(D2):4050. 9, 34, 40, 44 Zarzalejo, L., Polo, J., Mart´ın, L., Ram´ırez, L., y Espinar, B. (2009). A new statistical approach for deriving global solar radiation from satellite images. Solar Energy, 83:480–484. 9 253