El Meteosat es un conjunto de satélites geoestacionarios que proporcionan imágenes para realizar previsiones meteorológicas y vigilar el clima, y proporciona información meteorológica en tiempo real sobre las condiciones atmosféricas en Europa, África y el océano Índico (Eurasia). Para obtener la información relevante para las plantas solares, por un lado, el movimiento y la velocidad de las nubes; y por otro, el índice de opacidad para cada coordenada de la imagen, las imágenes del Meteosat adquiridas en tiempo real deben seguir un procesamiento que se compone de 4 pasos: obtención de imágenes Full Disk, georreferenciación, procesamiento cloud mask, y deep learning y optical flow.
La compañía Meteo for Energy, especializada en predicción meteorológica y energética, analiza cómo las imágenes del satélite Meteosat junto con técnicas de inteligencia artificial, como el Deep Learning, juegan un papel clave para asegurar una mayor integración de la energía solar en la red eléctrica. El uso de este tipo de tecnologías permite al sector fotovoltaico y termosolar pronosticar el movimiento de las nubes. Con esta información, las plantas solares consiguen optimizar su gestión y rendimiento a la vez que reducen sus costes de desvío y de operación. La predicción meteorológica se convierte así en una gran aliada para eliminar -informa la compañía- una de las principales barreras de las renovables, ya que el procesamiento de las imágenes del Meteosat a través del Deep Learning, prevé con mayor exactitud el desplazamiento de las nubes en un tiempo de horizonte corto, aproximadamente para las próximas 2 o 3 horas.
El Meteosat es un conjunto de satélites geoestacionarios que proporcionan imágenes para realizar previsiones meteorológicas y vigilar el clima. Desde 1977, la Organización Europea para la Explotación de Satélites (EUMETSAT) se encarga de operar los satélites del Meteosat (actualmente 9, 10 y 11) que se encuentran en rotación sincrónica con la Tierra a 36.000 km y que proporcionan información meteorológica en tiempo real sobre las condiciones atmosféricas en Europa, África y el océano Índico (Eurasia). En este sentido, las imágenes del Meteosat son cruciales para el 'nowcasting', una técnica de predicción a corto plazo que detecta el desarrollo de las condiciones meteorológicas y su evolución.
Más concretamente, el 'nowcasting' sirve para detectar el nivel de nubosidad y prever el movimiento de las nubes de un emplazamiento específico con varias horas de antelación. Las imágenes tratadas del Meteosat se utilizan como aportación adicional a los modelos numéricos de predicción meteorológica, ya que permiten lograr una mayor precisión durante las primeras horas: primero, gracias al satélite se puede ver lo que está ocurriendo en vivo, luego, se transforma esa imagen en datos (niveles de nubosidad) y posteriormente, con el Deep Learning se predice el movimiento de las nubes para conocer la evolución de la radiación solar y lograr una operabilidad mejorada de las plantas solares.
Procesas imágenes del Meteosat a través del Deep Learning
Para obtener la información relevante para las plantas solares, las imágenes del Meteosat adquiridas en tiempo real deben seguir un procesamiento que se compone de estos 4 pasos:
1. Obtención de imágenes Full Disk: Las imágenes en bruto que toma el Meteosat se denominan "Full disc" dado que toman una fotografía a 36.000 km de distancia captando el globo terrestre y girando al ritmo de la rotación de la Tierra. Esto permite a los satélites sacar una instantánea de nuestro planeta cada 15 minutos desde la misma perspectiva y observar la evolución de las nubes en la imagen.
2. Georreferenciación: Posteriormente, estas instantáneas son georreferenciadas. Esta es una técnica de posicionamiento espacial que sirve para saber a qué coordenadas geográficas exactas corresponde cada píxel de la fotografía. En otras palabras, genera predicciones para coordenadas específicas, como pueden ser las del emplazamiento de una planta solar. Además, estos resultados se pueden potenciar utilizando la proyección cartográfica Mercator, mismo sistema que emplean los mapas GIS, tan populares a día de hoy en internet y aplicaciones como Google Maps y OpenStreetMap.
3. Procesamiento Cloud Mask (opacidad de las nubes): Para ofrecer previsiones más acotadas, las imágenes georreferenciadas se posprocesan para eliminar la tierra y el mar y dejar solamente las nubes. La capa de nubes debe contener únicamente la información relativa a la opacidad. Quitar la intensidad del píxel correspondiente al suelo o al agua ayuda a determinar el índice de opacidad de las nubes para así, estimar el recurso solar por coordenada y realizar las predicciones adecuadas en base al movimiento de esa opacidad.
4. Deep Learning y Optical Flow: El último paso consiste en definir visualmente hacia donde van a ir las nubes usando la detección de movimiento, o lo que es lo mismo, el Optical Flow. El Optical Flow determina la velocidad y dirección con la que se mueven los píxeles en la imagen. "Las técnicas de flujo óptico se han perfeccionado especialmente gracias al Deep Learning. Una metodología muy utilizada en el mundo del vídeo que mejora los hercios (Hz) de películas o videojuegos. Estas técnicas aumentan la precisión del flujo óptico entre imágenes de satélite, permitiendo así optimizar las predicciones", explica Ibon Salbidegoitia, director de I+D de Meteo for Energy. Dado que el Meteosat ofrece las instantáneas Full Disc en una secuencia de 15 minutos, las imágenes de la capa de nubes y de Optical Flow también se generan en este mismo intervalo.
Todo este proceso sirve para conseguir una predicción minuto a minuto de los dos factores principales que afectan a la integración de la energía solar: por un lado, el movimiento y la velocidad de las nubes; y por otro, el índice de opacidad para cada coordenada de la imagen. El vídeo a continuación muestra la secuencia completa del paso 1 al 4. De esta forma, las imágenes del satélite Meteosat procesadas a través del Deep Learning proporcionan una información fundamental para garantizar una mejor operativa y gestión de las plantas fotovoltaicas y termosolares.
Fuente:
Energías Renovables
