Embed Size (px)
Citation preview
UNIVERSIDAD DE SEVILLA
ESCUELA TÉCNICA SUPERIOR DE INGENIEROS
DEPARTAMENTO DE INGENIERIA ENERGÉTICA
COMPARATIVA DE LA
RADIACIÓN SOLAR MEDIDA
MEDIANTE BASES
TERRESTRES Y BASES
SATELITALES
PROYECTO FIN DE CARRERA
MANUEL OJEDA FERNÁNDEZ
DIRECTOR
Dr. D. Isidoro Lillo Bravo
Sevilla, Julio 2011
1
1. ANTECEDENTES ................................................................................................................. 2
2. OBJETO DEL PROYECTO ..................................................................................................... 3
3. DESCRIPCIÓN GENERAL DEL PROYECTO ............................................................................. 4
4. ANÁLISIS BIBLIOGRÁFICO .................................................................................................. 5
5. DESCRIPCIÓN DE LAS BASES DE DATOS .............................................................................. 6
5.1 BASES DE DATOS SATELITALES ................................................................................... 6
5.2 BASES DE DATOS TERRESTRES.................................................................................. 34
6. ANÁLISIS COMPARATIVO ..................................................................................................... 41
6.1 PROCESO DE CÁLCULO MEDIANTE R .............................................................................. 42
7. RESULTADOS ....................................................................................................................... 66
7.1 ANÁLISIS PUNTUAL................................................................................................... 66
7.2 ANÁLISIS DE IRRADIACIÓN GLOBAL ANUAL EN EL PLANO HORIZONTAL.................... 72
8. CONCLUSIONES ................................................................................................................... 86
9. BIBLIOGRAFÍA ..................................................................................................................... 87
10. ANEXOS............................................................................................................................. 89
ANEXO I: Código R ............................................................................................................... 89
ANEXO II: Estaciones Siar .................................................................................................. 103
ANEXO III: Tratamiento de datos y especificaciones técnicas de CM-SAF ........................... 110
ANEXO IV: Análisis de la irradiación efectiva ...................................................................... 135
ANEXO V: Ubicación de las estaciones Red Siar .................................................................. 174
2
1. ANTECEDENTES
En la actualidad, la energía y el crecimiento exponencial del consumo energético es uno de los factores clave del desarrollo económico. Dentro de este campo, la energía solar por su
carácter renovable y sostenible, tiene un papel fundamental en la sociedad.
El conocimiento preciso de la irradiación solar es esencial para multitud de aplicaciones, que incluyen sistemas de generación de energía eléctrica mediante recurso solar, modelos de
crecimiento de cultivos y estimaciones de evapotranspiración. La radiación solar global se mide
sobre el terreno a través de un conjunto de estaciones meteorológicas con piranómetros o células, instrumentos costosos de instalar y mantener. Realizar un mapa de irradiación mediante
interpolación/extrapolación, teniendo en cuenta solamente datos de estaciones terrestres lleva
consigo un error propio tanto de la misma interpolación o extrapolación como el que se deriva
del número finito de puntos de muestreo de datos y de la heterogeneidad de la distribución de las estaciones existentes.
La radiación solar también puede ser medida a través del análisis de imágenes de satélite. Tanto la resolución de estas imágenes, en general de bastantes km x km, como su variabilidad a
efectos de nubosidad y a variables microclimáticas, inducen en estos modelos un cierto grado de incertidumbre no conocido en la mayor parte de los casos.
Por ello, la combinación de ambos sistemas de medida sería necesaria para complementar y mejorar la calidad de los datos obtenidos, de manera que se consiga disminuir la incertidumbre
asociada al valor estimado de la irradiación en un punto terrestre determinado.
3
2. OBJETO DEL PROYECTO
Debido a la importancia de reducir la incertidumbre en las previsiones y los modelos de los
que derivamos los datos de irradiación solar, pretendemos con este proyecto aunar ambas
fuentes de información actualmente posibles, tanto las bases terrestres como las satelitales, de
modo que mediante el programa de cálculo R consigamos una metodología que permita el
contraste y la mejora de la calidad de los datos.
Nuestra meta será la obtención de los datos de irradiación mediante imagénes de satélite,
las medidas tomadas en bases terrestres, tratamiento de los datos conseguidos y realización de
mapas o gráficos que muestren una correlación entre ambos modelos, mejorando en la medida
de lo posible la incertidumbre asociada a la previsión de recurso solar. Para ello, nuestros
objetivos se dividirán en varios bloques:
-Análisis y discusión de las bases de tantos, tanto satelitales como terrestres, disponibles
para terminar escogiendo aquellas que, para el alcance de este proyecto, resulten más
apropiadas.
-Consecución de las coordenadas espaciales de las estaciones terrestres usadas, de modo
que podamos implementar con la codificación de R una correlación entre latitud y longitud y
valores medidos.
-Análisis de los diferentes métodos de ajuste y visualización de los resultados obtenidos
para la irradiación anual en la España peninsular. Consecución de valores estadísticos que nos
inviten a conclusiones.
En cualquier caso, por la generalidad del proyecto se comenzarán por el análisis de la
irradiación en el plano horizontal, siendo posible la aplicación de diversos modelos de
seguimiento que se citarán como ejemplo en los anexos. Además, el objetivo fundamental del
proyecto es la consecución de una metología general abierta a diversos modelos que quedan
propuestos para su mejora.
4
3. DESCRIPCIÓN GENERAL DEL PROYECTO
En este proyecto, se ha procedido a un estudio que contraste los datos de irradiación
obtenidos tanto de estaciones terrestres como de bases satelitales, con la intención de establecer
la variabilidad entre ambas fuentes. El procedimiento que se realizará será la obtención de los
datos satelitales más apropiados, la obtención de los datos terrestres y las diferencias entre
ambos, analizando mediante cuatro tipos de ajuste espacial los valores de irradiación de las
estaciones terrestres.
En el apartado 5, se realiza una breve presentación de las bases de datos tanto satelitales
como terrestres y posterior elección de la más idónea para el estudio, valorando la
disponibilidad de los datos, la fiabilidad y la incertidumbre de los mismos.
En el apartado 6, se procede con un análisis comparativo de los valores obtenidos
anteriormente, para lo cual es necesario realizar un ajuste espacial de los datos terrestres
mediante los siguientes métodos:
-IDW (Inverse Distance Weighted):
Método de la ponderación por distancia que se basa en asignar pesos a los datos del entorno
que rodean el punto, creando una función inversa de la distancia que los separa. Se establece
una función de proporcionalidad entre peso y distancia.
-Ajuste por superficie:
Se estudia si el sistema se puede ajustar mediante un ajuste por superficie, que intente
simular la irradiación con modelos polinómicos. En el desarrollo del proyecto se observará un
ajuste lineal para la latitud y un ajuste parabólico para la longitud.
-Ordinary kriging:
Método geoestadístico de interpolación que relaciona el variograma de la semivarianza de
dispersión de la irradiación de una estación respecto al resto de estaciones con la distancia, para
intentar explicar la variación espacial.
-Universal kriging:
Emplea el mismo variograma del ordinary kriging y intenta suavizar el sistema añadiendo
una capa de influencia de latitud y longitud o bien una capa de influencia de los valores de
irradiación satelitales.
-Latitud y longitud como variable explicativa
-Valores satelitales como variable explicativa
Los resultados obtenidos se interpretan a partir de los mapas peninsulares que se adjuntarán
donde observamos las variaciones de unos ajustes frente a los valores satelitales, así como los
parámetros de cada método de ajuste y los mapas, en términos porcentuales, de las diferencias
entre bases de datos. Por último, concluimos con los apartados 7 y 8 con las conclusiones
generales y las líneas de trabajo que se sugieren.
5
4. ANÁLISIS BIBLIOGRÁFICO
El área de trabajo de este proyecto ha sido ampliamente estudiada debido a la importancia
del conocimiento de recurso solar y la confección de modelos matemáticos que se ajusten a él
de manera apropiada.
En primer lugar, sobre el trazado de mapas referentes al índice de claridad usando métodos
de co-kriging podemos encontrar según Beyer y Czeplak, 1995, en su artículo “Evaluación de
los métodos usados para la construcciones de mapas de índices de claridad para el nuevo atlas
de radiación solar (ESRA)” que plantean lo problemático de las zonas montañosas en el trazado
de mapas de radiación solar, además de aquellas zonas carentes de densidad de estaciones por la
falta de datos. Propone la división en subregiones cuya correspondencia de radiación con altitud
sea estudiada. Anota también la falta de modelos que aporten una correlación entre fenómenos
de la orografía (picos de montañas…) y cambios en la radiación solar. Propone el uso de mapas
satelitales de alta resolución para “fijar” las variaciones de los mapas a pequeña escala pero
resultan de poca ayuda por su insuficiente definición. Concluye que la correlacion entre datos
terrestres y satelitales es menos de la esperada, con variabilidades de entre el 10 y el 15% en
invierno a lo qu propone el uso de otras fuentes (SUNSAT) que tampoco consiguen una mejora
evidente.
Por otra parte, Gueymard y Wilcox, 2011, “Evaluación de la variabilidad espacial y temporal
de los recursos solares en Estados Unidos a partir de medidas radiométricas y predicciones de
modelos basados en datos terrestres y satelitales” concluye como el sesgo relativo entre las
medidas terrestres y satelitales es manifiesto pero con cierta variabilidad. Indica como la
irradiación directa normal se establece en su valor climatológico a largo plazo en mucho mayor
periodo de tiempo que la radiación global. Del mismo modo, resalta como existe una sobre
estimación del recurso (lo que denomina “síndrome Eugene”) del 10 al 40% en radiación
horizontal del modelo que puede afectar a los sistemas de generación de energía. Establece
áreas de poca variabilidad interanual de modo que, según la aplicación buscada de la energía
solar, bastase un periodo de medida mucho menor para tener datos fiables.
En relación a lo ya explicado, mencionamos Hay, 1986, “Errores asociados a la interpolación
espacial de la irradiación solar media” que evalúa tres casos de interpolación: interpolación de
las distancias inversas ponderadas para tres estaciones, la interpolación de las distancias
inversas ponderadas para dos estaciones y la extrapolación de una estación, determinando como
el error decae por debajo del 1% usando los datos de hasta tres estaciones. Sin embargo, en
zonas del Ártico canadiense o zonas costeras la variabilidad aumenta considerablemente.
Sostiene como la evaluación de los errores es perfectamente aplicable para la generación de
matrices de covarianza para valores a largo plazo.
También se menciona Huld, 2008, “Variación geográfica de la conversión de eficiencia de
los módulos fotovoltaicos de silicio cristalino en Europa”, con la confección de mapas de
variabilidad de producción a lo largo del continente europeo. Así como Perpiñan, 2009,
“Análisis estadístico del rendimiento y simulación de un sistema fotovoltaico de seguimiento en
dos ejes” que muestra las mayores desviaciones durante los meses de invierno, entorno al 5%,
frente al 1% de los meses de verano.
6
5. DESCRIPCIÓN DE LAS BASES DE DATOS
5.1 BASES DE DATOS SATELITALES
5.1.1 CM-SAF
www.cmsaf.eu
Desarrollado por el Servicio de Meteorología Alemán colaborando con el danés, belga,
holandés, sueco y suizo. Empezó a funcionar en fase inicial desde el 2004 y en fase de
operación desde 2007. Provee información sobre los productos de radiación solar en la
superficie. Estos productos son actualmente derivados de dos sensores de imagen pasivos
diferentes:
El radiómetro avanzado de muy alta resolución (AVHRR) operado a bordo de los
satélites polares de la Administración Nacional Atmosférica y Oceánica (NOAA) NOAA-15, -
16, -17 y -18 y a bordo de los actuales y de los próximos satélites polares de la Operacional
Meteorológica (MetOp-A, -B, and –C).
El Generador giratorio de Imágenes Realzadas de Espectro Visible e Infrarrojos
(SEVIRI) operado a bordo de los satélites geoestacionarios Meteosat (Meteosat -8, -9).
El manual describe los productos disponibles con ejemplos de imágenes, da la descripción de
los algoritmos básicos y un breve repaso de validación respecto de varias observaciones de
referencia. Adicionalmente, una descripción técnica de los datos incluyendo información en el
mismo formato así como herramientas de acceso y manejo (e.g. “mapping” y herramientas de
visualización) que también se provee en las secciones finales.
Los datos producto de CM-SAF se distinguen en productos de monitorización operacional y
conjuntos de datos creados retrospectivamente (Schulz et al. (2009)). Los productos de
monitorización operacional son difundidos con altas secuencias (8 semanas después de
observación es el límite) apoyar la aplicación de monitorización operacional del clima de los
Servicios Nacionales de Meteorología e Hidrología. Las necesidades de secuenciación quieren
decir que este tipo de producto no es aplicable para monitorización de variabilidad inter anual y
pautas de muy alta fiabilidad. Los errores parciales debidos, e.g. degradación de los sensores y
cambios orbitales así como parcialidades inter satelitales no son corregidos para los productos
de monitorización operacional. Además, la caracterización de anomalías relativamente fuertes
en una escala mensual deberían ser factibles o viables. Respecto de los conjuntos de datos
producidos retrospectivamente, los errores debidos a la degradación de los sensores, cambios de
órbita y parcialidades inter satelitales son minimizados. Estos conjuntos de datos están
orientados a proveer de series temporales aplicables para el análisis de la variabilidad a mayor
escala que la interanual. Es de esperar que tales productos estén para el final de la Fase de
Operaciones Continuas y Desarrollo (CDOP) en 2012 y tendrán un manual de usuario de
producto separado. Este manual de usuario de producto describe exclusivamente los productos
de radiación operacional en superficie de CM-SAF.
5.1.1.1 Descripción de los productos de radiación superficial
Se definen seis productos diferentes de radiación superficial dentro de un mallado con una
resolución espacial de 15 km x 15 km. Todos los productos de radiación superficial están
presentados en la Tabla 5-1 con sus acrónimos asociados y sus unidades. Nótese que cada
7
producto existe en dos versiones diferentes, una versión que deriva de datos de satélites de
órbita polar (NOAA/METOP AVHRR) y otra que deriva de datos de satélites geoestacionarios
(METEOSAT/SEVIRI). Todos los productos se dan como medias diarias y mensuales. Un ciclo
de productos de medias mensuales diurnas se añaden de los conjuntos de datos
geoestacionarios.
Acrónimo Título de producto Unidad
SIS Radiación de onda corta que
llega a la superficie
W·m-2
SDL Radiación de onda larga de
penetración en superficie
W·m-2
SOL Radiación de onda larga
saliente de superficie
W·m-2
SNS Radiación neta de onda corta
superficial
W·m-2
SNL Radiación neta de onda larga
superficial
W·m-2
SRB Tasa de radiación superficial W·m-2
Tabla 5.1 Tipos de productos facilitados por CM-SAF
La figura 5.1 da una visión de las zonas actuales de procesamiento.
Figura 5.1 Área cubierta por los productos de radiación superficial CM-SAF
8
5.1.2 HELIOCLIM
www.helioclim.net
Servidor dependiente de la Escuela de Minas de Paris y el Centro de Energía y Procesos para
proveer de datos de radiación solar. Este servicio está asociado a SoDa.
Se basa en el método de Heliosat, el cual convierte imágenes de satélites geoestacionarios
como Meteosat (Europa), GOES (USA) o GMS (Japón) en mapas de datos de radiación solar a
nivel del suelo. Éste método contiene modelos, en lenguaje C, de geometría solar y del satélite
así como de índices claridad. Existen varias versiones de éste método, actualmente se está
empleando la versión Heliosat-2 desarrollado en noviembre de 2002 por la Escuela de Minas de
Paris con apoyo de la Comisión Europea (proyecto SoDa). Además el Heliosat-4 está siendo
desarrollado, de nuevo, por la Escuela de Minas de París apoyados por la Agencia Aeroespacial
alemana, DLR. Además HelioClim cuenta con un servicio de control de calidad de las medidas
de irradiación global. Existen diversas razones por las que se puede suministrar un dato erróneo
de irradiación, datos sin sentido. Con este servicio se tiene acceso a una serie de programas que
comparan los datos concretos con la irradiación extraterrestre para el día y hora concreta. Tras
eso se genera un informe que nos indicará una posible anomalía.
Ahondando más en el método Heliosat-2 se puede decir que está basado en los mismos
principios físicos que el Heliosat-1. Sin embargo los parámetros empíricos, índice de nubosidad
(relacionado con el índice de claridad), albedo aparente a nivel del suelo y en nube, que se
empleaban en el Heliosat-1 son expresados en el Heliosat-2 mediante leyes físicas. Éste hecho
abre las posibilidades a emplear modelos atmosféricos conocidos, es decir, no tener que emplear
parámetros definidos empíricamente. Las motivaciones principales para la creación
de esta nueva versión son mejorar la capacidad del método para procesar cualquier tipo de datos
obtenidos en el rango de banda ancha visible por los satélites meteorológicos geoestacionarios,
incluidas las grandes series temporales de imágenes tomadas por diferentes sensores, y para
mejorar la aplicación del método al reducir el número de parámetros empíricos.
Tras una comparación de medidas obtenidas con Heliosat-2 frente a las de superficie, se ve
que el error es similar al que arroja el Heliosat-1. El método genera problemas en los momentos
en los que el sol no está muy elevado y debe mejorarse en ese aspecto. Además el Heliosat-2 no
funciona correctamente en zonas donde las escalas de variabilidad de la irradiación son más
pequeñas que 2 o 5 veces el tamaño del píxel. Esto afecta a las zonas montañosas, por ejemplo.
Además el método ha de ser mejorado en varios aspectos: el modelo de claridad del cielo no
tiene en cuenta la parte de radiación difusa que ha sido reflejada una o más veces por la
superficie antes de incidir en la zona de estudio (para altas elevaciones del sol y grandes
tamaños de pixel no afecta mucho, pero sí para pequeñas elevaciones del sol y pequeños
tamaños de píxel), para pequeñas elevaciones de sol y tamaños de píxel de menores de 1km
debe ser tenido en cuenta. Otro aspecto importante a mejorar es la relación empleada entre el
índice de nubosidad e índice de claridad (se emplea el propuesto por Rigollier and Wald
(1998)). El mejor modelado de cielos nubosos es fundamental para obtener una mejora notable
en el método. El índice de turbidez de Linke es de vital importancia en el método de Helioclim-
2 pues gobierna los valores de irradiación para un cielo claro. El hecho de que éste índice sea
conocido en pocos sitios plantea un problema para el método.
Para calcular la intensidad de la radiación en una atmósfera, ya sea con bruma o vapor de
agua, o ambos simultáneamente, Linke estableció un factor de turbidez.
9
Considerando 𝐼 = 𝐼0𝑎𝑚𝑟
𝑎𝑚𝑟 = exp(−𝑆𝜆𝑔𝑇𝑚𝑟)
Donde Sλg es el coeficiente medio para todas las longitudes de onda, que corresponde a la
atenuación debida a la difusión por los gases de una atmósfera pura y seca; T es el factor de
turbidez de Linke, que se puede interpretar como el número de atmósferas puras y libres de
polvo necesarias para obtener la atenuación observada.
En definitiva, las bases de datos de radiación solar (irradiación e irradiancia) que ofrece
HelioClim provienen de un procesado de imágenes del satélite Meteosat. Estas bases de datos
existen desde el 1985 y son accesibles a través del SoDa. HelioClim cubre Europa, África, el
Mediterráneo, el océano Atlántico y parte del Índico.
La Escuela de Minas de París recibe los datos del Meteosat a través de Eumetsat y los procesa
en tiempo real. Como ya se ha dicho se puede acceder a esos datos obtenidos a través del
servicio de SoDa. Actualmente existen tres bases de datos en la familia de HelioClim: HC-1, HC-2, HC-3. Actualmente se trabaja en el HC-4.
A continuación adjuntamos las especificaciones de cada una de las versiones,
Propiedades comunes a las bases de datos de HelioClim: HC-1, HC-2, HC-3
Cobertura geográfica (aprox.) Lat (º): -66; +66
Lon (º): -66; +66
Parámetros Irradiancia, irradiación, global en la superficie horizontal,
radiación total (integración en todo el espectro)
Método de procesamiento de imágenes del MeteSat
Heliosat-2
Ç
Tabla 5-2. Propiedades comunes de HelioClim
10
Propiedades específicas para cada base de datos de HelioClim
HC1 HC2 HC3
Status Version 4 Version 1.0.1 Version beta
Resolución Espacial Aprox. 20
km Aprox. 10 km Aprox. 5 km
Período de operación 1985 -
2005
Desde Feb. 2004 en
adelante Desde Feb. 2004 en adelante
Resolución Temporal Diaria Horaria 15 min
Actualización Ninguna Todos los días Todos los días
Disponibilidad de
datos después de la adquisición por satélite
No
aplicable
Final del siguiente día. Siempre que exista
acuerdo con
EUMETSAT
Final del siguiente día.
Siempre que exista acuerdo con EUMETSAT
Tabla 5-3. Propiedades específicas de HelioClim
Concretaremos un poco más en el HC3, el más moderno. Para evaluar la incertidumbre de
HC-3 se compara con medidas obtenidas en diversas estaciones Europeas: Francia (3 estaciones),
Alemania (10 estaciones), Italia (1 estación), Moldavia (1 estación), Noruega (1 estación) y
Suiza (6 estaciones). En total se han empleado 142329 valores horarios y 12019 valores diarios.
Los resultados obtenidos después de la comparación para esas estaciones arrojan una
desviación cuadrática media del 31% para valores horarios y del 15% para valores diarios.
Algún ejemplo concreto:
Carpentras (Meteo-France)
Valor horario promedio medido en superficie: 426.7 W/m2
Valor horario promedio de HC-3: 427.7 W/m2
Error cuadrático medio: 98.6 W/m2 (23 %)
Coeficiente de correlación: 0.9375
11
Figura 5-2 Medias horarias de irradiancia [W/m2]
12
Tipo de
información
Mes Valor
medio
Sesgo RMSE Coeficien
te de
correlación
Número de
observacion
es
Irradiación
horaria
Enero 95 137 -31 (-23%) 62 (45%) 0.83 5028
Abril 95 361 2 (0%) 96 (27%) 0.90 8248
Julio 94 569 1 (0%) 103 (18%) 0.87 8150
Media
mensual de
la
irradiación
horaria
Enero 95 142 -33 (-23%) 41 (29%) 0.91 160
Abril 95 361 1 (0%) 41 (11%) 0.94 280
Julio 94 568 1 (0%) 48 (8%) 0.93 272
Irradiación
diaria
Enero 95 987 -54 (-5%) 199 (20%) 0.95 344
Abril 95 3366 175 (5%) 534 (16%) 0.95 1044
Julio 94 5817 143 (2%) 566 (10%) 0.94 887
Media
mensual de
la
irradiación
diaria
Enero 95 891 -128 (-14%) 215 (24%) 0.88 20
Abril 95 3367 175 (5%) 243 (7%) 0.97 35
Julio 94 5776 192 (3%) 307 (5%) 0.92 34
Irradiación
de 5 días (al
menos con
un 60% de
días válidos)
Enero 95 4607 -333 (-7%) 898 (19%) 0.94 75
Abril 95 16826 878 (5%) 1794 (11%) 0.96 209
Julio 94 28736 1151 (4%) 2419 (8%) 0.91 202
Irradiación
de 10 días
(al menos
con un 60%
de días
válidos)
Enero 95 8788 -742 (-8%) 1836 (21%) 0.93 43
Abril 95 33675 1773 (5%) 3285 (10%) 0.96 104
Julio 94 57680 2021 (4%) 3454 (6%) 0.92 101
Tabla 5.4. Diferencias entre valores medidos y valores estimados en Whm-2. El valor medio es aquel de
medidas terrestres. Los porcentajes son expresados en función de este valor medio
13
5.1.3 SODA ESRA
www.soda-is.com
Soda Service es una aplicación Web diseñada para responder a las necesidades de la
industria y la investigación para obtener información sobre varios recursos solares. Una serie de
bases de datos establece series de tiempo a largo plazo de irradiación o radiación (también
llamada radiación de onda corta hundimiento), temperatura, precipitación, radiación de onda
larga, el factor de turbidez Linke, turbidez atmosférica, las propiedades de cielos claros, PAR
(radiación fotosintéticamente activa), la distribución espectral.
Desde la página principal, todas las siguientes bases de datos son accesibles a través del
"Servicio" elemento. Todas las bases de datos de trabajo con una interfaz similar. De datos
comunes de entrada son:
Longitud y latitud en grados y decimales de grados. Longitudes oeste y las latitudes del norte
son positivas. La búsqueda puede hacerse por las ciudades o el uso de un mapa.
Altitud sobre el nivel del mar en metros. Si se omite, se toma la altitud media de la red de los
5‟. Formato de los resultados: HTML o CSV. Sin embargo, es difícil de copiar los resultados de
la página Web en otro archivo. Algunas de las bases de datos son de libre acceso, mientras que
algunos requieren de registro.
Los promedios mensuales de radiación global diaria como resultado de la interpolación de
las mediciones realizadas en la red meteorológica
Este recurso proporciona los valores mensuales de radiación global para todo el mundo. Los
valores mensuales se toman de la base de datos climatológicos METEONORM. El error de la
interpolación depende de la densidad de la red. En Europa, con una densa red el error es de
aproximadamente 6%. Esta es una base de datos gratuita. Los promedios mensuales de
temperatura del aire como resultado de la interpolación de las mediciones realizadas en la red
meteorológica
El recurso proporciona los valores mensuales de la temperatura ambiente para todo el
mundo. Los valores mensuales se toman de la base de datos climatológicos METEONORM,
que se basa en la OMM CLINO 1961-1990 (1998).Valores horarios de la temperatura ambiente
se interpolan en la herramienta de interpolación de SODA. Los datos de las estaciones
meteorológicas son interpolados en línea. La interpolación tiene un RMSE de aproximadamente
2 º C de los valores mensuales.
Los valores mensuales del factor de turbidez Linke
Este recurso sirve valores climatológicos mensuales de turbidez Linke, es la atenuación de la
radiación solar producida por las partículas sólidas y líquidas en el aire que es un indicador de
la densidad óptica del medio húmedo y brumoso en relación a una atmósfera limpia y seca, de
masa de aire 2, vapor de agua, beta Angstroem y el ozono estratosférico en una escala global. Se
calcula los valores medios mensuales para cualquier ubicación geográfica, cualquier mes y
cualquier elevación. La altitud del lugar geográfico de la simulación puede ser extraído de la
orografía de los recursos (si se pone a 0) o forzados por el usuario mediante la introducción de
un valor mayor o igual a 1. Unidad es el metro. El recurso orografía tiene una celda de la
cuadrícula de 5' de ángulo en el vértice y utiliza la base de datos TerrainBase (TerrainBase,
14
Worldwide Digital Terrain Data. Documentation Manual, CD-ROM Release 1.0, April 1995.
NOAA, National Geophysical Data Center, Boulder, Colorado, USA). La turbidez Linke que
aquí se presenta se basa en la información global de varios satélites, como la radiación global
cielo despejado (SRB), vapor de agua precipitable (NVAP), aerosol profundidad óptica
(Pathfinder) y la información del suelo sobre la turbidez de la radiación o las mediciones de
aerosoles (AERONET). La turbidez se ha calculado con mediciones globales radiación en el
suelo con la ayuda de la ESRA claro modelo de radiación de cielo. Por satélite y la información
del suelo se han colocado juntos. La cobertura es en todo el mundo. La forma de construir la
base de datos se explica en el HelioClim sitio Web. Los parámetros de otra atmósfera: vapor de
agua (WV) o agua de precipitación total se ha tomado de NVAP y corresponde a los valores
promedio de 1988-97.
Días-grado por debajo de una temperatura determinada
Días-grado por debajo de la temperatura (también llamado Calefacción días-grado) se
corresponden con el número total de grados que la temperatura media diaria cae por debajo de
una temperatura determinada, llamada la "temperatura de base". Base de temperaturas de entre
12 ° C a 22 ° C están disponibles. Los grados día de calefacción para un día en particular se
basan en la temperatura media del día (la suma de las temperaturas altas y bajas, dividido por
dos). Si la temperatura media es superior a la temperatura base, no hay días-grado de
calentamiento ese mismo día. Si es inferior a la temperatura base, la temperatura base se resta de
ella para dar el número de días-grado de calentamiento. El servidor de Satel-Light ofrece la luz
del día y la información de la radiación solar en Europa occidental y central, con una alta
resolución espacial y temporal (cada 5 kilómetros, cada media hora).
Grado-días por encima de una temperatura determinada
Días-grado por encima de la temperatura (también llamado día de refrigeración grado) se
corresponden con el número total de grados que la temperatura media diaria se eleva por encima
de una temperatura determinada, llamada la "temperatura de base". Base de temperaturas entre 5
º C a 25 ° C están disponibles. Los grados día de refrigeración para un día en particular se basan
en la temperatura media del día (la suma de las temperaturas altas y bajas, dividido por dos).Si
la temperatura media es inferior a la temperatura base, no hay días-grado de enfriamiento de ese
día. Si es superior a la temperatura base, que se resta de la temperatura de base para dar el
número de días-grado de enfriamiento. El servidor de Satel-Light ofrece la luz del día y la
información de la radiación solar en Europa occidental y central, con una alta resolución
espacial y temporal (cada 5 kilómetros, cada media hora).
Frecuencia de los tipos de cielo
La frecuencia de cada una de estas condiciones del cielo en un lugar determinado indica
cómo cada uno es representativo del clima en ese lugar.
Tres tipos de cielo están disponibles: nublado, medio y soleado, para Europa occidental y
central. Las frecuencias se basan en el análisis de las imágenes producidas por el satélite
Meteosat cada media hora, durante cinco años: 1996 a 2000. La clasificación se basa en el cielo
de la gama de valores de brillo en la imagen de METEOSAT: corresponde a las nubes los tonos
más brillantes, corresponde a la soleada los tonos más oscuros, intermedio entre ambos. Las
frecuencias están disponibles en dos horarios diarios: el amanecer hasta la puesta de sol y de
15
8:00 a 18:00 (hora local), que corresponde a las horas de funcionamiento de los edificios de
oficinas.
La radiación UV - Europa
El recurso sirve valores mensuales, día u hora de los rayos UV y de toda la radiación del
cielo en una escala global. Los valores por hora se calculan y se suman a los valores diarios o
mensuales para Europa. Los valores diarios de radiación global se han tomado de base de datos
de MARS.
Los datos de la base de datos MARS se interpolan a partir de las estaciones meteorológicas
más adecuadas para reflejar la radiación global diaria para una cuadrícula 50 por 50 km. Los
datos se utilizan principalmente para el modelado de rendimiento de los cultivos.
Los datos que obtenemos son:
Parte del espectro de los rayos UV: UVA, UVB o el cielo claro de eritema (cs) y todo el
cielo (como) la radiación.
La capa de ozono [DU] (valor fijo), si no se establece, los valores medios se toman.
Angstrom Beta (valor fijo), si no se establece, los valores se toman.
El vapor de agua [cm] (valor fijo), si no se establece, los valores se toman.
Tipo de terreno para el albedo
Esta es una base de datos gratuita.
Los valores diarios de radiación UV desde 1985 - Europa, África (modelo ESRA)
Esta herramienta nos da valores mensuales, día u hora de los rayos UV y de toda la radiación
del cielo en una escala global. Los valores por hora se calculan y se suman a los valores diarios
o mensuales.
Las variables de salida son:
Parte del espectro de los rayos UV: UVA, UVB o el cielo claro de eritema (cs) y todo el
cielo (como) la radiación.
La capa de ozono [DU] (valor fijo), si no se establece, los valores medios se toman.
Angstrom Beta (valor fijo), si no se establece, los valores se toman.
El vapor de agua [cm] (valor fijo), si no se establece, los valores se toman.
Angstrom Beta (opcional).
La capa de ozono (opcional).
El vapor de agua (opcional).
Turbidez Linke (Es la atenuación de la radiación solar producida por las partículas
sólidas y líquidas en el aire. Es un indicador de la densidad óptica del medio húmedo y brumoso
en relación a una atmósfera limpia y seca) de masa de aire 2 (opcional).
Día: Día del mes (si la salida de un solo día se desea).
Valores horarios de radiación solar - Europa - África
Esta base de datos proporciona información sobre:
16
Series de tiempo de los valores de radiación: a partir de hora (sólo HelioClim-2) a los
valores mensuales. Los valores son la irradiancia en W/m2, así como la radiación en Wh/m2 y el
J/cm 2
Radiación en la parte superior de la atmósfera
Radiación en cielo despejado
Incertidumbre valores
Información sobre el número de datos utilizados para calcular el valor de la radiación
Los datos son proporcionados por el satélite HelioClim-2 de febrero de 2004 en adelante.
Los datos de los satélites se reciben en la Ecole des Mines de París por medio de una estación de
recepción y se procesan inmediatamente. Están disponibles en 2-3 minutos después del final de
la adquisición. Por razones legales, se difunden sólo 24 horas después. Los datos de HelioClim-
1 se utilizan para el período 1985-2005.
La precisión ha sido evaluada por las comparaciones con las mediciones realizadas en varias
estaciones de las redes de la OMM radiométricas en Europa y África. La variabilidad natural de
la radiación debe ser alejada de los valores por debajo (aproximadamente 10-15%) para evaluar
la exactitud de la base de datos. Esto no es una base de datos gratuita.
Los valores diarios de radiación solar - Europa - África
Esta base de datos proporciona información sobre:
Series de tiempo de los valores de radiación: a partir de hora (sólo HelioClim-2) a los
valores mensuales.--Los valores son la irradiancia en W/m2, así como la radiación en Wh / m2 y
el J / cm2.
Radiación en la parte superior de la atmósfera
Radiación en cielo despejado
Los valores de incertidumbre
Información sobre el número de datos utilizados para calcular el valor de la radiación
Los datos son proporcionados por el satélite HelioClim-2 de febrero de 2004 en adelante.
Los datos de los satélites se reciben en la Ecole des Mines de París por medio de una estación de
recepción y se procesan inmediatamente. Están disponibles en 2-3 minutos después del final de
la adquisición. Por razones legales, se difunden sólo 24 horas después. Los datos de HelioClim-
1 se utilizan para el período 1985-2005.
La precisión ha sido evaluada por las comparaciones con las mediciones realizadas en varias
estaciones de las redes de la OMM radiométricas en Europa y África. La variabilidad natural de
la radiación debe ser alejada de los valores por debajo (aproximadamente 10-15%) para evaluar
la exactitud de la base de datos.
17
NCEP / NCAR re-análisis de los valores diarios de radiación, temperatura, precipitaciones
Esta base de datos de los archivos del NCEP / NCAR (National Center for Environmental
Predictions / National Center for Atmospheric Research USA) de 1958. Los datos disponibles
son los siguientes:
A la baja radiación de onda corta
Radiación de onda corta
Radiación de onda larga descendente
Radiación de onda larga neta
Temperatura media
La temperatura mínima
La temperatura máxima
Tasa de precipitación.
Los datos de este nuevo análisis también se pueden obtener a través
de http://www.cdc.noaa.gov/cdc/reanalysis/reanalysis.shtml .
Marte base de datos de radiación solar - Europa
Esta base de datos proporciona datos de punto de irradiación diaria desde 1975 hasta 2004
para las zonas de 50 * 50 km 2 .Los valores se calculan a partir de la interpolación de los
resultados observados por las redes meteorológicas.
Previsión de los parámetros meteorológicos - el tamaño de la cuadrícula 21 km - Europa
Este servicio ofrece las previsiones meteorológicas de varios parámetros meteorológicos,
incluidos los componentes de la radiación, durante 3 días cada 3 horas. Son otorgadas por los
Departamentos de Física de la Universidad de Génova y Bolonia, Italia, utilizando el modelo
Bolam para la predicción numérica del tiempo. Previsión de los parámetros meteorológicos - el
tamaño de la cuadrícula 10 km - con centro en Italia región
5.1.4 PVGIS
5.1.4.1 Definición del proyecto PVGIS
Re.jrc.ec.europa.eu/pvgis
PVGIS (Photovoltaic Geographical Information System) es un proyecto de investigación y
desarrollo de un instrumento de políticas de apoyo para la evaluación geográfica
de los recursos de energía solar en el contexto de la gestión integrada de generación de energía.
PVGIS combina los resultados de laboratorio con la monitorización y estudio de los datos
geográficos para analizar los factores técnicos, medioambientales y económicos de la
generación de energía eléctrica fotovoltaica.
PVGIS forma parte de los desarrollos de SOLAREC, que es una compañía que se dedica a
la producción de energía a partir del sol, en la unidad de Energías Renovables de la JRC (Joint
Research Center) de la Unión Europea.
18
Datos que engloba
La base de datos GIS engloba las siguientes regiones:
Europa
Cuenca mediterránea, África y el Sur-oeste de Asia.
La base de datos europea contiene tres grupos de grados con una resolución de 1 km x 1
km. Datos geográficos: modelo elevación digital, los límites administrativos CORINE cobertura
del suelo y cobertura global del suelo, ciudades, etc.
Series de datos climatológicos espacialmente continuos representados mensual y
anualmente de:
Irradiación global diaria en el plano horizontal [Wh/m2]
Índice de turbidez atmosférica [adimensional]
Ratio de irradiación global difusa [adimensional]
Ángulo de inclinación óptimo para los paneles fotovoltaicos [grados]
Promedios regionales para zonas construidas:
Irradiación anual global total (horizontal, vertical y para el plano óptimo) [kWh]
Estimación de la energía eléctrica generada en un año (para plano horizontal, vertical y
el óptimo) [kWh]
En la cuenca mediterránea, África y el sur-oeste de Asia, la base de datos contiene los
mismos grupos de grados con una resolución de 2 km x 2 km:
Datos geográficos: modelo digital de elevación, límites administrativos, cobertura global del
suelo, ciudades, etc.
Datos climatológicos espacialmente continuos representados mensual y anualmente de:
Irradiación global diaria en el plano horizontal [Wh/m2]
Índice turbidez atmosférica [adimensional]
Ratio de irradiación global difusa [adimensional]
Inclinación optima de los paneles fotovoltaicos [grados]
19
5.1.4.2 Proyección del mapa y medidas geográficas
Continente europeo
Proyección: Lambert azimutal igual área
Unidades: metros
Esferoide: WGS 84
Longitud del centro de la proyección: 18º00‟00”
Latitud del centro de la proyección: 48º00‟00”
Falso este: 0.0
Falso norte: 0.0
Unidades: metros
Grado de medida de la base de datos: 4500 filas x 5000 columnas
Grado de resolución: 1000 metros
Cuenca mediterránea, África y Sur-oeste de Asia
Proyección: Lambert azimutal igual área
Unidades: metros
Esferoide: WGS 84
Longitud del centro de la proyección: 0º00‟00”
Latitud del centro de la proyección: 48º00‟00”
Falso este: 0.0
Falso norte: 0.0
Unidades: metros
Grado de medida de la base de datos: XXX filas x XXX columnas
Grado de resolución: 2000 metros
20
5.1.4.3 Datos primarios usados para la base de datos PVGIS
Europa:
Las medias mensuales de las cantidades diarias de la irradiación global y difusa, medida o
calculada para 566 estaciones meteorológicas de tierra distribuidas en la región. Los promedios
representan el período 1981-1990, los datos fueron recogidos en el proyecto ESRA.
Ilustración 5.1. Estaciones meterológicas ESRA terrestres en Europa
Índice de turbidez derivado de la base de datos mundial (Remond et al. 2003), disponible
también en el SoDa.
21
Modelo de elevación digital con una resolución 1x1 km: derivados de los datos de USGS
SRTM.
CORINE suelo cubierto con una resolución 100x100 metros
Ilustración 5.3. Cobertura global del suelo 2000 con una resolución de 1x1 km
Ilustración 5.2. Resolución espacial de PVGIS
22
Ilustración 5.4. Base de datos GISCO (EuroGeographics Association for the administrative boundaries)
Ilustración 5.5. VMAP0 y datos ESRI
23
Cuenca mediterránea, África y el sur-oeste de Asia
Base de datos de HelioClim-1, consistentes en la irradiación solar diaria calculada a partir de
imágenes del Meteosat. Los valores representan un periodo de entre 1985-2004, la resolución
espacial es 15x15, en el ecuador 30x30 km, los datos son procesados por el método del
Heliosat-2. El índice de turbidez deriva de la base de datos global (Remund et al. 2003),
disponible también en SoDa. El modelo digital de elevación se obtiene con una resolución 1x1
km, derivados de datos de USGS SRTM.Global Land Cover 2000 con la resolución original de
1x1 km.
Métodos y herramientas de GIS:
La base de datos de la radiación solar está desarrollada usando herramientas integradas en
GIS GRASS, principalmente con los modelos de radiación solar r.sun y con técnicas de
interpolación s.surf.rst y s.vol.rst. La base de datos fue completada en tres medidas:
Modelización de la irradiación global directa en el plano horizontal
Cálculo e interpolación espacial del índice de irradiación solar directa y el cálculo de los
mapas de irradiación global en el plano horizontal.
Derivando en los componentes de la irradiación difusa y los componentes del índice de
cielo despejado y compilando los datos en mapas de irradiación global en planos inclinados.
5.1.4.4 Mapas GIS
Los mapas muestran la heterogeneidad espacial y temporal de los fenómenos climatológicos
dentro de una región. Los mapas de irradiación, índice de turbidez, y los coeficientes de global y
difusa representados en promedios anuales. Los mapas del ángulo de inclinación óptimo de los
paneles fotovoltaicos para captar la máxima irradiación solar posible durante el año teniendo en
cuenta las posibles sombras (consideradas en la resolución espacial del modelo de elevación
digital). Los mapas fotovoltaicos muestran la generación eléctrica para un panel con una
configuración de 1 kWp, asumiendo una relación de calidad de 0.75 (valor típico para un
montaje en techo con módulos tanto mono- como policristalinos de Silicio). El nombre que
aparece de la ciudad más cercana al punto marcado se basa en datos de un polígono de Thiessen
de la capa generada en GIS.
24
Precisión de la base de datos PVGIS:
En el continente europeo, la raíz del error cuadrático medio (RMSE), comparada con la
primera medida de irradiación (de las estaciones meteorológicas) que presenta los valores
modelados. El RMSE de los promedios de los datos PVGIS muestra un mejor rendimiento en el
periodo de Octubre a Abril. Su ventaja es la vinculación de las características del terreno con los
cambios en los campos de radiación y teniendo en cuenta los efectos de las sombras.
Para obtener la precisión de este sistema se presenta una comparativa con la base de datos
ESRA (Scharmer and Grei 2000), esta base de datos contiene datos de irradiación primaria
medida o calculada para las estaciones meteorológicas de la comunidad europea (566 de ellas
están en nuestra región). Los mapas de rastreo de promedios mensuales de radiación global
diaria en el plano horizontal fueron creados con datos primarios con un kriging (cf. Beyer et al.
1997). Los métodos de co-kriging hechos con datos satelitales no dan una gran precisión para
bajas resoluciones de los datos del satélite y no satisfacen una correlación con las medidas de
campo, particularmente en invierno.
El modelado de la precisión de los valores del PVGIS en la base de datos fueron evaluados
con los datos de entradas meteorológicas usados en el cálculo. Comparando los promedios
anuales de la irradiación global diaria en el plano horizontal, la media del error (MBE) es 8.9
Wh/m2 (0,3%) y la raíz del error cuadrático medio (RMSE) es 118 Wh/m
2 (3,7%).
El cálculo del RMSE comparándolo con los datos de las estaciones meteorológicas de
irradiación primaria con PVGIS (versión 2) y ESRA respectivamente, representada en los
gráficos anteriores. Las pruebas se realizaron utilizando las mediciones de la radiación
horizontal de 563 estaciones en toda la región. La raíz del error cuadrático medio de los
resultados de las mediciones originales de la irradiación global diaria que se utilizaron para la
interpolación del índice kc se produce dentro del intervalo de 68 a 209 Wh/m2. En términos
relativos, se encuentra dentro del intervalo del 3,2% al 7,8%, el pico de los valores RMSE está
en los meses de invierno. La comparación de la muestra enfoque de la interpolación en ESRA, a
pesar de la precisión global es prácticamente el mismo (el promedio anual de la RSME para
ESRA es de 113 Wh/m2, es decir, 3,5%), los valores modelados de PVGIS son ligeramente
mejores en el periodo de octubre a abril y los más pobres en los meses de verano.
Este análisis proporciona información acerca de los errores sólo en lugares para los cuales
las medidas son conocidas. Por lo tanto, una validación cruzada se aplicó con el fin de estimar el
valor predictivo del enfoque de modelado que mejor explica la distribución de los errores más
lejos de los lugares con las medidas conocidas. El error de validación cruzada muestra el error
máximo posible que puede ocurrir en el punto dado si no se tuvo en cuenta en la interpolación.
La media del error (MBE) promedio anual de la validación cruzada es menor: 1Wh/m2 (0,03%),
pero el rango de los promedios mensuales de la MBE es mayor de 3 Wh/m2 de enero al 4
Wh/m2 en agosto. El RMSE de la validación cruzada es mayor, en el intervalo de 97 a 299
Wh/m2/día (4,7 a 11,2%), y el promedio anual es de 146 Wh/m2 (4,5%).
25
La ventaja de este enfoque es la vinculación de las características del terreno con los cambios
de radiación y teniendo en cuenta los efectos de sombreado, en las imágenes de arriba se puede
ver la radiación media anual en el plano horizontal calculado por ESRA y r.sun. El spline
multivariable regularizado con la tensión que proporciona kc mapas raster que mejor se adapten
a las especificaciones regionales del clima de radiación en las zonas montañosas a condición de
que un patrón más denso de mediciones sobre terreno estuviese disponible. La influencia de la
sobra del terreno es más visible con datos de mayor resolución. Como se puede ver la resolución
de la celda raster es de 1 km2, lo cual es demasiado áspera para revelar los patrones reales de las
sombras en un paisaje montañoso.
Ilustración 5.6. ESRA vs. PVGIS
Modelo de radiación solar:
Se ha desarrollado una base GIS para el cálculo de la irradiancia/irradiación obtenida en un
plano inclinado para cualquier región geográfica y para cualquier tiempo o intervalo. Este
enfoque esta implementado en un software de GIS denominado GRASS, que está basado en el
uso del modelo de radiación solar r.sun y para las técnicas de interpolación espacial s.surf.rst y
s.vol.rst
El algoritmo del modelo r.sun, conceptualmente está basado en las ecuaciones publicadas en
ESRA. Esto estima la irradiancia/irradiación, directa y difusa, y los componentes reflejados
tanto para el plano horizontal como para planos inclinados. La irradiación total diaria [Wh.m-2]
es calculada con la integración de los valores irradiancia [W.m-2] calculada a intervalos
regulares durante el día. En cada cálculo se tiene en cuenta la obstrucción de las nubes y las
sombras debidas al terreno, que son calculadas a partir de modelos digitales de elevación.
ESRA PVGIS Diferencia ESRA-PVGIS
26
5.1.4.5 Aplicaciones de la Web
La Web tiene cuatro partes:
Los datos de irradiación solar: herramienta que te permite navegar por la base de datos de
GIS y consultar los valores actualizados en el punto del mapa donde pinches o el definido
explícitamente por el usuario (escogiendo país/ciudad o metiendo la latitud y la longitud). Los
valores anuales y mensuales están dispuestos en una ventana a parte con tablas y gráficos. Uno
de los principales inconvenientes para nuestro proyecto es la imposibilidad de bajar datos
masivos de la web sino que el único acceso a los datos es de manera puntual para una
localización concreta.
Usando los datos de irradiancia solar podemos seleccionar la inclinación del módulo y la
orientación, un usuario puede obtener el perfil diario de la irradiancia para un mes determinado.
El promedio de variación diaria es estimada para medias mensuales con sistema de cálculo
independiente (extraído de r.sun). El sistema de cálculo usa los datos del PVGIS y tiene en
cuenta las sombras del terreno en cuestión.
Con el sistema de cálculo de energía eléctrica es posible calcular la potencia de salida de
nuestra instalación fotovoltaica gracias a la irradiación solar anual, definida por la potencia
nominal de los módulos fotovoltaicos, el ángulo de inclinación y la relación de calidad del
sistema (valor típico 0.75). El sistema de cálculo permite a los usuarios establecer para una
localización dada, el ángulo de inclinación óptimo para los módulos fotovoltaicos teniendo en
cuenta la orientación del mismo. Este usa la base de datos de PVGIS para incluir los efectos de
las sombras del terreno, lo cual es la razón por la que la orientación óptima no sea el Sur.
Con la herramienta de fotovoltaica por regiones puedes ver datos de irradiación anual y el
potencial de producción para instalaciones de este tipo, y puedes presentarla en las
administraciones europeas. Los datos han sido calculados para zonas construidas con su país
/región. SE muestra el área total y el área construida para la región elegida. Los datos mínimos,
medios y máximos de la irradiación solar y de la potencia estimada son mostrados para las
zonas edificadas de la región. Los valores están calculados para el plano horizontal y para la
orientación sur, inclinación vertical y óptima. Se muestran los valores mínimos, medios y
máximos para la inclinación optima de la región.
5.1.5 NASA SSE (Surface meteorology and Solar Energy )
Eosweb.larc.nasa.gov/cgi-bin/sse/grid.cgi
Desde la NASA tenemos a disposición el producto SSE creado para el uso de la energía
renovable solar. Pero los datos solares de dicho producto provienen a su vez de otro producto de
la NASA, el SRB (Surface Radiation Budget).
El objetivo del proyecto del proyecto NASA/GEWEX SRB es producir y archivar un
registro a largo plazo de datos globales de onda corta (SW) y onda larga (LW) sobre una malla
además de una serie de parámetros en la superficie de la atmósfera (TOA). Para ello se establece
una red de 1ºx1º con una serie de algoritmos, algoritmo primario de GEWEX y algoritmo de
control de calidad, conjuntados con una serie de fuentes de datos de entrada. El algoritmo
primario de SW (onda corta) es una adaptación de Pinker y Laszlo (Modeling Surface Solar
27
Irradiance for Satellite Applications on a Global Scale, J. Appl. Met., 31, 194-211, 1992) y el
principal algoritmo de LW es una adaptación de Fu et al ., (JAS, vol. 54, 2799-2812, 1997).
Además existe un algoritmo de control de calidad para SW y se conoce como el algoritmo de
Langley con parámetros de onda corta (LPSA, Gupta et al - NASA/TP-2001-211272, diciembre
de 2001; Se desarrolló en el Centro de Investigación Langley de WF Staylor. Además para la
obtención de resultados se emplean valores de nubosidad provenientes del proyecto
“ International Satellite Cloud Climatology Project (ISCCP)” y datos meteorológicos de
“GLOBAL MODELING AND ASSIMILATION OFFICE (GMAO)”.
GEWEX (Global energy and water cycle experiment) es un programa de WCRP (World
Climate Research Programme) para desarrollar un modelo del ciclo hidrológico y flujos de
energía en la atmósfera, superficie terrestre y oceános. Las principales áreas de investigación de
GEWEX son: radiation, hidrometeorología y modelización y predicción.
La resolución de los parámetros de salida de SRB depende en gran medida, como no puede
ser de otra manera, de la precisión de los datos de entrada. Los datos de salida se generan en una
rejilla global que contiene 44016 celdas. La rejilla inicial tiene una resolución latitudinal de 1º a
nivel mundial, y una longitudinal de 1º en las zonas tropicales y subtropicales y de 120º en los
polos. Esto, a su vez, es reanidado por una subrutina de modo que, en el que todo el globo,
tengamos regiones de 1ºx1º.
Los resultados del modelo SRB 3.0 y consecuentemente los del SSE 6.0, han sido validados
ampliamente. Comparando resultados con las medidas terrestres obtenidas de la “Baseline
Surface Radiation Network (BSRN)”, el “Swiss Federal Institute of Technology's Global
Energy Balance” (GEBA) y NOAA's Climate Montitoring and Diagnostics Laboratory
(CMDL).Los resultados de un promedio mensual de onda corta y los flujos de radiación onda
larga muestran que los errores están por lo general dentro de los 10 W/m2. Se han encontrado
errores más grandes donde hay grandes incertidumbres en los datos de entrada como en las
superficies de nieve / hielo. Comparando los valores de SRB 3.0 con los valores de estaciones
terrestres de BSRN.
De onda corta (1992-2007)
Norte Algoritmo
primario
Algoritmo de control de
calidad
Promedio temporal Bias RMS Bias RMS
Mensual -4,3 23.1 -6,7 18.7
Diario -3,2 35.7 -6,4 37.7
Cada 3 horas
mensuales -6,7 41.0 N / A N / A
Cada 3 horas -5,9 87.9 N / A N / A
Tabla 5.5. Errores tipo asociados a medida de radiación de onda corta
28
En la siguiente figura podemos ver la ubicación de las estaciones de tierra de la red BSRN.
Figura 5.3. Ubicación de las estaciones terrestres de la red BSRN
La NASA ha apoyado durante mucho tiempo los sistemas de satélite y la investigación con
el fin de proporcionar datos importantes para el estudio del clima y los procesos climáticos.
Estos datos incluyen estimaciones a largo plazo de cantidades meteorológicas y los flujos de
superficie de energía solar. Estos productos basados en datos satelitales han demostrado ser lo
suficientemente precisos para proporcionar datos fiables sobre los recursos solares y
meteorológicos en regiones donde las mediciones de la superficie son escasos o inexistentes, y
ofrece dos características únicas - la información es global y, en general, contigua en el tiempo.
Estas dos características importantes, sin embargo, tienden a generar unos archivos de datos
muy grandes que pueden ser demasiado engorrosos para los usuarios comerciales,
especialmente para los nuevos usuarios con poca experiencia o pocos recursos para tratar con
estos grandes conjuntos de datos.
La predicción del recurso energético a escala mundial (Prediction Of Worldwide Energy
Resource, POWER) se inició en el año 2003, tanto para mejorar las versiones posteriores de la
SSE, como para crear nuevos conjuntos de datos aplicables a otras industrias. La web de
POWER abarca el conjunto de datos de SSE, adaptadas a la industria de energía renovable, así
como los parámetros de medida para la comunidad de edificios sostenibles, y las industrias bio-
energy/agricultural.
Para fomentar el uso comercial, la NASA desarrolló el producto de datos “Surface
meteorology and Solar Energy (SSE)” que se ha formulado específicamente para las
necesidades de energía fotovoltaica y renovables. De igual importancia es el acceso a estos
datos, para lo cual los parámetros de SSE están disponibles a través de fáciles aplicaciones web
en función de las necesidades del usuario. En la web de SSE podemos encontrar además de los
29
datos de radiación, valores de temperatura (máxima, mínima, media, de rocío), humedad
relativa, presión atmosférica, velocidad del viento a 10m de altura, documentación de apoyo y
colaboraciones con fuentes comerciales como RETScreen y HOMER.
La primera aplicación web de datos de SSE , destinado a facilitar el acceso a los parámetros
necesarios en la industria de las energías renovables (por ejemplo, energía solar y eólica), fue
lanzado al público en 1997. Los datos meteorológicos y solares contenidos en esta primera
versión se basaron en el programa SRB (Surface Radiation Budget) de la NASA/World Climate
Research y TOVS de la ISCCP (International Satellite Cloud Climatology Project). Este
enfoque de diseño inicial demostró tener un valor limitado debido a la utilización de unos
parámetros científicos no empleados en el mundo de las energías renvable. Después de
consultas con la industria, SSE Release 2 se hizo público en 1999 con los parámetros
específicamente adaptados a las necesidades de la comunidad de las energías renovables. Las
versiones posteriores de SSE se han continuado construyendo incluyendo nuevos parámetros,
más los datos revisados de la NASA. Como ya hemos dicho SSE es desarrollado por POWER
de la Nasa, pero además cuenta con una serie de apoyos del sector de las renovables que han
contribuido a una mejora del proyecto. Hablamos, entre otros, de BP Solar, GPCo, NREL, SEI,
…
Nosotros nos centraremos en la última versión de SSE, la 6.0 sus limitaciones y precisiones
con base en la información disponible en la NASA. En general, la meteorología y la radiación
solar para SSE versión 6.0 se obtuvieron a partir de satélites de la NASA y re-análisis de los
programas de investigación. Versión 6.0 amplía la cobertura temporal de los datos solares y
meteorológicos de 10 años a más de 22 años (por ejemplo, julio 1983 y junio de 2005) con la
mejora de los datos de la NASA, e incluye nuevos parámetros y estudios de validación.
Tratamos de presentar estimaciones de los niveles de incertidumbre de la insolación
(radiación solar) a través de comparaciones con los datos de medición de tierra. En general se
considera que la calidad de los datos de medición son más exactos que los valores obtenidos por
satélite
Estimaciones SSE se compararon con los datos del sitio de tierra sobre una base global.
Parámetros de radiación se compararon con los datos de la Baseline Surface Radiation
Network (BSRN) pertenecientes al World Climate Research Programme (WCRP).
30
Tabla 5.6. Análisis de regresión de la SSE frente a valores de BSRN, promediado mensualmente
Respecto de la versión 5.1 de SSE se ha mejorado en que los datos de energía solar se
extienden ahora a los 24 años a partir de 1 de julio 1983 a junio 31 de 2007, los datos de
radiación solar se deriva de un algoritmo de inversión mejorada que proporciona una mejora
general en la estimación de la radiación en la superficie solar de alrededor del 2,8%
Parámetro Región Bias (%) RMS (%)
Insolación
horizontal
Global
60º hacia el
polo
60º ecuador
-0.1
-1.18
0.29
10.25
34.37
8.71
Radiación
difusa horizontal
Global
60º hacia el
polo
60º ecuador
7.49
11.29
6.86
29.34
54.14
22.78
Radiación
directa normal
Global
60º hacia el
polo
60º ecuador
-4.06
-15.66
2.40
22.73
33.12
10.93
31
5.1.6 Discusión y conclusiones sobre datos satelitales
A continuación, adjuntamos una tabala que recoge las características más importantes de
cada una de las bases de datos satelitales. De este modo tratamos de facilitar la comparativa
entre ellas para poder tomar así una decisión sobre la base escogida para el proyecto de una
forma más visual y sencilla.
Período de tiempo
Resolución Espacial (km)
Cobertura Espacial
Carácter
CM SAF 2005 15 x 15 Europa Gratuito
NASA SSE 1983 100 x 100 Todo el mundo
Gratuito
Meteonorm 1981 1 x 1 Todo el mundo
Pago
Solemi 1991 1 x 1 Lat (deg.): -66; +66
Lon (deg.): -66; +66
Pago
HELIOCLIM 1985 5 x 5 Lat (deg.): -66; +66
Lon (deg.): -66; +66 min
Pago
Satel-light 1996 6 x 6 Europa Gratuito
PVGIS Europe 1986 1 x 1 Europa Gratuito
ESRA 1981 10 x 10 Europa Pago
Tabla 5.7.a. Comparativa entre bases de datos satelitales
32
Una vez explorados todas las bases de datos posibles y teniendo en cuenta todos y cada uno
de los parámetros, métodos, dispersión… hemos de tomar una decisión sobre la base con la que
trabajaremos. Optamos por la base de datos de CM SAF, a continuación explicamos cuáles han
sido las razones principales de dicha decisión.
Si nos restringimos a los valores expresados anteriormente puede parecer que no es una
buena opción frente a casos, por ejemplo, como MeteoNorm, Solemi o Helioclim que cuentan
con una mayor resolución espacial. No obstante hemos de tener en cuenta el carácter público o
de pago de cada una de las dichas bases. En ese sentido, CM SAF es la mejor base de datos.
Como ya hemos dicho, quizás no cuente con los mejores parámetros de resolución o cobertura
espacial pero cuenta con una política o visión de compartir datos de un modo que facilita
superlativamente el trabajo del investigador. No sólo ponen a disposición los datos mediante
una ftp de modo que puedas descargarlos de un modo ágil y rápido sino que lo hacen sin
imponer ninguna restricción posterior al investigador. Además, los datos masivos se descargan
de una única petición, lo que nos permite la generación de mapas.
En definitiva, con CM SAF se puede solicitar la cantidad de datos que se desee teniendo
asegurado una buena calidad de los mismos y una forma ágil de suministro. Además se podrá
trabajar con dicha información sin ningún tipo de restricción por parte de CM SAF.
Parámetros Proveedor
CM SAF Global,Directa, Difusa
Servicio meteorológico de Dinamarca, Alemania, Suiza, Bégica, Finlandia y Holanda.
NASA SSE Global,Directa, Difusa
NASA
Meteonorm Global,Directa, Difusa
Meteotest
Solemi Global,Directa DLR
HELIOCLIM Global,Directa Mines-Paris Tech
Satel-light Global,Directa, Difusa
Ecole nationales des travaux publics d’Etat (ENTPE)
PVGIS Europe Global, Difusa Joint Research Center
JRC
ESRA Global,Directa, Difusa
Mines-Paris Tech
Tabla 5.7.b. Comparativa entre bases de datos satelitales
33
Como hemos podido comprobar a lo largo de los anteriores apartados, actualmente existe
gran variedad de oferta en lo que a bases de datos satelitales se refiere. No obstante, existen
importantes discrepancias y heterogeneidades entre ellas. Esto dificulta de un modo no
despreciable la labor del investigador. Sería, por tanto, deseable una política común o, de algún
modo, una labor que garantizara un manejo y explotación ágil del recurso solar.
Pues bien, ese esfuerzo ya existe. Hablamos del proyecto MESOR que se encarga, a grandes
rasgos, de unificar políticas y visiones. Hemos de recalcar que se trata de un proyecto en
elaboración y sin aún productos destacables.
5.1.6.1 MESOR (Management and Exploitation of Solar Resource Knowledge)
En los últimos años han sido desarrollados una serie de bases de datos con información sobre recursos de energía solar, algunas de ellas son ESRA, SoDa, Satel-Light, PVGIS, PVSAT, PVSAT-2 o Heliosat-3 y el proyecto Envisolar de la Agencia Espacial Europea (ESA). Además
los servicios nacionales como Meteonorm de Meteotest en Suiza y SOLEMI de la DLR en
Alemania han desarrollado bases de datos. Esto ha llevado a la situación de que varias bases de datos diferentes existen en paralelo, cada una con un enfoque diferente, con diferentes
coberturas espaciales y temporales y resoluciones diferentes. Los usuarios han de comparar, por
tanto, información de diferentes fuentes lo que es difícil de tratar.
Por tanto, con la situación actual contamos con una fragmentación y falta de coordinación de
acceso: las diferentes fuentes de información y productos de la radiación solar ya están disponibles, pero se mantiene la incertidumbre sobre su calidad. Al mismo tiempo, las
comunidades de usuarios carecen de un entendimiento común de cómo explotar el conocimiento
desarrollado.
El proyecto MESoR se inició en junio de 2007 y pretende eliminar la incertidumbre y la mejora de la gestión del conocimiento de los recursos energéticos solares. Los resultados del
pasado y futuro en Europa, tratarán de integrarse, estandarizados y difundidos de manera
armonizada para facilitar su explotación.
Dicho proyecto, como ya hemos dicho, se encuentra en estado de construcción y no cuenta
aún con resultados nítidos y claros. No obstante, sólo el esfuerzo titánico que supone el tratar de
homogeneizar todas las bases de datos existentes merece de aprecio y seguimiento.
34
5.2 BASES DE DATOS TERRESTRES
5.2.1 Introducción a datos agroclimáticos de Red Siar
El Ministerio de Agricultura, Pesca y Alimentación, al amparo de la Iniciativa Comunitaria INTERREG II-C: Lucha contra la sequía, ha venido desarrollando durante los años 1998 - 2001,
un proyecto consistente en la instalación de un Sistema de Información Agroclimática para el Regadío (SIAR) en las CC.AA. Andalucía, Canarias, Castilla-La Mancha, Castilla y León,
Extremadura, Murcia y Valencia.
En el marco del Plan Nacional de Regadíos se encuentra actualmente en ejecución la
ampliación del SIAR a aquellas CC. AA. en las cuales no fue posible su instalación por no estar incluidas en zonas Objetivo 1 y que cuenten con una superficie bajo riego que justifique su
implantación.
El Sistema se estructura en tres niveles: 395 estaciones agroclimáticas automáticas, 12
Centros Zonales y un Centro Nacional. Los Centros Zonales, uno por Comunidad Autónoma,
obtienen diariamente y de forma automática mediante telefonía GSM, los datos capturados por cada una de las estaciones de la C.A., siendo transmitida dicha información al Centro Nacional,
que actúa como concentrador de la información así como coordinador general del SIAR. Es en
estos centros, tanto Zonales como Nacional, donde se produce la explotación de la información,
para lo que se han desarrollado los oportunos programas de gestión y calculo.
Se trata de una infraestructura que captura, registra y tramite los datos necesarios para el
cálculo de la demanda hídrica de cada zona de regadío, que son temperatura y humedad del aire,
velocidad y dirección del viento, radiación solar y precipitación, de forma que se puedan extraer
conclusiones acerca de las necesidades de riego basadas en datos reales de las propias zonas. Esta fiabilidad de los datos, unida a la aplicación de la fórmula de cálculo de la
evapotranspiración de referencia más ajustada para cada zona, proporciona una mayor exactitud
en la determinación de las necesidades de riego de los cultivos.
El Sistema de Información Agroclimática para el Regadío (SIAR) ha sido, en bastantes casos, el germen de lo que en la actualidad son los Servicios de Asesoramiento al Regante de las
Comunidades Autónomas. Es el punto de partida de la mayor parte de la información de
carácter específicamente agroclimático que en la actualidad se está facilitando, tanto por parte
del Ministerio como de las Comunidades Autónomas. El sistema tiene la siguiente estructura.
5.2.2 Estación agroclimática
Un total de 395 estaciones repartidas en 12 CC.AA.: 20 en Canarias, 87 en Andalucía, 43 en Castilla-La Mancha, 42 en Castilla y León, 18 en Murcia, 20 en Extremadura, 45 en la
Comunidad Valenciana, 4 en Galicia, 11 en las Islas Baleares, 16 en Navarra, 6 en Madrid y 49
en Aragón. La estación ha sido diseñada para obtener los datos necesarios para el cálculo de la evapotranspiración potencial según al método de Pennman-Monteith (recomendado por la
FAO). En caso necesario, su sistema de registro permite la instalación de otros sensores, sin
modificar su configuración básica.
5.2.3 Centro zonal
Existe uno por cada Comunidad Autónoma y están gestionados directamente por responsables de cada una de ellas. Cada Centro Zonal obtiene diariamente y de forma
automática mediante GSM, los datos de las estaciones de la C.A. correspondiente. Se trata
35
básicamente, de un servidor sobre el que corre una aplicación (VRIA) desarrollada
específicamente para el Proyecto. Esta aplicación es la encargada de la adquisición de datos,
almacenamiento y posteriormente, el cálculo de diferentes parámetros y variables (ETo, ETc, dosis de riego). Esta aplicación también permite su interacción con otras coberturas de
información y su representación gráfica. Con toda esta información se pueden realizar tareas de
asesoramiento al regante y de publicación y distribución de los datos, vía Internet, teletexto,
periódicos locales, etc.
5.2.4 Centro nacional
Está instalado en las dependencias de la Dirección General de Desarrollo Rural y aglutina los datos de todas las estaciones de la Red, pudiendo sustituir a un centro zonal en caso de caída
temporal del mismo. Ejerce funciones de coordinación general, con el fin de mantener la
homogeneidad de la red, estableciendo un modelo lógico y una cobertura conceptual de datos mínima, que se mantiene en cada uno de los centros zonales, independientemente de los
modelos de datos y aplicaciones que cada centro zonal desarrolla por sus aplicaciones
específicas.. Así mismo analiza y explota estos datos, realizando cálculos de la ETo y demandas hídricas a nivel de zona regable, unidad de gestión del agua o cuenca hidrográfica para tareas de
planificación
5.2.5 Instalación de las estaciones meteorológicas
Para la correcta instalación del sensor se recomienda usar un nivelador. Se deben evitar elementos que produzcan sombras a su alrededor. El SKYE SP1110 puede trabajar de dos
modos. El primer modo consiste en que dará un salida de tensión, que será usada con
dataloggers de Campbell Scientific. Para conseguirlo, el cable rojo y azul deben conectarse al
mismo punto de manera diferencial. No se darán voltajes externos al dispositivo para evitar que se pierda la precisión de los elementos resistivos. El segundo modo consiste en que el
dispositivo dará una diferente corriente de salida.
36
Figura 5.7. Métodos de cableado del SKYE SP1110
Rango de entrada
El rango de salida del dispositivo es de 1mV/100W/m2.
El rango de entrada del dispositivo se realiza del siguiente modo:
1. Estimar el voltaje máximo esperado a la entrada dividiendo la radiación máxima
esperada entre 100W/m2.
2. Elegir el menor rango de entrada que sea mayor que el voltaje máximo de entrada. Este rango suele ir entre los 15mV a los 25mV.
3. El multiplicador convierte la lectura de mV a unidades de ingeniería.
Mantenimiento
El único mantenimiento regular requerido es la limpieza de la superficie del cristal con un
trapo limpio, aire seco o un cepillo suave una vez cada 1-3 meses, dependiendo del ambiente. La recalibración está recomendada cada dos años, debiendo enviar el sensor a Campbell
Scientific para esto.
37
5.2.5 Piranómetros
Se presentan los dos piranómetros más empleados en SIAR. A pesar de que en la web
nacional se especifica que todos los piranómetros son SKYE SP1110, se ha corroborado que
muchos de los piranómetros empleados son KIPP&ZONEN CMP6. El objetivo de este apartado
es estudiar la dispersión y error de estos dispositivos a efecto de conocer cuál será el error de los datos proporcionados.
KIPP&ZONEN CMP6
Como se expone en el estudio realizado de la RED SIAR, en la práctica totalidad de las
estaciones meteorológicas los piranómetros utilizados son SKYE SP1110. Sin embargo, en la
Comunidad de Murcia de las 11 estaciones enmarcadas en RED SIAR solo 1 la TP52 de San Javier (El mirador) dispone de un piranómetro Campbell SKYE SP1110. Las otras 10
estaciones disponen de radiómetros KIPP&ZONEN CMP6.
Ilustración 5.8. KIPP&ZONEN CMP6
El sensor CMP 6 cumple la ISO-9060 para piranómetros de primera clase con una unión de 64 termopares conectados en serie. El sensor está cubierto con una cobertura de carbón
altamente estable con base no orgánica, que proporciona una excelente absortividad espectral y
un buen comportamiento de estabilidad a largo plazo.
El piranómetro no requiere potencia, suministra un voltaje bajo de 0-20mV en relación a la
radiación recibida. Si se requiere un voltaje mayor o una señal de 4-20mA, el AMPBOX es una
buena alternativa. El sistema consta de un cartucho de secado fácil de eliminar y reemplazar si es necesario.
38
Especificaciones técnicas:
- Rango espectral: 285-2800nm
- Sensibilidad: 5-20µV/W/m2
- Tiempo de respuesta: 18s.
- Zero offset A: < 12 W/m²
- Zero offset B: < 4 W/m² - Error direccional de coseno (hasta 80º con 1000W/m
2): < 20 W/m²
- Influencia de la temperatura en la sensibilidad (-10ºC a 40ºC): <4%
- Rango operativo de temperatura: -40 a 80ºC
- Irradiación solar máxima: 2000W/m2
- Campo de vista: 180º
SKYE SP1110
Es una fotocélula de silicio sensible a la radiación entre 350 y 1100nm. Va montada sobre un
brazo soporte con nivel, debiendo estar orientada al sur.
Fotografía 5.1. Piranómetro SKYE SP1110
Tabla 5.8. Especificaciones técnicas piranómetro SKYE SP1110
39
Comparación entre SKYE SP1110-KIPP&ZONEN CMP6
Se realiza la comparación de los dos dispositivos empleados en la RED SIAR, a efecto de conocer cuál es la precisión más grosera de los dos, para poder establecer rangos de precisión
en el conjunto del proyecto de investigación.
La sensibilidad del KIPP & ZONEN CMP6 es de 5-20µV/W/m2 y la del SKYE SP1110 es
10µV/W/m2.
La precisión de los sensores está sujeta a las siguientes variables:
- Tiempo
La re calibración debe hacerse como mínimo cada dos años para evitar errores estimados en
1%/año para ambos piranómetros.
- Direccionalidad de la radiación (coseno)
Dependiendo del ángulo con el que entre la radiación al piranómetro, el sensor va a tener un
error de medición. Este factor afecta de manera diferente a cada uno de los piranómetros. El SKYE SP1110 tiene un comportamiento extremadamente bueno para ángulos menores a 85º.
Sin embargo, para ángulos de entrada entre 85º y 90º, el error puede ser hasta el 10%. Se debe
recalcar que inclinaciones de radiación tan extremas son poco habituales en las latitudes
peninsulares y por lo tanto, su afección no va a ser tan crítica. El sensor KIPP & ZONEN CMP6 presenta una desviación de ±20W/m
2 cuando se considera una irradiación de 1000W/m
2, lo que
equivale a un ±2% de error.
- Temperatura
La temperatura va a tener una afección sobre las medidas recogidas. En el caso del KIPP &
ZONEN CMP6 su influencia va a ser de ±4% en el rango de temperaturas que va de -10ºC a 40ºC.
- Linealidad
Este factor afecta a la medición de la radiación dependiendo del valor de la misma. En el
caso del modelo SKYE SP1110 es extremadamente lineal y para el KIPP & ZONEN CMP6 esta linealidad es de ±1% entre 100W/m
2 y 1000W/m
2.
En el caso del modelo SKYE SP1110 se define cuál es su precisión absoluta en sus especificaciones y es de un 5% aunque típicamente es inferior al 3%.
El modelo KIPP & ZONEN CMP6 está determinado por una precisión del 5%, tomando un intervalo de confianza del 95% en valores de irradiación diarios.
40
5.2.6 Consecución de coordenadas de estaciones
En primer lugar, cabe destacar que en el portal web institucional a nivel nacional no se
facilitan las coordenadas de manera conjunta, de modo que pasamos a analizar cada uno de los
portales web de las comunidades autónomas.
Contactamos con el jefe de grupo y actuaciones en Tragsatec, empresa que se encarga del
suministro, gestión y mantenimiento de los instrumentos de medida de las estaciones CR10X
(pertenecientes a Siar). Gracias a él, concluimos que todas las estaciones de SIAR cumplen los requisitos que teóricamente se exponen anteriormente, con una desviación máxima de los
piranómetros del 5% de error y una calibración de una vez al año, no certificada, realizada con
dos piranómetros CMP6 KIPP&ZONEN.
A continuación, contactamos con la presidenta del Grupo Tragsa con el objetivo de obtener
una tabla detallada de las coordenadas de las estaciones.
Pese a los esfuerzos intentados por conseguir toda la información de manera estándar de una
sola vez, concluimos el proceso tomando los datos de las páginas de cada comunidad autónoma,
realizando un único documento Excel en la que se exponen las coordenadas de cada estación. Para las comunidades cuyos portales web no muestran esta información, que son Comunidad de
Madrid, Galicia y Comunidad Valenciana, hemos ubicado una a una manualmente las
coordenadas de cada una de las estaciones.
Para el caso concreto de Castilla y León cuyos datos no se recogen tampoco en el portal web,
contactamos con el encargado de SIAR para dicha CCAA y facilitó la información en forma de
tabla con las coordenadas.
Dada la heterogeneidad de los datos conseguidos, se tuvo que proceder a una conversión de
UTM a latitud/longitud, para estandarizar los datos y confeccionamos una sola base de datos donde ser recogiese la ubicación exacta de cada una de las estaciones. Este proceso tuvo una
complicación añadida al existir 3 husos en la España peninsular y no disponer de dichos husos
en las coordenadas. Se tuvo que analizar estación por estación para establecer su huso en función de su ubicación (29-30-31).
Una vez analizadas las ubicaciones y los datos disponibles de todas las estaciones pertenecientes a Red Siar, desestimamos por su valor anómalo algunas de ellas de las provincias
de Badajoz, Ciudad Real y Salamanca.
41
6. ANÁLISIS COMPARATIVO
El estudio de la variabilidad espacial de la radiación es una operación que puede requerir
mucho tiempo de mediciones y esta condición no siempre se alcanza. Uno de los objetivos de este proyecto es conocer la variabilidad de la radiación solar a lo largo de la España peninsular.
El estudio de radiación reúne tres tipos de emplazamientos.
- Lugares con baja variabilidad con respecto a las medidas terrestres. En general
presentan una tendencia identificable. Es típica de lugares con climas muy soleados. - Lugares con alta variabilidad de errores mes a mes. Este tipo de variabilidad es común
en zonas con nubosidad muy variable ya que dicha nubosidad presenta una alta variación
espacial. Este tipo de emplazamientos pueden recoger una baja profundidad óptica de aerosol
(AOD) o incluso una AOD muy variable. - Lugares con una importante correlación estacional.
Cuestiones interesantes a resolver
1. Tiempo hasta que los componentes de radiación solar temporales convergen hacia su
valor de largo plazo.
La velocidad de convergencia se puede resolver de varias maneras. En el peor de los casos se
puede hacer con las estaciones con mayor periodo temporal de registro de datos. En general, las anomalías para largos períodos de tiempo tienden a reducirse, convergiendo hacia la media. En
general la irradiación global directa en relación a la media se mantiene en un +/- 5% de esa
media larga temporal.
2. ¿La variación interanual cambia significativamente de un sitio a otro dependiendo de la
estación o de condiciones climáticas?
Las estaciones disponibles en SIAR reúnen emplazamientos con diferentes climas. En
general, la interacción del clima se hace atendiendo al coeficiente de variación (COV),
calculado a partir de la desviación típica [rt] de las anomalías anuales divididas de la media de radiación [Ep] de los años (10, 15 ó 20 años a estudiar). El COV expresa la probabilidad del
emplazamiento de presentar una radiación alrededor de la media.
Asumiendo Ep+rt y una distribución Gaussiana de los datos, se considera que los datos se
encontrarán con un 66% entre la distancia a la media establecida. Si se considera una distancia
de doble desviación típica Ep+2rt. En términos de radiación directa la variabilidad es mayor por
la influencia directa de la nubosidad y de los aerosoles.
42
6.1 PROCESO DE CÁLCULO MEDIANTE R
El cálculo y análisis de los datos procedentes de las estaciones meteorológicas de Siar y de
imágenes satelitales de CM-SAF se realiza con el programa de cálculo “R”.
La programación ha sido diseñada y efectuada por el Dr. Óscar Perpiñán Lamigueiro, profesor de la Escuela de Organización Industrial y de la Universidad Politécnica de Madrid.
En primer lugar se activan las librerías de R que permiten el trabajo con datos espaciales y se
activa la base de datos solaR referente a radiación solar.
library(sp)
library(raster)
library(gstat)
library(lattice)
library(latticeExtra)
library(maptools)
library(solaR)##instalar version 0.24
6.1.1 Representación de las fronteras autonómicas
Se usa el siguiente código para proyectar los datos terrestres y así mismo se descarga en un
shapefile la información de las fronteras de las Comunidades Autónomas para poder representarlas sobre el mapa de España (http://biogeo.ucdavis.edu/data/diva/adm/ESP_adm.zip).
Dicho shapefile se abre y procesa en la variable mapaSHP. Utiliza longitud, latitud y elevación
en una proyección elipsoidal
proj <- CRS('+proj=latlon +ellps=WGS84')
old <- getwd()
setwd('/Documents and Settings/feantona/Escritorio/R/ESP_adm')
mapaSHP <- readShapeLines('ESP_adm2.shp', proj4string=proj)
setwd(old)
6.1.2 Ubicación de las estaciones meteorológicas
Por razones de seguridad de Siar, la ubicación (longitud-latitud y altitud) de las estaciones
agrometeorológicas no es de público acceso. Aunque esta es la doctrina central del Ministerio
de Medio Ambiente y Rural y Marino, la gestión autonómica de la información de SIAR es publicada en webs regionales y en algunas de ellas se puede acceder a la localización de estas
estaciones. Este es el caso de las siguientes Comunidades Autónomas: Andalucía, Murcia,
Castilla La Mancha, Extremadura, Aragón, Galicia y Canarias. Por lo tanto, se considera oportuno desarrollar un script que busque a través de la aplicación
libre de Internet, geonames, aquellas estaciones cuyos nombres pueda encontrar esta web.
Mediante esta aplicación se han conseguido ubicar 224 estaciones de las 361 que componen
43
SIAR. Los datos se almacenan en un SpatialPointsDataFrame, que es un objeto de R en el que
se pueden almacenar información asociada a los diferentes puntos. Se dice cuál es el punto
load('/Documents
andSettings/feantona/Escritorio/R/redGN.RData')
spRedGN <- SpatialPointsDataFrame(coords=redGN[c('lng',
'lat')],
data=redGN[c('NomProv', 'NomEst')],
proj4string=proj)
6.1.3 Obtención de datos meteorológicos de SIAR
El siguiente paso es obtener los datos meteorológicos a través de SIAR. Se crea un script que
recoge los datos medidos desde 2004 hasta 2010. En caso de que no existan datos medidos se comenzará a recopilar datos desde el primer dato medido.
spainMeteo <- apply(redGN[, 1:4], 1,
function(x){
readSIAR(prov=x[3], est=x[4],
start='01/01/2004',
end='31/12/2010',
lat=x[1])
}
)
O en caso de tener los datos ya ordenados se cargarán (spainMeteo.RData).
old <- getwd()
setwd('/Documents and
Settings/feantona/Escritorio/R/MAPA_SIAR'))
load('spainMeteo.RData')
setwd(old)
44
6.1.4 Obtención del promedio anual de la irradiación diaria de las estaciones SIAR
Se crea una función cuyo objetivo es realizar la media año a año de la irradiación global
diaria en el plano horizontal de cada una de las estaciones agrometeorológicas de SIAR. Se aplicará esta función a cada estación y se pasará a trabajar con datos de medias anuales de
irradiación diarias. Se pasarán los datos a kWh dividiendo los datos del vector entre mil. Como
el objeto del estudio es la España peninsular se excluyen las Islas Canarias mediante la condición de que la latitud sea superior a los 30º.
meanYearlySums <- function(x)mean(aggregate(getG0(x), year,
sum, na.rm=1))
spainG0y <- sapply(spainMeteo, meanYearlySums)/1000
spRedGN$G0y=spainG0y
spRedGN <- spRedGN[coordinates(spRedGN)[,2]>30,]
6.1.5 Creación año tipo de estudio a partir de CMSAF
Se dispone de los datos de irradiación de CMSAF para el año 2008. Se compone un objeto
stack de la librería raster con la condición de que sea de datos de 2008. Los datos de irradiación se multiplican por 24 para pasar de W/m
2 de irradiancia media a Wh/m
2, irradiación media.
old <- getwd()
setwd('/Documents and Settings/feantona/Escritorio/R/CMSAF')
listFich <- dir(pattern='2008')
listNC <- lapply(listFich, raster)
stackSIS <- do.call(stack, listNC)
stackSIS <- stackSIS*24
setwd(old)
Los datos de irradiación diaria se deben multiplicar por los días de cada mes (en función del mes) y finalmente se sumarán todas las capas y se dividirán entre mil para obtener los datos en
kWh/m2.
DiasMes <- c(31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31)
G0yCMSAF <- calc(stackSIS*DiasMes, sum)/1000
levelplot(G0yCMSAF)
45
Figura 6.1. Mapa de irradiación mediante satélites CM-SAF
Se incorpora una capa más en el SpatialPointsDataFrame que incorpore los datos del
CMSAF en las posiciones de cada de una de las estaciones SIAR. Esto se hará con la función
extract de raster. El siguiente paso es calcular la diferencia entre ambos datos (SIAR y CMSAF
de 2008). Se estudian qué estaciones tienen una diferencia de irradiación global superior a 500kWh/m
2,
ya que estas estaciones es probable que estén o mal ubicadas o los datos que vierten a SIAR
estén sujetos a errores de medición-calibración…
spRedGN$CMSAF <- extract(G0yCMSAF, spRedGN)
spRedGN$dif <-spRedGN$G0y-spRedGN$CMSAF
datG0y <- as.data.frame(spRedGN)
datG0y[abs(datG0y$dif)>500,]
En un principio, se observa que hay tres estaciones que superan estos 500kWh/m2. Se
estudiará que ocurre en estas tres estaciones a posteriori.
NomProv NomEst G0y CMSAF dif lng lat
P38 Avila Munogalindo 874.218 1612.725 -738.5072 -
4.900000 40.6
P111 Ciudad Real Manzanares 1188.930 1708.822 -519.8927 -
3.366667 39.0
P112 Ciudad Real Montiel 1185.038 1729.391 -544.3529 -
2.866667 38.7
46
Se diferencia frente a la latitud para cinco grupos de G0y y cinco grupos de CMSAF. Se
compara G0y frente a CMSAF para los cinco grupos de latitud.
xyplot(dif~lat, groups=cut(G0y, 5), data=datG0y,
auto.key=list(space='right'))
Figura 6.2. Relación de los 5 grupos de SIAR con la latitud
47
xyplot(dif~lat, groups=cut(CMSAF, 5), data=datG0y,
auto.key=list(space='right'))
Figura 6.3. Relación de los 5 grupos de CMSAF con la latitud
xyplot(G0y~CMSAF, groups=cut(lat, 5), data=datG0y)
48
Figura 6.4. Relación CMSAF con SIAR
49
6.1.6 Análisis estadístico
Se comienza el análisis estadístico. Se hace un ajuste partiendo de un variograma.
vgmG0y <- variogram(G0y~1, data=spRedGN)
plot(vgmG0y)
Figura 6.5. Relación de la semivarianza con la distancia entre estaciones
A partir de la gráfica anterior se comprueba cómo cuando la distancia entre estaciones aumenta, la relación en la semivarianza se mantiene prácticamente constante. Esto implica que
la influencia de una estación sobre otra solo afecta en el variograma si esta es reducida.
El ajuste del variograma se hace aplicando el modelo esférico ya que por inspección se ve
que se ajusta bien. Se usan los valores 25000 y 1 y se usa un nugget (valor inicial) de 10000.
50
fitvgmG0y <- fit.variogram(vgmG0y, vgm(25000, 'Sph', 1, 10000))
plot(vgmG0y, fitvgmG0y)
Figura 6.6. Ajuste esférico del variograma (semivarianza-distancia)
A continuación, se preparan los datos para el proceso de kriging. Se crea una rejilla para la interpolación conteniendo la latitud y la longitud.
latLayer <- raster(G0yCMSAF)
latLayer[] <- yFromCell(G0yCMSAF, 1:ncell(G0yCMSAF))
lonLayer <- raster(G0yCMSAF)
lonLayer[] <- xFromCell(G0yCMSAF, 1:ncell(G0yCMSAF))
grd <- as(stack(lonLayer, latLayer, G0yCMSAF),
'SpatialGridDataFrame')
names(grd) <- c('lng', 'lat', 'CMSAF')##, 'elev')
proj4string(grd) <- proj
51
6.1.7 Inverse Distance Weighted Interpolation (IDW)
La interpolación de puntos de dispersión mediante la distancia inversa ponderada, es una de
las técnicas más utilizadas, consiste en que en una superficie de interpolación deben tener más influencia los puntos más cercanos. La superficie de la interpolación es un promedio ponderado
de los puntos de dispersión y el peso asignado, que disminuye de valor a medida que aumenta la
distacia al punto de dispersión. Existen diferentes metodos para llevar a cabo este método::
Método de Shepard
Este método es el más sencillo, y utiliza la siguiente ecuación:
Donde n es el número de puntos de dispersión en el conjunto, fi son los valores de la función
asignada a los puntos de dispersión y wi es el peso asignado a cada punto de dispersión, que
sigue la siguiente función:
Donde p es un número real positivo arbitrario llamado parámetro de potencia (comúnmente
P=2) y h es la distancia desde el punto de dispersión hasta el punto de interpolación o
Donde (x,Y) son las coordenadas del punto de dispersión y (xi,yi) son las coordenadas de
cada punto de dispersión. La función de peso varía en el intervalo [0,1], tomando un valor
aproximado a cero en puntos alejados del punto de dispersión y aproximados a 1 para puntos muy cercanos. Esta función esta normalizada para que la suma de todos los peso sea igual a la
unidad.
El efecto de la función de peso es generar mayor influencia en los puntos cercanos y menor
en los más alejados.
Aunque la función de peso se muestra más arriba, ésta se muestra en su forma clásica, la
ecuación que se utiliza en los SMS es:
52
Donde hi es la distancia desde el punto de interpolación al punto de dispersión i, R es la
distancia desde el punto de interpolación hasta el punto de dispersión mas distante y n es el numero total de puntos de dispersión. Esta ecuación da mejores resultados que la clásica
(Franke y Nielson, 1980).
La función de peso es radialmente simétrica con respecto a cada punto de dispersión. Como
resultado, la superficie de la interpolación es un tanto simétrica respecto a cada punto, y tiende hacia el valor medio de los puntos de la dispersión entre los puntos de dispersión. Este método
ha sido muy utilizado gracias a su simplicidad.
Cálculo de los coeficientes de la función nodal
Con el método IDW es posible el uso de subconjuntos de los puntos de dispersión en el
cálculo de los coeficientes del nódulo y en el cálculo de las ponderaciones de la interpolación.
Se utiliza un subconjunto de los puntos de dispersión distantes de la consideración, ya que es posible que tengan una gran influencia en la función del nódulo o en los pesos de interpolación.
Por otro lado, se aceleran los cálculos ya que hay menos puntos involucrados.
Hay dos opciones disponibles para definir que puntos están incluidos en el subconjunto. En
el primero, solo los puntos más cercaanos N se utilizan. En el segundo, solo los puntos más cercanos N en el cuadrante se utilizan como se muestra a continuación. Este enfoque da mejores
resultados si los puntos de dispersión tienden a agruparse.
Los cuatro cuadrantes que rodean un punto de interpolación.
Si utilizamos un subconjunto de puntos de dispersión, debemos encontrar un esquema para
encontrar los N puntos más cercanos, para ello tenemos dos métodos el global y el local.
53
Método Global
Con el método global, se buscan para cada uno de los puntos de dispersión en el conjunto,
cuales son los N puntos más cercanos. Ésta técnica es rápida para pequeños conjuntos de
dispersión, pero puede ser lento para grandes conjuntos.
Método Local
Con los métodos locales, los puntos de dispersión son triangulados para formar un TIN temporal antes de que comience el proceso de interpolación. Para el cálculo de los N puntos más
cercanos, se encuentra el triangulo que contiene el punto de interpolación y la topología del
triangulo se utiliiza para barrer desde el punto de interpolación de forma sistemática hasta los N
puntos más cercanos. Este método suele ser mucho más rápido en grandes conjuntos de
dispersión.
Cálculo de las ponderaciones de interpolación
Cuando se cálculan los pesos de interpolación, existen tres opciones disponibles para
determinar que puntos están incluidos en el subconjunto de los puntos utilizados para calcular
los pesos y realizar la interpolación del subconjunto, todos los puntos y que encierran un
triangulo.
Subgrupo de puntos
Si se elige utilizar la opción subconjunto de lso puntos, el dialogo de la definición de
subconjunto se puede utilizar para definir un subconjunto de los puntos del local.
Todos los Puntos
Si elegimos la opción todos los puntos, el peso se calcula para cada punto y todos los puntos
se utilizan en la interpolación.
Adjuntando Triángulo
El uso de los vértices del triangulo hace que el proceso de interpolación de un esquema local
aproveche la topología de TIN (Franke y Nielson, 1980). Con esta técnica, el subconjunto de los
puntos utilizados para la interpolación consiste en los tres vértices del triangulo que contiene el punto de interpolación. La función de peso o la función de mezcla es una función cúbica en
forma de S, la función se muestra en la parte A de la figura que representa a continuación. El
hecho de que la pendiente de esta función de peso tienda a la unidad en sus límites asegura que la pendiente de la superficie de la interpolación es continua a través de las fronteras del
triángulo.
54
A) en forma de S función de peso y (b) Grupo Punto de Delaunay para el punto A.
La influencia de la función de peso se extiende sobre los límites del grupo de puntos de
Delaunay del punto de dispersión. El grupo de puntos de Delaunay es la “vecina natural” del punto de dispersión, como se muestra en la parte B. La función de peso varía de un peso de la
unidad en el punto de dispersión a cero en el perímetro del grupo. Por cada punto de
interpolación en el interior de un triángulo, hay tres funciones de ponderación cero (las
funciones de peso de los tres vértices del triángulo). Para una T triángulo con vértices i, j, k y,
los pesos para cada vértice se determina como sigue:
Donde ||ei || es la longitud del lado opuesto vértice i, y bj bi, libro son el área de las
coordenadas del punto (x, y) con respecto a las coordenadas del triángulo Área de T. son las
coordenadas que describen la posición de un punto en el interior de un triángulo con respecto a los vértices del triángulo. Las coordenadas se basan únicamente en la geometría del
triángulo. Coordenadas de la zona a veces se denominan "coordenadas baricéntrico". La
magnitud relativa de las coordenadas corresponde a las relaciones de la zona, como se muestra a
continuación:
55
Baricéntrico coordenadas de un punto en un triángulo.
Las coordenadas XY del punto interior se pueden escribir en términos de las coordenadas
XY de los vértices utilizando el área de las coordenadas de la siguiente manera:
La solución de las ecuaciones anteriores para bi, bj, y los rendimientos bk:
Uso de las funciones de peso se ha definido anteriormente, la superficie de la interpolación
en los puntos dentro de un triángulo se calcula como:
Donde wi, wj, y semanas son las funciones de peso y Qi, Qj y Qk son las funciones nodales de
los tres vértices del triángulo.
56
Aplicación con R
idwG0y <- krige(G0y~1, spRedGN, grd)
levelplot(idwG0y['var1.pred']) +
layer(sp.points(spRedGN, pch=19, cex=0.7, col='black')) +
layer(sp.lines(mapaSHP))
Figura 6.7. Inverse Distance Weighted Interpolation aplicando red estaciones SIAR
57
6.1.8 Ajuste por superficie
El ajuste por superficie realiza un ajuste por bandas basadas en los diferentes intervalos de
radiación que no se adapta bien al modelo peninsular. Este método realiza un ajuste polínomico
de primer y segundo grado, no es un método estadístico propiamente. surfG0y <- krige(G0y~1, spRedGN, grd, degree=2)
levelplot(surfG0y['var1.pred']) +
layer(sp.points(spRedGN, pch=19, cex=0.7, col='black')) +
layer(sp.lines(mapaSHP))
Figura 6.8. Ajuste superficial teniendo en cuenta Siar
58
6.1.9 Ordinary kriging
El primer paso en el kriging ordinario es la construcción de un variograma desde el punto de
dispersión dispuesto a ser interpolado. Un variograma consta de dos partes: un variograma experimental y un modelo de variograma. Supongamos que el valor a interpolar se conoce como
f. el variograma experimental se encuentra mediante el cálculo de la varianza (g) de cada punto
del conjunto con respecto a cada uno de los otros puntos y trazar las variaciones frente a la distancia (h) entre los puntos. Varias formulas se pueden utilizar para calcular la varianza, pero
normalmente se calcula como la mitad de la diferencia en el cuadrado de f.
Ilustración 6.1 Variograma experimental frente a ajuste
Aplicación con R
okrigG0y <- krige(G0y~1, spRedGN, grd, model=fitvgmG0y)
levelplot(okrigG0y['var1.pred']) +
layer(sp.points(spRedGN, pch=19, cex=0.7, col='black')) +
layer(sp.lines(mapaSHP))
59
Figura 6.9. Ordinary kriging
60
6.1.10 Universal kriging
El universal kriging tiene en cuenta datos de una variable explicativa, por ejemplo la latitud
y longitud para ajustar el modelo, el propio modelo y los datos de estaciones SIAR.
Z(S)=M(S)+Y(S)+E(S)
S Localización
M Media ajustada con variable explicativa
Y Estacionaria de 2º grado (ajuste de variograma)
E Residuo final: ruido sin estructura espacial.
Explicación del modelo Universal Kriging
Tanto el universal kriging, kriging con una variable externa y kriging de regresión son
básicamente la misma técnica. Esta técnica puede ser tomada como un kriging generalista
cuando la media es modelada como una función de coordenadas. Algunos expertos solo usan el término universal kriging cuando las coordenadas se usan como predictores. Si la parte
determinista (variable explicativa) está definida externamente como una función lineal, se
denomina al método kriging con variable externa. El universal kriging realiza predicciones con la matriz de residuos de las covarianzas
extendida con la ayuda de las variables predictivas. Sin embargo, la variable externa y los
residuos pueden ser también estimados de forma separada y posteriormente sumados. Este procedimiento es conocido como kriging de regresión.
𝑧𝐾𝐸𝐷 𝑠0 = 𝑤𝑖𝐾𝐸𝐷 𝑠0 𝑧(𝑠𝑖)
𝑛
𝑖=1
Para
𝑤𝑖𝐾𝐸𝐷 𝑠0 𝑞𝑘 𝑠𝑖 = 𝑞𝑘 𝑠0 ; 𝑘 = 1,… . ,𝑝
𝑛
𝑖=1
o en notación matricial,
𝑧𝐾𝐸𝐷 𝑠0 = 𝛿0𝑇𝑧
Donde z es la variable objetivo, qk son las variables predictoras como por ejemplo valores en
una nueva localización (s0), δ0 es el vector de los pesos de KED (kriging with external drift), p es el número de predictores y z es el vector de n observaciones en localizaciones primarias. Los
pesos KED se resuelven con matrices extendidas.
𝜆0𝐾𝐸𝐷 = {𝑤1
𝐾𝐸𝐷 𝑠0 ,… ,𝑤𝑛𝐾𝐸𝐷 𝑠0 ,𝜑0 𝑠0 ,… ,𝜑𝑝(𝑠0)}𝑇
61
Ajustando una conjunto de puntos con una función µ(s), si se resta esta función de los puntos
se obtienen los errores ε(s). La media de todos estos errores es 0. Se realiza la auto correlación
de los errores ε(s), que en lugar de ser considerados como independientes se consideran auto correlacionados.
Ilustración 6.2. Ajuste para ordinary/universal kriging
El universal kriging puede usar semivariogramas de covarianzas (que son los modelos
matemáticos para expresar la autocorrelación) o usar transformadas.
Semivariograma
El semivariograma está definido por 𝑌 𝑠𝑖 , 𝑠𝑗 =𝑣𝑎𝑟 𝑍 𝑠𝑖 −𝑍 𝑠𝑗
2 , donde var es la
varianza.
Si dos localizaciones, si y sj están cercanas una de la otra en términos de distancia d(si,sj), se puede esperar de ellas que sean similares. Conforme se alejan serán menos parecidas, así que la
diferencia de sus valores Z(si)-Z(sj) aumentará. Esto se puede ver en la siguiente figura.
62
Ilustración 6.3. Semivariograma
Se puede apreciar como la varianza de la diferencia aumenta con la distancia, así que el semivariograma se puede considerar como una función de diferenciación. La altura que el
semivariograma alcanza cuando se vuelve asintótico se denomina sill (umbral). Se compone de
dos partes: una discontinua en el origen denominado efecto nugget y el sill parcial. El efecto nugget se puede dividir en error de medición y variación de microescala. La distancia a la que es
semivariograma alcanza el umbral se denomina range.
LLkrigG0y <- krige(G0y~lat+lng, spRedGN, grd, model=fitvgmG0y)
levelplot(LLkrigG0y['var1.pred']) +
layer(sp.points(spRedGN, pch=19, cex=0.7, col='black')) +
layer(sp.lines(mapaSHP))
63
Figura 6.10. Universal kriging utilizando como variable explicativa la latitud y la longitud
6.1.11 Universal kriging ajustado con CMSAF
Se ajusta nuevamente el variograma pero esta vez con datos de CMSAF.
vgmCMSAF <- variogram(G0y~CMSAF, spRedGN)
fitvgmCMSAF <- fit.variogram(vgmCMSAF, vgm(20000, 'Sph', 1, 10000))
plot(vgmCMSAF, fitvgmCMSAF)
64
Figura 6.11. Ajuste esférico de variograma usando como variable datos de CMSAF
CMSAFkrigG0y <- krige(G0y~CMSAF, spRedGN, grd, model=fitvgmCMSAF)
levelplot(CMSAFkrigG0y['var1.pred']) +
layer(sp.points(spRedGN, pch=19, cex=0.7, col='black')) +
layer(sp.lines(mapaSHP))
65
Figura 6.12. Universal kriging tomando como variable explicativa valores de irradiación de CMSAF
66
7. RESULTADOS
7.1 ANÁLISIS PUNTUAL
Pasamos ahora a comentar las gráficas obtenidas con R para cada uno de los epígrafes explicados
anteriormente. Partamos del análisis tanto obtenido mediante CM-SAF y los valores puntuales de los
datos obtenidos para radiación horizontal de Siar.
Figura 7.1. Mapa de irradiación obtenido mediante bases satelitales: CM-SAF. Unidades kWh/m2
Como era de esperar, los valores son mayores en el sur y dentro de un rango razonable.
Analizamos ahora los emplazamientos que tanto esfuerzo nos ha tomado encontrar, para cada una
de las estaciones terrestres pertenecientes a Siar, representándolas en el mapa peninsular con las
fronteras administrativas.
67
Figura 7.2. Situación de las diferentes estaciones terrestres pertenecientes a Siar
Una vez dicho esto, comparamos las variaciones para las mismas latitudes de diferentes grupos de
estaciones de Siar, obteniendo la siguiente figura.
68
Figura 7.3. Diferencias de G0y entre grupos de igual latitud con Siar. Unidades kWh/m2
Observamos en diferentes colores los cinco grupos de intervalos de radiación, a menores latitudes
mayores rangos de radiación como era de esperar. El grupo de menor horquilla de radiación presenta
mayores diferencias entre valores puntuales. Sin embargo, la media se mantiene en diferencia nula, lo
que era de esperar, siendo el grueso de la gráfica los puntos contenidos en la variación [-200, 200]
kWh/m2. Quedando excluidos de la tendencia general los puntos salientes de estos límites.
En segundo lugar, comentamos lo anterior pero tomando como fuente de datos CM-SAF.
69
Figura 7.4. Diferencias de G0y entre grupos de igual latitud con CM-SAF. Unidades kWh/m2
De igual forma, la conclusión más importante es la variación nula de la media de los puntos, dando
por bueno los datos. También vemos como para menores latitudes es mayor la densidad de puntos que
pertenecen a intervalos de mayor valor de radiación, como era de esperar. Sin embargo, observamos
una ligera mayor dispersión de los datos en CM-SAF que en Siar, pero no es concluyente al tomarse
puntos aleatorios. Estas gráficas deben ser interpretadas como línea general y en ningún caso como
tendencia más concreta.
Comparemos datos de CM-SAF y de Siar, como se aprecia en la siguiente figura.
70
Figura 7.5. Comparativa entre CM-SAF y Siar para iguales latitudes. Unidades kWh/m2
Lo teóricamente obtenido debe ser una recta lineal que para cada valor de abscisas se corresponde
el mismo de ordenadas, a modo de recta lineal y=x. Efectivamente, la tendencia general es de ese tipo
lo que nos lleva a validar los valores de CM-SAF versus Siar y viceversa (a priori, no sabemos cuál es
el “verdadero” luego no hablaremos de error absoluto en ningún caso).
Veámoslo mejor en el siguiente boxplot de la figura.
71
Figura 7.6. Boxplot comparativa Siar con CM-SAF
Donde se observa el valor máximo obtenido, el valor mínimo obtenido, el punto representa
el valor medio y el rectángulo da información sobre la varianza de los datos, respecto de diez
intervalos de latitud en que separamos la Península Ibérica. El norte, al tener menor densidad de
estaciones, se observa mayores varianzas y una media muy alejada de la diferencia nula. Los
puntos en azul son descartados por no representativos. Concluimos como antes la horquilla de [-
200; 200] kWh/m2 donde al que pertenece toda la dispersión de datos.
72
7.2 ANÁLISIS DE IRRADIACIÓN GLOBAL ANUAL EN EL PLANO
HORIZONTAL
7.2.1 Método Inverse Distance Weighted (IDW)
Se analiza la irradiación aplicando el método IDW, basado en una ponderación sobre el inverso de la distancia. Se comprueba que el ajuste es bastante suave pero existen
irregularidades en zonas periféricas como Galicia. Sin embargo, se pretende buscar un ajuste
que suavice mejor dichos puntos de la geografía peninsular con valores más extremos.
Figura 7.7. Análisis de radiación global anual en el plano horizontal Inverse Distance Weighted (IDW) de Siar.
Unidades kWh/m2
73
7.2.2 Método ordinary kriging
El ordinary kriging relaciona el variograma de la semivarianza de dispersión de la irradiación
de una estación respecto al resto de estaciones con la distancia, para intentar explicar la
variación espacial. Por esta razón lo primero que se hace es realizar el variograma. Se busca un
ajuste que linearice dicho variograma, en este caso un ajuste esférico. Como se puede comprobar existe un nugget próximo a 5000. Esto significa que a pesar de que la distancia entre
una estación y otra fuese nula existiría una dispersión cuya semivarianza es de 5000kWh2/m
4.
Se puede comprobar cómo a partir de distancias de 200-300uds. la influencia de una estación respecto a otra se reduce totalmente.
Figura 7.8. Variograma de radiación global anual en el plano horizontal con ajuste esférico para ordinary kriging
de Siar
Como se puede comprobar en la siguiente figura el ordinary kriging penaliza de forma severa, aunque más suave que el IDW, la dispersión de estaciones con valores extremos. Como
se observa, las estaciones con valores que se separan de la tendencia sufren círculos
concéntricos, que se alejan de la realidad de irradiación peninsular. Se requiere por tanto, un
sistema que suavice estas tendencias.
74
Figura 7.9. Análisis de radiación global anual en el plano horizontal Ordinary Kriging de Siar. Unidades kWh/m2
Es interesante estudiar qué ocurre con la varianza de forma espacial para entender cómo se
distribuye la irradiación. Las zonas más oscuras tienen desviaciones típicas menores que las más claras. Se observa que zonas del Sistema Ibérico, oeste de Ciudad Real, Murcia y zona
Cantábrica tienen varianzas superiores. Esto se debe a que la presencia de estaciones SIAR en
estas zonas es inferior y por lo tanto, el ajuste por ordinary kriging se separa más de la media.
Cuanto más uniforme sea este mapa mejor distribuidas estarán las estaciones y mayor fiabilidad tendrá el modelo.
75
Figura 7.10. Análisis de varianzas de radiación global anual en el plano horizontal de ordinary kriging para Siar.
76
7.2.3 Método de ajuste por superficie
Se estudia si el sistema se puede ajustar mediante un ajuste por superficie, que intente simular la irradiación con modelos polinómicos. Si se observa la figura siguiente se observa un
ajuste lineal para la latitud y un ajuste parabólico para la longitud. Este ajuste desprecia la
realidad de las estaciones meteorológicas y no se considera válido para la Península Ibérica.
Figura 7.11. Análisis de de radiación global anual en el plano horizontal con ajuste por superficie de Siar.
Unidades kWh/m2
En la siguiente figura se observa la distribución de las semivarianzas. Se comprueba que es
bastante uniforme, algo que se busca pero no a consecuencia de perder la precisión del modelo de irradiación.
77
Figura 7.12. Análisis de radiación global anual en el plano horizontal de semivarianzas con ajuste por superficie
de Siar.
78
7.2.4 Método universal kriging con latitud y longitud como variables explicativas
El siguiente análisis que se realiza es universal kriging con ajuste de latitud y longitud. Este universal kriging emplea el mismo variograma del ordinary kriging y intenta suavizar el sistema
añadiendo una capa de influencia de latitud y longitud. Se considera que la irradiación va a
depender en cierto modo de la latitud y de la longitud. Es por esta razón que se vea cómo la irradiación crece de Oeste a Este y de Norte a Sur.
Figura 7.13. Análisis de radiación global anual en el plano horizontal con universal kriging con latitud y longitud
de variables explicativas para Siar. Unidades kWh/m2
El análisis de semivarianzas en el espacio es similar al obtenido para el método IDW. Se considera que el universal kriging con ajuste de latitud y longitud no es del todo preciso para
explicar la irradiación peninsular. Del gráfico siguiente se deduce que para el centro peninsular
las semivarianzas son inferiores que para el exterior de la Península.
79
Figura 7.14. Análisis de radiación global anual en el plano horizontal de semivarianzas para universal kriging con ajuste de latitud y longitud. Unidades kWh/m2
80
7.2.5 Método universal kriging con CMSAF como variable explicativa
Se considera que la óptima variable explicativa es un mapa de irradiación por satélite de alta fiabilidad como es el mapa de CMSAF. Se utilizará esta variable para intentar suavizar el
kriging de las estaciones SIAR.
El primer paso es obtener el variograma de las semivarianzas de la irradiación de las
estaciones respecto al resto de estaciones en relación a la distancia entre ellas. En este
variograma CMSAF también influirá. En el variograma el nugget es de 5000kWh2/m
4 y la
asíntota se alcanza para una distancia de 200uds.
Figura 7.15. Variograma con ajuste esférico de radiación global anual en el plano horizontal con influencia de CMSAF sobre estaciones SIAR
El siguiente mapa muestra el modelo óptimo de ajuste. Relaciona la variable explicativa de CMSAF, con el variograma de la semivarianza de irradiación entre estaciones y distancia. Se
puede observar cómo los valores de irradiación más bajos se encuentran en Galicia y el norte
peninsular con clima oceánico así como los Pirineos. Además son estas zonas con menor número de estaciones SIAR, sin apenas regadío donde la varianza entre estaciones es mayor por
su mayor distancia entre ellas. Son destacables diversas zonas de Ciudad Real y Extremadura
donde existen irradiaciones inferiores a las esperables. Esto puede ser debido a errores en la
medición, fallos de calibración de dispositivos o de procesamiento de datos. Como se puede comprobar la latitud tiene una clara influencia sobre la irradiación.
Este mapa se considera como el óptimo de la simulación por la suavidad de sus curvas y su mayor similitud al obtenido con imágenes de satélite con CMSAF. Representa la irradiación
anual en el plano horizontal medida a través de la red de estaciones de Siar.
81
Figura 7.16. Análisis de radiación global anual en el plano horizontal universal kriging con ajuste de CMSAF para Siar. Unidades kWh/m2
Sobre este modelo, se analizará cuál es la relación entre la irradiación inducida con su
varianza. Se observa un hecho interesante: para valores de irradiación elevados se obtienen varianzas de distribución elevadas. Además, para valores de irradiación medios (entre 1300 y
1700 kWh/m2) la varianza se mantiene en valores reducidos.
82
Figura 7.17. Relación de radiación global anual en el plano horizontal Predecible vs. Varianza
El siguiente gráfico relaciona en forma de densidad la latitud con la irradiación. Como se
puede observar, para menores latitudes (Sur) se obtienen valores de irradiación anuales superiores que para mayores latitudes.
83
Figura 7.18. Gráfico de dispersión entre latitud y irradiación global en el plano horizontal.
Sin embargo, la distribución de la varianza es diferente. Se muestra cómo la varianza se
mantiene en un rango entre 4500 y 9000 con una mayor densidad de variabilidad para 41º de
latitud.
84
Figura 7.19. Gráfico de dispersión de varianza de radiación global anual en el plano horizontal respecto a latitud.
En el siguiente diagrama se intenta agrupar la varianza y la radiación estimada para seis intervalos de latitud. Se comprueba cómo para menores latitud la radiación es superior y la
varianza se distribuye entre 5500 y 9000 kWh2/m
4. Sin embargo, para mayores latitudes la
irradiación es más variable y su varianza también. Esto se debe a una mayor complejidad geográfica y climática en el Norte peninsular.
85
Figura 7.20. Gráfico de dispersión para radiación global anual en el plano horizontal entre radiación predecible y varianza para seis intervalos de latitud. Unidades kWh/m
2
86
8. CONCLUSIONES
En el presente trabajo se ha descrito las diferencias y los diversos parámetros de ajuste
estadístico asociado a cada método que relaciona las medidas de irradiación solar de Red Siar con CM-SAF. La metodología que se ha averiguado está basada en la gratuidad de la obtención
de datos con lo que, salvo las ubicaciones de las estaciones Siar por motivos de consentimiento
por parte del Gobierno de España, se puede disponer tanto del código de programación como de la información hallada de manera libre.
Respecto del propio tratamiento de los datos aquí mostrados, como ya se ha explicado anteriormente, el objetivo del estudio era el trazado de una metodología y no la consecución de
precisión en las gráficas concretas, de modo que el siguiente paso en la línea de trabajo es evitar
los diversos errores que se pueden asociar a razones concretas que exponemos a continuación.
Para el cálculo de irradiación efectiva utilizamos valores diarios, de los que
procedemos a calcular los valores anuales en el código de programación, mientras
que para la comparativa con CM-SAF y para kriging valores anuales directamente.
Offset: es decir, que los valores de CM-SAF tengan un valor siempre mayor que los
de Red Siar, de modo que sea un error estándar e incluso modelable para ser
corregido. Un estudio interesante es la razón de los valores siempre superiores de las
bases satelitales, si bien puede atribuirse a la siguiente razón expuesta.
Influencia temporal: en el análisis se toman datos de irradiación de CM-SAF para
2008, sólo hemos podido contar con datos de este año por lo intratable de la cantidad
de datos proporcionados y la limitación de herramientas informáticas, pero existe la
posibilidad de ampliar el estudio cuanto se desee. Sin embargo, no se hace lo mismo con Red Siar al tomar datos de irradiación de varios años, desde 2004, y realizar una
media aritmética por no tener valores mensuales de algunas de las estaciones, se ha
tenido que proceder a hacer un “año tipo” para poder hacerlo comparable. Ahora bien, tal y como fue 2008 un año extremadamente soleado (décimo más soleado
desde mediados del siglo XIX según la OMM, Organización Meteorológica
Mundial) los valores se encuentran por encima de la media y este hecho puede explicar que CM-SAF aporte siempre valores superiores a Red Siar. Un análisis
mejorado es la comparación del mismo año de ambas fuentes siempre y cuando se
disponga de todos los datos necesarios, o bien, la comparativa de medias mensuales
o de días concretos de uno frente a otro, donde podremos ver en verdadera magnitud la diferencia de las medidas obtenidas.
Tratamiento de datos: es diferente de una a otra. En CM-SAF se toman valores
mensuales para posteriormente calcular la irradiación anual. Sin embargo, en Siar se toman valores diarios para el cálculo de irradiación anual. Este hecho puede tener su
influencia en la solución final.
Dependencia no lineal: para los la irradiación global efectiva es una función no
lineal de la irradiación horizontal, así la variabilidad de la efectiva es mayor que la misma de la irradiación horizontal.
Respecto de las fuentes de datos tomadas, hay que recalcar que las bases terrestres y la resolución satelital llevan un error asociado a los propios piranómetros y píxeles
de fotografías del satélite, pero ambos campos constituyen de por sí el objeto de sus
propios estudios.
87
9. BIBLIOGRAFÍA
Libros
Manual de R-project
BIVAND R.S., PEBESMA E.J. & GÓMEZ-RUBIO V., 2008, Aplied spatial data análisis
with R, Springer.
HENGI T., 2009, A practical Guide to Geostatistical zapping, lulu.com.
COWPERTWAIT P.S.P & METCALFE A.V, 2009, Introductory time series with R,
Springer
Enlaces de interés
Blog Óscar Perpiñán Lamigueiro http://procomun.wordpress.com/
Geonames: http://www.geonames.org/
R-spatial: http://r-spatial.sourceforge.net/
Spatial-analyst: http://spatial-analyst.net/wiki/index.php?title=Main_Page
Artículos de interés
BEYER H. G, CZEPLAK G., TERZENBACH U. & PERGAMON L.W, 1997,
Assessment of the method used to construct clearness index maps for the new European
solar radiation atlas (ESRA), Pergamon.
BEYER H.G., HEINEMANN D., HOYER C., REISE C., WIEMKEN E. &
MUSIKOWSKI H.D., Accuracy of the estimation of monthly performance figures of
grid-connected PV Systems base don remote data sources
GUEYMARD C.A., & WILCOX S.M., 2011, Assessment of spatial and temporal
variability in the US solar resource from radiometric measurements and predictions
from models using ground-based or satellite data, ScienceDirect.
HAY J.E, 1986, Errors associated with spatial interpolation of mean solar irradiances,
Solar Energy (Vol 37).
HULD T., SURI M. & DUNLOP E.D, 2007, Comparison of potencial solar electricity
output from fixed-inclined and two-axis Trucking photovoltaic modules in Europe,
Progress in photovoltaics: research and applications.
88
HULD T., SÚRI M. & DUNLOP E.D, 2008, Geographical variation of the conversion
efficiency of crystalline silicon photovoltaic modules in Europe, Progress in
photovoltaics: research and applications.
JOURNÉE M. & BERTRAND C., 2010, Improving the spatial-temporal distribution of
surface solar radiation data by merging ground and satellite measurements, Remote
sensing of environment.
LEFEVRE M., REMUND J., ALBUISSON, M. & WALD L., 2002, Study of effective
distances for interpolation schemes in meteorology, Geophysical Research Abstracts
(vol 4).
PERPIÑÁN O., 2009, Statistical analysis of the performance and simulation of a two-
axis tracking PV system, ScienceDirect.
SURI M., HULD T., DUNLOP E.D., ALBUISSON M., LEFEVRE M. & WALD L.,
2007, Uncertainties in photovoltaic electricity Yield prediction from fluctuation of solar
radiation.
SURI M., REMUND J., CEBECAUER T., WALD L., HULD T. & BLANC P., 2008,
First steps in the cross-comparison of solar resource spatial products in Europe,
Eurosun.
89
10. ANEXOS
ANEXO I: Código R
Gef_CMSAF_SIAR.R
library(sp)
library(maptools)
library(raster)
library(gstat)
library(lattice)
library(latticeExtra)
library(solaR)##instalar version 0.24
########## CMSAF #################
##Datos de 2008 de CMSAF
##compongo un objeto stack de la librería raster
old <- getwd()
setwd('/home/oscar/Datos/CMSAF')##Cambiar!!!
listFich <- dir(pattern='2008')
listNC <- lapply(listFich, raster)
stackSIS <- do.call(stack, listNC)
stackSIS <- stackSIS*24 ##para pasar de W/m2 (irradiancia media) a
Wh/m2
setwd(old)
idx <- fBTd('prom', year=2008)
SISmm <- setZ(stackSIS, idx)
layerNames(SISmm) <- as.character(idx)
##Calculation of yearly effective irradiation
##A latitude layer for calculations with solaR::calcGef
latLayer <- init(SISmm, v='y')
##The function to be applied to each cell of the 13 layers
foo <- function(x, ...){
gefFixed <- calcGef(lat=x[1], dataRad=list(G0dm=x[2:13]),
modeTrk='fixed')
gef2x <- calcGef(lat=x[1], dataRad=list(G0dm=x[2:13]),
modeTrk='two')
gefHoriz <- calcGef(lat=x[1], dataRad=list(G0dm=x[2:13]),
modeTrk='horiz')
resultFixed <- as.numeric(as.data.frameY(gefFixed)$Gefd)
result2x <- as.numeric(as.data.frameY(gef2x)$Gefd)
resultHoriz <- as.numeric(as.data.frameY(gefHoriz)$Gefd)
result <- c(resultFixed, result2x, resultHoriz)
result
}
##calc applies the function to the stack of latitude and irradiation
gefS <- calc(stack(latLayer, SISmm), foo,
filename='/home/oscar/Datos/CMSAF/gefCMSAFTracking',##change to your
folder
overwrite=TRUE, progress='text')
90
layerNames(gefS)=c('Fixed', 'Two', 'Horiz')
gefS <- stack('/home/oscar/Datos/CMSAF/gefCMSAFTracking')
layerNames(gefS)=c('Fixed', 'Two', 'Horiz')
########## SIAR #################
##Recuperamos datos obtenidos en UTMLonLat.R
load('spainMeteo.RData')
load('redSIAR.RData')
spainMeteoOK <- spainMeteo[idxMeteo]
###Cálculo de radiación efectiva
foo <- function(x){
gefFixed <- calcGef(lat=getLat(x), dataRad=x, modeRad='bd',
modeTrk='fixed')
gef2x <- calcGef(lat=getLat(x), dataRad=x, modeRad='bd',
modeTrk='two')
gefHoriz <- calcGef(lat=getLat(x), dataRad=x, modeRad='bd',
modeTrk='horiz')
resultFixed <- mean(as.data.frameY(gefFixed)$Gefd)
result2x <- mean(as.data.frameY(gef2x)$Gefd)
resultHoriz <- mean(as.data.frameY(gefHoriz)$Gefd)
result <- c(resultFixed, result2x, resultHoriz)
result
}
###NO EJECUTAR, recuperar con load()
gefSIAR <- lapply(spainMeteoOK, foo)
gefSIAR <- as.data.frame(do.call(rbind, gefSIAR))
names(gefSIAR) <- c('Fixed', 'Two', 'Horiz')
redSIARGef <- cbind(redSIAROK, gefSIAR)
spSIARGef <- spCbind(SPlonlatOK, gefSIAR)
spplot(SPlonlatOK[c('Fixed', 'Two', 'Horiz')])
save(redSIARGef, spSIARGef, gefSIAR, file='gefSIAR.RData')
######################################################################
########
UTMLonLat.R
library(sp)
library(rgdal)
library(maptools)
##Leo fronteras administrativas
old <- getwd()
setwd('/home/oscar/Datos/ESP_adm')##Cambiar!!!
proj <- CRS('+proj=longlat +ellps=WGS84')
mapaSHP <- readShapeLines('ESP_adm2.shp', proj4string=proj)
setwd(old)
datos <-
read.csv2('/home/oscar/Investigacion/solar/drafts/UTM_latlon_3.csv',
colClasses=c('factor', 'factor',
91
'integer', 'integer', 'character',
'numeric', 'numeric', 'numeric',
'integer', 'character', 'character', 'character')
)
datos <- subset(datos, subset=!(is.na(Huso) & Latitud=='' &
Longitud==''))
datosUTM29 <- subset(datos, Huso==29, select=-c(Latitud, Longitud,
SignoLongitud))
datosUTM30 <- subset(datos, Huso==30, select=-c(Latitud, Longitud,
SignoLongitud))
datosUTM31 <- subset(datos, Huso==31, select=-c(Latitud, Longitud,
SignoLongitud))
datosLonLat <- subset(datos, is.na(Huso), select=-c(UTMX, UTMY, Huso))
datosLonLat$Latitud <- sub("''", "\"", datosLonLat$Latitud)
datosLonLat$Latitud <- sub("°", "º", datosLonLat$Latitud)
datosLonLat$Latitud <- gsub(" ", "", datosLonLat$Latitud)
datosLonLat$Longitud <- sub("''", "\"", datosLonLat$Longitud)
datosLonLat$Longitud <- sub("°", "º", datosLonLat$Longitud)
datosLonLat$Longitud <- gsub(" ", "", datosLonLat$Longitud)
datosLonLat$Latitud <- with(datosLonLat, as.numeric(char2dms(Latitud,
chd="º", chm="'", chs="\"")))
datosLonLat$Longitud <- with(datosLonLat,
as.numeric(char2dms(Longitud, chd="º", chm="'", chs="\"")))
datosLonLat$Longitud <- ifelse(datosLonLat$SignoLongitud=='-0', -
datosLonLat$Longitud, datosLonLat$Longitud)
datosLonLat$SignoLongitud <- NULL
##datos[is.na(datos)] <- 0
projUTM30 <- CRS('+proj=utm +zone=30')
projUTM31 <- CRS('+proj=utm +zone=31')
projUTM29<- CRS('+proj=utm +zone=29')
SPUTM29 <- SpatialPointsDataFrame(coords=datosUTM29[c("UTMX",
"UTMY")],
data=datosUTM29[c('Altitud',
'N_Estacion', 'Estacion',
'N_Provincia', 'Provincia',
'Comunidad')],
proj4string=projUTM29)
SPUTM30 <- SpatialPointsDataFrame(coords=datosUTM30[c("UTMX",
"UTMY")],
data=datosUTM30[c('Altitud',
'N_Estacion', 'Estacion',
'N_Provincia', 'Provincia',
'Comunidad')],
proj4string=projUTM30)
SPUTM31 <- SpatialPointsDataFrame(coords=datosUTM31[c("UTMX",
"UTMY")],
data=datosUTM31[c('Altitud',
'N_Estacion', 'Estacion',
'N_Provincia', 'Provincia',
'Comunidad')],
92
proj4string=projUTM31)
##Transformo de UTM a long-lat
SPlonlat29 <- spTransform(SPUTM29, proj)
SPlonlat30 <- spTransform(SPUTM30, proj)
SPlonlat31 <- spTransform(SPUTM31, proj)
SPlonlatNoUTM <-
SpatialPointsDataFrame(coords=datosLonLat[c("Longitud", "Latitud")],
data=datosLonLat[c('Altitud',
'N_Estacion', 'Estacion',
'N_Provincia', 'Provincia',
'Comunidad')],
proj4string=CRS("+proj=longlat"))
SPlonlat <- spRbind(SPlonlat29, SPlonlat30)
SPlonlat <- spRbind(SPlonlat, SPlonlat31)
SPlonlat <- spRbind(SPlonlat, SPlonlatNoUTM)
coordnames(SPlonlat) <- c('lon', 'lat')
##Primera representación.
## spplot(SPlonlat['Comunidad'], key.space='right') +
layer(sp.lines(mapaSHP))
## ##Elimino estas estaciones erróneas y vuelvo a representar
## ##Compruebo que algunas estaciones se salen de su comunidad
## idxError1 <- which(coordinates(SPlonlat)[,2]<30)
## SPlonlat[idxError1,]
## SPlonlat2<- SPlonlat[-idxError1,]
trellis.device(pdf, file='RedEstaciones20110630.pdf')
spplot(SPlonlat['Comunidad'], col.regions=brewer.pal(n=12, 'Paired'),
key.space='right', scales=list(draw=TRUE),
type=c('p','g')) + layer(sp.lines(mapaSHP))
dev.off()
##Estaciones con longitud superior a 0.9
## idxError2 <- which(coordinates(SPlonlat)[,1]>0.5)
## SPlonlat[idxError2,]
##Hay dos de Extremadura fuera de sitio
## extr <- SPlonlat[SPlonlat$Comunidad=='Extremadura',]
## idxExtr <- rev(order(coordinates(extr)[,2]))[1:2]
## extr[idxExtr,]
## ##Y también una de Andalucia
## andal <- SPlonlat[SPlonlat$Comunidad=='Andalucia',]
## idxAndal <- rev(order(coordinates(andal)[,2]))
## andal[idxAndal,]
redSIAR <- as.data.frame(SPlonlat)
##En la llamada a APPLY hay que eliminar las columnas con caracteres
##para que no convierta todo a character
###NO EJECUTAR, recuperar con load()
spainMeteo <- apply(redSIAR[, c(8, 4, 2)], 1,
function(x){
try(readSIAR(prov=x[2], est=x[3],
start='01/01/2008', end='31/12/2010',
lat=x[1]))
}
)
93
idxMeteo <- sapply(spainMeteo, function(x)class(x)=='Meteo')
spainMeteoOK <- spainMeteo[idxMeteo]
##Días registrados
fooDays <- function(x)as.numeric(diff(range(indexD(x))))
ndays <- sapply(spainMeteoOK, fooDays)
####Medias de sumas anuales
meanYearlySums <- function(x)mean(aggregate(getG0(x), year, sum,
na.rm=1))
##aplico la función a cada una de las estaciones que componen la lista
spainMeteo
##divido entre 1000 para pasar a kWh
spainG0y <- sapply(spainMeteoOK, meanYearlySums)/1000
redSIAROK <- redSIAR[idxMeteo,]
SPlonlatOK <- SPlonlat[idxMeteo,]
##añado el resultado como una capa más al SpatialPointsDataFrame
redSIAROK$G0y=spainG0y
redSIAROK$ndays=ndays
SPlonlatOK$G0y=spainG0y
SPlonlatOK$ndays=ndays
save(redSIAR, redSIAROK, SPlonlat, SPlonlatOK, file='redSIAR.RData')
save(spainMeteo, idxMeteo, file='spainMeteo20110701.RData')
####FIN DE CALCULOS###########################################
kriging.R
library(sp)
library(maptools)
library(raster)
library(rasterVis)## se instala con install.packages("rasterVis",
repos="http://R-Forge.R-project.org")
library(gstat)
library(lattice)
library(latticeExtra)
library(solaR)##instalar version 0.24
##Función para hacer kriging con Raster
##Devuelve un RasterStack
##La primera capa es la predicción y la segunda es la varianza
krigeRaster <- function(formula, data, raster, ...){
latLayer <- init(raster, v='y')
lonLayer <- init(raster, v='x')
grd <- as(stack(lonLayer, latLayer, raster), 'SpatialGridDataFrame')
names(grd) <- c('lon', 'lat', deparse(substitute(raster)))
proj4string(grd) <- proj
resSP <- krige(formula, data, grd, ...)
res <- as(resSP, 'RasterStack')
layerNames(res) <- c('pred', 'var')
res
}
###### RECUPERAMOS DATOS ######################################
94
###Obtenidos en UTMLonLat.R
##Contiene una lista de objetos Meteo (spainMeteo) y el índice de los
##que sirven (idxMeteo). De esta forma, trabajamos con
##spainMeteoOK<-spainMeteo[idxMeteo]
load('spainMeteo20110701.RData')
##Obtenidos en Gef_CMSAF_SIAR.R
##Contiene los datos de la red SIAR en formato data.frame y en
##SpatialPointsDataFrame junto con los resultados de cálculo de
##radiación efectiva anual
load('gefSIAR.RData')
##proyección de todos los datos
proj <- CRS(proj4string(spSIARGef))
##### RADIACION HORIZONTAL ###########
##Datos de 2008 de CMSAF
##compongo un objeto stack de la librería raster
old <- getwd()
setwd('/Users/Federico Cañizares/Desktop/Formación/Máster MERME/2010-
2011/PFM/R/CMSAF')##Cambiar!!!
listFich <- dir(pattern='2008')
listNC <- lapply(listFich, raster)
stackSIS <- do.call(stack, listNC)
stackSIS <- stackSIS*24 ##para pasar de W/m2 (irradiancia media) a
Wh/m2
setwd(old)
##Para calcular el valor anual de cada celda debo multiplicar cada
capa
##por el número de días de cada mes
DiasMes <- c(31, 28, 31, 30, 31, 30, 31, 31, 30, 31, 30, 31)
##y sumar todas las capas, nuevamente dividiendo entre mil
G0yCMSAF <- calc(stackSIS*DiasMes, sum)/1000
levelplot(G0yCMSAF)
## #Creo una rejilla para la interpolación
## ##necesito que contenga la latitud y longitud
## ##para el universal kriging
## latLayer <- init(G0yCMSAF, v='y')
## lonLayer <- init(G0yCMSAF, v='x')
## grd <- as(stack(lonLayer, latLayer, G0yCMSAF),
'SpatialGridDataFrame')
## names(grd) <- c('lon', 'lat', 'G0yCMSAF')
## proj4string(grd) <- proj
##Descargo y descomprimo un zip de
http://biogeo.ucdavis.edu/data/diva/adm/ESP_adm.zip
##Contiene un Shapefile con información de las fronteras entre
provincias de españa.
old <- getwd()
setwd('/Users/Federico Cañizares/Desktop/Formación/Máster MERME/2010-
2011/PFM/R/ESP_adm')##Cambiar!!!
##Leo el contenido:
mapaSHP <- readShapeLines('ESP_adm2.shp', proj4string=proj)
setwd(old)
95
###Trabajaremos sólo con aquelas estaciones con al menos dos años
###completos y 1000 kWh/m2 anuales de radiación
#spGef <- spSIARGef[spSIARGef$ndays>=730 & spSIARGef$G0y>=1000,]
spGef <- spSIARGef[spSIARGef$ndays>=730 & spSIARGef$G0y>=1000 &
spSIARGef$Estacion!="Manzanares" & spSIARGef$Estacion!="Montiel" &
spSIARGef$Estacion!="Arabayona" & spSIARGef$Estacion!="Ejema" &
spSIARGef$Estacion!="Don Benito" & spSIARGef$Estacion!="Almendralejo-
Don Rodrigo" & spSIARGef$Estacion!="Villafranca de los Barros" &
spSIARGef$Estacion!="Valdesalor",]
idxNms <- which(names(spGef) %in% c('G0y', 'Fixed', 'Two', 'Horiz'))
names(spGef)[idxNms] <- paste(names(spGef)[idxNms], 'SIAR', sep='')
##Ahora incorporo al SpatialPointsDataFrame una capa más
##con los valores de CMSAF en las posiciones de las estaciones
##con la función extract de raster
spGef$G0yCMSAF <- extract(G0yCMSAF, spGef)
##y también calculo la diferencia entre ambas
spGef$difG0y <-spGef$G0ySIAR-spGef$G0yCMSAF
###Análisis de valores (sin considerar caracter espacial)
datGef <- as.data.frame(spGef)
##Ejemplos...
##diferencia frente a la latitud para grupos de G0ySIAR
xyplot(difG0y~lat, groups=cut(G0ySIAR, 5), data=datGef,
auto.key=list(space='right'))
##y 5 grupos de CMSAF
xyplot(difG0y~lat, groups=cut(G0yCMSAF, 5), data=datGef,
auto.key=list(space='right'))
##G0y frente a CMSAF para cinco grupos de latitud
xyplot(G0ySIAR~G0yCMSAF, groups=cut(lat, 5), data=datGef,
auto.key=list(space='right'))
## difG0y G0YSIAR-G0YCMSAF
bwplot(difG0y~cut(lat, 10), data=datGef)
###etc, etc,
####Empieza el análisis estadístico
##Ajuste del variograma
vgmG0y <- variogram(G0ySIAR~1, data=spGef)
plot(vgmG0y)
##por inspección parece que el modelo esférico ajusta bien
modelG0y <- vgm(psill=17000, model='Sph', range=200, nugget=5000)
fitvgmG0y <- fit.variogram(vgmG0y, modelG0y)
plot(vgmG0y, fitvgmG0y)
##Tipos de Interpolación:
##En primer lugar, el método IDW
idwG0y <- krigeRaster(G0ySIAR~1, spGef, G0yCMSAF)
#trellis.device(pdf, file='IDW_Rad_Horizontal.pdf')
levelplot(idwG0y, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
#dev.off()
##En segundo lugar un ajuste de superficie
surfG0y <- krigeRaster(G0ySIAR~1, spGef, G0yCMSAF, degree=2)
96
levelplot(surfG0y, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(surfG0y, layer='var')+
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En tercer lugar, un ordinary kriging usando el variograma
okrigG0y <- krigeRaster(G0ySIAR~1, spGef, G0yCMSAF, model=fitvgmG0y)
levelplot(okrigG0y, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(okrigG0y, layer='var') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En cuarto lugar, universal kriging usando la latitud y longitud
LLkrigG0y <- krigeRaster(G0ySIAR~lat+lon, spGef, G0yCMSAF,
model=fitvgmG0y)
levelplot(LLkrigG0y, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(LLkrigG0y, layer='var') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##Diagnostico
surf <- krige.cv(G0ySIAR~1, spGef, degree=2)
LL <- krige.cv(G0ySIAR~lat+lon, spGef, model=fitvgmG0y)
ord <- krige.cv(G0ySIAR~1, spGef, model=fitvgmG0y)
surfPlot <- bubble(surf, 'residual')
llPlot <- bubble(LL, 'residual')
ordPlot <- bubble(ord, 'residual')
##En quinto lugar, universal kriging usando datos de CMSAF
##Primero hay que ajustar nuevamente el variograma
vgmCMSAF <- variogram(G0ySIAR~G0yCMSAF, spGef)
plot(vgmCMSAF)
fitvgmCMSAF <- fit.variogram(vgmCMSAF, vgm(psill=12000, model='Sph',
range=100, nugget=5000))
plot(vgmCMSAF, fitvgmCMSAF)
CMSAFkrigG0y <- krigeRaster(G0ySIAR~G0yCMSAF, spGef, G0yCMSAF,
model=fitvgmCMSAF)
levelplot(CMSAFkrigG0y, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
####Diferencias entre CMSAF y UniKrig con CMSAF####
A <- subset(CMSAFkrigG0y, 'pred')
97
levelplot((G0yCMSAF-A)*100/G0yCMSAF) +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(CMSAFkrigG0y, layer='var',par.settings=BTCTheme) +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##Más representación de resultados
##más ejemplos en http://rastervis.r-forge.r-project.org/
histogram(CMSAFkrigG0y)
splom(CMSAFkrigG0y)
xyplot(var~pred|cut(y, 6), CMSAFkrigG0y)
xyplot(pred~y, CMSAFkrigG0y)
xyplot(var~y, CMSAFkrigG0y)
##### RADIACION EFECTIVA #######
################################
################################
##Resultados de 2008 de CMSAF
##compongo un objeto stack de la librería raster
old <- getwd()
setwd('/Users/Federico Cañizares/Desktop/Formación/Máster MERME/2010-
2011/PFM/R/CMSAF')##Cambiar!!!
gefCMSAF <- stack('gefCMSAFTracking')
layerNames(gefCMSAF) <- c('Fixed', 'Two', 'Horiz')
setwd(old)
gefExtract <- as.data.frame(extract(gefCMSAF, spGef))
names(gefExtract) <- paste(layerNames(gefCMSAF), 'CMSAF', sep='')
spGef <- spCbind(spGef, gefExtract)
datGef <- as.data.frame(spGef)
####Sistemas Estáticos###################
#########################################
##Se trata de sustituir G0y por Fixed utilizando
##el código anterior para radiación horizontal
FixedCMSAF <- raster(gefCMSAF, layer='Fixed')
vgmFixed <- variogram(FixedSIAR~1, data=spGef)
plot(vgmFixed)
##COMPROBAR QUE LOS VALORES SIGUEN SIENDO ADECUADOS
modelFixed <- vgm(psill=17000, model='Sph', range=200, nugget=5000)
fitvgmFixed <- fit.variogram(vgmFixed, modelFixed)
plot(vgmFixed, fitvgmFixed)
##En primer lugar, el método IDW Fixed
idwFixed <- krigeRaster(FixedSIAR~1, spGef, FixedCMSAF)
levelplot(idwFixed, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En segundo lugar un ajuste de superficie Fixed
98
surfFixed <- krigeRaster(FixedSIAR~1, spGef, FixedCMSAF, degree=2)
levelplot(surfFixed, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(surfFixed, layer='var')+
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En tercer lugar, un ordinary kriging Fixed usando el variograma
okrigFixed <- krigeRaster(FixedSIAR~1, spGef, FixedCMSAF,
model=fitvgmFixed)
levelplot(okrigFixed, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(okrigFixed, layer='var') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En cuarto lugar, universal kriging Fixed usando la latitud y
longitud
LLkrigFixed <- krigeRaster(FixedSIAR~lat+lon, spGef, FixedCMSAF,
model=fitvgmFixed)
levelplot(LLkrigFixed, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(LLkrigFixed, layer='var') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##Diagnostico Fixed
surf <- krige.cv(FixedSIAR~1, spGef, degree=2)
LL <- krige.cv(FixedSIAR~lat+lon, spGef, model=fitvgmFixed)
ord <- krige.cv(FixedSIAR~1, spGef, model=fitvgmFixed)
surfPlot <- bubble(surf, 'residual')
llPlot <- bubble(LL, 'residual')
ordPlot <- bubble(ord, 'residual')
##En quinto lugar, universal kriging Fixed usando datos de CMSAF
##Primero hay que ajustar nuevamente el variograma
vgmCMSAF <- variogram(FixedSIAR~FixedCMSAF, spGef)
plot(vgmCMSAF)
fitvgmCMSAF <- fit.variogram(vgmCMSAF, vgm(psill=12000, model='Sph',
range=100, nugget=5000))
plot(vgmCMSAF, fitvgmCMSAF)
CMSAFkrigFixed <- krigeRaster(FixedSIAR~FixedCMSAF, spGef, FixedCMSAF,
model=fitvgmCMSAF)
#####Dieferencias
B <- subset(CMSAFkrigFixed, 'pred')
levelplot((FixedCMSAF-B)*100/FixedCMSAF) +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
99
levelplot(CMSAFkrigFixed, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(CMSAFkrigFixed, layer='var', par.settings=BTCTheme) +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##Ejemplos de representación de resultados
##más ejemplos en http://rastervis.r-forge.r-project.org/
histogram(CMSAFkrigFixed)
splom(CMSAFkrigFixed)
xyplot(var~pred|cut(y, 6), CMSAFkrigFixed)
xyplot(pred~y, CMSAFkrigFixed)
xyplot(var~y, CMSAFkrigFixed)
#### Caso Eje horizontal (Horiz) ########################
#########################################################
HorizCMSAF <- raster(gefCMSAF, layer='Horiz')
vgmHoriz <- variogram(HorizSIAR~1, data=spGef)
plot(vgmHoriz)
##COMPROBAR QUE LOS VALORES SIGUEN SIENDO ADECUADOS
modelHoriz <- vgm(psill=17000, model='Sph', range=200, nugget=5000)
fitvgmHoriz <- fit.variogram(vgmHoriz, modelHoriz)
plot(vgmHoriz, fitvgmHoriz)
##En primer lugar, el método IDW Horizontal
idwHoriz <- krigeRaster(HorizSIAR~1, spGef, HorizCMSAF)
levelplot(idwHoriz, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En segundo lugar un ajuste de superficie Horizontal
surfHoriz <- krigeRaster(HorizSIAR~1, spGef, HorizCMSAF, degree=2)
levelplot(surfHoriz, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(surfHoriz, layer='var')+
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En tercer lugar, un ordinary kriging horizontal usando el variograma
okrigHoriz <- krigeRaster(HorizSIAR~1, spGef, HorizCMSAF,
model=fitvgmHoriz)
levelplot(okrigHoriz, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(okrigHoriz, layer='var') +
100
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En cuarto lugar, universal kriging horizontal usando la latitud y
longitud
LLkrigHoriz <- krigeRaster(HorizSIAR~lat+lon, spGef, HorizCMSAF,
model=fitvgmHoriz)
levelplot(LLkrigHoriz, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(LLkrigHoriz, layer='var') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##Diagnostico Horizontal
surf <- krige.cv(HorizSIAR~1, spGef, degree=2)
LL <- krige.cv(HorizSIAR~lat+lon, spGef, model=fitvgmHoriz)
ord <- krige.cv(HorizSIAR~1, spGef, model=fitvgmHoriz)
surfPlot <- bubble(surf, 'residual')
llPlot <- bubble(LL, 'residual')
ordPlot <- bubble(ord, 'residual')
##En quinto lugar, universal kriging Horiz usando datos de CMSAF
##Primero hay que ajustar nuevamente el variograma
vgmCMSAF <- variogram(HorizSIAR~HorizCMSAF, spGef)
plot(vgmCMSAF)
fitvgmCMSAF <- fit.variogram(vgmCMSAF, vgm(psill=12000, model='Sph',
range=100, nugget=5000))
plot(vgmCMSAF, fitvgmCMSAF)
CMSAFkrigHoriz <- krigeRaster(HorizSIAR~HorizCMSAF, spGef, HorizCMSAF,
model=fitvgmCMSAF)
levelplot(CMSAFkrigHoriz, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
###Diferencia entre CMSAFHoriz- CMSAFkrigHoriz
C <- subset(CMSAFkrigHoriz, 'pred')
levelplot((HorizCMSAF-C)*100/HorizCMSAF) +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(CMSAFkrigHoriz, layer='var', par.settings=BTCTheme) +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##Ejemplos de representación de resultados
##más ejemplos en http://rastervis.r-forge.r-project.org/
histogram(CMSAFkrigHoriz)
splom(CMSAFkrigHoriz)
xyplot(var~pred|cut(y, 6), CMSAFkrigHoriz)
xyplot(pred~y, CMSAFkrigHoriz)
xyplot(var~y, CMSAFkrigHoriz)
#### Caso Doble eje (Two) ########################
101
##################################################
TwoCMSAF <- raster(gefCMSAF, layer='Two')
vgmTwo <- variogram(TwoSIAR~1, data=spGef)
plot(vgmTwo)
##COMPROBAR QUE LOS VALORES SIGUEN SIENDO ADECUADOS
modelTwo <- vgm(psill=17000, model='Sph', range=200, nugget=5000)
fitvgmTwo <- fit.variogram(vgmTwo, modelTwo)
plot(vgmTwo, fitvgmTwo)
##En primer lugar, el método IDW Two
idwTwo <- krigeRaster(TwoSIAR~1, spGef, TwoCMSAF)
levelplot(idwTwo, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En segundo lugar un ajuste de superficie Two
surfTwo <- krigeRaster(TwoSIAR~1, spGef, TwoCMSAF, degree=2)
levelplot(surfTwo, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(surfTwo, layer='var')+
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En tercer lugar, un ordinary kriging Two usando el variograma
okrigTwo <- krigeRaster(TwoSIAR~1, spGef, TwoCMSAF, model=fitvgmTwo)
levelplot(okrigTwo, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(okrigTwo, layer='var') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##En cuarto lugar, universal kriging Two usando la latitud y longitud
LLkrigTwo <- krigeRaster(TwoSIAR~lat+lon, spGef, TwoCMSAF,
model=fitvgmTwo)
levelplot(LLkrigTwo, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(LLkrigTwo, layer='var') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##Diagnostico Two
surf <- krige.cv(TwoSIAR~1, spGef, degree=2)
LL <- krige.cv(TwoSIAR~lat+lon, spGef, model=fitvgmTwo)
ord <- krige.cv(TwoSIAR~1, spGef, model=fitvgmTwo)
surfPlot <- bubble(surf, 'residual')
llPlot <- bubble(LL, 'residual')
ordPlot <- bubble(ord, 'residual')
102
##En quinto lugar, universal kriging Two usando datos de CMSAF
##Primero hay que ajustar nuevamente el variograma
vgmCMSAF <- variogram(TwoSIAR~TwoCMSAF, spGef)
plot(vgmCMSAF)
fitvgmCMSAF <- fit.variogram(vgmCMSAF, vgm(psill=12000, model='Sph',
range=100, nugget=5000))
plot(vgmCMSAF, fitvgmCMSAF)
CMSAFkrigTwo <- krigeRaster(TwoSIAR~TwoCMSAF, spGef, TwoCMSAF,
model=fitvgmCMSAF)
###Diferencia entre CMSAFTwo- CMSAFkrigTwo
D <- subset(CMSAFkrigTwo, 'pred')
levelplot((TwoCMSAF-D)*100/TwoCMSAF) +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(CMSAFkrigTwo, layer='pred') +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
levelplot(CMSAFkrigTwo, layer='var', par.settings=BTCTheme) +
layer(sp.points(spGef, pch=19, cex=0.3, col='black')) +
layer(sp.lines(mapaSHP))
##Ejemplos de representación de resultados
##más ejemplos en http://rastervis.r-forge.r-project.org/
histogram(CMSAFkrigTwo)
splom(CMSAFkrigTwo)
xyplot(var~pred|cut(y, 6), CMSAFkrigTwo)
xyplot(pred~y, CMSAFkrigTwo)
xyplot(var~y, CMSAFkrigTwo)
103
ANEXO II: Estaciones Siar
ESTACIÓN DE MEDIDA TIPO CR10X CAMPBELL
La estación Agroclimática automática está diseñada para medir y registrar de modo automático y continuo diferentes variables meteorológicas, que en este caso por su aplicación
agrícola se denominan agroclimáticas.
La estación agroclimática automática consta de una serie de elementos que recogen
datos físicos del medio: temperatura y humedad del aire, velocidad y dirección del viento,
radiación y precipitación utilizada para el cálculo de las necesidades de riego.
En el caso de las estación Agroclimática tipo de la Red SIAR, su configuración y ubicación se han elegido teniendo en cuenta las recomendaciones de la Organización Mundial
Meteorológica (OMM), el Instituto Nacional de Meteorología (INM), la Organización para la
Agricultura y la Alimentación (FAO), y la 'American Society of Agricultural Engineers (ASAE)' para obtener la información necesaria para la realización de los cálculos y que sea
representativa de la zona en la que se encuentra.
La Red SIAR está compuesta por estaciones de medida agro meteorológicas, cuya estación tipo es la CR10X de la firma Campbell. Las dimensiones tipo de estos centros de medición es
de 10x10 metros.
Fotografía 1. Estación CR10X Campbell
Esta estación se compone de los siguientes elementos:
104
- Unidad central (datalogger).
Incorpora un panel de conexiones sin teclado ni visualizador. Está compuesto de 12 canales analógicos SE (6 diferenciales), 2 de pulsos, 3 de excitación (+/- 2,5V) y 8 digitales, con una
frecuencia de muestreo de 64Hz (aunque permite una configuración especial Burst Mode que
tolera muestrear hasta 750Hz) y una resolución de 13 bits. El rango de entrada de canales analógicos es de +/- 2.500mV.
Tiene una memoria RAM respaldada por una batería de litio y lleva implementada un sistema de tiempos de muestreo y almacenamiento programables.
Está diseñado para trabajar en temperaturas en el rango de -25 a 50ºC.
Fotografía 2. Unidad central
- Memoria
El sistema tiene dos tipos de memoria:
Memoria Flash (EEPROM): de 128kb (memoria PROM borrable) para cargar el sistema
operativo (98kb) y programas de datalogger (32kb).
Memoria circular estándar (SRAM): de 128kb RAM para almacenamiento de datos y para la
ejecución de programas de hasta 16kb, que permite almacenar hasta 62.000 valores.
La memoria de tipo circular, que queda en función del tipo y del número de datos a
almacenar tolera calcular la frecuencia mínima de extracción de datos para que no se pierdan
lecturas.
105
- Panel de conexiones
Fotografía 3. Panel de conexiones
Tiene los siguientes elementos:
- Entradas analógicas: consta de 12 entradas analógicas en 'single-ended' (referenciada a tierra) ó 6 en modo diferencial
- Entradas de pulsos: con 2 entradas digitales, P1 y P2.
- Canales de excitación: las salidas etiquetadas como E1 a E3 son canales de proporcionan un voltaje de excitación a los elementos resistivos.
- Puertos digitales de control: son 8, de C1 a C8. Pueden ser configurados como entradas o
salidas. Tres de ellos (C6 a C8) pueden ser utilizados como contadores de pulsos de baja
frecuencia (<40Hz).
- Tierras analógicas: denominadas AG, utilizadas como referencia para las medidas en
'single-ended' de las entradas analógicas y como vía de retorno de las corrientes de excitación.
- Tomas de fuerza y tierra: denominadas 12V y G respectivamente. El resto alimenta elementos
externos que requieran este voltaje para su funcionamiento. Las tomas de tierra se emplean
como referencia para los contadores de pulsos y entradas binarias.
- Toma de 12V controlada y puerto control: para alimentación de sensores. Se controla la
activación del sensor.
- Tomas de 5V: salidas denominadas 5V para alimentar periféricos.
106
- Alimentación
Funciona a una tensión nominal de 9,6 a 16V. Por debajo de 9,6V la CR10X suspende la
ejecución del programa para evitar la toma de medidas erróneas manteniendo la información
almacenada y conservando la energía restante de la batería, además permite la comunicación con el datalogger.
Como fuente de alimentación externa se emplea, generalmente, una batería de 12V para alimentación del datalogger y módulo de comunicaciones, con conexión a un panel solar 20W
que sirve para la recarga de ésta.
- Caja de intemperie
El modelo ENC 12/14 es una caja de dimensiones internas 355x300x145 mm que permite alojar la unidad de proceso, modem y regulador de batería. Está construida en poliéster
reforzada con fibra de vidrio, resistente al agua, la corrosión y totalmente protegido de la
entrada de polvo (grado de protección IP68), no requiriendo protección adicional para lluvia y radiación.
- Sensores
A continuación se explican los diferentes sensores de la estación tipo SIAR.
a. Temperatura y humedad relativa (sonda VAISALA HMP45C)
Fotografía 2 Sonda VAISALA HMP45C
La medida de la temperatura se realiza con un sensor de temperatura Pt1000, que se basa en la variación de la resistencia del Platino con la temperatura. La humedad relativa se mide
mediante un dispositivo capacitivo de estado-sólido (sensor HUMICAP 180, polímero plástico
que tiende a absorber humedad), que cambia sus características eléctricas respondiendo a
variaciones de humedad, de tal manera que al absorber humedad disminuye la capacidad. Estos cambios son detectados, linealizados y amplificados por un circuito electrónico situado en la
sonda, que además, compensa la HR con la temperatura.
107
Tabla 1. Características técnicas sonda de temperatura VAISALA HMP45C
b. Precipitación (Pluviómetro ARG100)
Se trata de un dispositivo de cazoletas basculantes que mide el volumen de precipitación.
Está formado por dos partes, una base y un embudo superior para la recogida. La base alberga en su interior el mecanismo de cazoletas basculantes. Ambas partes son de plástico resistente a
radiación UV; el diseño del embudo evita las pérdidas debidas a deriva por efecto del viento. El
mecanismo de medida es muy sencillo, la precipitación recogida por el embudo pasa a una de las cazoletas situadas en uno de los extremos del brazo del balancín, cuando se llena vuelca
vaciando la cazoleta y posiciona la otra cazoleta bajo el embudo, comenzando a llenarse ésta.
En cada volcado el brazo balancín provoca el contacto de un relé. La cantidad de agua de lluvia
caída se mide por el número de contactos, equivalente cada uno a 0.20 mm.
Fotografía 3. Pluviómetro ARG100
108
c. Velocidad y dirección del viento (Anemoveleta RM YOUNG 05103)
Fotografía 4. Anemoveleta RM YOUNG 05103
- Medida de la velocidad del viento: La rotación de la hélice de 4 palas produce una señal
eléctrica en corriente alterna, de frecuencia proporcional a la velocidad del viento. Esta señal es
inducida en una bobina estacionaria por el giro de un imán permanente de 6 polos, solidario al eje de las hélices. Por cada revolución provoca tres ciclos completos de una señal sinusoidal.
- Medida de la dirección del viento: La posición de la veleta es convertida por un
potenciómetro de plástico conductivo de alta precisión de 10 KΩ de valor nominal, cuyo cursor es solidario al eje de la veleta. Cuando se aplica un voltaje constante, la señal de salida es una
señal continua proporcional al ángulo medido
Tabla 2. Especificaciones técnicas Anemoveleta RM YOUNG 05103
d. Radiación solar (Piranómetro SKYE SP1110)
Es una fotocélula de silicio sensible a la radiación entre 350 y 1100nm. Va montada sobre un
brazo soporte con nivel, debiendo estar orientada al sur.
109
Fotografía 5 Piranométro SKYE SP1110
Tabla 3. Especificaciones técnicas piranómetro SKYE SP1110
- Trípode
Estructura de acero galvanizado de 2 m de altura, con sus tres patas sujetas al suelo con
piquetas enterradas e instalado con vientos y tres brazos que sirven de suporte a estos tres elementos:
- Sensores de Tª y humedad.
- Sensores de viento orientados al norte. - Sensor de radiación orientado al sur.
110
ANEXO III: Tratamiento de datos y especificaciones técnicas de CM-SAF
Procesamiento básico para datos AVHRR
Actualmente, los productos basados en datos AVHRR de satélites de órbita polar son
definidos exclusivamente sobre una Zona Inicial de Línea Base. La Zona Inicial de Línea Base
es definida dentro de latitudes entre 30 y 80 grados y +/- 60 grados de longitud en un área de
igual proyección sinusoidal con una resolución espacial de 15 km x 15 km.
Los conjuntos de datos AVHRR son recogidos de tres maneras diferentes. Las
diferentes maneras se aprecian a través de su numeración.
1. Para datos previos hasta datos de la versión NOAA 310 AVHRR cuya recepción fue
directamente conseguida con una sola estación HRPT en Offenbach.
2. Empezando desde los datos de versión NOAA 310 AVHRR provistos por el servicio
EARS-AVHRR.
3. Los datos METOP AVHRR provistos de PDUs de un 1-km global conseguidos en
UMARF (empezando con una versión 310)
Esto implica que tenemos completa cobertura METOP sobre las zonas de procesado, pero
que la cobertura de satélites NOAA depende de las estaciones HRPT disponibles en el servicio
de distribución EARS-AVHRR.
Además, cabe destacar que para versiones de producto AVHRR anteriores hasta la 310 la
Zona de Línea Base Inicial estaba cubierta exclusivamente usando datos recibidos de estaciones
HRPT en Offenbach. Esto significa que la cobertura de datos dentro de la Zona de Línea Base
está limitada, con la mejor cobertura en la posición media (visualizada en la figura 3).
Figura 1. Proyección sinusoidal de zona de linea base CM-SAF (zona amarilla). El círculo marca la zona dentro de la zona de línea base CM-SAF, la cual puede ser vista con estación de recepción HRPT en Offenbach, Alemania. Los
límites de cuadrícula de procesado de AVHRR están indicados. Por motivos de practicidad, también se aplican
111
subdivisiones más detalladas en la dirección longitudinal. Cabe destacar que la información es válida para versiones de AVHRR anteriores a 310.
Figura 2. Zona de Línea Base Inicial definida en mapa de proyección sinusoidal de igual área. La figura muestra territorios USGS usando diferentes categorías en colores.
Para definir productos con una resolución horizontal fijada se transfieren a un mapa con
propiedad de igual área proyectada. La figura 4 muestra un ejemplo del territorio USGS usando
categorías de áreas rectangulares, en las cuales se define el mallado de CM-SAF. El carácter
especial del mapa de proyección sinusoidal lleva a una distorsión mayor en la mayoría de las
regiones del norte de la figura 4. Incluso algunas partes (i.e., cercanas a las esquinas superiores
izquierda y derecha) de la zona se volverán borrosas. De este modo, el usuario debería descartar
estas zonas extraídas de los campos de malla y concentrarse en las regiones coincidentes con las
áreas originales (según la Figura 2-1).
Detalles del procesado AVHRR hasta la versión 300
Los productos AVHRR son creados usando radiaciones preprocesadas (Nivel 1b) provistos
por paquetes pre-preprocesados ATOVS y AVHRR (AAPP) para satélites NOAA. Para todos
los productos de versiones anteriores a 310 las franjas AVHRR cubriendo la zona está
subdividida en 36 subregiones fijas (unidad cuadrada, véase figura 3). Solo para aquellas
cuadrículas con un significativo número de datos han sido procesadas (umbral dispuesto a un
5% de los píxeles por cuadrícula). Después del cálculo de todos los productos en esas
cuadrículas, todas las cuadrículas diarias o mensuales son combinadas para el producto final de
zona de línea base.
Detalles de procesado AVHRR desde versiones 310
Los productos AVHRR son creados usando radiaciones preprocesadas (Nivel 1b) provistos
por paquetes ATOVS y AVHRR (APP) para satélites NOAA. Los datos AVHRR de MetOp son
directamente recibidos como datos de nivel 1b.
Los productos AVHRR son primero creados por satélites de modo proyección (franjas)
donde la longitud de la franja es definida tal que todas las líneas puedan ser confinadas en el
mismo GME tiempo de análisis. Es más, algunas adaptaciones prácticas se realizan para
optimizar el procesado en la zona de procesamiento. En conclusión, la cobertura de franja
112
completa de la Zona Inicial de Línea Base puede ser subdividida en dos o tres segmentos. En la
fase de media final, los productos son re mapeados de modo franja a cada región respectiva
definida en la proyección de igual área.
Procesamiento básico para datos geoestacionarios
Para los datos SEVIRI, el procesamiento es primero hecho como proyección del satélite y los
resultados transferidos a la representación de proyección sinusoidal. El mismo algoritmo es
usado para la recuperación de los productos de radiación superficial de satélites geostacionarios.
Además después de la extensión del procesamiento SEVIRI al disco completo SEVIRI
en 2007 (versión de 300 en adelante) estaba asegurado que la Zona de Línea Base está bien
definida en el subconjunto del producto del disco completo SEVIRI.
Detalles del procesamiento
Los productos de radiación superficial SEVIRI son creados desde su formato HRIT original
y usando la definición de radiación nueva de SEVIRI (para todos los productos SEVIRI desde
Mayo 2008, versión 310 en adelante). El procesado de productos MSG (i.e., antes de hacer las
medias) está hecho en el nivel de pixel para el disco completo en un paso. Estos datos son
temporalmente tratados como medias y finalmente espacialmente se hace la media de secciones
de 15 km x 15 km de resolución espacial sinusoide.
En las siguientes sub secciones una breve descripción de cada producto de radiación
superficial individual será dado en asociación con la información de los métodos de media,
procedimientos de validación y limitaciones conocidas.
a. Radiación solar superficial entrante (SIS)
Definición de producto
Esta radiación solar superficial entrante (SIS) es el flujo de radiación (irradiancia)
alcanzando el plano horizontal en la superficie terrestre de longitud de onda comprendida entre
0,2 – 4 μm. Está expresado en Wm-2
.
Enfoque básico
El algoritmo para la reparación de SIS para pixeles de cielos nubosos fue desarrollado
basado en el algoritmo de Pinker (e.g. Pinker y Laszlo, 1992). La asunción subyacente del
algoritmo es la relación entre el ancho de la banda de longitudes de onda (0.2 – 4 μm), la
transmitancia atmosférica T y la reflectancia en estratos altos de la atmósfera que sí existe. Una
vez la transmitancia está determinada del albedo TOA, la irradiancia superficial SIS puede ser
computada de los flujos de radiación solar en las capas altas de la atmósfera E0 y la
transmitancia atmosférica T:
𝑆𝐼𝑆 = 𝐸0 cos Ɵ0 𝑇 (1)
Ɵ0 es el ángulo cenital del son. Con el modelo de transferencia radiante, la relación entre la
transmitancia atmosférica de banda ancha y el albedo TOA de banda ancha es calculada para
variedad de condiciones atmosféricas y superficiales.
La irradiación superficial se computa en dos tramos. Primero, el albedo de banda ancha
TOA se determina con medidas satelitales. Entonces la transmitancia se determina del albedo
113
TOA junto con la información de la atmósfera y las condiciones superficiales de tablas pre
programadas.
Determinación del albedo TOA de banda ancha
Para SEVIRI, el albedo TOA banda ancha es obtenido por cada pixel de la recuperación
operacional de radiación CM-SAF TOA (ver RD. 4.).
Para AVHRR, el albedo TOA de banda ancha es calculado usando la conversión de
fino a ancho de banda de Hucek y Jacobowitz (1995) y los modelos de distribución angular de
Suttles et al. (1988) para la conversión de radiación a flujo (Kryvobok y Hollmann, 2003).
Preparación de Tablas de Búsqueda (LUT)
El modelo de transferencia radiante (RTM) libRadtran (Mayer y Kylling, 2005) fue usado
para la generación de LUT nuboso. Los LUTs contienen valores de SIS para un amplio rango de
estados atmosféricos. El valor SIS para el estado atmosférico real se calcula por interpolación
entre los diferentes estados. Los diferentes estados atmosféricos cubren distintos valores de
vapor de agua, ozono, profundidad de aerosol óptico, dispersión albedo de aerosol simple y
parámetro de asimetría.
Aquí, los cálculos RTM nos conducen a 24 bandas espectrales para múltiples estados de
estados atmosféricos, cubriendo un amplio rango de valores de vapor de agua, ozono, grosor de
aerosol óptico y albedo superficial. Varios tipos de aerosol se incluyeron (Hess et al., 1998). Las
nubes de agua se fijaron a una altitud fija y los cálculos fueron hechos con un rango de valores
para radios efectivos y grosores ópticos de nubes. Las propiedades ópticas de las nubes de hielo
no son actualmente consideradas.
Cielo despejado
Los usos del algoritmo de cielo despejado, como el algoritmo de cielo nuboso, RTM basado
en LUTs para los cálculos de SIS. Además, para reducir el efecto de las incertidumbres de
albedo superficial, SIS no se calcula usando el albedo TOA. Adicionalmente, se usa Ley de
Lambert Beer modificada (MLB)-LUTs (Mueller et al, 2004).
Para cada pixel satelital, se selecciona un conjunto de LUTs, lo que se corresponde con
la distribución espectral de albedo superficial con respecto a las clases de terreno asignado. Un
grosor específico de aerosol óptico y típico puede ser asignado a cada pixel dependiendo del
mapa de fondo de aerosol del que se dispone. Dos mapas de fondo de aerosol diferentes están
disponibles y actualmente se usa uno después de Hess et al. 1998. La cantidad de vapor de agua
se toma de un modelo NWP. La interpolación de LUTs se hace con un modelo lineal.
Detalles del procesamiento, mallado y promediado
Las medias diarias son calculadas siguiendo un método de Möser (1983) (también publicado
en Diekmann et al. 1988).
𝑆𝐼𝑆𝐷𝐴 = 𝑆𝐼𝑆 𝐶𝐿𝑆𝐷𝐴 𝑆𝐼𝑆𝑖𝑛𝑖=1
𝑆𝐼𝑆𝐶𝐿𝑆𝑖𝑛𝑖=1
(2)
114
𝑆𝐼𝑆𝐷𝐴 es el promedio diario de SIS. 𝑆𝐼𝑆𝐶𝐿𝑆𝐷𝐴 es el promedio diario de SIS en cielo
despejado, 𝑆𝐼𝑆𝑖 es el SIS calculado por la imagen i del satélite y 𝑆𝐼𝑆𝐶𝐿𝑆𝑖 es el cálculo
correspondiente de SIS. N es el número de imágenes disponibles durante el día.
A mayor número de imágenes disponibles por día, mejor cobertura del ciclo diario de nubes
puede ser resuelta, aumentando la precisión del promedio de SIS diario. Un número mínimo de
tres pixeles disponibles por día se requiere para hacer la media diaria de un pixel específico. La
media mensual se calcula a partir de las medias diarias de ese mes en una base de píxeles como
la media aritmética con un número mínimo de 20 medias diarias existentes. Después del tiempo
de promediado, se obtiene un promedio espacial de 15 km x 15 km.
115
Productos ejemplo
La figura 5 nos da ejemplos del producto media mensual SIS para marzo 2009 y octubre
2009.
Figura 3. Ejemplos de productos de media mensual SIS para marzo 2009 desde MSG (arriba) y octubre 2009 desde AVHRR (abajo).
116
Validación
El Documento de Servicio de Especificación (SeSp) [AD. 1] lista los requerimientos
concretos de producto los cuales tienen que ser cubiertos por los productos. Los requerimientos
para el producto SIS se muestran a continuación.
Producto Requerimientos en error medio (absoluto)
SIS para AVHRR (Área de línea base inicial)
90 % de los sesgos de los valores por debajo de 10 W/m
2 (+ incertidumbre de las medidas
terrestres) para las medias mensuales.
Sesgos de 20 W/m2 para medias diarias, resp..
Sesgos con valores más altos ocurren en los
Alpes y otras regiones montañosas, e.g., debido a
las imprecisiones en la zona para hacer comparaciones.
SIS para SEVIRI 90 % de los sesgos de los valores por debajo
de 10 W/m2 (+ incertidumbre de las medidas
terrestres) para las medias mensuales. Sesgos de 20 W/m
2 para medias diarias, resp..
Sesgos con valores más altos ocurren en los Alpes y otras regiones montañosas, e.g., debido a
las imprecisiones en la zona para hacer
comparaciones.
La incertidumbre de la dispersión de los productos es evaluada cada año en base a estos
requerimientos y los resultados se resumen en el Informe de Validación Anual de CM-SAF
[AD.2, AD.3].
Limitaciones
A continuación se expone una lista con algunas de las deficiencias conocidas y las
limitaciones del producto SIS:
Los valores diarios de SIS son solo calculados si se sobrepasan tres momentos del día
con datos disponibles. En muchas áreas, el número de veces al día que ocurre en
NOAA/AVHRR es más bajo. Como consecuencia, la cobertura espacial de los valores diarios
está fragmentada en algunas zonas. La media mensual es solamente calculada si al menos 20
valores diarios están disponibles. Se averiguará si el mínimo número de datos disponibles por
día/mes puede ser reducido sin degradar significativamente la precisión de SIS. Esto puede ser
combinado con la dotación de una marca de información, la cual indique el número de imágenes
usadas.
El algoritmo de SIS ha sido desarrollado para nubes de agua. El efecto de nubes de hielo
aún no es considerado.
Los Cuatro Modelos de Distribución Angular (ADM) pueden ser elegidos dependiendo
de las condiciones de la nube. Los ADMs describen la anisotropía de las diferentes tipos de
escenas como función del satélite y de la geometría solar y son usadas para convertir las
medidas radiantes satelitales en valores de flujos hemisféricos. El esquema de nube actual que
se consigue prevé solo tres clases: cielo despejado, cielo contaminado y cielo cubierto. En la
versión actual del algoritmo SIS, ADMs parcialmente nubosos se usan para píxeles que son
marcados como ADMs de nube contaminada que se usan para los píxeles de cielo cubierto. Los
117
ADM correspondientes a la mayoría de las condiciones nubosas no son usados en la obtención
de SIS. Estos resultados inducen ruido y pueden conducir a un error sistemático en la
conversión angular de radiación a flujo. Chang et. al. (2000) encontró que el promedio del flujo
obtenido con los dos ADMs (mayoritariamente nuboso y nuboso) diferían en 8 W/m2 con
ángulos cenitales solares de aproximadamente 33º y de 30 W/m2con ángulos cenitales de
aproximadamente 60º. El efecto de la ambigüedad en la asignación de ADM en el efecto de la
validación de resultados tiene que ser investigada más en profundidad.
La versión actual del algoritmo usa los ADMs, los cuales derivan de Suttles et al. (1986)
y se aplican para Experimento de Balances de Radiación Terrestre (ERBE). Recientes
publicaciones e investigaciones han mostrado que la corrección ADM es demasiado burda para
las clases de nubes, superficies terrestres etc. y conduce a sesgos del orden de 10-15 W/m2 para
valores instantáneos de SIS. Será investigado si la aplicación de ADMs que se deriva del
proyecto CERES aumentará la precisión de SIS de CM-SAF.
La precisión de SIS desde AVHRR depende de la calidad de la medida de radiación
extra atmosférica en canales AVHRR 1 y 2. Hasta el momento, solo ha sido usado el pre
lanzamiento de coeficientes de calibración.
Debido a los detectores ausentes de instrumentos GERB, los cuales se usan para valores
de alberdo TOA-MSG, hay falta de datos en las líneas de datos sobre el campo de visión de
MSG en el área de 35ºS y 60ºS.
b. Irradiación directa (SID) para MSG
Definición de producto
La irradiación directa (SID) es el flujo de radiación (irradiancia) que alcanza el plano
horizontal de la tierra en la superficie terrestre de una longitud de onda comprendida entre 0.2 –
4 μm directamente sin dispersión. Se expresa en W/m2.
Aproximación básica
Condiciones de cielo despejado
El algoritmo para la recuperación de SID se describe en detalle en Mueller et al., 2009 y
también se documenta en detalle dentro de la licencia pública del proyecto gnu-MAGIC,
http://sourceforge.net/projects/gnu-magic. Es un método rápido para calcular irradiancia solar
(incluyendo rayos) para zonas grandes, el cual usa un auto vector híbrido de aproximación LUT
para un cálculo más preciso y rápido del cálculo de SID. Un aerosol óptico de grosor y tipo
específico puede ser asignado a cada pixel dependiendo del mapa de fondo de aerosol
disponible. Dos mapas están disponibles, después de Hess et al. 1998 solo uno se usa. La
atmósfera puede ser tomada en función de la temperatura superficial y de el contenido de vapor
de agua. La cantidad real de vapor de agua se toma de un modelo NWP. La interpolación con
LUTs se hace en una base lineal.
Situaciones de cielo nuboso
Para un pixel completamente cubierto por nubes, la irradiancia directa se iguala a cero. Para
un pixel con una fracción cubierta por nubes se usa la fórmula de Müller et al. (2009) la cual
describe la relación entre la irradiancia directa (todo el cielo) 𝑆𝐼𝐷𝑎𝑙𝑙𝑠𝑘𝑦 y la irradiancia de cielo
descubierto 𝑆𝐼𝐷𝑐𝑙𝑒𝑎𝑟 .
𝑆𝐼𝐷𝑎𝑙𝑙𝑠𝑘𝑦 = 𝑆𝐼𝐷𝑐𝑙𝑒𝑎𝑟 ∗ (𝑘 − 0,38 · 1 − 𝑘 )0,25 (3)
118
Donde k es el índice de cielo descubierto. Esta fórmula es una adaptación del modelo difuso
de Skartveith et al. (1998). El índice de cielo descubierto k es el ratio entre la irradiaciancia
solar superficial para todo el cielo y para el cielo descubierto y se deriva de la recuperación de
SIS y se provee dentro de las cadenas operacionales de CM-SAF.
Detalle del procesamiento, mallado y promediado
El cálculo de la irradiación directa superficial (SID) tiene lugar en la base de pixel SEVIRI
usando imágenes instantáneas (al menos una por hora). El promedio diario SID se calcula con
un promediado aritmético:
𝑆𝐼𝐷𝐷𝐴 = 𝑆𝐼𝐷𝑖𝑛𝑖=1
𝑛 (4)
𝑆𝐼𝐷𝐷𝐴 es el promedio diario de SID y 𝑆𝐼𝐷𝑖 es el valor de SID para la imagen i del satélite, n
es el número de imágenes disponibles durante un día.
El promedio mensual de SID se calcula de las medias diarias en base de pixel como una
media aritmética si al menos 20 medias diarias al mes están disponibles. Después del
promediado temporal, se promedia espacialmente y se obtiene una malla de 15 x 15 km2.
Ejemplos de producto
Figura 4. Ejemplo de producto de irradiancia directa para disco MSG completo. Las unidades de la barra de colores son W/m2
119
Validación
El Documento de Especificación de Servicio (SeSp) [AD.1] lista los requerimientos del
producto específico el cual tiene que ser cubierto por los productos. Los requerimientos de el
producto SID se muestran seguidamente.
Producto Requerimientos sobre error medio
(absoluto)
SID para SEVIRI 90 por ciento del valor del sesgo absoluto por debajo de 15 W/m
2 (+ incertidumbre de
las medidas terrestres) para medias mensuales.
Sesgos de 25 W/m2 para medias diarias.
Valores de sesgos más altos pueden ocurrir
en los Alpes así como otras regiones montañosas, e.g. debido a las incertidumbres
en las zonas para ajustar comparación.
La incertidumbre de las dispersiones de los productos es evaluada cada año para verificar los
requerimientos y los resultados se resumen en el Informe de Validación Anual de CM-SAF
[AD.2, AD.3].
Limitaciones
Se cita debajo una lista con algunas de las deficiencias conocidas y limitaciones del producto
SID:
Para situaciones de nubosidad SID confía en la calidad de SIS tanto en cuanto SIS es
usado para calcular la irradiancia de cielo descubierto necesitado para las situaciones de cielo
nuboso. Por consiguiente, las limitaciones discutidas para SIS se mantienen también para SID
en situaciones de cielo nuboso.
SID es bastante sensible a AOD en situaciones de cielo descubierto, las cuales presentan
una incertidumbre determinada tanto como la precisión de AOD, puede esperarse que sea un +/-
0,1.
c. Radiación superficial de onda larga (SDL)
Definición de producto
La radiación superficial de onda larga (SDL) se define como la irradiancia térmica (i.e,
integrando todas las longitudes de onda mayores de 4 μm) desde la atmósfera y las nubes
alcanzando el terreno y es expresada en W/m2.
Aproximación básica
Para el cálculo del flujo de radiación superficial de onda larga, el algoritmo usado está
descrito por Gupta (1989) y Gupta et al. (1992).
El algoritmo se basa en la asunción de la existencia de una relación lineal entre el flujo de
cielo abierto 𝐶1 y el flujo de condiciones nubosas 𝐶2 multiplicado por un índice de fracción de
cobertura por nube 𝐴𝐶 .
120
𝑆𝐷𝐿 = 𝐶1 + 𝐶2 · 𝐴𝐶 (5)
La parametrización para 𝐶1 y 𝐶2 se basan en los cálculos de transferencia radiante
cubriendo un rango de variables meteorológicas de entrada para hacer que el algoritmo se
factible para aplicaciones globales. 𝐶1 es una función del agua precipitable de la atmósfera en
mm, V, y la temperatura efectiva de emisión de la atmósfera, Te.
𝐶1 = 𝐴0 + 𝐴1𝑉 + 𝐴2𝑉2 + 𝐴3𝑉
3 𝑇𝑒3,7 (6)
La temperatura efectiva de emisión 𝑇𝑒 es una media ponderada de las temperaturas en la baja
troposfera; 𝐴0, 𝐴1, 𝐴2 y 𝐴3 son coeficientes de regresiones como se dan en Gupta, 1989.
El bajo flujo para el caso nuboso 𝐶2 se calcula como una función del contenido de agua total
debajo de la nube 𝑊𝐶 y la temperatura de la base de la nube 𝑇𝑐𝑏 . La temperatura de la base de la
nube se estima sabiendo la altura de la nube con la asunción del grosor de la misma. La presión
en la base de la nube, 𝑃𝑐𝑏 , se obtiene añadiendo 50 hPa a la presión en cresta de nube
(Telegadas y Londres, 1954). Se asume que las nubes tienen una emisividad de uno. Para
niveles medios y altos de nubosidad ((𝑃𝑆 − 𝑃𝑐𝑏 ) > 200 ℎ𝑃𝑎) se usa la siguiente expresión:
𝐶2 =𝑇𝑐𝑏
4
(𝐵0+𝐵1𝑊𝐶+𝐵2𝑊𝐶2+𝐵3𝑊𝐶
3) (7)
Donde 𝐵0, 𝐵1, 𝐵2 y 𝐵3 son coeficientes de regresión tomados de Gupta et al. 1992.
Para nubes bajas, i.e, (𝑃𝑆 − 𝑃𝑐𝑏 ) ≤ 200 ℎ𝑃𝑎, Gupta et al. (1992) modifican el cálculo de 𝐶2
para corregir por sobreestimación de 𝐶2 en la presencia de bajo nivel de nubes. Cuando la base
de la nube está situada en la superficie, 𝐵0′ se calcula de la siguiente fórmula:
𝐵0′ =
Ts4
ζTs4−C1
(8)
Detalles Donde ζ es la constante de Stefan-Boltzman. Para condiciones de nubosidad esto
fuerza a SDL a asumir un valor de 𝜎𝑇𝑆4 . Para valores de (𝑃𝑆 − 𝑃𝑐𝑏 ) entre 0 y 200 hPa, el
coeficiente de regresión se obtiene de interpolación lineal entre 𝐵0′ y 𝐵0.
Detalles de procesamiento, mallado y promediado
La media diaria es calculada de los datos instantáneos de este día en base de pixel como la
media aritmética con un número mínimo de 3 píxeles válidos requeridos por dia. Los datos de
media temporal son promediados espacialmente a una malla de 15 x 15 km2.
La media mensual es calculada a partir de los valores de media diaria de ese mes en base de
pixel como la media aritmética que requiere un número mínimo de 20 pixeles válidos. Después
del promediado temporal, un promediado espacial se confecciona con una malla de 15 x 15 km2.
121
Ejemplo de producto
La figura 7 nos aporta ejemplos de producto SDL de Marzo y Octubre 2009.
Figura 5. Ejemplos de productos de SDL medias mensuales para marzo 2009 de MSG (arriba) y octubre 2009 para AVHRR (abajo)
122
Validación
El Documento de Servicio de Especificación (SeSp) [AD.1] nos da una lista de
requerimientos para el producto los cuales deben ser cubiertos por los productos. Estos
requerimientos para el producto SDL son los mostrados a continuación.
Producto Requerimientos en error medio (absoluto)
SDL para AVHRR (Area de línea base inicial)
90% del valor del sesgo absoluto por debajo de 10 W/m
2 (+ incertidumbre debida a las
medidas terrestres) para medias mensuales.
Mayores valores de sesgos pueden ocurrir en los Alpes y otras regiones montañosas debido a
la indeterminación en el área para ser
comparado.
SDL para SEVIRI 90% del valor del sesgo absoluto por debajo
de 10 W/m2 (+ incertidumbre debida a las
medidas terrestres) para medias mensuales.
Mayores valores de sesgos pueden ocurrir en
los Alpes y otras regiones montañosas debido a
la indeterminación en el área para ser comparado.
La incertidumbre de la dispersión de los productos es evaluada cada año para cumplir los
requerimientos y los resultados se adjuntan en el Documento de Validación Anual CM-SAF
[AD.2, AD.3].
Limitaciones
Uno de los parámetros de entrada del algoritmo SDL, la presión en superficie superior de
nube, no es calculado para unas nubes multi-capa por el CM-SAF. Si la presión no se provee,
SDL no compila. Esto conduce a un incremento de datos perdidos de SDL. El uso de valores
climatológicos para la presión en la parte superior de la nube en caso de datos perdidos será
investigado.
Así como el algoritmo de la presión en la parte superior de la nube usa segmentos para
concluir la presión, los cuales usan como información de entrada la búsqueda SDL, cuadriculas
no definidas aparecerán en la proyección sinusoidal del producto SDL como esquinas (Figura 2-
6).
Los resultados de validación disponibles para SDL no dan ninguna prueba de que los
productos obtenidos no cumplen con la precisión objetivo en el área extendida (África).
Además, una conclusión definitiva en la precisión no es posible debido al número limitado de
medidas disponibles in-situ en África.
123
d. Radiación saliente superficial de onda larga (SOL)
Definición del producto
La radiación superficial saliente de onda larga (SOL) se define como el flujo radiante
integrado emitido por la superficie de la tierra con una longitud de onda mayor de 4 μm. Se
expresa en W/m2.
Figura 6. Ejemplo del producto media mensual SOL para marzo 2009 de MSG (arriba) y octubre 2009 de AVHRR (abajo).
124
Aproximación básica
La radiación superficial saliente de onda larga se calcula usando la ley de Stephan
Boltzmann:
𝑆𝑂𝐿 = 휀𝑠𝜎𝑇𝐵4 (9)
Donde la TB es la temperatura de brillo superficial, 휀𝑠 es la emisividad de la superficie y 𝜎 es
la constante de Stefan-Boltzmann. La reflexión superficial en la superficie descendente de
radiación de onda larga (SDL) no se ha considerado.
Detalles del procesamiento, mallado y promediado
Para asegurar la consistencia del producto SDL con base satelital, SOL solo se obtiene para
aquellos momentos en los que la imagen del satélite está disponible, aunque el producto en si
mismo está puramente basando en un modelo. La media diaria de SOL es calculada para los
datos instantáneos del día en base de pixel como una media aritmética con el número mínimo de
3 pixeles validos requeridos. Después de que el promediado se haga, se confecciona el
promediado espacial de 15 x 15 km2.
La media mensual es calculada para las medias diarias de aquel mes que en base de pixel,
como media aritmética aporte un mínimo de 20 valores válidos por pixel. Después del
promediado temporal, se realiza el promediado espacial de 15 x 15 km2.
125
Ejemplo de producto
La figura 8 nos aporta ejemplos del producto SOL para marzo 2009 y octubre 2009.
Validación
El Documento de Servicio de Especificación (SeSp) [AD.1] nos da una lista de
requerimientos para el producto los cuales deben ser cubiertos por los productos. Estos
requerimientos para el producto SOL son los mostrados seguidamente.
Producto Requerimientos en error medio (absoluto)
SDL para AVHRR (Area de línea base
inicial)
90% del valor del sesgo absoluto por
debajo de 10 W/m2 (+ incertidumbre debida a
las medidas terrestres) para medias mensuales.
Mayores valores de sesgos pueden ocurrir
en los Alpes y otras regiones montañosas debido a la indeterminación en el área para ser
comparado.
SDL para SEVIRI 90% del valor del sesgo absoluto por
debajo de 10 W/m2 (+ incertidumbre debida a
las medidas terrestres) para medias mensuales.
Mayores valores de sesgos pueden ocurrir en los Alpes y otras regiones montañosas
debido a la indeterminación en el área para ser
comparado.
La incertidumbre de la dispersión de los productos es evaluada cada año para cumplir los
requerimientos y los resultados se adjuntan en el Documento de Validación Anual CM-SAF
[AD.2, AD.3].
Limitaciones
La temperatura superficial para el cálculo de SOL se toma de NWP. La calidad del producto
SOL depende por lo tanto de la precisión de los datos NWP. Además, la precisión de SOL está
continuamente monitorizada con la validación de los flujos superficiales para que posibles
efectos (como modas artificiales o „escalones‟) puedan ser detectados.
La validación de los resultados disponible para SOL no da evidencias de que los
productos que se extraigan no tengan la precisión objetivo en el área extendida (África).
Además, una conclusión definitiva en la precisión no es posible debido al número limitado de
medidas disponibles in-situ en África.
e. Radiación superficial neta de onda corta (SNS)
Definición del producto
El flujo neto superficial (SNS) se define como la parte del flujo solar entrante superficial la
cual es absorbida por la superficie terrestre. Se expresa en W/m2.
126
Aproximación básica
Puede ser obtenida directamente de SIS y SAL:
𝑆𝑁𝑆 = 𝑆𝐼𝑆(1 − 𝑆𝐴𝐿) (10)
Los valores positivos indican una energía ganada de la superficie, negativos indican pérdida
de energía.
Producto Requerimientos en error medio (absoluto)
SDL para AVHRR (Área de línea base
inicial)
90% del valor del sesgo absoluto por
debajo de 15 W/m2 (+ incertidumbre debida a
las medidas terrestres) para medias mensuales.
25 W/m2 para medias diarias, resp.
Mayores valores de sesgos pueden ocurrir
en los Alpes y otras regiones montañosas debido a la indeterminación en el área para ser
comparado.
SDL para SEVIRI 90% del valor del sesgo absoluto por
debajo de 15 W/m2 (+ incertidumbre debida a las medidas terrestres) para medias mensuales.
25 W/m2 para medias diarias, resp.
Mayores valores de sesgos pueden ocurrir
en los Alpes y otras regiones montañosas
debido a la indeterminación en el área para ser
comparado.
Detalles del procesamiento, mallado y promediado
La media diaria de SNS se calcula en base de pixel sobre medias diarias de SIS y de medias
semanales de albedo en la superficie. Después, un promedio espacial se confecciona de 15 x 15
km2.
La media mensual se calcula de medias diarias del mes en base de pixel como una
media aritmética con el requerimiento de 20 valores válidos en el pixel. Después de la media
temporal, se realiza una espacial de 15 x 15 km2.
127
Figura 7. Ejemplo del producto media mensual SNS para marzo 2009 de MSG (arriba) y octubre 2009 de AVHRR (abajo).
Ejemplo de producto
La figura 9 nos aporta ejemplos del producto SNS para marzo 2009 y octubre 2009.
128
Validación
El Documento de Servicio de Especificación (SeSp) [AD.1] nos da una lista de
requerimientos para el producto los cuales deben ser cubiertos por los productos. Estos
requerimientos para el producto SOL son los mostrados ya anteriormente.
La incertidumbre de la dispersión del producto es evaluada cada año para cumplimentar los
requisitos y los resultados se resumen en el Informe de Validación Anual de CM-SAF [AD.2,
AD.3].
Limitaciones
Como el producto SAL no puede ser extraído de amplia observación y ángulos cenitales
solares, se necesita un mapa de fondo de albedo en superficie para extraer SNS para aquellos
píxeles donde no hay valores de SAL disponibles. Esto induce una línea de borde artificial al
producto SNS con altos ángulos cenitales solares de MSG de aquellos donde el mapa de fondo
de albedo es usado.
La calidad de SNS depende de la calidad de SAL. Para mayor información en la precisión
del producto albedo de superficie, véase RD.5.
f. Radiación neta superficial de onda larga (SNL)
Definición del producto
La radiación neta superficial de onda larga (SNL) se define como el flujo radiante neto de
onda larga de la superficie integrando aquellas longitudes de onda mayores a 4 μm. Se expresa
en W/m2.
Aproximación básica
El SNL puede ser calculado directamente de SOL y SDL:
𝑆𝑁𝐿 = 𝑆𝐷𝐿 − 𝑆𝑂𝐿 (11)
Valores positivos indican una ganancia de energía por parte de la superficie, valores
negativos indican una pérdida de energía térmica.
Detalles de procesamiento, mallado y promediado
La media diaria SNL se calcula partiendo de medias diarias de SOL y SDL en una base de
pixel. La media mensual es por lo tanto calculada a partir de las medias diarias de cada mes en
base de pixel como una media aritmética con un requerimiento de 20 pixeles validos al menos.
Después de promediar el tiempo, se promedia espacialmente en una cuadrícula de 15 x 15 km2.
129
Ejemplos del producto
La figura 10 nos facilita ejemplos del producto SNL para marzo 2009 y octubre 2009.
Validación
El Documento de Servicio de Especificación (SeSp) [AD.1] nos da una lista de
requerimientos para el producto los cuales deben ser cubiertos por los productos. Estos
requerimientos para el producto SNL son los mostrados en la tabla 7.
Figura 8. Ejemplo del producto media mensual SNL para marzo 2009 de MSG (arriba) y octubre 2009 de AVHRR (abajo)
130
Producto Requerimientos en error medio (absoluto)
SNL para AVHRR (Área de línea base
inicial)
90% del valor del sesgo absoluto por
debajo de 15 W/m2 (+ incertidumbre debida a las medidas terrestres) para medias mensuales.
Mayores valores de sesgos pueden ocurrir
en los Alpes y otras regiones montañosas debido a la indeterminación en el área para ser
comparado.
SNL para SEVIRI 90% del valor del sesgo absoluto por debajo de 15 W/m2 (+ incertidumbre debida a
las medidas terrestres) para medias mensuales.
Mayores valores de sesgos pueden ocurrir en los Alpes y otras regiones montañosas
debido a la indeterminación en el área para ser
comparado.
La incertidumbre de la dispersión de los productos es evaluada cada año para cumplir los
requerimientos y los resultados se adjuntan en el Documento de Validación Anual CM-SAF
[AD.2, AD.3].
Limitaciones
Debido al uso del producto presión en parte superior de la nube extraído de SDL, cuadrículas
aparecerán como indefinidas en la proyección sinusoidal como esquinas (e.g., Figura 10, arriba;
véase Sección 2.4.5).
La calidad de SNL depende de SDL y SOL.
g. Balance de radiación superficial (SRB)
Definición de producto
El balance de radiación superficial (SRB) se define como la suma de los flujos netos de
radiación de onda corta y de onda larga en la superficie terrestre. Se expresa en W/m2.
Aproximación básica
El SRB se puede calcular directamente de SNS y SNL:
𝑆𝑅𝐵 = 𝑆𝑁𝑆 + 𝑆𝑁𝐿 (12)
Valores positivos indican ganancia de energía en la superficie, valores negativos indican
pérdida de energía de la superficie.
Detalles del procesamiento, mallado y promediado
No se hace ningún promedio temporal, SRB se calcula directamente de las medias mensuales
de SNL y SNS.
131
Ejemplos de producto
La figura 11 nos da una visión del producto SRB para marzo 2009 y octubre 2009.
Figura 9. Ejemplo del producto media mensual SRB para marzo 2009 de MSG (arriba) y octubre 2009 de AVHRR (abajo).
Validación
El Documento de Servicio de Especificación (SeSp) [AD.1] nos da una lista de
requerimientos para el producto los cuales deben ser cubiertos por los productos. Estos
requerimientos para el producto SRB son los mostrados seguidamente.
132
Producto Requerimientos en error medio (absoluto)
SRB para AVHRR (Area de línea base
inicial)
90% del valor del sesgo absoluto por
debajo de 20 W/m2 (+ incertidumbre debida a
las medidas terrestres) para medias mensuales.
Mayores valores de sesgos pueden ocurrir
en los Alpes y otras regiones montañosas
debido a la indeterminación en el área para ser comparado.
SRB para SEVIRI 90% del valor del sesgo absoluto por
debajo de 20 W/m2 (+ incertidumbre debida a las medidas terrestres) para medias mensuales.
Mayores valores de sesgos pueden ocurrir
en los Alpes y otras regiones montañosas debido a la indeterminación en el área para ser
comparado.
La incertidumbre de la dispersión de los productos es evaluada cada año para cumplir los
requerimientos y los resultados se adjuntan en el Documento de Validación Anual CM-SAF
[AD.2, AD.3].
Limitaciones
Debido al uso del producto presión en la parte superior de la nube extraído de SDL, quedarán
cuadrículas indefinidas en las esquinas de la proyección sinusoidal (e.g., Figura 11, arriba; véase
sección 2.4.5).
A alta visión de ángulo cenital de MSG existe una línea borde de la cual se extrae SNS a
partir de los mapas de fondo de albedo y por lo tanto apareciendo también en SRB.
h. Productos radiación superficial específica MSG: medias diarias de un ciclo
diurno.
MSG observa la tierra con una resolución temporal de 15 minutos. Aprovechando esto, la
media mensual del ciclo diurno se calculara para todos los productos de radiación superficial
excepto el albedo.
Definición del producto
La media mensual del ciclo diurno se define como la media mensual de valores horarios.
Aproximación básica
La media mensual del ciclo diurno consiste en las medias de los valores horarios y se calcula
directamente de los productos valores horarios promediando.
Detalles del procesamiento, mallado y promediado
Los productos MSG están calculados como una media aritmética de los espacios horarios. La
media mensual de un espacio horario solo será calculada si existen 20 valores válidos dados por
pixel, de lo contrario se fija su valor a cero. Después de un promediado temporal, se realiza un
promediado espacial y una proyección en mallada de 15 x 15 km2 sinusoidal.
133
Ejemplos de producto
La figura 12 nos da un ejemplo de la media mensual de ciclo diurno de SIS.
Figura 10. Ejemplo de media mensual de ciclo diurno, para SIS.
Validación
La validación se consigue a partir de datos instantáneos. El requerimiento del producto es
igual a aquellos productos que ofrezcan medias mensuales.
Limitaciones
La calidad de SRB depende de SIS, SAL, SDL y SOL.
i. Productos basados en la unión de las medias mensuales de MSG y AVHRR
Para ofrecer al usuario con productos que cubran el mayor área observada por diferentes
satélites, se crea la unión de productos de balance de radiación superficial. Ya que la precisión
de MSG y NOAA en medias mensuales es un valor comparable, unir los datos para zonas de
transición para razonable.
Definición del producto
Los productos son una combinación de las medias mensuales de MSG y NOAA, véase la
sección 2.11.2 para mayor detalle.
134
Aproximación básica
A una latitud de 60ºN la precisión de los datos de radiación basados en MSG son aún
aceptables, pero la precisión se convierte en menor para latitudes medias, por consiguiente los
datos MSG serán remplazados paso por paso en dirección norte de 55ºN por datos AVHRR.
Uniendo los parámetros de radiación aplicados para el promediado (15 km x 15 km) de
medias mensuales en la siguiente metodología:
1. De 55ºN en latitud en adelante, solo se usarán datos MSG.
2. Entre 55ºN y 65ºN los productos serán la conjunción de MSG con AVHRR. La unión se
llevará a cabo ponderando mediante la siguiente ecuación función de la latitud:
𝑅𝑎𝑑 𝑙𝑎𝑡 𝑥 =𝑅𝑎𝑑 𝑙𝑎𝑡 𝑥
𝑀𝑆𝐺
(1−𝑥
10)
+𝑅𝑎𝑑 𝑙𝑎𝑡 𝑥
𝐴𝑉𝐻𝑅𝑅
𝑥/10 (13)
con x=1:10; lat(x)=55ºN+xºN (13)
Donde RAD es el flujo de radiación respectivo. Ejemplo: a 56ºN el peso de MSG es del 90%
y el de AVHRR es de 10%.
3. Al norte de 65ºN solo se usarán AVHRR.
4. Al norte de 55ºN los valores unidos serán puestos a valor indefinido donde quiera que o
bien AVHRR o MSG den valores indefinidos.
Figura 11. Ejemplo de producto de medias mensuales combinadas SRB para octubre 2009
135
ANEXO IV: Análisis de la irradiación efectiva
1. Análisis de irradiación efectiva anual en el plano óptimo en sistema fijo
MÉTODO INVERSE DISTANCE WEIGHTED (IDW):
Mediante el método IDW (Inverse Distance Weight) establecemos valores de radiación por
ponderación inversa de los puntos que conocemos. Se puede comprobar que en la zona de
Galicia es donde más perjudicada esta la radiación.
Figura 1. Análisis de radiación efectiva anual en el plano óptimo Inverse Distance Weighted (IDW) de Siar. Unidades kWh/m2
136
MÉTODO AJUSTE SUPERFICIAL
Figura 2. Análisis de radiación efectiva anual en el plano óptimo mediante ajuste superficial de Siar. Unidades kWh/m2
En esta predicción por superficie, se puede observar como la latitud afecta
considerablemente a la radiación, su tendencia es lineal, al aumentar la latitud disminuye la
radiación. Con respecto a la longitud la relación es parabólica, observándose que la radiación en
el centro es mayor y disminuye a medida que nos acercamos al este y al oeste peninsular.
137
Figura 3. Varianzas del ajuste por superficie de radiación efectiva anual en el plano óptimo de Siar.
La varianza pretende definirnos la fiabilidad de nuestras medidas, aunque en este caso, el
diagrama que se representa anteriormente es poco representativo dado que no presenta una
nitidez digna de la calidad que pretendemos.
138
MÉTODO ORDINARY KRIGING
Figura 4. Análisis de radiación efectiva anual en el plano óptimo Ordinary Kriging de Siar. Unidades kWh/m2
El ordinary kriging es un método de aproximación bastante mejor que el anterior, prueba de ello es la suavidad que ofrece en los cambios de una radiación a otra, exceptuando lugares como
Galicia donde carecemos radiación y además se ve afectada por las pocas estaciones que tiene.
Como se puede observar la tendencia sigue siendo la misma que en el método de superficie, aunque ya no de forma tan lineal.
139
Figura 4. Varianzas del ajuste Ordinary Kriging de radiación efectiva anual en el plano óptimo de Siar.
La varianza nos muestra cómo afecta la dispersión de las estaciones a nuestras medidas de
radiación, vemos como en lugares como Cataluña y Galicia donde tenemos un menor número de
estaciones la varianza aumenta, y con ella el error de medida. Por el contrario en lugares como Andalucía el gran número de estaciones nos da unos valores de varianza bastante buenos.
140
Figura 5. Variograma de ajuste esférico del método Ordinary Kriging de irradiación efectiva sobre plano óptimo
En este caso nuestro nugget, es algo menor de 4000 lo cual significa que a pesar de que super posicionemos dos estaciones estas seguirían teniendo una semivarianza de un valor aproximado
de 3500. También observamos que a partir de las 275 unidades de longitud, la distancia deja de
afectar a nuestra medida de radiación, es por lo que a partir de esta distancia podríamos subestimar los datos de radiación.
141
MÉTODO UNIVERSAL KRIGING CON LATITUD Y LONGITUD DE VARIBLES
EXPLICATIVAS
Figura 6. Análisis de radiación efectiva anual en el plano óptimo Universal Kriging de con influencia de latitud y longitud Siar. Unidades kWh/m2
En este caso, el universal kriging usa la misma metodología que el ordinary kriging, solo que en este caso se le añade la variable explicativa de la latitud y la longitud, como se observa en el
diagrama la radiación aumenta de oeste a este y de norte a sur.
142
Figura 7. Varianza del ajuste de radiación efectiva anual en el plano óptimo Universal Kriging con influencia de latitud y longitud de Siar.
Una vez más la varianza nos muestra su mejora en las zonas donde existe una mayor
densidad de estaciones.
143
MÉTODO UNIVERSAL KRIGING CON CMSAF COMO VARIABLE EXPLICATIVA
Figura 8. Análisis de radiación efectiva anual en el plano óptimo Universal Kriging con influencia de CM-SAF de Siar. Unidades kWh/m2
El universal kriging complementado con los datos del CMSAF es la mejor aproximación que
tenemos dado que a los datos de las estaciones implementamos los del satélite, se puede
observar que la variación de la radiación sigue teniendo una distribución lineal, disminuyendo
esta a medida que aumenta la latitud. Con respecto a la variación en relación con la longitud la radiación es mayor en el centro de la península disminuyendo esta a medida que nos
aproximamos tanto al este como al oeste de la península.
144
Figura 9. Variograma con ajuste esférico de radiación efectiva anual en el plano optimo con influencia de CMSAF sobre estaciones SIAR
Podemos observar que el nugget es aproximadamente 5000, lo cual significa que aunque la
distancia entre dos estaciones fuera cero la semivarianza entre ellas sería 5000, por otro lado a
partir de las 200 unidades la distancia a la estación no afecta.
Figura 10. Histograma de irradiación predecible y varianzas para irradiación efectiva en plano óptimo con Universal Kriging influenciado como CM-SAF
145
Este histograma contabiliza las veces que se obtiene un determinado valor de radiación, en
su gráfico de la izquierda, en cambio en el gráfico de la derecha representa el valor de la
varianza para cada caso. En esta relación, se observa que una alta radiación le corresponde un valor alto de varianza.
Figura 11. Gráfico de dispersión de la varianza respecto a la irradiación efectiva en el plano óptimo para seis intervalos de latitud
En latitudes más pequeñas, es decir, en la zona sur de la península nos encontramos con
valores altos de radiación con poca variabilidad y con una horquilla de varianza muy
densificada. En cambio, en los valores de latitud más altos, zona norte, muestran una mayor dispersión de los datos de radiación con una varianza menos densificada y con una mayor
horquilla de valores, lo cual significa que no tenemos un valor tan asegurado como en el sur.
146
Figura 12. Gráfico de dispersión entre irradiación efectiva sobre plano óptimo respecto a la latitud
Nuevamente, observamos que la radiación disminuye a medida que aumenta la latitud, en
este gráfico se ve claramente la enorme diferencia existente entre lugares de Andalucía y otros situados al norte. Por otro lado, la horquilla de valores que nos ofrecen las latitudes pequeñas es
mucho menor y más densificada, lo que nos sugiere una productividad bastante más asegurada.
147
Figura 13. Gráfico de dispersión de la varianza de irradiación en plano óptimo respecto a la latitud
Como se puede apreciar, para altas latitudes existe una mayor dispersión de irradiación que
para el Sur peninsular. De los siguientes gráficos se pueden deducir un par de hechos. Del mapa de la izquierda se deduce que entre el Sur y Norte peninsular existe una variación de al menos
400kWh/m2 y que existe una relación modelable entre la latitud y la irradiación global anual.
Del mapa de la derecha se entiende que para el Norte existe un aumento y densificación de la varianza en torno a 9000kWh2/m4 y que para el resto de la Península hay dos franjas de alta
densidad: 4500 y 8500 kWh2/m4.
148
2. Análisis de irradiación efectiva anual con seguimiento en eje horizontal
INVERSE DISTANCE WEIGHTED
Se puede comprobar cómo el método IDW para seguidores de un solo eje proporciona un
ajuste muy agresivo para aquellas zonas con poca presencia de estaciones SIAR. Se observa que aquellas estaciones con valores de irradiación diferentes a los de sus estaciones más cercanas
aparecen como puntos oscuros. Caben destacar las estaciones de Montiel (Ciudad Real) o
Valdesalor (Badajoz). Del mismo modo, el ajuste para Galicia es muy diferente al resto por no tener demasiadas estaciones para comparar, solo cuatro, y no representa bien la situación de la
irradiación en el norte Peninsular.
Figura 14. Análisis IDW para radiación efectiva con un solo eje de seguimiento. Unidades kWh/m2
149
MÉTODO AJUSTE SUPERFICIAL
Figura 15. Análisis de ajuste superficial para radiación efectiva con un solo eje de seguimiento. Unidades kWh/m2
Figura 16. Varianza del ajuste superficial de irradiación efectiva para seguimiento en un solo eje
150
MÉTODO ORDINARY KRIGING
Al igual que para otros valores de irradiación, para el ordinary kriging se calcula el
variograma de la semivarianza respecto a la distancia. A diferencia de para otros modelos, la
radiación efectiva tiende a estabilizarse con un ajuste esférico para distancias superiores a las 300uds. El nugget de 7000kWh
2/m
4 también es superior al de irradiación global en el plano
horizontal.
Figura 17. Variograma con ajuste esférico para radiación efectiva con ordinary kriging
Como se observa en el siguiente mapa los valores de irradiación en el plano efectivo
(óptimo) son superiores a los del plano horizontal. Aquellas estaciones que se desviaban con el ajuste IDW se suavizan y no destacan tanto con este tipo de ajuste.
151
Figura 18. Análisis ordinary kriging para radiación efectiva con un solo eje de seguimiento. Unidades kWh/m2
Se analiza las varianzas para conocer las zonas con mayor variabilidad espacial, son aquellas con menor presencia de estaciones.
Figura 19. Análisis varianzas de radiación efectiva para ordinary kriging con un solo eje de seguimiento
152
UNIVERSAL KRIGING CON LATITUD Y LONGITUD COMO VARIABLE
EXPLICATIVA
Figura 20. Análisis universal kriging con latitud y longitud como variable explicativa para radiación efectiva con seguimiento en doble eje. Unidades kWh/m2
Observamos groso modo los mismos resultados que se comentan anteriormente, salvando las diferencias de rango de irradiación, lógicamente mayores para seguimiento en doble eje que para eje horizontal.
Figura 21. Análisis varianzas de radiación efectiva para universal kriging con latitud y longitud como variable explicativa con seguimiento en doble eje.
153
UNIVERSAL KRIGING CON CMSAF COMO VARIABLE EXPLICATIVA
Se pasa directamente al ajuste por universal kriging con variable explicativa de CMSAF por ser el que mejor trabaja para estos casos, tal y como se ha probado en los casos anteriores. El
primer paso es la obtención de variograma de la distribución que relaciona la semivarianza con
la distancia.
Figura 22. Variograma para universal kriging con ajuste de CMSAF
El siguiente gráfico recoge el universal kriging con variable explicativa de CMSAF para
radiación efectiva y seguimiento de un solo eje. El ajuste es muy fino y a partir del mismo se podrá estudiar en qué zonas merecerá la pena instalar este tipo de instalaciones.
154
Figura 24. Análisis de irradiación efectiva anual con análisis de universal kriging con ajuste CMSAF para un solo eje de seguimiento. Unidades kWh/m2
Se vuelve a analizar con un mapa de densidad cómo se distribuye la irradiación relacionada
con la latitud. Se ve cómo para menores latitudes la horquilla de irradiación es mucho menor y los valores están más densificados que para mayores latitudes donde la densidad es menor y la
horquilla mayor.
155
Figura 25. Gráfico de dispersión entre irradiación efectiva con un solo eje de seguimiento respecto a la latitud
A continuación se relaciona la varianza con la latitud y se distinguen dos regiones
densificadas para 16000 y para 10000. Se aprecia como para latitudes cercanas a 44º se produce
un aumento significativo de la varianza, tanto de su máximo como de su mínimo, con una tendencia creciente. Esto demuestra de nuevo cómo la zona del norte peninsular, con clima
oceánico más variable y montañoso presenta una mayor dispersión de los valores de irradiación
efectiva.
156
Figura 26. Gráfico de dispersión de la varianza de irradiación efectivo con un solo eje de seguimiento respecto a la latitud
El siguiente mapa demuestra que para menores latitudes la irradiación es más constante y su
varianza menos variable que para mayores latitudes, donde la irradiación efectiva y su varianza
son más dispersas.
157
Figura 27. Gráfico de dispersión de la varianza respecto a la irradiación efectiva con un solo eje de seguimiento para seis intervalos de latitud
158
3. Análisis de irradiación efectiva anual con seguimiento en doble eje
A continuación, mostramos las figuras obtenidas para seguimiento con doble eje con
conclusiones análogas a las extraídas para seguimiento en eje horizontal.
INVERSE DISTANCE WEIGHTED
Figura 28. Análisis IDW para radiación efectiva con seguimiento en doble eje. Unidades kWh/m2
159
MÉTODO AJUSTE SUPERFICIAL
Figura 29. Análisis de ajuste superficial para radiación efectiva con seguimiento en doble eje. Unidades kWh/m2
160
MÉTODO ORDINARY KRIGING
Figura 30. Variograma con ajuste esférico para radiación efectiva con ordinary kriging
161
Figura 31. Análisis ordinary kriging para radiación efectiva con seguimiento doble eje. Unidades kWh/m2
162
Figura 32. Análisis varianzas de radiación efectiva para ordinary kriging con seguimiento en doble eje.
163
UNIVERSAL KRIGING CON LATITUD Y LONGITUD COMO VARIABLE
EXPLICATIVA
Figura 33. Análisis universal kriging con latitud y longitud como variable explicativa para radiación efectiva con seguimiento en doble eje. Unidades kWh/m2
164
Figura 34. Análisis varianzas de radiación efectiva para universal kriging con latitud y longitud como variable explicativa con seguimiento en doble eje.
165
UNIVERSAL KRIGING CON VARIABLE EXPLICATICA CMSAF
En primer lugar, se realiza el variograma de la varianza respecto a la distancia, para poder
realizar la interpolación/extrapolación espacial. El nugget es de 8000, lo que implica que existe una varianza de 8000 aun incluso si la distancia entre estaciones fuese nula.
Figura 35. Variograma de universal kriging con ajuste CMSAF para seguimiento a doble eje
El siguiente paso es elaborar el mapa de irradiación efectiva para la Península.
166
Figura 36. Análisis de irradiación efectiva con universal kriging con ajuste CMSAF para seguimiento a doble eje. Unidades kWh/m2
En las siguientes gráficas se analiza la irradiación efectiva y varianza con la latitud. Los
resultados que se obtienen son similares a los obtenidos para sistemas fijos y para sistemas con un solo eje de seguimiento, que suponen mayor variabilidad para mayores latitudes y menor
variabilidad para menores latitudes.
167
Figura 37. Gráfico de dispersión de irradiación efectiva anual respecto a la latitud
168
Figura 38. Gráfico de dispersión de varianza para seguimiento en doble eje
169
Figura 39. Análisis de irradiación efectiva con seguimiento a doble eje respecto a la varianza para seis intervalos de latitud
170
4. Análisis de irradiación efectiva anual en términos porcentuales
Veamos ahora gráficos obtenidos anteriormente pero en términos porcentuales, tomando
como valor nominal el valor de irradiación satelital.
Figura 40. Diferencia de valores en irradiación horizontal entre Universal Kriging a partir de Siar con CM-SAF
Observamos mucho más claramente el rango de variación entre los valores obtenidos entre el
método kriging universal teniendo como variable explicativa el valor de CM-SAF y el propio
valor de CM-SAF. Una horquilla de entre -15 y 15 % con valores mayores de Siar más al sur y al oeste, y menores en el centro de la península y al norte.
Para la siguiente figura vemos el mapa de irradiación en el plano óptimo para sistemas fijos.
171
Figura 41. Diferencia de valores en irradiancia en el plano óptimo para sistemas fijos entre Universal Kriging a partir de Siar con CM-SAF
En este caso, las variaciones están por encima del valor nulo, observando una horquilla mayor en Galicia donde las estaciones terrestres son mucho menores en número. Alcanzamos
unas variaciones menores en el centro peninsular como es de esperar por el mejor ajuste
espacial del método.
Veamos ahora el mapa de irradiancia efectiva en un sistema con seguimiento horizontal, es
de esperar que los resultados obtenidos se parezcan al mapa anterior.
172
Figura 42. Diferencia de valores en irradiancia en el sistema de seguimiento horizontal entre Universal Kriging a partir de Siar con CM-SAF
Destacamos que son las estaciones problemáticas en los focos de mayor variación. Éstas son principalmente Valdesor y Montiel. Ahora tenemos valores máximos por encima de 25% como
en Galicia.
Finalmente, en un sistema con seguimientos en doble eje, se representa las variaciones entre
los datos obtenidos en la siguiente figura.
173
Figura 43. Diferencia de valores en irradiancia en el sistema de seguimiento en doble eje entre Universal Kriging a partir de Siar con CM-SAF
Nótese que existe mayor horquilla de variación pese a que el juego de colores se ha adaptado
al nuevo mapa. Ahora los valores extremos pasan del 35 % y en este caso se restringe también
la zona de precisión mayor al Pirineo navarro. A medida que se mejora el seguimiento,
aumentan las discrepancias entre CM-SAF y Siar.
174
ANEXO V: Ubicación de las estaciones Red Siar
A continuación, se redactarán las siguientes tablas que recogen todas las localizaciones
conseguidas de las estaciones que forman parte de la Red Siar. Estos datos que se presentan a
continuación han recopilados provincia por provincia y en ningún caso pueden publicarse ni
distribuirse por expreso deseo del Ministerio de Agricultura, Pesca y Alimentación.
Se presenta toda la información que se ha podido recavar, siendo Galicia una excepción ya
que pese a conseguir los datos que se muestran, no se han podido usar para la realización de
este proyecto por no estar adscrito a Red Siar.
Andalucía
Cádiz Número Estación Altitud UTMX UTMY
1 Basurta-Jerez de la Frontera 60 766377 4072277
5 Conil de la Frontera 26 757532 4025267
101 IFAPA Centro de Chipiona 7 732243 4070604
2 Jerez de la Frontera 32 767119 4059604
7 Jimena de la Frontera 53 286186 4032550
10 Puerto de Santa María 20 753735 4055018
8 Puerto de Santa María 20 754761 4056297
9 Sanlúcar de Barrameda 22 204391,3 4075859,2
6 Vejer de Frontera 24 245032 4019509
4 Villamartín 171 266228 4081004
175
Sevilla Número Estación Altitud UTMX UTMY
5 Aznalcázar 4 742264 4115401
9 Ecija 125 316742 4162890
17 Guillena 191 759588 4156231
19 IFAPA Centro Las Torres-Tomejil 11 238115 4156016
21 IFAPA Centro de Los Palacios 21 238591 4119785
101 IFAPA Centro Las Torres-Tomejil, Finca Tomejil 79 271069 4142690
20 Isla Mayor 35 755917 4111564
10 La Luisiana 188 303201 4155652
7 La Puebla del Río 25 754404 4124003
8 La Puebla del Río II 41 762644 4108077
12 La Rinconada 37 241387 4149790
2 Las Cabezas de San Juan 25 243428 4100700
3 Lebrija I 25 755906 4096340
4 Lebrija 2 40 766472 4088031
15 Lora del Río 68 276058 4171237
16 Los Morales 90 262802 4117969
1 Los Palacios y Villafranca 21 239190 4118995
11 Osuna 214 310778 4125500
18 Puebla Cazalla 229 291518 4121868
13 Sanlúcar La Mayor 88 743029 4145411
6 Villafranco del Guadalquivir 45 753295 4109806
22 Villanueva del Río y Minas 38 262609 4164005
14 Villanueva del Río y Minas 38 263221 4166507
176
Jaén Número Estación Altitud UTMX UTMY
6 Alcaudete 645 404875 4159665
11 Chiclana de Segura 510 504003 4239630
1 Huesa 793 494672 4177995
104 IFAPA Centro MEngibar 292 430902 430902
15 Jaén 299 432285 4194160
103 Jódar 488 470716 4192610
12 La Higuera de Arjona 267 411556 4200824
9 Linares 443 443111 4212750
7 Mancha Real 436 447686 4196913
16 Marmolejo 208 396245 4211908
10 Marmolejo 208 400901 4212858
13 Mengíbar 373 427706 4202345
2 Pozo Alcón 893 506267 4169627
4 Sabiote 822 479441 4214871
3 San José de los Propios 509 479835 4190273
14 Santo Tomé 571 492827 4209275
5 Torreblascopedro 291 439562 4204997
101 Torreperogil 536 478684 4203206
8 Ubeda 358 473694 4199725
102 Villacarrillo 650 482519 4213079
Almería Número Estación Altitud Utmx Utmy
10 Adra 42 500710 4066978
2 Almería 22 553334 4076947
8 Cuevas de Almanzora 20 606478 4124237
5 Fiñana 971 514418 4112459
1 La Mojonera 142 526472 4071536
11 Níjar 182 575091 4089921
4 Tabernas 435 562095 4105449
12 Tíjola 796 547943 4137207
6 Virgen de Fátima-Cuevas de Almanzora 185 608951 4138960
177
Córdoba Número Estación Altitud Utmx Utmy
2 Adamuz 90 373219 4206727
8 Baena 334 384952 4172611
1 Bélmez 523 306747 4236499
6 Córdoba 117 341642 4192085
5 El Carpio 165 367901 4197541
4 Hornachuelos 157 309705 4177125
101 IFAPA Centro de Cabra 547 373628 4151309
102 IFAPA Centro de Hinojosa del Duque 543 315628 4263208
9 Palma del Río 55 303825 4177917
7 Santaella 207 333494 4154701
Granada Número Estación Altitud Utmx Utmy
11 Almuñecar 14 438973 4066413
1 Baza 814 520628 4157712.0
7 Cádiar 950 483724 4086564
101 IFAPA Centro Camino del Purchil 630 443423 4114357
5 Iznalloz 935 451312 4141428
6 Jerez del Marquesado 1212 486806 4116224
3 Loja 487 399051 4114478
10 Padul 781 446712 4097327
4 Pinos Puente 594 431534 4124395
2 Puebla de Don Fabrique 1110 554482 4192456
8 Zafarraya 905 397421 4094617
Huelva Número Estación Altitud Utmx Utmy
10 Almonte 18 724620 4114778
6 Aroche 299 680649 4203384
8 El Campillo 406 711868 4171123
1 El Tojalillo-Gibraleón 52 674879 4132208
3 Gibraleón 169 671800 4142595
101 IFAPA Centro Las Torres-Tomegil. Finca El Cebollar 63 162785 4128508
102 IFAPA El Cebollar Bajo plastico 63 162886 4128606
9 La Palma del Condado 192 717814 4138619
7 La Puebla de Guzmán 288 654836 4157771
2 Lepe 74 655814 4123108
4 Moguer 87 696178 4113619
5 Niebla 52 700713 4135997
178
Málaga Número Estación Altitud Utmx Utmy
10 Antequera 457 360377 4100109
5 Archidona 516 372960 4104563
9 Cártama 95 350221 4064985
101 IFAPA Centro de Campanillas 60 360742 4066161
7 IFAPA Churriana 32 365802 4059951
1 Málaga 68 362843 4069159
8 Pizarra 84 347015 4070556
6 Sierra Yeguas 464 337035 4112001
2 Vélez-Málaga 49 399138 4073067
Aragón
Zaragoza Número Estación Altitud Utmx Utmy
3 Sádaba 438 639535 4681057
4 El Bayo 379 644736 4670972
5 Ejea de los Caballeros 317 649276 4662411
6 Luna 409 670788 4662687
7 Tauste 361 653910 4651678
8 Santa Engracia 253 638544 4642591
28 Tarazona 516 604106 4641438
29 Borja 366 623985 4634978
30 Torres de Bellerén 209 660624 4626529
31 Épila 321 643200 4604933
32 Almonacid de la Sierra 393 639593 4590498
33 Zuera 302 686739 4637927
34 Montañana 222 680982 4620427
35 Pastriz 524 612376 4576711
36 Osera de Ebro 253 705581 4602408
37 Quinto 239 707573 4585050
38 Caspe 175 745309 4576848
39 Fabara 246 261253 4561304
40 Calatayud 518 615956 4580234
41 Belchite 328 690709 4580358
43 Daroca 753 632372 4552156
49 Boquiñeni 245 645276 4634116
179
Huesca Número Estación Altitud Utmx Utmy
1 Santa Cilia de Jaca 666 687216 4715191
2 Banastón 562 267097 4697206
9 Gurrea de Gállego 363 688023 4651685
10 Huesca 420 716924 4665025
11 Barbastro 410 261015 4655478
12 Selgua 304 261866 4647275
13 Alfántega 246 263211 4634139
14 Alcolea de Cinca 227 256708 4625361
15 San Esteban de Litera 315 276412 4640493
16 Tamarite de Litera 221 282122 4628985
17 Tardienta 361 706628 4649593
18 Grañén 312 719275 4647006
19 Huerto 415 737390,00 4648171
20 Sodeto 312 727666,00 4640742
21 Lanaja 368 721315,00 4629695
22 Sariñena 283 734771,00 4628457
23 Valfarta 352 738048,00 4601902
24 Monte Julia 274 269905,00 4625084
25 Zaidín 175 274292,00 4613236
26 Fraga 81 279238,00 4597307
27 Candasnos 320 257420,00 4594099
Teruel Numero Nombre Altitud m Utmx m Utmy
42 Híjar 300 707220 4565812
44 Monreal del campo 955 638881 4515921
45 Alcañiz 315 731896 4553190
46 Calanda 433 734842 4538189
47 Villarquemado 1004 644971 4487707
48 Teruel 928 655845 4468111
180
Castilla la Mancha
Albacete Número Estación Altitud UTMX UTMY
AB01 TARAZONA 722 593280 4345926
AB02 JUANACO 677 529692 4346583
AB03 ALMANSA 698 664184 4307954
AB04 HELLÍN 579 612300 4260690
AB05 ALBACETE 677 595314 4311962
AB06 Ontur 682 630940 4276220
AB07 Pozo Cañada 872 608291 4295449
AB08 La Gineta 722 585335 4328526
AB09 Motilleja 695 606389 4336016
AB10 Caudete 531 675774 4289496
Ciudad Real Número Estación Altitud UTMX UTMY
CR01 ALCÁZAR DE SAN JUAN 658 482750 4340164
CR02 (1) Manzanares
469241 4327718
CR03 PORZUNA 615 393935 4343618
CR04 CIUDAD REAL 662 414460 4322127
CR05 Bolaños 710 446262 4311560
CR06 (2) Villahermosa-Tajoneras
517494 4299012
CR07 Argamasilla de Alba 727 495118 4325438
CR08 Herencia 659 471647 4359110
CR09 Daimiel 622 440113 4318157
CR101 Entresierra 640 418027 4320835
CR10 MANZANARES 652 469542 4330684
CR11 Montiel 887 510388 4283371
Cuenca Número Estación Altitud UTMX UTMY
CU01 EL SANCHÓN 698 560784 4357796
CU02 PEDERNOSO 720 520780 4369517
CU03 El Picazo 728 578256 4367851
CU04 Barajas de Melo 707 505513 4440733
CU05 Cañete 1053 615300 4432004
CU06 Mariana 963 573328 4447007
CU07 Villaconejos de Trabaque 810 557380 4474087
CU08 Villnueva de la Jara 820 599384 4362528
CU09 Mariana 940 573223 4445249
181
Guadalajara Número Estación Altitud UTMX UTMY
GU01 Finca El Serranillo 665 485399 4501042
GU02 JADRAQUE 808 504592 4530893
GU03 Armuña de Tajuña 759 498931 4486844
GU04 Alovera 664 479188 4493565
GU05 Prados Redondos 1129 601457 4517023
GU06 Illana 589 501226 4451203
GU09 Marchamalo 692 482375 4503550
Toledo Número Estación Altitud UTMX UTMY
TO01 VEGAS DE SAN ANTONIO 400 354961 4424690
TO02 MAGÁN 507 419481 4420988
TO02 MAGÁN 471 419893 4421506
TO03 CALERA Y CHOZAS 387 331720 4415390
TO04 Los Navalmorales 725 358149 4398519
TO05 Alcolea del Tajo 371 316876 4409523
TO06 Mora 754 434087 4392395
TO06 Mora 738 433809 4391038
TO07 Recas 609 416683 4434672
TO08 Villarrubia de Santiago 573 471590 4431896
TO09 La Rinconada 432 379987 4410264
TO10 La Puebla de Almoradiel 698 488433 4384582
Castilla y León
Ávila Número Estación Altitud UTMX UTMY
AV01 Nava de Arévalo 921,00 351519,19 4539902,16
AV101 Muñogalindo 1128,00 338844,00 4495807,06
AV102 Losar del Barco 1024,00 284881,13 4474923,07
Burgos Número Estación Altitud UTMX UTMY
BU02 Valle de Valdelucio 479,00 411485,45 4730709,45
BU03 Lerma 976,00 436764,82 4648563,90
BU04 Tardajos 840,00 432940,00 4689307,85
BU05 Vadocondes 822,00 452310,49 4608675,56
BU07 Santa Gadea del Cid 811,00 491172,89 4725735,69
BU101 Valle de Losa 491,00 482037,74 4759479,20
BU102 Condado de Treviño 562,00 525362,87 4729698,72
182
León Número Estación Altitud UTMX UTMY
LE01 Carracedelo 463,00 193498,06 4717644,02
LE02 Mansilla Mayor 791,00 299027,31 4709548,68
LE03 Cubillas de los Oteros 772,00 293294,00 4694836,98
LE04 Zotes del Paramo 776,00 274743,31 4682744,66
LE05 Quintana del Marco 750,00 263732,67 4676029,85
LE06 Hospital de Orbigo 818,00 262997,24 4705231,43
LE07 Bustillo del Páramo 850,00 269678,64 4702275,02
LE08 Sahagún 839,00 334820,74 4692702,52
LE09 Santas Martas 879,00 307171,32 4702756,60
Palencia Número Estación Altitud UTMX UTMY
P01 Torquemada 741,00 392418,24 4654977,36
P02 Villamuriel de Cerrato 737,00 374988,91 4645558,83
P03 Fuentes de Nava 742,00 353826,65 4661300,96
P04 Villoldo 804,00 368165,08 4679393,41
P05 Lantadilla 793,00 392713,06 4687445,63
P06 Herrera de Pisuerga 810,00 392375,88 4711510,79
P07 Villaluenga de la Vega 916,00 354099,93 4709648,60
P101 Villaeles de Valdavia 885,00 372118,10 4714887,91
Salamanca Número Estación Altitud UTMX UTMY
SA01 Ciudad Rodrigo 635,00 204573,79 4502227,77
SA03 Aldearrubia 815,00 290353,64 4542200,49
SA101 Arabayona 847,00 298869,59 4546765,17
SA102 Ejeme 816,00 286867,81 4516157,31
Segovia Número Estación Altitud UTMX UTMY
SG01 Gomezserracín 812,00 391213,46 4571448,79
SG02 Nava de la Asunción 802,00 375256,65 4555430,42
183
Soria Número Estación Altitud UTMX UTMY
SO01 Almazán 947,00 537067,60 4592465,24
SO02 San Esteban de Gormaz 852,00 481638,85 4598219,73
SO03 Fuentecantos 1011,00 547014,85 4632539,51
SO101 Hinojosa del Campo 1043,00 576390,90 4621675,62
Valladolidid Número Estación Altitud UTMX UTMY
VA01 Mayorga 749,00 309995,48 4671436,34
VA02 Torrecilla de la Orden 774,00 309956,98 4565555,36
VA03 Olmedo 740,00 356214,44 4572634,75
VA05 Encinas de Esgueva 800,00 409296,16 4623036,20
VA06 Tordesillas 671,00 334010,84 4597224,48
VA07 Valbuena de Duero 740,00 393137,77 4613082,68
VA08 Medina de Rioseco 739,00 331603,87 4639433,80
VA101 Valladolid 714,00 355036,90 4609692,15
VA102 Medina del Campo 726,00 340613,68 4575992,40
VA103 Rueda 751,00 334380,00 4585701,00
Zamora Número Estación Altitud UTMX UTMY
ZA01 Quiruelas de Vidriales 707,00 266390,47 4655185,92
ZA02 Villaralbo 656,00 277148,91 4597326,67
ZA04 Villalpando 686,00 300155,00 4633142,95
ZA05 Pozuelo de Tábara 699,00 258380,37 4629422,78
ZA06 Barcial del Barco 695,00 280775,30 4645951,05
ZA07 Toro 642,00 293817,88 4595955,03
184
Extremadura
Badajoz Número Estación Altitud UTMX UTMY
Puebla de Alcocer 500 390433 50539
PALAZUELO 290 390600 54400
DON BENITO-EFA 260 385800 55400
Don Benito 267 385543 55340
RUEDA CHICA 186 385500 64400
Talavera La Real-Bercial 200 385300 65000
Guadajira-La Orden 186 385100 64000
Arroyo de San Serván 220 385200 62800
Mérida 265 385047 61905
Villagonzalo 266 385017 61105
Olivenza 202 384320 70326
Almendralejo-Don Rodrigo 385 384000 62300
Zalamea de la Serena 459 384048 54123
Monterrubio 499 383535 52255
Villafranca de los Barros 406 383406 20409
Jerez de los Caballeros 261 381658 64409
Fuente de Cantos 600 381235 61823
Azuaga 540 382333 54223
Cáceres Número Estación Altitud UTMX UTMY
Hurdes-Azabal 574 401800 61800
Gargantilla 596 401428 55626
Zarza de Granadilla 383 401225 60243
Moraleja 252 400259 64027
Valdastillas 634 400757 55234
Jarandilla de la Vera 508 400608 53842
Talayuela 277 400047 53347
Tejeda de Tietar 235 395738 55133
Aldehuela del Jerte 262 400034 61339
Coria 235 395816 62617
Peraleda de la Mata 309 395136 52809
Casatejada 274 395209 54037
Mirabel 541 395116 61232
ALCANTARA 327 394452 65348
Aliseda 327 391634 63756
Valdesalor 382 392209 61937
Madroñera 625 392758 54539
GUADALUPE 740 392318 52048
Madrigalejo 297 390813 53540
185
Galicia
GALICIA Número Estación Altitud UTMX UTMY
Castro de Rei 428 623222 4779463
Momforte de Lemos 645 623277 4703623
A Capela 372
43°26'2.12"N
8° 4'10.16"O
Boimorto 480
43° 0'28.80"N
8° 7'37.20"O
A Coruña Número Estación Altitud UTMX UTMY
19001 Rus 134 525700 4778424
19002 POrtigueira 125 547130 4735542
19003 PGalegos 225 546355 4737289
19004 Val 69 564469 4822905
19005 Guísamo 176 558515 4795645
19006 Xanceda 419 559811 4770390
19007 Muxía 81 483417 4771037
19008 Paramos 369 524636 4761290
19009 Maroxo 316 569560 4748778
19010 Lesende 157 513457 4738994
19011 Costa 163 523801 4738289
19012 Cespón 59 512035 4724917
19061 Capela 371 576632 4811225
19062 Boimorto 411 570045 4765137
186
Lugo Número Estación Altitud UTMX UTMY
19013 Xustás 398 623377 4782478
19014 Vilamor 115 634409 4813115
19015 Labrada 662 621411 4807150
19016 Lanzós 470 609917 4803531
19017 Saavedra 414 612044 4778063
19018 Fontaneira 917 647041 4766600
19019 Sobrecedo 414 603852 4725233
19020 Mourelle 416 632472 4739726
19021 San Fiz 391 605239 4719015
19022 Millara 340 606475 4710252
19023 San Clodio 257 640942 4702837
19024 Olveda 647 595785 4730646
19025 Lourenzá 103 639376 4811033
19063 Castro 416 623212 4779462
19064 Monforte 324 623231 4707365
Ourense Número Estación Altitud UTMX UTMY
19026 Leiro 105 572716 4690255
19027 Xinzo 615 604861 4659551
19028 Oímbra 376 628182 4640320
19029 Vilamartín 307 657923 4696167
19030 Larouco 524 651939 4690732
19031 PFontefiz 403 595830 4698343
19032 Prado 122 577030 4685097
19033 PonteBoga 469 629191 4694218
19034 Rubiá 519 669698 4702188
19035 Tioira 548 613954 4681506
19036 Montederramo 956 623462 4681107
19037 Corzos 1217 665889 4675388
19038 Laza 575 626493 4658587
19039 Riós 830 642127 4648807
19040 Trabe 778 650427 4640279
19041 Mezquita 1025 661665 4653774
19042 Calvos 890 591657 4646327
19043 Barxes 611 586672 4647423
19044 Remuíño 120 571829 4676992
187
Pontevedra Número Estación Altitud UTMX UTMY
19045 AGranxa 41 539352 4670134
19046 Tremoedo 72 517820 4709967
19047 As Eiras 52 517400 4643155
19048 Cequeliños 187 560980 4665145
19049 Mouriscade 480 570898 4718571
19050 Camanzo 211 555850 4736730
19051 PonteCalderas 285 540211 4693469
19052 Louredo 220 534039 4673658
19053 Gondomar 29 520038 4661990
19054 Entenza 92 536320 4657785
19055 Areas 74 527050 4653471
19056 Torrequintáns 52 523431 4709674
19057 Meder 150 546192 4663306
19058 Soutomaior 169 535683 4686409
19059 Couselo 17 514294 4642779
19060 Areeiro 100 527029 4694945
188
Navarra
NAVARRA Número Estación Altitud UTMX UTMY
1 Arazuri 396 604479 4740699
2 Adiós 444 602726 4726970
3 Lumbier 484 641412 4725301
4 Ancin 469 567977 4723118
5 Artajona 353 599328 4715487
6 Aibar 421 638318 4713350
7 San Martin de Unix 447 614143 4707871
8 Miranda de Arga 343 597966 4707438
9 Lerin 354 584216 4706412
10 Bargota 375 557811 4703462
11 Olite 375 611257 4699457
12 Falces 290 59945 4697636
13 Murillo del fruto 393 624623 4693814
14 Traibuenas 312 61413 4691051
15 Sartagudas 307 578235 4690609
16 San Adrián 385 591511 4688335
17 Bardenas Reales (El Plano) 425 622302 4684074
18 Funes 371 598594 4681430
19 Bardenas Reales (El Barranco) 298 61098 4680207
20 Cadreita 267 605909 4673851
21 Corella 392 596016 4663472
22 Tudela 258 618468 4658470
23 Fitero 450 595987 4655954
24 Cascante 330 605832 4654795
25 Ablitas 338 612462 4650683
26 Los Arcos 419 567173 4710398
27 Sesma 438 572005 4703134
189
Valencia
Alicante Estación Latitud Longitud Altura
Agost 38°26'28.21"N 0°38'22.37"O 337
Almoradí 38° 6'34.65"N 0°47'31.21"O 7
Altea 38°36'1.14"N 0° 2'57.02"O 83
Callosa d`en Sarrià 38°39'4.77"N 0° 7'21.12"O 259
Camp de Mirra 38°41'12.15"N 0°46'37.34"O 601
Castalla 38°35'42.68"N 0°40'20.10"O 680
Catral 38° 9'39.41"N 0°48'5.40"O 5
Crevillente 38°14'49.32"N 0°48'12.57"O 122
Dénia Gata 38°50'25.40"N 0° 6'30.99"E 13
Elx EEA 38°16'1.83"N 0°41'42.79"O 88
Monforte del Cid 38°22'45.24"N 0°43'45.25"O 222
Novelda 38°23'7.09"N 0°45'55.39"O 245
Ondara 38°49'33.86"N 0° 0'57.25"E 36
Orihuela 38° 5'2.22"N 0°56'41.22"O 22
Orihuela la Murada 38°10'23.38"N 0°57'53.06"O 85
Pilar de la Horadada 37°51'55.38"N 0°47'33.03"O 17
Pinoso 38°24'4.03"N 1° 2'29.68"O 613
Planes 38°47'7.80"N 0°20'40.32"O 439
Vila Joiosa 38°30'27.90"N 0°13'57.41"O 32
Villena 38°38'10.85"N 0°51'58.10"O 573
Castellón Estación Latitud Longitud Altura
Benicarló 40°25'7.34"N 0°25'23.17"E 15
Burriana 39°53'23.53"N 0° 5'1.30"O 17
Castelló Benadresa 40° 0'56.80"N 0° 8'6.86"O 178
Nules 39°51'9.33"N 0° 9'30.62"O 17
Onda 39°57'55.08"N 0°15'45.53"O 192
Ribera de Cabanes 40° 8'7.25"N 0° 8'55.35"E 8
San Rafael del Río 40°36'22.69"N 0°20'59.62"E 246
Segorbe 39°51'11.79"N 0°29'5.98"O 340
Vall d`Uixó 39°49'23.99"N 0°13'57.22"O 120
Vila-real EEA 39°56'18.07"N 0° 6'6.58"O 44
190
Valencia Estación Latitud Longitud Altura
Algemesí 39°11'37.92"N 0°26'5.13"O 24
Benavites 39°44'25.94"N 0°15'26.49"O 36
Benifaió 39°17'6.88"N 0°25'37.48"O 19
Bétera 39°35'18.54"N 0°27'31.91"O 121
Bolbaite 39° 3'45.60"N 0°40'28.60"O 270
Campo Arcís 39°25'55.20"N 1°10'2.82"O 587
Carcaixent EEA 39° 7'16.40"N 0°26'58.86"O 25
Carcaixent EEA Invernadero 39° 7'16.40"N 0°26'58.86"O 25
Carlet CE Coop 39°13'39.76"N 0°31'23.26"O 51
Carlet malla 39°13'39.76"N 0°31'23.26"O 51
Cheste 39°29'42.39"N 0°41'4.20"O 225
Chulilla 39°39'22.73"N 0°53'30.72"O 523
Gandia Marxuquera 38°58'5.84"N 0°14'51.54"O 102
Llíria 39°37'28.50"N 0°35'41.13"O 178
Llutxent EEA 38°56'33.57"N 0°21'23.97"O 297
Manises 39°29'26.64"N 0°27'21.18"O 108
Moncada IVIA 39°32'43.95"N 0°23'36.46"O 34
Moncada malla 39°32'43.95"N 0°23'36.46"O 34
Montesa 38°56'58.83"N 0°39'3.97"O 255
Navarrés 39° 6'4.35"N 0°41'37.28"O 253
Pedralba 39°36'17.45"N 0°43'35.50"O 201
Picassent 39°21'36.00"N 0°27'45.46"O 47
Pobla del Duc 38°54'12.53"N 0°25'2.49"O 240
Polinyá de Xúquer 39°11'45.84"N 0°22'10.63"O 11
Puig 39°35'24.55"N 0°18'7.55"O 46
Requena Cerrito 39°29'16.36"N 1° 6'1.16"O 648
Requena Roma 39°29'16.36"N 1° 6'1.16"O 648
Sagunt 39°40'48.50"N 0°16'41.80"O 51
Sagunto 39°40'48.50"N 0°16'41.80"O 51
Tavernes de Valldigna 39° 4'18.00"N 0°16'3.77"O 51
Turís 39°23'23.20"N 0°42'41.08"O 277
Villalonga 38°53'5.54"N 0°12'33.71"O 132
Villanueva de Castellón 39° 4'46.35"N 0°30'50.98"O 34
Xàtiva 38°59'19.93"N 0°30'56.21"O 115
191
Madrid
MADRID Estación latitud longitud Altitud
Aranjuez 40° 1'55.53"N 3°36'11.84"O 551
Arganda 40°18'3.42"N 3°26'17.09"O 648
Chinchón 40° 8'24.68"N 3°24'56.46"O 749
Fuentidueña de Tajo 40° 7'5.49"N 3° 9'34.38"O 559
San Martín de la Vega 40°12'28.07"N 3°34'6.76"O 515
Villa del Prado 40°16'36.42"N 4°18'20.31"O 513
