MODELO DE PREDICCIÓN APLICANDO MÉTODOS DE APRENDIZAJE AUTOMÁTICO SUPERVISADO EN LA VARIABLE RADIACIÓN SOLAR DE LA ESTACIÓN METEOROLÓGICA SAN FRANCISCO, HUACA, ECUADOR

PREDICTION MODEL APPLYING SUPERVISED MACHINE LEARNING METHODS TO THE SOLAR RADIATION VARIABLE AT THE SAN FRANCISCO METEOROLOGICAL STATION, HUACA, ECUADOR

La radiación solar, como la energía emitida por el sol en forma de ondas electromagnéticas, es un factor clave en aplicaciones como la energía solar, la agricultura y la climatología, por lo que su predicción precisa es esencial; el objetivo de la investigación fue desarrollar un modelo de predicción para estimar la variable de radiación solar en los datos registrados en la estación meteorológica de la Finca San Francisco, ubicada en la ciudad de Huaca, provincia de Carchi, Ecuador; el método utilizado fue el aprendizaje automático supervisado, específicamente regresión lineal simple, regresión múltiple y árboles de decisión. Se aplicó una metodología de investigación basada en el enfoque hipotético-deductivo, con la hipótesis de cuál de los modelos propuestos es más efectivo para predecir la radiación solar. Los datos se tabularon por día de enero de 2019 a diciembre de 2022 como datos de control, y los datos de 2023 como datos de prueba, como resultados se determinó que los árboles de decisión eran el mejor algoritmo para predecir la variable de radiación solar. Los resultados típicos observados fueron: Precisión del modelo: Entre el 70 % y el 90 %. Las variables más influyentes fueron la temperatura en grados Celsius, la nubosidad y la humedad relativa, lo que representa un mejor resultado al aplicar el modelo de predicción a la variable de radiación solar, el modelo de Regresión Lineal Múltiple demostró un rendimiento predictivo ligeramente superior al de los Árboles de Decisión para la variable de radiación solar en la estación San Francisco. Esto se evidencia en un menor Error Cuadrático Medio (RMSE de 1.249 MJ/m² vs. 1.32 MJ/m²) y un coeficiente de determinación (R²) ligeramente más alto (0.457 vs. 0.45); si bien los árboles de decisión ofrecen ventajas cualitativas como una mayor interpretabilidad y la capacidad de manejar relaciones no lineales, en este conjunto de datos específico y con la configuración de hiperparámetros utilizada, el modelo lineal múltiple resultó ser más preciso. La diferencia es pequeña, pero es estadística y prácticamente relevante.

Solar radiation, the energy emitted by the sun in the form of electromagnetic waves, is a key factor in applications such as solar energy, agriculture, and climatology, making its accurate prediction essential. The objective of this research was to develop a predictive model to estimate solar radiation using data recorded at the San Francisco Farm weather station, located in the city of Huaca, Carchi Province, Ecuador. The method used was supervised machine learning, specifically simple linear regression, multiple regression, and decision trees. A research methodology based on the hypothetico-deductive approach was applied, with the hypothesis being which of the proposed models is most effective at predicting solar radiation. Data were tabulated by day from January 2019 to December 2022 as control data, and data from 2023 as test data. The results determined that decision trees were the best algorithm for predicting solar radiation. Typical results observed were: Model accuracy: Between 70% and 90%. The most influential variables were temperature in degrees Celsius, cloud cover, and relative humidity. This represents a better result when applying the prediction model to the solar radiation variable. The Multiple Linear Regression model demonstrated slightly superior predictive performance compared to Decision Trees for the solar radiation variable at the San Francisco station. This is evidenced by a lower Mean Squared Error (RMSE of 1.249 MJ/m² vs. 1.32 MJ/m²) and a slightly higher coefficient of determination (R²) (0.457 vs. 0.45). While decision trees offer qualitative advantages such as greater interpretability and the ability to handle nonlinear relationships, in this specific dataset and with the hyperparameter configuration used, the multiple linear model proved to be more accurate. The difference is small, but statistically significant and practically relevant.