Aplicación de cámaras de todo cielo para obtener información atmosférica y meteorológica

Abstract

Las nubes y los aerosoles son dos componentes de la atmósfera que desempeñan un papel crucial en el balance energético del sistema climático al interactuar con la radiación solar y terrestre. La incertidumbre en el efecto neto de estos componentes sobre el clima continúa siendo alta, especialmente en las regiones polares, donde los datos disponibles son escasos pero fundamentales tanto a nivel local como global. Por tanto, es necesario ampliar los estudios de estos componentes y sus propiedades para reducir esta incertidumbre. Esta tesis se centra en tres parámetros atmosféricos: el espesor óptico de aerosoles (AOD del inglés Aerosol Optical Depth), la cubierta nubosa (CC del inglés Cloud Cover) y la irradiancia solar horizontal (GHI del inglés Global Horizontal Irradiance). Como alternativa más económica y versátil para medir los tres parámetros, se propone en esta tesis el uso de cámaras de todo cielo, capaces de capturar imágenes hemisféricas del cielo en muy poco tiempo lo que mejora la cobertura temporal. Las cámaras de todo cielo de este trabajo son parte de la red GOA-SCAN (GOA all-sky CAmeras Network) creada por el Grupo de Óptica Atmosférica de la Universidad de Valladolid (GOA-UVa), grupo en el que se ha realizado esta tesis doctoral. En este contexto, se han desarrollado tres metodologías diferentes para obtener los parámetros atmosféricos mencionados, a través de las imágenes de cámaras de todo cielo. El primer método es capaz de obtener el AOD mediante la medida de la luz obtenida de múltiples estrellas a partir de imágenes nocturnas de cámaras de todo cielo. Los resultados de AOD obtenidos con este método se han comparado con las medidas de referencia tomadas por fotómetros lunares, obteniendo en la mayoría de casos un coeficiente de correlación superior a 0.90. La exactitud de este método (MBE; Mean Bias Error) es de aproximadamente 0.02, y la precisión (SD; Standard Deviation) se encuentra en un rango de 0.03 y 0.04. Las metodologías desarrolladas para obtener tanto la CC como la GHI a partir de las imágenes del cielo, se basan en redes neuronales convolucionales (CNN del inglés Convolutional Neural Networks). Para el cálculo de la CC se ha diseñado la arquitectura de una CNN y se ha entrenado con un total de 49,016 imágenes diurnas que previamente han sido clasificadas con un etiquetado manual de la CC en tres estaciones distintas. Una vez entrenado este modelo, se ha comparado con observaciones de campo en una estación Antártica que no se ha usado en el entrenamiento. Como resultado de esta comparación se ha obtenido un MBE de −0.30 octas y una SD de 1.40 octas. Una red neuronal similar se ha entrenado para obtener directamente el factor de modificación de nubes (CMF del inglés Cloud Modification Factor). Este factor cuantifica la transmitancia de las nubes a la GHI. Una vez entrenado el modelo se han podido reconstruir los valores de GHI a través de la estimación del CMF con la cámara y la simulación de la GHI bajo cielos sin nubes. Estos valores de GHI se han reconstruido en una estación polar y se ha observado que al comparar estos resultados con las medidas de referencia obtenidas con un piranómetro, el coeficiente de determinación (R2) es de 0.95, el MBE del 2% y la SD del 26 %.