Red neuronal artificial backpropagation versus modelos empíricos para estimación de radiación global diaria en Sinaloa, México*

Abstract

Se compararon los resultados de los promedios de radiación global diaria estimados con el modelo de red neuronal artificial (RNA) bakpropagation contra los obtenidos por los modelos empíricos Hargreaves, Angström-Prescott y los calibrados de estos. Se utilizó un modelo de red neuronal artificial backpropagation con el algoritmo Levenberg Marquardt para el pronóstico de los promedios diarios de radiación global de cuatro estaciones ubicadas en el distrito de riego 075 Valle del Fuerte, Los Mochis Sinaloa, México. La base de datos representa promedios diarios con vectores de 1 484 datos para entrenamiento, validación y prueba y 229 para pronóstico. Entre las variables de entrada proporcionadas por el Distrito de riego, fueron: temperatura mínima y temperatura máxima, otras fueron calculadas como: duración real de la insolación, fotoperiodo y radiación solar extraterrestre. Se obtuvieron escenarios con una, dos y tres capas ocultas, con diversos números de neuronas en cada capa oculta. La RNA e6{27} con las entradas temperatura mínima, máxima, horas brillo sol dividida por el fotoperiodo y radiación solar extraterrestre, obtuvo el mejor ajuste, con un RMSE de 1.6871 y R2 de 0.89 para los 1484 datos y para los 229, lo obtuvo el modelo Angström-Prescott calibrado con un RMSE de 2.2812 y R2 de 0.89. Para los 1 484 datos promedios, el escenario e6{27} presenta la mejor estimación de la radiación global diaria (Rs ) y es mejor que los modelos empíricos, sin embargo para los 229 datos el modelo Angström-Prescott calibrado presenta una estimación de Rs mejor al e6{27} de la RNA.