Atlas de radiación fotosintéticamente activa (PAR) de la región Pampa Húmeda Argentina obtenido por Machine Learning y desarrollo de metodologías de control de calidad de datos de PAR y radiación solar global en el plano horizontal (GHI)

Fil: Burgos, Lucas. Universidad Nacional de Luján; Argentina.

Guardado en:
Detalles Bibliográficos
Autor principal: Burgos, Lucas Julián
Otros Autores: Denegri, María José
Formato: Tesis Tesis de grado acceptedVersion
Lenguaje:Español
Español
Publicado: Universidad Nacional de Luján 2023
Materias:
Energía solar
Fotosíntesis
Radiación solar
Acceso en línea:http://ri.unlu.edu.ar/xmlui/handle/rediunlu/2092
Aporte de:
REDIUNLu - Repositorio Digital Institucional de Acceso Abierto - Universidad Nacional de Luján (UNLu) de Universidad Nacional de Luján (UNLu)
id I62-R168-rediunlu-2092
record_format dspace
institution Universidad Nacional de Luján (UNLu)
institution_str I-62
repository_str R-168
collection REDIUNLu - Repositorio Digital Institucional de Acceso Abierto - Universidad Nacional de Luján (UNLu)
language Español
Español
topic Energía solar
Fotosíntesis
Radiación solar
spellingShingle Energía solar
Fotosíntesis
Radiación solar
Burgos, Lucas Julián
Atlas de radiación fotosintéticamente activa (PAR) de la región Pampa Húmeda Argentina obtenido por Machine Learning y desarrollo de metodologías de control de calidad de datos de PAR y radiación solar global en el plano horizontal (GHI)
topic_facet Energía solar
Fotosíntesis
Radiación solar
description Fil: Burgos, Lucas. Universidad Nacional de Luján; Argentina.
author2 Denegri, María José
author_facet Denegri, María José
Burgos, Lucas Julián
format Thesis
Tesis de grado
Tesis de grado
acceptedVersion
author Burgos, Lucas Julián
author_sort Burgos, Lucas Julián
title Atlas de radiación fotosintéticamente activa (PAR) de la región Pampa Húmeda Argentina obtenido por Machine Learning y desarrollo de metodologías de control de calidad de datos de PAR y radiación solar global en el plano horizontal (GHI)
title_short Atlas de radiación fotosintéticamente activa (PAR) de la región Pampa Húmeda Argentina obtenido por Machine Learning y desarrollo de metodologías de control de calidad de datos de PAR y radiación solar global en el plano horizontal (GHI)
title_full Atlas de radiación fotosintéticamente activa (PAR) de la región Pampa Húmeda Argentina obtenido por Machine Learning y desarrollo de metodologías de control de calidad de datos de PAR y radiación solar global en el plano horizontal (GHI)
title_fullStr Atlas de radiación fotosintéticamente activa (PAR) de la región Pampa Húmeda Argentina obtenido por Machine Learning y desarrollo de metodologías de control de calidad de datos de PAR y radiación solar global en el plano horizontal (GHI)
title_full_unstemmed Atlas de radiación fotosintéticamente activa (PAR) de la región Pampa Húmeda Argentina obtenido por Machine Learning y desarrollo de metodologías de control de calidad de datos de PAR y radiación solar global en el plano horizontal (GHI)
title_sort atlas de radiación fotosintéticamente activa (par) de la región pampa húmeda argentina obtenido por machine learning y desarrollo de metodologías de control de calidad de datos de par y radiación solar global en el plano horizontal (ghi)
publisher Universidad Nacional de Luján
publishDate 2023
url http://ri.unlu.edu.ar/xmlui/handle/rediunlu/2092
work_keys_str_mv AT burgoslucasjulian atlasderadiacionfotosinteticamenteactivapardelaregionpampahumedaargentinaobtenidopormachinelearningydesarrollodemetodologiasdecontroldecalidaddedatosdeparyradiacionsolarglobalenelplanohorizontalghi
_version_ 1809231015630077952
spelling I62-R168-rediunlu-20922023-12-26T21:39:43Z Atlas de radiación fotosintéticamente activa (PAR) de la región Pampa Húmeda Argentina obtenido por Machine Learning y desarrollo de metodologías de control de calidad de datos de PAR y radiación solar global en el plano horizontal (GHI) Burgos, Lucas Julián Denegri, María José Lell, Julián Alejandro Energía solar Fotosíntesis Radiación solar Fil: Burgos, Lucas. Universidad Nacional de Luján; Argentina. La energía solar mantiene a todos los organismos vivos conocidos y provee casi todo el calor y la luz que recibe nuestro planeta. Así ha sido y sigue siendo el principal factor en moldear el curso de la evolución en la Tierra. La radiación fotosintéticamente activa (PAR) es la porción del espectro electromagnético de la radiación solar comprendida entre los 400 y 700 nm de longitud de onda que incide sobre la superficie terrestre. Cumple un rol fundamental en la fisiología vegetal, la producción de biomasa, el ciclo del carbono, la iluminación natural y el entendimiento del funcionamiento del clima de la Tierra y el cambio climático (Hu et al., 2010; Pinker y Laszlo, 1992). Esta fracción de la radiación solar resulta de importancia para las comunidades de plantas y el modelado del crecimiento de la vegetación debido a su relación con el proceso de fotosíntesis. Además, provee de energía a las plantas para desarrollar los procesos de síntesis de clorofila y fotosíntesis, con el fin de ser convertida en energía química. La medición de dicha fracción de la radiación incidente es clave en una amplia gama de modelos ecofisiológicos (Zhang et al., 2000, Aguiar et al., 2012), y es una componente necesaria como referencia para estimar y comprender, por ejemplo, la productividad primaria bruta (GPP), la eficiencia en el uso de la radiación (LUE) y el intercambio neto del ecosistema (NEE) (Nwokolo y Amadi, 2018). Agronómicamente, la PAR permite determinar la producción potencial de un cultivo expresada como materia seca aérea total, considerando que no hubiera ningún otro factor limitante. Comparando la producción potencial con la real del cultivo se podría conocer en qué nivel de optimización se está. El conocimiento de la PAR permitiría incluso desechar la introducción de un cultivo en una zona determinada atendiendo a valores de radiación disponibles para la misma, ya que su producción esperada podría no resultar rentable (Andrade, 2016). Por lo tanto, conocer la PAR que llega a superficie es importante para una mejor utilización de los recursos energéticos disponibles para la agricultura, para una comprensión más acertada de los estudios con sensores remotos sobre la vegetación, para perfeccionar prácticas culturales en relación a arquitecturas de cultivos, materiales de cobertura y dispositivos de iluminación, para el entendimiento de los mecanismos de creación de biomasa y del ciclo del carbono (Alados Arboledas, 1997; Foyo-Moreno et al., 2017). La Pampa Húmeda Argentina presenta una serie de características propias que confieren particular interés al relevamiento de este recurso. Por un lado, se trata de una región de unos 600.000 km 2 que presenta la mayor población del país, inmersa en una zona donde predomina la producción agropecuaria. Por otro lado, la preponderancia de planicies asegura la posibilidad de cubrir su extenso territorio con un número relativamente pequeño de estaciones de medición estratégicamente distribuidas. Debido a esa baja variabilidad espacial, la interpolación geoestadística de los datos permite obtener valores confiables en toda la zona (Aristegui et al., 2018). Desafortunadamente, series continuas de datos de mediciones de PAR son limitadas en muchas ubicaciones. Tampoco existe a nivel mundial una red que haya establecido un método rutinario para la medición de PAR y el control de calidad de los datos generados. Estas medidas solo se toman en algunas redes experimentales cuyo objetivo es medir los intercambios de dióxido de carbono, vapor de agua y energía entre la biósfera y la atmósfera. Por ello, mediciones a largo plazo, simultáneas y confiables de PAR y radiación solar global en el plano horizontal (GHI) son prácticamente inexistentes, siendo esta última uno de los parámetros mayormente registrados dada su facilidad y bajo costo relativo de medición en comparación a otras variables vinculadas a la radiación solar, y para la cual sí existen herramientas de control de calidad de datos. A partir de lo anterior, la calidad de una serie de datos es resultado de las condiciones en que se midió, los instrumentos utilizados, su calibración periódica con trazabilidad a un estándar y, sobre todo, el mantenimiento periódico que recibieron. Por lo tanto, el control de calidad busca asegurar la consistencia de la medición, tanto interna entre sus componentes como con otras series de medida cercanas y simultáneas. Este proceso constituye un paso indispensable antes de confiar en los registros para extraer conclusiones. En Argentina, es destacable que el Grupo de Estudio de la Radiación Solar (GERSolar, INEDES UNLu-CONICET) mide en Luján (prov. de Bs.As.) de manera rutinaria y simultánea PAR y GHI. La disponibilidad de registros desde el año 2006 permitió determinar para Luján la relación entre ambas componentes, siendo la eficiencia fotosintética (PAR/GHI) 1,98 mol/MJ, o 0,44 si se la expresa de manera adimensional, con errores cercanos al 6% para valores diarios y 7 % para horarios (Denegri, 2011). Grossi Gallegos H. (2008) trazó las primeras cartas con la distribución espacial de PAR para toda la Argentina basándose en la relación entre ambos parámetros encontrada por Blackburn y Proctor (1983). La creciente demanda de información acerca de este recurso motivó la elaboración del atlas de PAR de la región Pampa Húmeda Argentina compuesto por 36 mapas decádicos, 12 mensuales y 1 anual que representa con alto nivel de detalle la distribución espaciotemporal de su media diaria a lo largo del año. Dado que para ello se requirieron datos de PAR incidente en la región y que no todas las estaciones de la Red Solarimétrica (RS) operada por el GERSolar y el Instituto Nacional de Tecnología Agropecuaria (INTA) poseen registros históricos de PAR pero sí de GHI, surgió la necesidad de desarrollar un modelo predictivo de PAR (MPP) mediante técnicas de Machine Learning (ML) que permita predecir dicho parámetro con errores inferiores a métodos de estimación tradicionales de PAR. Las ventajas que proporcionan las técnicas de ML radican en la posibilidad de realizar correlaciones multivariadas con más variables que solo las salidas de dos radiómetros (de PAR y GHI respectivamente) pudiéndose incorporar otras como altura solar, índice de claridad modificado (K TP ; Pérez et al., 1990), posición orbital terrestre y declinación solar, entre otras. Al aumentar la cantidad de información es posible disminuir la dispersión entre los valores predichos de PAR y los medidos de GHI. Dicha correlación puede ser lineal o no lineal, siendo esta última la más difícil de determinar por métodos tradicionales. Entre los algoritmos de ML de aprendizaje supervisado (AS) y aprendizaje profundo (Deep Learning; DL) se pueden mencionar: Regresión Lineal Simple o Multivariada, Árboles de Decisión Random Forest y Redes Neuronales Artificiales. 2023-12-26T21:35:10Z 2023-12-26T21:35:10Z 2023-02 Thesis info:eu-repo/semantics/bachelorThesis info:ar-repo/semantics/tesis de grado info:eu-repo/semantics/acceptedVersion http://ri.unlu.edu.ar/xmlui/handle/rediunlu/2092 spa es info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-nd/2.5/ar/ application/pdf application/pdf Universidad Nacional de Luján

Ejemplares similares