Mostrar el registro sencillo del ítem
dc.contributor.author | Benavides, Llinet | es_ES |
dc.contributor.author | Manso, Miguel | es_ES |
dc.date.accessioned | 2021-10-15T07:40:37Z | |
dc.date.available | 2021-10-15T07:40:37Z | |
dc.date.issued | 2021-10-01 | |
dc.identifier.isbn | 9788490489611 | |
dc.identifier.uri | http://hdl.handle.net/10251/174760 | |
dc.description.abstract | [EN] Solar forecasting is of great interest due to the growing use of renewable energies as an alternative to the global problems posed by current energy sources. In the last decade important advances have been achieved, thanks to the introduction of results from other areas of knowledge such as Artificial Intelligence. In particular, deep learning with the many variants of neural networks. In this paper, we propose a model that combines a convolutional layer with a GRU (Gated Recurrent Units) layer to a solution based on supervised classification. The classes were defined as intervals of solar radiation values. Objects are represented by ambient temperature, wind speed, atmospheric pressure, humidity and precipitation values. A dataset with thousands of records and a representativeness of two years is available, taken from meteorological stations distributed throughout Galicia. The evaluation was done using Macro-F1 measure because the classes are unbalanced. | es_ES |
dc.description.abstract | [ES] La predicción de la radiación solar presenta gran interés, debido al creciente uso de las energías renovables, como alternativa a los problemas globales que plantean las fuentes de energía actuales. En la última década se han logrado importantes avances, gracias a la introducción de resultados de otras áreas del conocimiento como la Inteligencia Artificial. En particular el aprendizaje profundo con las numerosas variantes de redes neuronales. Proponemos una solución basada en clasificación supervisada que combina en un modelo, una capa convolucional con una capa GRU (Gated Recurrent Units por sus siglas en inglés). Las clases se definen como intervalos de valores de radiación solar. Los objetos se representan a través de valores de temperatura ambiente, velocidad del viento, presión atmosférica y precipitación. Se dispone de un conjunto de datos de 112 estaciones con miles de registros de un período de dos años, tomados de estaciones meteorológicas distribuidas en todo el territorio de Galicia. Se ha empleado la métrica Macro-F1 para evaular la bondad de la clasificación porque las clases están desbalanceadas. | es_ES |
dc.format.extent | 5 | es_ES |
dc.language | Español | es_ES |
dc.publisher | Editorial Universitat Politècnica de València | es_ES |
dc.relation.ispartof | Proceedings 3rd Congress in Geomatics Engineering | |
dc.rights | Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) | es_ES |
dc.subject | Geocomputing | es_ES |
dc.subject | 3D Modelling | es_ES |
dc.subject | Cultural Heritage | es_ES |
dc.subject | Geodesy | es_ES |
dc.subject | Geophysics | es_ES |
dc.subject | Earth observation | es_ES |
dc.subject | Cartography | es_ES |
dc.subject | Environmental applications | es_ES |
dc.subject | Supervised classification | es_ES |
dc.subject | Recurrent neural networks | es_ES |
dc.subject | Solar radiation | es_ES |
dc.subject | Clasificación supervisada | es_ES |
dc.subject | Redes neuronales recurrentes | es_ES |
dc.subject | Radiación solar | es_ES |
dc.title | Arquitectura neuronal para predicción de radiación solar en base a variables meteorológicas | es_ES |
dc.title.alternative | Neural architecture for solar radiation prediction based on meteorological variables | es_ES |
dc.type | Capítulo de libro | es_ES |
dc.type | Comunicación en congreso | es_ES |
dc.identifier.doi | 10.4995/CiGeo2021.2021.12735 | |
dc.rights.accessRights | Abierto | es_ES |
dc.description.bibliographicCitation | Benavides, L.; Manso, M. (2021). Arquitectura neuronal para predicción de radiación solar en base a variables meteorológicas. En Proceedings 3rd Congress in Geomatics Engineering. Editorial Universitat Politècnica de València. 97-101. https://doi.org/10.4995/CiGeo2021.2021.12735 | es_ES |
dc.description.accrualMethod | OCS | es_ES |
dc.relation.conferencename | 3rd Congress in Geomatics Engineering | es_ES |
dc.relation.conferencedate | Julio 07-08, 2021 | es_ES |
dc.relation.conferenceplace | Valencia, Spain | es_ES |
dc.relation.publisherversion | http://ocs.editorial.upv.es/index.php/CIGeo/CiGeo2021/paper/view/12735 | es_ES |
dc.description.upvformatpinicio | 97 | es_ES |
dc.description.upvformatpfin | 101 | es_ES |
dc.type.version | info:eu-repo/semantics/publishedVersion | es_ES |
dc.relation.pasarela | OCS\12735 | es_ES |