Validación de datos

SolarAnywhere® V3.5

Resumen ejecutivo

SolarAnywhere® es un producto de software como servicio mantenido por Clean Power Research que proporciona acceso bajo demanda a datos e inteligencia solar financiable. El software y la calidad de los datos están maduros en cuanto a su desarrollo, adopción y validación.

Los datos de irradiación se generan a partir de datos del canal visible e infrarrojo captados por satélites en órbita geosíncrona. El conjunto de datos es espacial y temporalmente consistente, y geográficamente preciso. SolarAnywhere ofrece más de dos décadas de registros, funciona independientemente de las mediciones en tierra y está disponible casi en tiempo real.

SolarAnywhere se utiliza ampliamente para la evaluación de recursos solares independientes y financiables, la supervisión operativa y la previsión solar. Los datos de irradiación horizontal global (GHI) de SolarAnywhere han demostrado tener una precisión de +/- 4,5% anual con un 95% de confianza.

Introducción

Este documento proporciona información de referencia actualizada y estadísticas de validación para el producto de datos de irradiación histórica SolarAnywhere Data de Clean Power Research. La versión del documento 2021.07_3.5 se actualizó por última vez en julio de 2021 para la versión 3.5 (V3.5) del modelo de irradiación histórica de SolarAnywhere.

Acerca de Clean Power Research

Clean Power Research® lleva 20 años ofreciendo soluciones de software en la nube premiadas a las empresas de servicios públicos y a la industria. Nuestras familias de productos PowerClerk®, WattPlan®y SolarAnywhere®permiten a nuestros clientes dar sentido y prosperar en medio de la transformación energética. Clean Power Research tiene oficinas en Napa (California) y Kirkland (Washington). Para más información, visite www.cleanpower.com.

Acerca de SolarAnywhere

Los datos de irradiación de SolarAnywhere se generan a partir de datos del canal visible e infrarrojo captados por satélites en órbita geosíncrona. Las imágenes de los satélites se procesan utilizando los algoritmos más avanzados desarrollados por el Dr. Richard Pérez en la Universidad de Albany (SUNY). Estos algoritmos extraen los índices de nubes de los datos visibles e infrarrojos del satélite. Un proceso de retroalimentación autocalibrada ajusta las superficies terrestres arbitrarias, como el terreno y el albedo. Los índices de nubes se utilizan para modular los modelos de transferencia radiativa basados en la física que describen la climatología del cielo claro localizado.

El modelo de Pérez se aplica de forma pseudoempírica y se calibra periódicamente con unas pocas estaciones terrestres seleccionadas. Sin embargo, funciona en gran medida con independencia de la entrada de datos terrestres en curso. Este enfoque es único en la industria y permite que los estudios de correlación tierra-satélite se basen realmente en dos fuentes de medición derivadas independientemente.

Los datos de irradiancia de SolarAnywhere se generan en componentes de irradiancia horizontal global (GHI) y normal directa (DNI). La siguiente ecuación de equilibrio geométrico se utiliza para calcular la irradiancia horizontal difusa (DHI):

DHI = GHI - DNI*cos(αzenith)

Clean Power Research tiene una relación exclusiva con el Dr. Pérez y la SUNY para implementar los últimos avances en la metodología de irradiación solar por satélite. Se puede encontrar más información sobre la amplia validación del modelo de Pérez en la sección de referencias.

En acuerdo con el Departamento de Energía de los Estados Unidos, a través del Laboratorio Nacional de Energías Renovables (NREL), los datos de irradiancia satelital basados en modelos de Pérez constituyeron las versiones de 2005 (SUNY versión 1) y 2010 (SolarAnywhere versión 2.3) de la Base Nacional de Datos de Radiación Solar (NSRDB). Aunque el formato de salida de los datos de irradiación satelital de SolarAnywhere es similar al de los datos de la NSRDB, SolarAnywhere proporciona ahora conjuntos de datos más recientes y precisos destinados a su uso comercial.

La versión más reciente del modelo SolarAnywhere se ha implementado operativamente como versión 3.5. Los datos de irradiación satelital de SolarAnywhere están disponibles para sitios específicos en una base de 1 km x 1 km o 10 km x 10 km, y desde 1998 hasta la hora actual dependiendo de la disponibilidad geográfica.

Metodología de validación

Los datos de determinadas estaciones terrestres se utilizan como referencia para calcular el error y la incertidumbre del modelo de irradiación operacional de SolarAnywhere. Se requiere un conjunto de datos de referencia de alta calidad para que las estadísticas de validación representen, en la mayor medida posible, el rendimiento del modelo y no las inexactitudes de los datos terrestres. Por lo tanto, sólo las estaciones de referencia de mayor calidad se utilizan como sitios de validación, y los datos se examinan para detectar problemas de calidad de datos. Los sitios de validación abarcan una amplia zona geográfica y una variedad de terrenos y tipos de clima para evaluar el rendimiento del modelo en condiciones heterogéneas. La mayoría forman parte de la Red de Radiación Superficial de Referencia(BSRN) del Centro Mundial de Vigilancia de la Radiación.

El modelo SolarAnywhere tiene dos propiedades fundamentales para la validación de los datos y la confianza general en el rendimiento del modelo. En primer lugar, el modelo funciona en gran medida independiente de la entrada de datos terrestres en curso. En otras palabras, el modelo no se entrena con datos sobre el terreno. En segundo lugar, SolarAnywhere utiliza un único modelo histórico independientemente de la hora y la ubicación. Debido a estas propiedades, las estadísticas de validación son una excelente representación del rendimiento del modelo no sólo en los sitios de validación, sino también para el modelo en general.

Los datos del GHI, el DNI y la Irradiancia Horizontal Difusa (DIF) se comparan a intervalos horarios, mensuales y anuales utilizando las métricas de error tradicionales, como el Error de Sesgo Medio (MBE), el Error Absoluto Medio (MAE) y el Error Cuadrático Medio (RMSE).

Las métricas de error se definen mediante las siguientes fórmulas:

  1. rMBE={frac{suma_{i=1}^N (x_i^{SA} - x_i^{obs})}{N}{frac{100\%}{sobrelínea{x_l^{obs}}
  2. rMAE={frac{suma_{i=1}^N | (x_i^{SA} - x_i^{obs}) |{N}{frac{100\%}{sobrelínea{x_l^{obs}}
  3. rRMSE=\sqrt\frac{\sum_{i=1}^N (x_i^{SA} - x_i^{obs})^{2}}{N}\frac{100\%}{\overline{x_l^{obs}}}

Una X representa la variable considerada (GHI, DNI o DHI); N es el número de puntos de datos utilizados; y los superíndices SA y obs significan SolarAnywhere y datos observados en tierra. Las métricas de los errores se normalizan por la media de los datos observados en tierra y se denominan rMBE, rMAE y rRMSE. Hoff et al. han discutido previamente la aplicabilidad de varias métricas de error para la energía solar en el artículo "Reporting of Irradiance Model Relative Errors".

Además de las estadísticas de error resumidas, se presentan las desviaciones estándar, los errores estándar y los intervalos de confianza para proporcionar una imagen completa de la precisión y la incertidumbre de los datos de SolarAnywhere.

Validación

Los resultados de la validación se organizan, en primer lugar, por períodos (a largo plazo, anual, mensual y horario) y, en segundo lugar, por zonas geográficas. Cada periodo está asociado a un caso de uso de los datos. Por ejemplo, los promedios a largo plazo son apropiados para la evaluación del recurso solar, mientras que las estadísticas horarias son más relevantes para la supervisión del rendimiento en tiempo real.

Medias a largo plazo

La base de datos SolarAnywhere incluye más de veinte años de datos de irradiación derivados de satélites. Este largo y consistente registro es particularmente útil para la evaluación de los recursos solares. Los promedios a largo plazo se derivan de la serie temporal completa, y pueden resumirse en un archivo de año típico y utilizarse para proyectar la producción de energía durante la vida de una planta solar. Para estos propósitos, es útil entender la incertidumbre en los datos del recurso solar a largo plazo para un sitio determinado.

Se consideran 23 años de datos de referencia (1998-2020) para las estaciones de referencia siempre que sea posible. Los estudios anteriores de validación de los modelos de irradiación por satélite han considerado aproximadamente entre 5 y 15 años de datos para cada sitio. El estudio de dos décadas para cada sitio sólo ha sido posible recientemente. La ampliación del periodo confirma la consistencia del modelo a lo largo de muchos años y de múltiples generaciones de hardware de satélite. Además, los veinte años son significativos porque superan el plazo del acuerdo medio de compra de energía (PPA). El periodo de validación utilizado para otros emplazamientos de validación depende de la disponibilidad de datos.

El error de sesgo medio del GHI y del DNI para cada sitio de validación se representa en los mapas siguientes. Cada punto representa el periodo completo para el que se consideran los datos de validación. Un sesgo cercano a cero significa que el modelo está bien calibrado; en otras palabras, en promedio, el modelo no sobreestima ni subestima el recurso solar.

Error de sesgo medio a largo plazo de SolarAnywhere por sitio de validación

Para todas las localizaciones, el error de sesgo medio del GHI se sitúa entre el -4,0% y el +5,0%. El sesgo medio es del +0,7% y la desviación estándar es del 1,9%. En América del Norte, el error de sesgo medio del GHI se sitúa entre el -1,1% y el 1,9%, con una desviación estándar inferior al 1%.

Anual

La insolación anual se utiliza en una variedad de aplicaciones que incluyen:

  • Evaluación de los recursos: comparar los datos recientes y a largo plazo obtenidos por satélite con una campaña de medición en tierra de un año de duración.
  • Desarrollo y financiación - para evaluar la variabilidad interanual y la capacidad de un proyecto solar para cumplir con los requisitos de cobertura de la deuda en un año de baja insolación
  • Gestión de operaciones y activos - para comparar la producción prevista con la real anualmente

Para estos fines o para otros relacionados, una evaluación de la distribución de los errores anuales por sitio de validación es crucial para entender la consistencia y la incertidumbre del modelo satelital. Los promedios a largo plazo ocultan por sí solos los errores de compensación. El gráfico de cajas que se muestra a continuación ilustra el rango intercuartil del error de sesgo medio anual del GHI para cada sitio de validación. Las barras más estrechas indican una mayor precisión del modelo y una mejor correlación con los sensores de validación que, con el tiempo, presentan cierta variabilidad en la calibración y el mantenimiento. Cada punto representa un sitio-año de datos. Un recuadro blanco representa la media. En total, se muestran 926 sitios-año de datos.

 La mayoría de los sitios tienen una distribución de errores similar y una media dentro de unos pocos porcentajes de sesgo neutral. La dispersión de los datos tras la agrupación por sitios indica que el rendimiento del modelo depende tanto de la ubicación como del clima. Debido a esto, y a las relativamente pocas estaciones terrestres de alta calidad en comparación con la variedad de terrenos y regiones climáticas, es difícil extrapolar el rendimiento del modelo en un lugar determinado a la región asociada o a la región climática. En cambio, los datos indican que el modelo funciona bien en todos los lugares. En el apéndice se pueden encontrar estadísticas detalladas por lugar.

La distribución más amplia del DNI se espera debido a la introducción del modelo de descomposición. SolarAnywhere utiliza el modelo DIRINDEX desarrollado por Pérez et al. para derivar el DNI a partir del GHI y de otras entradas. Se han evaluado las estadísticas para confirmar que el modelo operativo de SolarAnywhere aplica con precisión el modelo de descomposición y que está bien calibrado. La precisión de los datos del DNI es importante para el plano de la irradiancia del conjunto y las simulaciones de potencia fotovoltaica.

Los histogramas que aparecen a continuación muestran la distribución del error de sesgo medio anual tanto del GHI como del DNI para todos los sitios de validación.
Distribución de errores anuales de SolarAnywhere
Para el GHI, los datos forman una distribución ajustada en torno a un sesgo neutro. La media de todos los puntos es de +0,4%, lo que indica que, por término medio, el modelo no predice ni por encima ni por debajo de la insolación anual. La desviación estándar es del 2,2%, lo que significa que dos tercios de los sitios-año se sitúan dentro del +/- 2% de la referencia. Suponiendo una distribución normal y que cada sitio-año de datos es independiente, el intervalo de confianza del 95% del error de sesgo medio anual del GHI es [-3,9%, +4,6%] (N = 546).

Para el DNI, la media de todos los puntos es del 2,6% y la desviación estándar del 6,2%. El intervalo de confianza del 95% del error de sesgo medio anual del DNI es [-10%, +15%] (N = 380). En el apéndice se presenta una explicación adicional sobre la selección y la calidad de los datos.

Todas las estadísticas utilizan el modelo de resolución espacial de 1 km2, que es el estándar para los datos de series temporales de SolarAnywhere (cuando están disponibles). La validación publicada anteriormente del modelo de resolución espacial de 10 km2, de menor resolución, que es estándar para los datos del año típico de SolarAnywhere (TGY), ha mostrado que el intervalo de confianza del 95% del error de sesgo medio anual del GHI es de +/- 5%. La mayor precisión demostrada aquí se atribuye a las mejoras del modelo y a la mayor resolución espacial. Los datos de mayor resolución captan mejor la formación de nubes en terrenos y microclimas heterogéneos. En zonas complejas y costeras, los datos de SolarAnywhere de 1 km son más precisos que los de 10 km y deberían considerarse como la medición preferida de los recursos bancarios.

Clean Power Research ha llevado a cabo cientos de estudios de evaluación de recursos específicos para cada emplazamiento y de puesta a punto en tierra que comparan los datos de SolarAnywhere con mediciones de irradiación en tierra de alta calidad y de propiedad privada. Los resultados de estos estudios apoyan la conclusión de que la validación presentada aquí representa de forma justa la precisión y la incertidumbre de los datos de SolarAnywhere para la multitud de lugares en los que se considera la energía solar.

Por último, se evalúa la coherencia temporal del modelo. La consistencia temporal significa que el rendimiento del modelo es consistente durante todo el periodo de disponibilidad de datos. Un rendimiento consistente del modelo permite realizar campañas de evaluación de recursos solares más precisas (también conocidas como "ground tuning") y una mayor capacidad para detectar tendencias como la degradación de los módulos en el rendimiento de los activos operativos. Un modelo temporalmente coherente es un requisito para analizar las tendencias meteorológicas de varias décadas que pueden afectar al diseño de los proyectos solares y al rendimiento energético.

Dado que cada región cuenta con múltiples generaciones de fuentes de entrada satelital, y que las propiedades atmosféricas regionales cambian con el tiempo, la coherencia temporal no es un hecho. Por esta razón, se evalúa todo el periodo de disponibilidad de datos para comprobar los cambios de sesgo a lo largo del tiempo. Para la evaluación de la coherencia temporal sólo se tienen en cuenta las estaciones de validación con el historial más largo.

Consistencia temporal de SolarAnywhere

La evaluación del modelo a lo largo de todo el periodo de disponibilidad de datos muestra un rendimiento constante a lo largo del tiempo: no hay tendencias ni saltos en el sesgo. Por lo tanto, los usuarios de SolarAnywhere pueden sentirse seguros al comparar los datos recientes con las medias a largo plazo para aplicaciones que incluyen la evaluación del recurso solar y el análisis del rendimiento. Además, los resultados muestran que SolarAnywhere es adecuado para el análisis de las tendencias a largo plazo del recurso solar. Para los datos auxiliares como el viento y la temperatura, los conjuntos de datos se seleccionan y mantienen para maximizar la consistencia espacial y temporal.

Mensual y por horas

Un gráfico de dispersión de SolarAnywhere frente a la irradiancia horizontal global de referencia de media hora muestra el rendimiento del modelo en condiciones de nubosidad, parcialmente nubosidad y sol. Una correlación perfecta daría como resultado una línea recta que va desde la irradiancia cero en la esquina inferior izquierda del gráfico hasta la irradiancia máxima en la parte superior derecha.

SolarAnywhere GHI semihorario (W/m2)

Se muestran como ejemplo los datos de la estación terrestre SURFRAD de Desert Rock, 2020. El modelo tiene una correlaciónR2 de 0,96 alrededor de la línea óptima. La inspección revela que el modelo funciona bien para condiciones de irradiación de baja a alta.

Conclusión:

SolarAnywhere es el proveedor más fiable de datos de recursos solares financiables para la industria solar. El conjunto de datos obtenidos por satélite es consistente en toda el área de cobertura geográfica y con más de 20 años de registro. Además, los datos están disponibles bajo demanda.

La información presentada valida la baja incertidumbre de los Datos de SolarAnywhere y su uso en la evaluación del recurso solar para la financiación de proyectos fotovoltaicos (FV). La incertidumbre anual del GHI de SolarAnywhere Data es inferior al 4,5%. El modelo se muestra consistente espacialmente y a través de más de dos décadas de registro. Las estadísticas mensuales y horarias demuestran la capacidad del modelo para captar períodos más cortos y toda la gama de condiciones meteorológicas posibles para los casos de uso operativo.

SolarAnywhere garantiza la máxima calidad de los datos a nivel mundial mediante el uso de un único modelo de satélite a solar versionado en todas partes. SolarAnywhere puede utilizarse como referencia solar a largo plazo, independientemente de la necesidad de un ajuste en tierra regional o específico del lugar. Esta capacidad única quedó claramente demostrada cuando los datos de SolarAnywhere permitieron detectar un problema de calibración del sensor de irradiancia no comunicado en una de las estaciones de referencia más fiables del país: la estación SURFRAD de Fort Peck, Montana.

Clean Power Research sigue invirtiendo en SolarAnywhere para satisfacer las necesidades de la industria solar y acelerar la transformación de la energía limpia.

¿Necesita una versión imprimible de este documento de validación?

Anexo

Fuentes de datos de entrada

SolarAnywhere utiliza un algoritmo de satélite a solar para estimar la irradiancia a partir de imágenes de satélites geosincrónicos. Los datos de entrada brutos para los datos de irradiancia incluyen:

Los datos auxiliares, como la profundidad óptica de los aerosoles, la velocidad del viento, la temperatura ambiente, la humedad relativa, las precipitaciones sólidas, las precipitaciones líquidas y la profundidad de la nieve, se obtienen a partir de varios modelos meteorológicos numéricos.

Estaciones de referencia
Criterios de selección de estaciones

Una validación significativa requiere una refencia de alta calidad. Para garantizar que las estadísticas de validación son representativas del modelo, las estaciones de validación deben cumplir los siguientes criterios:

  • Una organización creíble mantiene la responsabilidad de la instalación
  • Existen metadatos como el tipo de sensor, la ubicación, etc.; los sensores son de nivel secundario o superior
  • Los datos están disponibles públicamente
  • El periodo de registro es de al menos 3 años
  • Los datos suelen pasar el control de calidad estándar y la estación tiene una disponibilidad superior al 75%.
  • La estación es representativa de los lugares donde se instala la energía solar fotovoltaica

Las siguientes estaciones cumplían estos criterios y se utilizaron en la validación de SolarAnywhere:

Control de calidad

Los datos de cada estación son revisados por un analista de datos para garantizar que los datos no se vean afectados por los siguientes problemas comunes:

  • Ensuciamiento
  • Sombreado
  • Deriva de calibración

Los datos que no superan el control de calidad se excluyen del análisis. Si los problemas con la estación son persistentes, la estación se excluye del análisis por completo. La desviación de SolarAnywhere no se utiliza como razón para excluir datos.

Los datos del DNI de alta calidad son más difíciles de obtener que el GHI. La calidad de las mediciones en el suelo se comprobó comparando la GHI medida con la GHI calculada a partir de la irradiancia directa y difusa medida (DHI + DNI*cos(αzenith)). Los valores serían iguales para mediciones perfectas. Las mediciones en el suelo que son consistentes dentro del 4% o 20 W/m2 se consideran una referencia válida para las estadísticas del DNI.

Estadísticas

En la versión impresa de este documento encontrará estadísticas detalladas por centro.

Control de versiones

General

SolarAnywhere utiliza el control de versiones para asegurar que los resultados sean reproducibles de un usuario o contexto a otro. Los datos de irradiancia publicados como "Archivo", denotados por el prefijo "A" en el tipo de observación de irradiancia, no cambiarán para esa versión del modelo. Se espera que las nuevas versiones del modelo tengan datos de irradiancia algo diferentes a medida que se apliquen técnicas de modelización más nuevas y precisas al registro histórico de imágenes de satélite.

Haz clic aquí para ver información sobre las versiones actuales y anteriores de SolarAnywhere Data.

Limitaciones y errores conocidos

  • El modelo IR no se utiliza para los satélites Meteosat de Primera Generación (MFG) en la región de Asia Occidental y África debido a la probable degradación de los sensores, que afecta a los datos desde el principio del registro hasta 2016. Esto da lugar a una mayor incertidumbre de los datos en lugares con una cubierta de nieve persistente. Dado que el modelo IR se utiliza para los satélites más nuevos que cubren la región, pueden existir incoherencias temporales en el registro a largo plazo.
  • La cobertura inicial para las regiones de Asia Oriental y Oceanía incluye datos desde 2005 hasta la actualidad. Para los períodos anteriores a 2005, las pruebas revelaron problemas de calidad de los datos de los satélites más antiguos de esta región. Si estos datos pueden superar nuestros requisitos de validación, pondremos a disposición datos anteriores.
  • El 15 de julio de 2021, Clean Power Research corrigió un problema que afectaba a ciertas solicitudes de datos de profundidad de nieve de SolarAnywhere. El problema daba lugar a valores de profundidad de nieve promedio incorrectos para los datos horarios, mensuales y anuales (todas las versiones de datos, a nivel global). Los datos de profundidad de nieve de 30 y 15 minutos no se vieron afectados. Los datos se han corregido para todas las nuevas solicitudes de datos. Estimamos que las estimaciones de pérdida de nieve pueden variar entre un 0 y un -2% (diferencia porcentual absoluta) al utilizar los datos antiguos frente a los corregidos en el modelo de pérdida de nieve de Marion; no obstante, los resultados variarán en función de la ubicación, el tipo de sistema y la aplicación específicos.

Referencias

Los siguientes artículos revisados por expertos describen el modelo SUNY en el que se basan las simulaciones de SolarAnywhere:

  1. Pérez R., P. Ineichen, K. Moore, M. Kmiecik, C. Chain, R. George y F. Vignola, (2002): A New Operational Satellite-to-Irradiance Model. Solar Energy 73, 5, p. 307-317.
  2. Pérez R., P. Ineichen, M. Kmiecik, K. Moore, R. George y D. Renné, (2004): Producing satellite-derived irradiances in complex arid terrain. Solar Energy 77, 4, p. 363-370.
  3. Pérez, R., P. Ineichen, E. Maxwell, R. Seals y A. Zelenka, (1992): Dynamic Global-to-Direct Irradiance Conversion Models. ASHRAE Transactions-Research Series, p. 354-369.
  4. P. Ineichen, (2008): Comparación y validación de tres modelos de irradiación global al haz de luz frente a las mediciones en tierra. Solar Energy 82, p. 501-512

Los siguientes artículos describen el rendimiento del modelo SolarAnywhere V3:

  1. Pérez R., S. Kivalov, A. Zelenka, J. Schlemmer y K. Hemker Jr: Improving the Performance of Satellite-to-Irradiance Models using the Satellite's Infrared Sensors. Proc., ASES Annual Conference, Phoenix, Arizona.
  2. Dise J., Kankiewicz, A., Schlemmer, J., Hemker, K., Kivalov, S., Hoff, T., Pérez, R., (2013): Operational Improvements in the Performance of the SUNY Satellite-to-Solar Irradiance Model Using Satellite Infrared Channels. Proc., 39th Annual IEEE Photovoltaic Specialists Conference, Tampa, Florida.
  3. Pérez, Richard & Schlemmer, James & Hemker, Karl & Kivalov, Sergey & Kankiewicz, Adam & Gueymard, Chris. (2015). Satellite-to-Irradiance Modeling - A New Version of the SUNY Model. 10.1109/PVSC.2015.7356212.

Los siguientes artículos incluyen validaciones del modelo SUNY/SolarAnywhere en diferentes entornos:

  1. Wilcox, S., R. Perez, R. George, W. Marion, D. Meyers, D. Renné, A. DeGaetano, y C. Gueymard, (2005): Progress on an Updated National Solar Radiation Data Base for the United States. Proc. ISES World Congress, Orlando, FL
  2. Vignola F., y R. Pérez (2005): Solar Resource Data base for the Pacific Northwest Using Satellite Data. Informe final para el USDOE. http://solardata.uoregon.edu/download/misc/doefinalreport.pdf
  3. Wilcox, S., M. Anderberg, R. George, W. Marion, D. Myers, D. Renné, W. Beckman, A. DeGaetano, C. Gueymard, R. Pérez, N. Lott, P. Stackhouse y F. Vignola, (2006): Towards Production of an Updated National Solar Radiation Data base. Proc. ASES Annual Conference, Denver, CO
  4. Paul W. Stackhouse, Jr., Taiping Zhang, William S. Chandler, Charles H. Whitlock, James M. Hoell, David J. Westberg, Richard Pérez y Steve Wilcox, (2008): Evaluación basada en satélites de las irradiaciones de los sitios de la NSRDB y series temporales de los algoritmos de la NASA y SUNY/Albany. Proc. ASES Annual Meeting, San Diego, CA.
  5. Pérez R., J. Schlemmer, D. Renné, S. Cowlin, R. George y B. Bandyopadhyay, (2009): Validación del modelo de satélite SUNY en un entorno Meteosat. Proc. ASES Annual Conference, Buffalo, New York.

Referencias de la estación de referencia:

  1. BSRN: Driemel, A., Augustine, J., Behrens, K., Colle, S., Cox, C., Cuevas-Agulló, E., Denn, F. M., Duprat, T., Fukuda, M., Grobe, H., Haeffelin, M., Hodges, G., Hyett, N., Ijima, O., Kallis, A., Knap, W., Kustov, V., Long, C. N., Longenecker, D., Lupi, A., Maturilli, M., Mimouni, M., Ntsangwane, L., Ogihara, H., Olano, X., Olefs, M., Omori, M., Passamani, L., Pereira, E. B., Schmithüsen, H., Schumacher, S., Sieger, R., Tamlyn, J., Vogt, R., Vuilleumier, L., Xia, X., Ohmura, A., y König-Langlo, G.: Baseline Surface Radiation Network (BSRN): structure and data description (1992-2017), Earth Syst. Sci. Data, 10, 1491-1501, doi:10.5194/essd-10-1491-2018, 2018.
  2. KACARE: Erica Zell, Sami Gasim, Stephen Wilcox, Suzan Katamoura, Thomas Stoffel, Husain Shibli, Jill Engel-Cox, Madi Al Subie: Assessment of solar radiation resources in Saudi Arabia, Solar Energy, Volume 119, 2015, Pages 422-438, ISSN 0038-092X, https://doi.org/10.1016/j.solener.2015.06.031.Reference to KACARE Data.
¿Necesita una versión imprimible de este documento de validación?