Evaluación de desempeño y corrección de los pronósticos de radiación solar global del SAP.SMN-DET

Abstract

En el marco del Plan de Desarrollo de Capacidades de la Organización Meteorológica Mundial y el proyecto ENANDES+ se desarrolló el miniproyecto “Energy mini-project on AI-based performance evaluation and correction of solar radiation forecasts from the Weather Research and Forecasting (WRF) numerical prediction model (Ref. 6455259-2025/GS/PEX)”. El objetivo del mismo fue evaluar y calibrar los pronósticos determinísticos de radiación solar global (GHI, de sus siglas en inglés) del modelo numérico operativo en el Servicio Meteorológico Nacional, aplicando una técnica de aprendizaje automático para 3 sitios de la región pampeana (Buenos Aires, Pilar y Armstrong). La evaluación de los pronósticos a 72 horas de GHI evidenció una sobreestimación sistemática del modelo. Durante las horas del día el error relativo medio (rRMSE) se situó entre el 30% y 45%, registrándose máximos superiores a 65% durante el amanecer y atardecer. Asimismo, el modelo demostró una alta precisión para identificar condiciones de cielo claro (~90% de aciertos), pero disminuyó su desempeño considerablemente ante cielos parcialmente nublados (40%) y cubiertos (10%). Para corregir los errores, se aplicó una técnica basada en aprendizaje automático mediante un perceptrón multicapa (MLP, de sus siglas en inglés). El modelo optimizado (MLP3) redujo drásticamente el sesgo de ~24% a valores cercanos al 0%, disminuyendo el rRMSE en aproximadamente 10%. Por último, las pruebas de validación cruzada confirmaron que la metodología presenta una transferencia intersitio estable y una robusta capacidad de generalización regional.

Within the framework of the World Meteorological Organization’s Capacity Development Plan and the ENANDES+ project, the mini-project entitled “Energy mini-project on AI-based performance evaluation and correction of solar radiation forecasts from the Weather Research and Forecasting (WRF) numerical prediction model” (Ref. 6455259-2025/GS/PEX) was developed. Its objective was to evaluate and calibrate deterministic global horizontal irradiance (GHI) forecasts produced by the operational numerical weather prediction model at the National Meteorological Service, using a machine learning technique at three sites in the Pampas region: Buenos Aires, Pilar, and Armstrong. The evaluation of the 72-hour GHI forecasts revealed a systematic overestimation by the model. During daylight hours, the relative root mean square error (rRMSE) ranged from 30% to 45%, with peaks exceeding 65% around sunrise and sunset. Although the model showed high accuracy in identifying clear-sky conditions, with a success rate of approximately 90%, its performance deteriorated substantially under partially cloudy and overcast conditions, with success rates of around 40% and 10%, respectively. To address these errors, a machine learning approach based on a multilayer perceptron (MLP) was applied. The optimized configuration (MLP3) substantially reduced the bias, from approximately 24% to values close to 0%, while decreasing the rRMSE by about 10%. Finally, cross-validation tests demonstrated that the methodology has stable inter-site transferability and robust regional generalization capabilities.