Estimación de la irradiancia de dı́a claro sobre el

territorio uruguayo
Ing. Rodrigo Alonso Suárez
5 de noviembre de 2010

Resumen
En este trabajo se explican los estudios previos y preliminares a la implementación
final del modelo de Justus-Tarpley primeramente presentado en [Tar79] y luego
aplicado para Estados Unidos, Mexico y Sudamérica en [Tar86]. En esta primera etapa
y con vistas a la implementación para el territorio uruguayo del modelo completo de
Justus-Tarpley que utiliza imágenes de satélite, se trabajó con una subparte del mismo
que consta de tres de los cuatro parámetros totales del modelo, sin utilizar en esta
instancia las imágenes satelitales. Dado que el submodelo cuenta con dependencia
espacial, estos tres parámetros {a, b, c} pueden ser ajustados para todo el territorio
y utilizar ası́ un único set de parámetros. Otro enfoque serı́a ajustarlos localmente para
varias localidades (ajuste sólo temporal) y luego interpolar en el espacio los resultados
obtenidos. Esta subparte del modelo puede interpretarse como un modelo de dı́a claro,
con lo cual el ajuste debe realizarse limitándose sólo a utilizar datos de irradiancia
horaria correspondientes a dı́as claros. El resultado de este proceso es un estimativo de
la irradiación de dı́a claro que cuenta con dependencia espacio-temporal. Se detallan
en este informe los resultados obtenidos, los datos utilizados y los valores finales de
los parámetros ajustados localmente y para todo el territorio en base a la estadı́stica
disponible, ası́ como el proceso de ajuste de parámetros y el marco teórico necesario.

1
1. Introducción
El modelo utilizado es una subparte del modelo de Justus-Tarpley descripto
en [Tar86] y por lo tanto este trabajo representa un primer paso hacia la implementación
total del mismo. De ahora en más, denominaremos ’modelo’ al submodelo de trabajo. El
entrenamiento del modelo -leasé, el ajuste de los parámetros- se realiza en base a una
estadı́stica de dı́as claros. La estadı́stica utilizada corresponde a los datos generados por
los piranómetros que están ubicados en las estaciones de medida del INIA y que fueron
instalados y son administrados por la Facultad de Ingenierı́a, UdelaR. Estas estaciones de
medida son recientes y por lo tanto la estadı́stica disponible es parcial no cubriendo el largo
de un año en ninguna de las localidades. De todas formas, el software implementado permite
ingresar como dato cualquier tipo de estadı́stica disponible (en el formato adecuado). De esta
manera, a medida que se vayan generando más datos en las estaciones de medida se puede
ir actualizando el entrenamiento del modelo y de esta forma mejorar el ajuste.
El objetivo final de este trabajo es generar una herramienta que permita estimar
de forma espacio-temporal la irrandiancia horaria para un dı́a claro mediante el ajuste de
un modelo al territorio uruguayo. Cuando se habla de dependecia espacial se refiere a que
cuando se fija un instante de tiempo la irradiancia horaria estimada por el modelo tiene
variación sobre el territorio uruguayo. Análogamente, el modelo tiene dependencia temporal,
esto implica que la estimación de irradiancia sobre el territorio uruguayo evoluciona a lo
largo del año pudiéndose ser evaluado para cualquier instante de tiempo a lo largo del año.
La estimación es un valor de irradiancia horaria medida en kJ/m2 , cuando se evalúa el modelo
en un instante de tiempo fijo lo que se obtiene es un mapa de irradiancia sobre el territorio
uruguayo que se corresponde con la energı́a recibida por metro cuadrado en una ventana de
tiempo de una hora en torno al instante de tiempo seleccionado.
En el capı́tulo 2 se brinda una introducción teórica al modelo completo de Justus-
Tarpley y al modelo utilizado en este trabajo, asi mismo, se especifican los parámetros
necesarios para su implementación. En el capı́tulo 3 se especifican los datos utilizados para
el ajuste del modelo y en el capı́tulo 4 se explica el ajuste implementado. Los resultados
obtenidos se muestran en el capı́tulo 5, también es este capı́tulo pueden ser encontradas
varias conclusiones respecto al trabajo. Finalmente, en el capı́tulo 6, son presentadas las
conclusiones generales del trabajo y los trabajos futuros previstos al corto y largo plazo.

2. Marco teórico
En esta sección se brinda el marco teórico necesario para el correcto entendimiento
del proceso realizado. Muchas de las variables que aquı́ se describen son bien conocidas en
Solarimetrı́a con lo cual no se las definirá extensivamente y se las asumirá como conocidas
por el lector. Nos limitaremos entonces a recordar su forma de cálculo en la subsección 2.2.

2.1. Modelo de Justus-Tarpley

El modelo de Justus-Tarpley es un modelo de estimación de irradiancia horaria de
concepción estadı́stica. El modelo completo relaciona la irradiancia horaria con el coseno

2
del ángulo cenital, la información extraı́da de las imágenes satelitales, la irradiancia horaria
solar extraterrestre y el factor de corrección por variación estacional debido a la rotación de

2
la Tierra en una órbita elı́ptica en torno al Sol en uno de los focos Fn = rro .
La forma del modelo puede observarse a continuación en la ecuación 1,
 r 2
0
cos θz a + b cos θz + c cos2 θz + d Bm
2
− Bo2



I = Isc (1)
r

donde θz es el ángulo cenital, r0 es el valor medio de la distancia Tierra-Sol, r es la distancia

Tierra-Sol instante a instante (función del tiempo) e Isc es la notación que se ha escogido
para la irradiancia solar horaria extraterrestre en un plano horizontal a la lı́nea Tierra-Sol, y
se relaciona con la constante solar por Isc = 3600Gsc ≈ 4921,2 kJ/m2 .
La información relativa a las imágenes de satélite están reflejadas en los valores
de Bm y Bo . Para poder aplicar y entrenar el modelo se debe dividir la superficie territorial
en regiones, para cada región se utiliza la latitud y longitud del centro de la región y el
tamaño de la región puede ser ajustable. Bm es el brillo promedio de la imagen satelital en la
región, mientras que Bo surge de promediar brillos promedios en la misma región pero para
imágenes de dı́a claro, o sea, Bo surge de una estadı́stica de imágenes de dı́as claros. Por otro
lado, en gran medida el tamaño de región depende de la resolución de la imagen del satélite
habiendo un compromiso entre el tamaño de la región, la resolución de la imagen satelital
y la exactitud del modelo. Lo importante al elegir el tamaño de la región es la cantidad
de puntos de imágenes de satélite que caen dentro de la región de forma que la estadı́stica
de dichos puntos sea significativa. El tamaño de esta región estará asociado a la resolución
espacial del mapa resultante. No obstante, se puede considerar el resultado de irrandiancia
válido para el centro de la región, construir con esta información una grilla de puntos y luego
interpolarlos en el espacio para obtener un mapa ’continuo’.
En la medida que el modelo esté bien ajustado y represente de buena manera el
recurso solar en el territorio a lo largo del tiempo, el resultado de este modelo es como tener
una red de piranómetros formando una grilla espaciada según el tamaño de las regiones. La
resolución temporal de este modelo es igual a la cadencia de imágenes de satelite, que en el
caso del satélite GOES-12 es de media hora y las imágenes están públicamente accesibles
en internet para un basta cantidad de añosa .

2.2. Variables requeridas

Como se puede desprender de la subsección anterior, para tener una descripción
completa del modelo deben calcular principalmente dos variables solarimétricas: el coseno
del ángulo cenital cos θz y el factor Fn .
Si se trabaja para plano horizontal (β = 0) -como se realiza en este trabajo-, la
expresión para el cálculo del ángulo cenital en un punto geográfico dado y para una hora del
dı́a queda de la siguiente forma,

cos θz = sin δ sin φ + cos δ cos φ cos ω (2)

a
Las imágenes satelitales son administradas por la NOAA (National Oceanic and Atmospheric
Administration), http://www.class.ngdc.noaa.gov/saa/products/welcome

3
donde δ es la declinación, φ es la latitud del punto y ω es el tiempo solar en radianes. La
latitud φ es información geográfica conocida (para el caso de un punto es información del
punto, para el caso de una región es el medio de la región), por tanto, es necesario saber
como computar los valores de δ y ω.
La declinación δ es una variable con variación anual entre δmax = 23,45o ≈ 0,41 rad
y δmin = −23,45o ≈ −0,41 rad, para su cálculo se puede asumir que la misma depende sólo
del dı́a del año n (y no de una variable continua de tiempo pues varı́a poco a lo largo del dı́a).
La expresión aproximada para su cálculo es la que se muestra en la ecuación 3 y la dicha
variación anual puede observarse en la figura 1.
 
2π(n + 248)
δ = δmax sin (3)
365

Figura 1: Variación anual de la declinación solar δ en radianes.

Para el caso de la variable ω su cálculo se debe realizar a partir de un valor de

tiempo estandar y utilizando la ecuación del tiempo. A partir de una hora estandar hstd se
debe calcular una hora solar hsol utilizando la ecuación del tiempo y luego convertir la hora
solar a tiempo solar en radianes w. Para convertir la hora estandar en hora solar se debe
utilizar la siguiente ecuación,
 
4(ψgmt − ψ) + E
hsol = hstd − (4)
60

donde ψ es la longitud del punto geográfico en grados e incluida con su signo (notar que tanto
hsol como ω tienen dependencia espacial), ψgmt es la longitud del meridiano gmt estandar
para la hora del territorio en grados e incluido con su signo, y E es una variable en minutos
que se calcula a partir de la ecuación del tiempo y es función del dı́a del año n. Para el

4
cálculo de E se debe usar la ecuación del tiempo que aparece a continuación y su variación
anual puede observarse en la figura 2.

 
n−1
B = 2π
365
E = 229,2(0,000075 + 0,001868 cos B − 0,032077 sin B − 0,014615 cos 2B − 0,04089 sin 2B)
(5)

Figura 2: Variación anual del valor de E según la ecuación del tiempo.

Ambos gráficos, el gráfico de la variación anual de la declinación δ y el gráfico de

la variación anual de E fueron generados por el software implementado a manera de testeo
exhautivo del sistema. Dichos gráficos son consistentes con los que aparecen en la literatura,
en particular, en [Duf91].
Finalmente, para el cálculo del tiempo solar en radianes ω se puede realizar la
siguiente operación:

(hsol − 12)π
w= (6)
12
ω es una variable que vale cero en el mediodı́a solar, por convención se toma
negativo por la mañana y positivo por la tarde, y aumenta 15o por hora (que se corresponde
al factor pi/12 de la expresión). A lo largo del dı́a, el valor de ω varı́a entre un valor
−ωs que corresponde a la salida del Sol por la mañana y un valor ωs que corresponde al
ocultamiento del Sol al empezar la noche. El valor de ±ωs se corresponde con un ángulo
cenital θz = π/2 rad (salida y ocultamiento del Sol), por lo tanto si evaluamos la ecuación
2 en ω = ωs se tiene que cos θz = 0 y se puede despejar un expresión para ωs que aparece

5
en la ecuación 7, que depende temporalmente del dı́a del año mediante la variable δ y que
depende espacialmente mediante la variable φ.

La variación anual de ωs y
−ωs puede observarse en la figura 3,
donde la dependencia espacial fue fijada
en φ = −33,28o (latitud) y ψ =
−54,17o (longitud). Estas coordenadas
correponden a la estación de medida de
Treinta y Tres.

ωs = arc cos (− tan φ tan δ) (7)

Figura 3: Variación anual del valor de ωs que

corresponde al tiempo solar.

El rango comprendido entre la lı́nea azul superior ωs (n) y la lı́nea azul inferior
−ωs (n) es el rango donde varı́a ω durante el dı́a (horas de sol) a lo largo del año. Este
rango es muy importante dado que carece de sentido utilizar datos de irradiación o realizar
estimación utilizando valores de ω fuera de dicho rango.

En particular, los datos

registrados cuyos valores de ω sean
cercanos a ±ωs son datos poco precisos
que conyevan mucho error. Con lo
cual para el ajuste del modelo sólo se
utilizaron los datos que estuvieran en
una banda interior de este rango. El
software implementado permite variar
el rango porcentual a utilizar en el
entrenamiento del modelo, en el caso
del presente trabajo se utilizó 10 %, es
decir, una banda interior al 10 % de
±ωs . El la figura 6 que se muestra sobre
la derecha aparece un ejemplo de lo
mencionado. Figura 4: Datos utilizados y datos disponibles.

Las curvas en azul siguen representando el la variación anual del rango donde varı́a
ω durante las horas de Sol. En rojo aparece la variación de ω a lo largo de todo el dı́a (dı́a y

6
noche), este rango cubre el intervalo [π, −π]b . En cambio, en verde, aparece los valores de ω
que tiene sentido considerar a la hora del ajuste de los parámetros. Si bien, al desplegar los
datos se utiliza todo el rango ±ωs , al momento de entrenar el modelo sólo se utilizaron los
datos en verde que se encuentran comprendidos en una banda al 90 % del rango ±ωs . Por
otro lado, las datos cuya hora corresponda a un |ω| > ωs generalmente son nulos o registran
irradiancia despreciable.
En cuanto al factor Fn , éste es una función de dı́a del año n y puede ser aproximado
por:
 r 2  
o 2πn
Fn = ≈ 1 + 0,033 cos (8)
r 365
Una descripción detallada de la deducción de esta aproximación puede encontrarse
en [Aba10].

2.3. Submodelo a utilizar

En el presente trabajo se prescindió de la información de las imágenes satelitales
y se utilizó un submodelo del modelo de Justus-Tarpley explicado en la subsección
2.1. En el modelo que se presentó en la ecuación 1 pueden ser identificadas dos
2
partes principales: el término de la derecha d (Bm − Bo2 ) y el término de la izquierda
r0 2


Isc r cos θz (a + b cos θz + c cos2 θz ).
Este modelo puede ser interpretado como: un modelo de dı́a claro dado por
el término de la izquierdac complementado por el término de la derecha que brinda la
información de nubocidad en el terreno mediante las imágenes satelitales. En este trabajo
nos interesa entrenar un modelo de dı́a claro y entonces utilizaremos el siguiente modelo de
ahora en más,
 r 2
0
cos θz a + b cos θz + c cos2 θz


I = Isc (9)
r

donde habrá que ajustar los parámetros {a, b, c} utilizando una estadı́stica de dı́as claros.
De esta manera nos queda expresado un modelo de dı́a claro donde la irrandiancia
horaria I es función de los siguiente parámetros,

I = f (n, hstd , φ, ψ) (10)

pudiendo ser evaluado en rigor para cualquier instante de tiempo (n, hstd ) y cualquier punto
geográfico (φ, ψ). Se tiene que tener en cuenta que I representa la irradiancia horaria
expresada en kJ/m2 en torno al instante de tiempo escogido. En este trabajo los datos son
dados en valores de irrandiancia en torno a los instantes de tiempo hstd comprendidos en el
conjunto {0, 1, 2, ..., 22, 23}, y por lo general también serán evaluados en dichos instantes.
No obstante, se recalca que el modelo permite evaluar en cualquier instante de tiempo con la
b
La razón por la cual no se cubre todo el intervalo en el gráfico es que los datos son dados en hora estandar
en el intervalo [0, 23], y se corresponden con los naturales (∪{0}) en este intervalo.
c
Si bien, esto no es claro a simple vista, los datos seleccionados correspondientes a dı́as claros ajustan muy
bien al este modelo lo que confirma esta afirmación. Esto puede observarse en la sección 5.

7
salvedad de lo mencionado anteriormente. Si se quisiese integrar los valores en un dı́a para
obtener un valor diario de irradanción según el modelo, se deberá hacer utilizando instante
de tiempos adecuados de forma tal que los intervalos temporales no se solapen.

3. Datos utilizados
Los datos disponibles al momento de la realización de este informe son escasos. La
red piranométrica instalada y administrada por la Facultad de Ingenierı́a está en sus primeras
etapas, y han habido problemas de comunicación entre los equipos, con el almacenamiento
de datos y con la calidad de los datos. No obstante, dichos problemas se han solucionado
y actualmente la red piranométrica está generando datos normalmente y se encuentra en
proceso de expansión.
La estadı́stica accesible no es extensa ni en cuanto a cantidad de localidades
de medición ni en cuanto a extensión temporal de las mediciones. En ninguna de las
localidades trabajadas los datos superan el año y se trabajó sólo con tres localidades. Con la
reducida estadı́stica existente para estas estaciones, el ajuste del modelo puede no representar
fielmente a la realidad año tras año. El mayor de los problemas es no contar con más de
un año de mediciones, el actual año podrı́a ser atı́pico (se trabajó con los datos generados
durante el corriente año 2010), además, no se tiene el año completo de mediciones. De todas
formas, debido a la forma que está implementado el software, se puede seguir añadiendo la
estadı́stica a medida que se vayan generando los datos.

3.1. Descripción de los datos y estaciones de medida

Se utilizaron datos de tres estaciones de medida del INIA ubicadas en Las Brujas,
Salto y Treinta y Tres. En la siguiente tabla se especifican las posiciones geográficas de las
mismas, el piranómetro que se está utilizando y el perı́odo de datos disponible.

Localidad Piranómetro Latitud (o ) Longitud (o ) Perı́odo

Las Brujas K&Z CMP6 -34.67 -56.33 02/2010 - 09/2010
Salto K&Z CMP6 -31.27 -57.89 06/2010 - 08/2010
Treinta y Tres K&Z CMP6 -33.28 -54.17 05/2010 - 09/2010
Cuadro 1: Ubicación geografica y perı́odo temporal de los
datos utilizados.

No todos los perı́odos de datos están disponibles. La estación de medida de Las

Brujas estuvo inactiva desde el 26 de junio de 2010 al 18 de agosto de 2010, mientras que la
estación de medida de Treinta y Tres estuvo inactiva desde el 18 de julio de 2010 al 27 de
agosto de 2010.
En la figura 5 que se muestra a continuación se puede ver un ejemplo de datos
tı́picos de irradiancia horaria. En la misma se muestran los datos correspondientes a la
estación de medida de Treinta y Tres durante el perı́odo comprendido entre el 31 de mayo
de 2010 y el 29 de junio de 2010.

8
Figura 5: Datos para la estación de Treinta y Tres en el perı́odo desde el 31 de mayo de 2010 hasta
el 29 de junio de 2010.

3.2. Selección de dı́as claros

En ausencia de datos de nubocidad u otros datos que permitan detectar de forma
indirecta los dı́as claros, la selección de los ’dı́as claros’ se realizó en base a la observación
de las medidas de irradiancia horaria. Este proceso no se llevó a cabo con algún tipo de
algoritmo automatizado de detección, sino que los dı́as claros fueron seleccionados mediante
el análisis visual de la evolución diaria de los datos de irrandiancia horaria.
Se consideró para el análisis
y la selección de los dı́as claros, que
la evolución de irradiancia horaria para
un dı́a claro tı́pico tiene la forma que
se muestra en la figura de la derecha.
De esta manera, se seleccionaron para
entrenar el modelo los dı́as cuya
evolución temporal era similar la de esta
figura. Este proceso se selección se hizo
para todos los dı́as disponibles en las
tres localidades. Es claro que no es la
manera más óptima de llevar adelante la
selección, pero para un primera etapa se Figura 6: Forma tı́pica de un dı́a claro.
considera suficiente.

9
 En caso de contar con los datos de irradiación (en kW/m2 ) con mayor resolución
temporal se podrı́a pensar en hacer un análisis más ciudadoso al definir un dı́a claro. De
todas formas, la escasa estadı́stica existente pone de manifiesto la necesidad de contar con
una selección de dı́as claros amplia. Al contar con pocos datos no se considera que se deba
refinar por el momento el proceso de selección de los dı́as claros. Es claro, que en la medida
en que cresca el tamaño del set de datos se puede ir refinando el proceso de selección para
elegir dı́as claros más representativos, automatizarlo e incluso incluı́r otro tipo de variables -o
datos- en el mecanismo de selección (además serı́a inviable seguirlo haciendo manualmente
con un conjunto grande de datos).
Por ejemplo, utilizando los datos mostrados en la figura 5 para la estación de Treinta
y Tres, se muestran en la figura 7 los dı́as que fueron seleccionados como dı́as claros.

Figura 7: Dı́as claros seleccionados para los datos de la figura 5.

Se seleccionaron un total de 72 dı́as entre las tres localidades, 32 dı́as para la

localidad de Las Brujas, 23 dı́as para la localidad de Salto y 17 dı́as para la localidad de
Treinta y Tres. En la siguiente tabla se puede ver un resumen de los datos seleccionados.

Localidad Dı́as seleccionados Dı́as disponibles Porcentaje

Las Brujas 32 175 18.3 %
Salto 23 86 26.7 %
Treinta y Tres 17 79 21.4 %
Cuadro 2: Dı́as seleccionados y dı́as disponibles para cada
localidad.

10
 La estación que se utilizaron más datos fue para Las Brujas, esta es la estación
para la cual se disponen de más datos. Sin embargo, es la que se usó menos porcentaje
de dı́as. Esto puede deberse a que es la estación más cercana a la costa uruguaya. Si se
observa esta tabla, cuanto más adentrado en el territorio uruguayo más porcentaje de dı́as
claros seleccionados hubo. De todas formas, con tan sólo tres localidades y seleccionando
visualmente los dı́as claros, no alcanza para comprobar esta afirmación.

4. Implementación del ajuste

Para realizar el ajuste del modelo se debe contar con datos de irrandiancia horaria
georeferenciados y temporalmente ubicados. Tal es el caso de los datos accesibles ya
descriptos y que denominaremos de ahora en más como Idata .
Como se puede apreciar en la ecuación 9 que el modelo implica ajustar los datos de
irradiación horaria a una expresión polinomial en cos θz debiendo ser ajustados, por localidad
o para todo el territorio, los parámetros {a, b, c}. Una estrategia común para lograr este ajuste
es trabajar con el error e entre los datos Idata y el modelo I dado por la mencionada ecuación.

 r 2
0
cos θz a + b cos θz + c cos2 θz


e = Idata − I = Idata − Isc (11)
r
Como se puede deducir facilmente de la ecuación anterior, cada valor de e es una
función de n, hstd , φ, ψ e Idata , ası́ como de los parámetros a ajustar {a, b, c}. Intentando una
estrategia LMS (Least Mean Square) en donde se desea minimizar la suma de los errores
cuadráticos se puede construir una función ELM S a minimizar en el espacio de parámetros
{a, b, c} de la siguiente forma,

X
ELM S (a, b, c) = e2 (n, hstd , φ, ψ, Idata , a, b, c)
Ω
X  r 2
2
 (12)
0 2
= Idata − Isc cos θz a + b cos θz + c cos θz
Ω
r

donde la suma es en el conjunto Ω que comprende la totalidad de los datos de

irrandiancia horaria georrefenciados y temporalmente ubicados, correspondientes a dı́as
claros seleccionados. Es decir, cada valor de Idata le corresponde un único valor en el conjuto
{n, hstd , φ, ψ}, o sea que:

{Idata } ↔ {n, hstd , φ, ψ} (13)

Se desea entonces encontrar un valor para el set de parámetros {a, b, c} que
minimize el funcional ELM S . Como es posible ver en la definición del funcional en la
ecuación 12, se ha elegido la norma cuadrática para ’pesar’ los errores e. Se podrı́a pensar en
otras normas ponderadores para definir el funcional ELM S . En este caso, los datos utilizados
ajustan de buena forma al modelo (como se verá más adelante) y no se vio la necesidad de
implementar una minimización de mayor complejidad que ésta, ni la necesidad de utilizar

11
algún otro tipo de norma que dé poco peso a los ouliers en el proceso de ajuste.
Una forma de lograr la solución a esta minimización es por ejemplo aplicar las
ecuaciones de Euler-Lagrange, que en este caso se reducen a simplemente computar las
derivadas ∂E∂aLM S
, ∂E∂b
LM S
y ∂E∂c
LM S
, e igualarlas a cero.

∂ELM S
=0


∂a




∂ELM S

Euler − Lagrange −→ =0 (14)


 ∂b

 ∂ELM S

 =0
∂c
Como resultado del computo de estas derivadas se obtiene finalmente el sistema de
ecuaciones en a, b y c:
∂ELM S X  r 2
0
= −2 (Idata − I) Isc cos θz = 0
∂a Ω
r
∂ELM S X  r 2
0
= −2 (Idata − I) Isc cos2 θz = 0 (15)
∂b Ω
r
∂ELM S X  r 2
0
= −2 (Idata − I) Isc cos3 θz = 0
∂c Ω
r
Este sistema de ecuaciones es un sistema lineal en a, b y c. Esto se desprende
sencillamente de que I es una función lineal de estos parámetros.
Dado que se trata de un sistema lineal 3 × 3 el mismo se puede llevar a una forma
más compacta. Si definimos el vector de parámetros p como p = (a, b, c)T , este sistema se
puede llevar a la siguiente forma en términos de la matriz A y el vector b que son calculados
de forma apropiada:
Isc A p = b (16)

Las cuentas relativas a la deducción de esta ecuación pueden ser encontradas en

el apéndice A. También puede ser encontrada la forma de calcular la matriz A y el vector b
como resultado de dicha deducción. Este sistema de ecuaciones es el mismo que se obtendrı́a
aplicando las ecuaciones normales. El set de parámetros p que es solución a este sistema de
ecuaciones será entonces solución al problema de minimización que nos plantearamos, de
esta forma, los valores del ajuste para a, b y c se obtienen de la siguiente manera:
 
a
1 −1
p=  b = A b (17)
Isc
c
donde A, b e Isc son conocidos.

12
5. Resultados obtenidos
En esta sección se mostraran los resultados obtenidos al aplicar lo explicado en las
secciones anteriores. También se presentan algunos tests realizados sobre el sistema de modo
de evaluar el correcto funcionamiento del mismo.

5.1. Ajuste para todo el territorio

Este ajuste es el que se realiza en el modelo de Justus-Tarpley presentado en
[Tar86]. Al realizar este ajuste, lo que se hace es entrenar los parámetros {a, b, c} para todo
el territorio, obteniendo un solo set de valores aplicables para todo el territorio. Como el
modelo tiene dependencia espacial dada por φ y ψ esto es posible.
Lo que se hizo en este caso fue juntar los valores de {Idata } ↔ {n, hstd , φ, ψ} para
todos los dı́as claros seleccionados de las tres localidades y utilizarlos a la vez en el proceso
de ajuste. Como se mencionó anteriormente, el conjunto de datos total consta de 72 dı́as. En
la siguiente figura se puede observar el ajuste de los datos.

Figura 8: Ajuste de parámetros utilizando los datos de todo el territorio.

La figura anterior es una gráfica de irradiancia horaria en función de cos θz . En

azul se muestran los datos para los dı́as seleccionados. Como se puede apreciar en dicha
figura, el gráfico de los datos muestra que la irradiancia de los dı́as claros ajusta bastante
bien a un comportamiento polinomial en cos θz . El ajuste realizado es la lı́nea que se aparece
en rojo mientras que la lı́nea en amarillo es el comportamiento que resultarı́a si se usaran
los parámetros dados en [Tar86] por Justus-Tarpley. En la gráfica puede apreciarse que
ambos modelos, para un mismo valor de cos θz , pueden tener varios puntos con distinta
irradiancia (las lı́neas roja y amarilla son gruesas). Esto se debe a qué el valor de irradiancia
no sólo depende del cos θz sino que también depende del dı́a del año n a traves del factor

13
Fn = (ro /r)2 .
En el siguiente cuadro, el cuadro 3, se muestran los valores finales obtenidos para
los parámetros {a, b, c} ajustando el modelo a todo el territorio y su comparación con los
valores dados por Justus-Tarpley.

Parámetro Justus-Tarpley Territorio uruguayo Diferencia %

a 0.4147 0.4207 1.4 %
b 0.7165 0.7890 10.1 %
c -0.3909 -0.4674 19.6 %
Cuadro 3: Comparación entre los parámetros calculados y
los parámetros dados por Justus-Tarpley.

La comparación entre estos parámetros no es del todo justa. Los parámetros

del modelo Justus-Tarpley dados en [Tar86] están ajustado para datos de las llanuras
estadounidenses. El valor de estos parámetros en principio podrı́a depender de condiciones
atmosféricas de la zona, humedad, velocidad del viento y otros parámetros meteorológicos.
No necesariamente el ajuste de los parámetros debiera dar igual para datos del territorio
uruguayo, aunque, se debe reconocer que ambos climas son bastante similares y por eso no
sorprende que los parámetros hayan dado muy cercanos entre sı́. Ası́ mismo, los parámetros
dados por Justus-Tarpley están ajustados utilizando el modelo completo. Esto, si bien afecta
pues cambian las cuentas de la minimización, no deberı́a afectar mucho el valor de los
2
parámetros a, b y c. Para dı́as claros, el término d (Bm − Bo2 ) que está asociado a la
nubocidad extraida de las imágenes satelitales, deberı́a aportar al modelo aproximadamente
cero, siendo los términos responsables de aportar a la irradiancia de dı́a claro los términos
asociados a los parámetros {a, b, c}. Esto se puede ver de la siguiente manera, cuando
ajustamos el submodelo estamos tratando de seleccionar dı́as donde Bm = Bo para el
entrenamiento -al menos, en las regiones correspondientes a los lugares donde se tienen
las medidas-, olvidándonos de la variable d.
De esta manera, esta comparación sirve para confirmar que la implementación
fue realizada correctamente y que se logró entender e implementar el modelo de dı́a claro
correctamente, pues los parámetros obtenidos son del orden a los dados por el entrenamiento
del modelo completo de Justus-Tarpley. Incluso, en [Tar86] se asumen que estos valores son
válidos para sudamérica y se genera con ellos un estimativo de mapas de irradiación diaria
mensual. Esto da la pauta, de que los valores podrı́an ser más o menos ajustados localmente,
pero que lo más probable es que fuesen del mismo orden como se concluye en este trabajo
(a pesar de la reducida estadı́stica).
Pasaremos a observar ahora, la evolución temporal y espacial de este modelo. En la
figura 9 puede observarse el ajuste del modelo a los datos de la localidad de Treinta y Tres
para el perı́odo desde el 29 de agosto de 2010 hasta el 27 de setiembre de 2010 (los datos
terminan el 26 de setiembre). En azul se muestran los datos y en rojo la evolución temporal
del modelo para esta localidad. Puede observarse que para los dı́as en que el comportamiento
de los datos es el esperable para un dı́a claro, el modelo ajusta de buena manera. Debe
observarse también la dependencia temporal de este modelo de dı́a claro: el alto del pico de
irradiancia va en aumento conforme avanza el tiempo (se hacerca a los meses de verano).

14
Este evoluciona desde 2682 kJ/m2 el 29 de agosto a 3198 kJ/m2 el 27 de setiembre. Este
comportamiento es el esperado para un modelo de dı́a claro conforme se hacerca el verano.

Figura 9: Modelo de dı́a claro y datos para la estación de Treinta y Tres en el perı́odo desde el 29 de
agosto de 2010 hasta el 27 de setiembre de 2010.

Si observamos la figura 10 donde aparece el gráfico del modelo para el mismo

perı́odo de tiempo (desfasado un dı́a) para la estación de la brujas, podremos observar la
dependencia espacial del modelo.

Figura 10: Modelo de dı́a claro y datos para la estación de Las Brujas en el perı́odo desde el 30 de
agosto de 2010 hasta el 28 de setiembre de 2010.

15
 Dado que la estación de Las Brujas se encuentra más al sur que la estación de
Treinta y Tres, es de esperar que el modelo de dı́a claro estime menos irradiancia. En
efecto, es lo que sucede. En el caso de la localidad de Las Brujas la radiación evoluciona
temporalmente desde 2597 kJ/m2 el 29 de agosto hasta 3122 kJ/m2 en el 26 de setiembre.
Ambos valores son menores que en el caso de la localidad de Treinta y Tres. Se mantiene
también la tendencia creciente en el tiempo de la irradiancia horaria que es consistente con
la época del año en estudio. Se realizaron varias pruebas más en estos sentidos (dependencia
espacio-temporal del modelo) y en todos los casos fueron satisfactorias.
Si se fija un instante de tiempo dado, se puede generar un ’mapa’ de dı́a claro
sobre el territorio uruguayo. Como no se disponı́a de la herramienta GTM (Generic Mapping
Tools) al momento de la realización del presente informe, los ’mapas’ de irradiancia de dı́a
claro fueron generados en Matlab para la región geográfica correspondiente al territorio
uruguayo. Se utilizó una región que comprende el rango de coordenadas [−30o , −35o ] en
latitud y [−53o , −59o ] en logitud.
En la figura 11 que se muestra a continuación se puden observar el resultados de
estos mapas para las 12 del mediodı́a del 15 de enero y del 15 junio.

(a) 15 de enero. (b) 15 de junio.

Figura 11: Mapas de dı́a claro para las 12:00 del mediodı́a.

El primer elemento a observar son los rangos en que varı́a espacialmente la

irradiancia horaria. En el caso del 15 de enero (verano) varı́a aproximadamente entre
3720 kJ/m2 es la zona noreste a aproximadamente 3630 kJ/m2 en la zona suroeste. Sin
embargo, el 15 de junio (invierno) estos valores son sensiblemente menores, variando desde
aproximadamente 2050 kJ/m2 a 1650 kJ/m2 . Otro aspecto a observar es la variación espacial
del la irradiancia a tiempo fijo. En el caso de 15 de enero la misma es de 100 kJ/m2
aproximadamente a lo largo del territorio, mientras que en el caso del 15 de junio es de
400 kJ/m2 aproximadamente. Este efecto podrı́a estar explicado por la posición del territorio
uruguayo respecto al Sol en ambas estaciones, en verano la posición de la Tierra es tal que
el paı́s se encuentra ’de cara’ al Sol y por eso la menor variación espacial en la irradiancia
horaria, mientras que en invierno se encuentra en posición inversa teniendo entonces una
mayor variación espacial de la irradiancia.

16
 A tiempo fijo, estos mapas de irradiancia reflejan la modulación polinomial de la
distribución espacial de la variable cos θz . Las isolı́neas de irrandiancia en estos mapas son
entonces consecuencia directa de las isolı́neas de la variable cos θz (puntos del paı́s con igual
coseno del ángulo cenital) y no deben ser comparadas con las isolı́neas del actual Mapa
Solar del Uruguay. A medida que la Tierra rota, la posición relativa del Sol respecto a la
Tierra cambiará y por lo tanto la distribución espacial de la variable cos θz será variable en
el Tiempo según esta posición y por ende, sus isolı́neas. Como consecuencia de esto, los
mapas de irradiancia de dı́a claro tendrán una variación diarı́a de sus isolı́neas siguiendo
la modulación polinomial del cos θz . Este punto se profundiza y ejemplifica en la siguiente
sección.

5.2. Algunos testeos realizados

Además de los testeos realizados en la sección anterior, se hicieron varias pruebas
para chequear la consistencia y la coherencia del modelo y el sistema implementado, de las
cuales se ejemplifican algunas en esta sección. A continuación se muestra la evolución diarı́a
distribución espacial de la variable cos θz con el dı́a del año fijo.

(a) 09:00. (b) 11:00.

(c) 13:00. (d) 15:00.

Figura 12: Distribución espacial de la variable cos θz para el 15 de enero.

Los gráficos mostrados son para el dı́a 15 de enero para diferentes horas (09:00,
11:00, 13:00 y 15:00). Como es de esperarse, los valores de cos θz evolucionan dentro de

17
lo esperado. En las horas de la mañana los puntos con cos θz más elevado se encuentran al
este del paı́s y en la horas de la tarde los puntos con cos θz más elevado se encuentran al
peste del paı́s, lo cual es consistente con el sentido de rotación de la Tierra. Si graficamos la
irrandiancia que el modelo estima para dichas horas del mismo dı́a veremos que si bien los
valores cambian bastante, la distribución espacial es básicamente la misma.

(a) 09:00. (b) 11:00.

(c) 13:00. (d) 15:00.

Figura 13: Mapas de dı́a claro para el 15 de enero.

Como se puede apreciar en estas últimos gráficos que aparecen en la figura 13 la

irradiancia estimado a tiempo fijo es básicamente una modulación de la variable cos θz y
si bien los valores son claramente distintos, el comportamiento espacial es similar. Puede
observarse también, que los menores valores de irradiancia horaria son estimados a las
09:00hs aumentando a medida que avanza el dı́a en los horarios de las 11:00hs y 13:00hs y
luego una pequeña disminución sobre las 15:00hs. Este comportamiento a lo largo del dı́a es
perfectamente consistente con lo esperado.
Para finalizar esta sección observemos como se comporta la variable cos θz para una
misma hora en dos épocas del año distinta. Lo haremos nuevamente para la hora 12:00 de los
dı́as 15 de enero y 15 de junio de modo de poder comparar con los estimativos de irradiancia
horaria mostrados en la figura 11 (que son para las mismas fechas y hora).

18
 (a) 15 de enero. (b) 15 de junio.

Figura 14: Distribución espacial de la variable cos θz para las 12:00 del mediodı́a.

Puede observarse notoriamente valores sensiblemente mayores para el coseno del

ángulo cenital para las 12:00hs del 15 de enero que para las 12:00hs del 15 de junio.
Nuevamente, esto es consistente con la posición de la Tierra respecto al Sol.

5.3. Ajuste por localidad

Como se mencionó anteriormente, el ajuste del modelo puede realizarse para una
localidad en particular. De esta manera se obtendrı́an valores para los parámetros {a, b, c}
para cada localidad. Si se tuvieran suficientes datos de varias localidades -no sólo de 3
localidades- se podrı́a tener este modelo ajustado localmente y luego utlizar las estimación
locales para interpolar en el espacio y obtener mapas a tiempo fijo como en el caso de
la sección anterior. Dado que no se dispone por el momento de la herramienta GMT, la
elaboración de este tipo de mapa y su comparación con los mostrados en la subsección 5.1
todavı́a no se ha llevado a cabo.
En el cuadro 4, puede observarse los valores obtenidos para los parámetros a, b y c
ajustando el modelo sólo para la localidad de Las Brujas. Como se mencionó anteriormente,
el set de dı́as claros de entrenamiento para esta localidad consta de 32 dı́as seleccionados.

Parámetro Justus-Tarpley Las Brujas Diferencia %

a 0.4147 0.4393 5.9 %
b 0.7165 0.7013 2.1 %
c -0.3909 -0.3890 0.5 %
Cuadro 4: Comparación entre los parámetros calculados para
Las Brujas y los parámetros dados por Justus-Tarpley.

En la figura 15 que se muestra a continuación, puede observarse el ajuste de los

19
datos al modelo.

Figura 15: Ajuste de parámetros utilizando los datos de la localidad de Las Brujas.

Dado que esta es la localidad para la cual se dispone de mayor cantidad de dı́as
claros seleccionados, el ajuste para esta localidad es mejor que para las demás localidades.
No sólo en la similitud de los parámetros calculados para todo el territorio dados por el
cuadro 3, sino con los parámetros dados por Justus-Tarpley. El ajuste del modelo, como
puede ser observado en la figura 15, es bueno.
En cambio, para las localidades de Salto y Treinta y Tres se dispone de menos
cantidad de datos, e incluso el mayor problema es que la cantidad de datos accesibles no
reccore todo el intervalo temporal correspondiente a un año. En el caso de Las Brujas, como
los datos son desde febrero de 2010 a setiembre de 2010, gran parte del año es recorrida.
Este problema implica que hay algunos valores de cos θz que no son alcanzados por los
datos, es decir, los valores de cos θz cercanos a 1. A continuación, en los cuadros 5 y 6,
pueden observarse los valores obtenidos para los parámetros a, b y c para las dos localidades
restantes, a saber, Salto y Treinta y Tres.

Parámetro Justus-Tarpley Salto Diferencia %

a 0.4147 0.3543 14.6 %
b 0.7165 1.1241 56.9 %
c -0.3909 -0.8294 19.6 %
Cuadro 5: Comparación entre los parámetros calculados para
Salto y los parámetros dados por Justus-Tarpley.

20
 Parámetro Justus-Tarpley Treinta y Tres Diferencia %
a 0.4147 0.4061 2.1 %
b 0.7165 0.8367 16.8 %
c -0.3909 -0.4965 27.0 %
Cuadro 6: Comparación entre los parámetros calculados para
Treinta y Tres y los parámetros dados por Justus-Tarpley.

Se recuerda además, que se dispone para realizar el entrenamiento de 23 dı́as claros

seleccionados para Salto y 17 para la localidad de Treinta y Tres. En la figura 16, es posible
observar el ajuste de los datos seleccionados para estas localidades al modelo.

(a) Salto. (b) Treinta y Tres.

Figura 16: Ajuste del modelo utilizando sólo una localidad.

Como puede ser observado en estas figuras, el ajuste para estas localidad no es tan
bueno. En el caso de Treinta y Tres es consecuencia de la disperción de los datos de dı́a
claro, y en el caso de Salto es consecuencia de la escasa cantidad de datos accesibles, y en
particular, no existe datos con cos θz > 0,72 para esta localidad.

5.4. Comparación con irradiancia extraterrestre

Una buena idea es comparar este modelo de dı́a claro con la irradiancia
extraterrestre Io . Es claro que el valor de la irradiancia de dı́a claro debe ser menor a la
irrandiancia extraterrestre y, al tratarse de un modelo de dı́a claro, deberı́a acompañar su
variación estacional. En base al valor Io puede calcularse un ı́ndice de claridad para dı́a claro
como,
I Iest
KT = = (18)
Io Io

21
donde es este caso para el valor de I utilizamos la estimación de nuestro modelo de dı́a claro
Iest .
En la figura 17 que se muestra a continuación puede observarse una comparación
entre la salida del modelo de dı́a claro y la irradiancia extraterrestre. La comparación se
realiza para la localidad de Las Brujas, utilizando el modelo entrenado para los datos de
todo el territorio (a, b y c extraı́dos del cuadro 3), para el perı́odo desde el 30 de agosto de
2010 hasta el 28 de setiembre de 2010.

Figura 17: Comparación entre la estimación del modelo de dı́a claro y la irradiancia extraterrestre
para la localidad de Las Brujas en el perı́odo desde el 30 de agosto hasta el 28 de setiembre.

Muchas observaciones pueden ser realizadas sobre esta última figura. La primera es
que el modelo de dı́a claro sigue perfectamente la evolución de la irradiancia extraterrestre a
menos de un cambio en el valor de la irradiancia, pero la forma es la misma. El cambio en
los valores de irrandiacia viene dado por la radiación reflejada y absorvida en la atmósfera,
al tratarse de un dı́a claro se asume que está radiación es mayormente directa. Es claro
que el modelo de dı́a claro estima menos radiación en todos los casos que la irradiancia
extraterrestre. Por otro lado, tanto la irradiancia extraterrestre como el modelo aumentan la
estimación de su radiación conforme avanza el año, nuevamente, este resultado es claramente
esperado debido a la época del año de estudio. Finalmente, la ’altura’ relativa entre ambos
gráficos parece mantenerse constante sin grande variaciones a los largo del año. Esto
podremos estudiarlo de mejor manera al observar la variación del ı́ndice de claridad definido
en la ecuación 18 en este perı́odo.
En la figura 18 que se muestra a continuación puede ser observado el ı́ndice
de claridad para le mismo perı́odo del año que el gráfico 17 y para la misma localidad
(Las Brujas), utilizando el modelo entrenado con el set completo de datos (los dı́as claros
seleccionados para todas las localidades).

22
Figura 18: Comparación entre la estimación del modelo de dı́a claro y la irradiancia extraterrestre
para la localidad de Las Brujas en el perı́odo desde el 30 de agosto hasta el 28 de setiembre.

Como se puede observar en esta última figura, el ı́ndice de claridad crece

velozmente el la mañana hasta situarse en un valor relativamente estable durante el dı́a y
luego decrece rápidamente. El valor en que parece mantenerse estable durante el dı́a ronda
el valor KT ≈ 0,73 y además parece manterse estable a lo largo del tiempo. Este valor para
el ı́ndice de claridad KT es un valor razonable para el mismo, lo normal es que dicho valor
se mantenga en el rango [0,6; 0,8]. Este parámetro depende principalmente de condiciones
atmosféricas de la zona geográfica de interés. El la siguiente sección se puede constatar lo
mencionado respecto a la variabilidad temporal de este parámetro.

5.5. Variación estacional

Como es sabido, la irradiancia extraterrestre tiene una variación estacional. Dado
que nuestro modelo de dı́a claro deberı́a seguir el comportamiento de la irradiancia
extraterrestre a menos de la reflección y absorción en la atmósfera, es de esperar que la
estimación brindada por el modelo de dı́a claro tenga también una variación estacional.
Evaluando el modelo para el perı́odo de tiempo de datos disponibles de la localidad de
Las Brujas se obtiene el resultado que se muestra en la figura ??. El gráfico corresponde al
modelo ajustado con los datos proveniente de dı́as claros de todas las localidades de trabajo.
El eje temporal del gráfico comienza en el inicio del mes de febrero y termina
al final del mes de setiembre. Lo graficado es la salida del modelo en irradiancia horaria
y visto en zoom out. Como se puede apreciar claramente, los picos de irrandiancia de

23
la estimación realizada por el modelo de dı́a claro ajustado tienen la variación estacional
esperada, registrando menor irradiancia de pico en invierno y aumentando hacia el verano.

Figura 19: Variación estacional de la estimación.

A continuación se muestra un gráfico similar pero para el ı́ndice de claridad KT .

Figura 20: Ajuste de parámetros utilizando los datos de la localidad de Las Brujas.

24
 El perı́odo de tiempo en ambos gráficos es el mismo. En la figura ?? puede
observarse como el ı́ndice de claridad KT se mantiene aproximadamente constante a lo largo
del año -o al menos, durante el perı́odo mostrado-, registrando leves variaciones estacionales
en el rango ≈ [0,70; 0,73].

6. Conclusiones
Para finalizar, y a modo de resumen, expondremos en esta sección algunas
conclusiones del presente trabajo y también trabajo futuro continuando esta lı́nea de trabajo.

6.1. Conclusiones del trabajo

Durante el presente trabajo se logró entender, implementar y testear una subparte
del modelo completo de Justus-Tarpley que puede ser entendida como un modelo de dı́a
claro. En base a los datos disponibles se logró ajustar un modelo de dı́a claro para el territorio
uruguayo. Este trabajo representa una primer etapa previo a la implementación completa
del modelo de Justus-Tarpley, no obstante, se logró obtener un ’mapa’ de dı́a claro para el
territorio uruguayo con dependencia espacio-temporal.
El proceso de ajuste implementado permite fácilmente obtener dos objetivos:
incluir con pocas modificaciones el modelo completo agragando el parámetro d y trabajar
con alguna otra norma ponderadora para la minimización en caso de que se considere
conveniente a medida que se vayan obteniendo más datos. Además, esto modelo funciona en
base a ajustar una serie de parámetros en base a una estadı́sitica, el software implementado
permite sencillamente ingresar más estadı́stica al sistema de forma de obtener mejores
ajustes.
El modelo respondió razonablemente a todos los tests realizados sobre el. Tanto
los valores de los estimativos de irrandiacia y las variaciones temporales y espaciales de
la variable cos θz fueron razonables con lo esperado y evolucionaron de manera adecuada
a lo largo de todas las pruebas realizadas. También las comparaciones realizadas con la
irradiancia extraterrestre fueron consistentes, y el ı́ndice de claridad obtenido se encuentra
dentro de los márgenes aceptados.
El ajuste realizado concuerda muy bien con el ajuste que hiciera Justus-Tarpley en
[Tar86]. Tanto las gráficas de ajuste como el valor de los parámetros obtenidos concuerdan
de buena manera con el mencionado trabajo.

6.2. Trabajo a futuro

Como primer paso de manera de generar mapas de dı́a claro, se debe integrar este
trabajo con la herramienta GMT de forma de generar mapas con el contorno del territorio
uruguayo en el. Realizar esto es algo bastante directo una vez accesible el software GMT
debido a que las grillas de puntos de los mapas aquı́ mostrados están georreferenciadas.
También utilizando la herramienta GMT se puede realizar pruebas sobre el enfoque de hacer
los ajustes de los parámetros localmente en el territorio y interpolarlo en el espacio. Esta,
quizá, sea una mejor estrategia para el modelo completo y no para el submodelo de dı́a

25
claro.
A medida que vayan surgiendo datos los mismo deben ser integrados al ajuste para
mejorar la estimación de los parámetros. Además, se deben analizar las otras series de datos
disponible de forma de evaluar su integración al set de datos. Serı́a muy beneficioso contar
con series de otras localidades de modo de agregar información espacial al modelo ajustado.
En camino de buscar una explicación para la rotación de las isolı́neas en el Mapa
Solar del Uruguay, una idea a futuro que se estima pueda dar sus frutos es promediar
temporalmente estos mapas durante el transcurso de un mes. Este promedio debe realizarse
adecuadamente, se debe acumular las distribuciones espaciales de los valores de irrandiancia
a lo largo de un dı́a en intervales de tiempo adecuados (para evitar solapamiento) y luego
promediar el mapa resultante a lo largo de un mes.
Finalmente, un trabajo a futuro evidente continuando estás lı́neas de trabajo es
elaborar el modelo completo de Justus-Tarpley incluyendo la información proveniente de
las imágenes de satélite.

26
A. Cálculos
En esta sección detallaremos los cálculos necesarios para, partiendo de las
ecuaciones que se muestran en la ecuación 15, llega al sistema de ecuaciones final que
aparece en la ecuación 16. Partiendo del sistema de ecuaciones que se muestra a continuación
(que es el mismo de la ecuación 15),
∂ELM S X  r 2
0
= −2 (Idata − I) Isc cos θz = 0
∂a Ω
r
∂ELM S X  r 2
0
= −2 (Idata − I) Isc cos2 θz = 0 (19)
∂b Ω
r
∂ELM S X  r 2
0
= −2 (Idata − I) Isc cos3 θz = 0
∂c Ω
r
se puede despejar para obtener,
X  r0  2 X  r 2
0
I cos θz = Idata cos θz
Ω 
r Ω
r
X r0 2 2
X  r 2
0
I cos θz = Idata cos2 θz (20)
Ω
r Ω
r
X  r 2  r 2
0
X 0
3
I cos θz = Idata cos3 θz
Ω
r Ω
r

Los términos de la derecha no dependen de ninguna de las variables {a, b, c} y

en efecto son números una vez computada la suma. Estos tres números definen el vector
b. Los términos de la izquierda son los que generan el sistema de ecuaciones Isc Ap con
p = (a, b, c)T . Como I es de la forma mostrada en la ecuación 9 e Isc es una constante real,
estas ecuaciones pueden escribirse como,
X  r0 2 X  r0  2 
2

 r0  2
I cos θz = Isc cos θz a + b cos θz + c cos θz cos θz 
r r r


Ω  Ω


r0 2 r0 2 r0 2
X  X     

2 2 2


I cos θz = Isc cos θz a + b cos θz + c cos θz cos θz = Isc A p
Ω
r Ω
r r 

X  r0 2 X  r0  2
 r0  2 
cos3 θz = Isc cos θz a + b cos θz + c cos2 θz cos3 θz 

I

r r r


Ω Ω
(21)
donde A es una matriz 3 × 3 autoadjunta de la siguiente forma,

X  r0 4
a1 = cos2 θz X  r0 4
r

a1 a2 a3
 Ω  a4 = cos5 θz
X r0 4 r
A =  a2 a3 a4  −→ a2 = cos3 θz Ω 
r X r0 4
a3 a4 a5 Ω  a5 = cos6 θz
X r0 4 r
a3 = cos4 θz Ω
Ω
r
(22)

27
 Como ya se mencionó anteriormente, el vector b queda de la siguiente manera:
X  r 2
0
b1 = Idata cos θz
  Ω
r
b1 X  r 2
0
b=  b2  −→ b 2 = Idata cos2 θz (23)
Ω
r
b3 X  r 2
0
b3 = Idata cos3 θz
Ω
r
Obteniéndose finalmente el sistema Isc A p = b que se muestra en la ecuación 16.

Bibliografı́a
[Aba10] G. Abal - Fundamentos de Energı́a Solar, Unidad I: Radiación Solar. Facultad de
Ingenierı́a, Universidad de la República, Uruguay. Version 1.0, 2010.

[Duf91] J. A. Duffie, W. A. Beckman - Solar Engineering of Thermal Processes. John Wiley

& Sons, second edition, 1991.

[Tar79] J. D. Tarpley - Estimationg incident Solar radiation at the surface from

geostationary satellite data. Journal of applied Meteorology and Climatology, 1979.

[Tar86] J. D. Tarpley, C. G. Justus, M. V. Paris - Satellite-Measured Insolation in the United

States, Mexico, and South America. Remote Sensing of Environment 20, Elseiver, 1995.

28