UNIVERSIDADE FEDERAL RURAL DO SEMI-RIDO

PROGRAMA DE PS-GRADUAO EM SISTEMAS DE

COMUNICAO E AUTOMAO
INTELIGNCIA ARTIFICIAL

MAPEAMENTO DA
RADIAO SOLAR NOS
EAU USANDO UMA
AVANADA REDE NEURAL
ARTIFICIAL ENSEMBLE
MOHAMMAD H. ALOBAIDI, PRASHANTH R. MARPU, SENIOR
MEMBER, IEEE,
TAHA B. M. J. OUARDA, MEMBER, IEEE, AND HOSNI GHEDIRA
NGRID HELOISA DA SILVA ALVES

SUMRIO
INTRODUO
DADOS
ABORDAGEM PROPOSTA
CONFIGURAO EXPERIMENTAL
RESULTADOS E DISCUSSES
CONCLUSO
REFERNCIAS

INTRODUO
solar global

Radiao

Radiao difusa e radiao

direta;

Irradincia global horizontal

Corra, 2008.

(IGH)
densidade de energia solar

incidente por unidade de tempo

numa determinada superfcie,
medida em W/m.

Irradincia direta normal (IDN)

Irradincia difusa horizontal

(IDH)
IGH = (IDN x cos)+ IDH

Galvani

INTRODUO
Irradincia direta normal - Lei de LambertBouguer:
IDN =

representa a constante solar, 1367W/m;

representa a correo da excentricidade;
a massa de ar;
a espessura ptica total da atmosfera
causando a total atenuao da IDN.

INTRODUO
As

avaliaes de recursos solares precisos

so necessrias para a utilizao eficiente de
solues base de energia solar;

Embora tenha havido um crescente interesse

em aplicaes de tecnologia solar nos
Emirados rabes Unidos (EAU), h um dficit
regional no banco de dados de energia solar
necessrios para conduzir as decises para
futuros desenvolvimentos.

INTRODUO
Medies solares terrestres;
Mapas solares derivados de imagens de satlite
em tempo real;

Spinning Enhanced Visible and Infrared Imager

(SEVIRI) a bordo dos satlites geoestacionrios da
Meteosat de Segunda Gerao (MSG), Meteosat 8,
fornece informaes sobre radiao solar na regio
EAU desde o ano de 2002.

Este trabalho tem como objetivo melhorar o atlas

solar e desenvolver modelos generalizadas que

produzem mapas solares precisos na regio de
EAU.

INTRODUO
Vrios modelos fsicos e empricos foram
propostos para integrar imagens de satlites
geoestacionrios para a estimativa de radiao
solar na superfcie da terra.

Redes Neurais Artificiais baseadas no ensemble

(RNAE) tm sido utilizadas em vrios estudos

em modelagem do ambiente e sob um melhor
desempenho e capacidade de generalizao.

Um dos maiores desafios a sensibilidade das

medies indicando nuvem;

INTRODUO
Eissa et al sugeriu usar a abordagem de deteco

de mscara de nuvem, desenvolvido por Hocking

et al, para classificar cada pixel em um momento
especfico para o desenvolvimento de modelos
separados para condies de nebulosidade e
livres de nuvens.

Neste trabalho, o objetivo foi melhorar os

resultados de Eissa et al, propondo arquiteturas
ensemble mais generalizadas para a modelagem
de radiao solar.

DADOS
Dados reais terrestes
Neste estudo foram medidos

IGH, IDN e a IDH no terreno em

mais de cinco estaes no EAU
que foram pr-processados e
utilizados como sadas do
sistema.
Essas medies eram realizas
utilizando
piranmetro
com
suporte
de
sombreamento
rotativo (RSP), LICOR LI-200
RSI, 1.

INPE, 2005.

DADOS
Dados reais terrestres

Distribuio espacial das cinco estaes: de

medio da terra.

DADOS
Dados reais terrestres

Distribuio espacial das cinco estaes: de

medio da terra.

DADOS
Dados reais terrestres

Os dados de treinamento so oriundos das

medies de estaes 1, 2 e 4 para o ano de 2010
e os dados de teste so oriundos a partir das
medies de estaes 3 e 5 para o ano de 2009.
Isto permite validar o modelo de forma
independente.
Tanto os dados de treinamento quanto os de teste
so divididos em com nuvens e sem nuvens
usando a mscara de nuvem.

DADOS
Dados reais terrestres

Localizao de estaes: aumentar a capacidade

de generalizao do modelo;
Duas estaes de teste: fornecer uma avaliao
mais confivel e avaliar o modelo ao longo de
locais espacialmente independentes;
Treinamento com dados de 2010 e teste com
dados de 2009: avaliar o modelo sobre a variao
temporal.

DADOS
Satlites e dados da posio do sol
As entradas do sistema so obtidas a partir da posio do sol

a partir dos dados adquiridos com o uso do instrumento

SEVIRI a bordo do satlite MSG (Meteosat 8).
Dez variveis de entrada so identificadas para o modelo de
regresso; as entradas com base em satlites so os valores
de temperatura de brilho do SEVIRI;
As variveis de entrada baseados posio do sol so:

ngulo solar de znite ();

tempo solar;
nmero do dia;
Correo da excentricidade;

As imagens so adquiridas a cada 15 minutos. Os parmetros

relacionados com a posio do sol so calculados a cada 10s.

ABORDAGEM PROPOSTA
Um conjunto de RNA baseada em ensemble
utilizada para estimar a relao funcional
entre variveis explicativas e de destino do
estudo.

Identificar
entradas e sadas
para
cada
condio
de
nuvem em cada
experimento

Identificar o prprocessamento e
a
estrutura
do
modelo ensemble

Identificar o timo
modelo
RNA
ensemble atravs
da validao do
processo

Construir modelo
RNA
ensemble
generalizado
e
recuperar
estimativas para
cada varivel de

Aplicar teste e
recuperar
estimativas para
cada sada

- MTODO ENSEMBLE
Para

previso de sries temporais, os

melhores resultados so obtidos pela
combinao de diferentes modelos de
previso ao invs da seleo daquele que
apresenta melhor desempenho individual. A
combinao de especialistas conhecida na
literatura como Mquina de Comit;

Dividir e conquistar;

De acordo com esse princpio, uma tarefa

computacional complexa resolvida dividindo-a
em um nmero de tarefas computacionais simples
e ento combinando as solues destas tarefas.

- MTODO ENSEMBLE
Ensemble a combinao das sadas de dois

ou mais componentes, os quais resolvem o

total de uma determinada tarefa de forma
isolada,
mas
no
necessariamente
independente.

Podem

ser utilizados
supervisionado ou em
supervisionado.

em aprendizado
aprendizado no-

- MTODO ENSEMBLE
Um

dos requisitos fundamentais para o

sucesso ao utilizar ensemble que os
componentes
generalizem
de
forma
diferente. No faz sentido combinar modelos
que adotam os mesmos procedimentos e
hipteses para a soluo de um problema.

- MTODO ENSEMBLE
Etapas no projeto de um ensemble

- MTODO ENSEMBLE
Etapas no projeto de um ensemble

Etapa de gerao de componentes

No caso de RNAs como componentes do ensemble,
h vrias formas de tentar alcanar diversidade.
Dentre elas, podemos citar as seguintes:

Inicializao aleatria dos pesos das conexes de

cada RNA;
Variao da arquitetura da RNA;
Variao do algoritmo de treinamento;
Re-amostragem dos dados;
Ensemble heterognio.

- MTODO ENSEMBLE
Etapas no projeto de um ensemble

Etapa de combinao de componentes

Depois de gerados e treinados os componentes,
resta ver como eles sero combinados para
produzir uma resposta nica a partir das respostas
individuais.
Mdia simples
Mdia ponderada
Voto simples

- MTODO ENSEMBLE
Etapas no projeto de um ensemble

Etapa de seleo de componentes

A seleo pode ser considerada como uma etapa
de refinamento do ensemble para melhorar o
desempenho; Uma vez gerados os componentes,
h a possibilidade de que nem todos contribuam
para o desempenho global do ensemble, e o
indicado seria identificar esses componentes e
descart-los do ensemble final.

ABORDAGEM PROPOSTA
Pr-processamento

1: Dados so obtidos de acordo com a

temperatura de brilho das imagens;
2: Entradas oriundas do satlite transformadas
em radincias;

Entradas lineares;
Entradas no-lineares: Transformao Box Cox;

ABORDAGEM PROPOSTA
Pr-processamento

ABORDAGEM PROPOSTA
Metodologia adotada
1. Escolha a condio de nuvem (nublado ou sem nuvens).
2. Para a condio de nuvem escolhido, determinar o correspondente para

IDH e IDN. Um conjunto de dados de treinamento e um conjunto de

dados de teste para cada uma das variveis de radiao solar anteriores.

3. Para o IDH, gerar os reamostras correspondentes (ou sub-amostras) e os

membros individuais do modelo ensemble. Dez variveis de entrada e

uma varivel de sada (IDH) so utilizados.

4. Validar o modelo ensemble e determinar a estrutura tima dos membros

individuais utilizando os dados de treino.

5. Treinar o modelo usando os dados de treinamento e relatar os resultados

dos testes.

6. Para o IDN, repita os passos 3) e 4) (note que a sada a profundidade

ptica total).

7. Estime IDN usando (2).

8. Uma vez que estimativas de IDH e IDN so gerados, estimar IGH usando
(1).

ABORDAGEM PROPOSTA
Modelo subensemble

RNA ensemble
Uma camada de entrada, duas camadas ocultas e uma
camada de sada;
O nmero de neurnios na camada de entrada igual
ao nmero de variveis de entrada, da mesma forma
na camada de sada.
O nmero de neurnios escondidos caracterizado por
um procedimento de validao cruzada;
Funo tan-sigmoide nos neurnios escondidos e
funo de transferncia linear na camada de sada.

ABORDAGEM PROPOSTA
Modelo subensemble

Algoritmo de treinamento: gradiente conjugado

escalonado de MOLLER (1993) (SCG);
Vantagem: convergncia mais rpida;
Evita a busca unidimensional a cada iterao
utilizando
uma
abordagem
de
LevenbergMarquardt;
Critrio de parada precoce considerado e
calibrado na fase de treinamento do modelo;
fixado o valor do tamanho da ensemble k.

ABORDAGEM PROPOSTA
de reamostragem

Algoritmo

Se um conjunto de amostra de tamanho N est

disponvel para o processo de treinamento, o
tamanho da sub-amostra de primeira fase
definido como:

onde o tamanho sub-amostra da primeira fase.

ABORDAGEM PROPOSTA
Algoritmo de reamostragem

O tamanho da subamostra de segunda fase

obtido atravs da troca de informaes entre todos
os subamostras de primeira fase usando um
parmetro de controle da mistura, a fim de limitar
a quantidade de mistura de informaes em cada
subamostra. O tamanho da subamostra de
segunda fase , ento, calculado como

ABORDAGEM PROPOSTA
de reamostragem
Algoritmo

Razo da mistura

o nmero de observaes para compartilhar da jsima subamostra;

o tamanho da j-sima subamostra de primeira fase;
Deve estar contido entre 0 e 1.

ABORDAGEM PROPOSTA
Algoritmo de reamostragem

Em resumo, as reamostras so gerados como se

segue.
1) Escolha o tamanho do ensemble k.
2) Escolha o valor do razo de homogeneidade m.
3) Gerar as reamostras da primeira fase
aleatoriamente de acordo com (4).
4) Gerar as reamostras da segunda fase de forma
aleatria e de acordo com (10).

ABORDAGEM PROPOSTA
Tcnicas ensemble de integrao

Quatro tcnicas de integrao Ensemble so

usadas neste estudo de caso: a estatstica mdia,
a estatstica mediana, a ferramentas de regresso
linear dos mnimos quadrados ordinrios (MQO), e
a ferramenta de montagem robusta linear.

ABORDAGEM PROPOSTA
Tcnicas ensemble de integrao

Estatstica mdia:

sugerido o uso da estatstica mdia para investigar

se as estimativas dos membros do ensemble
seguem uma distribuio normal em torno do valor
da varivel-alvo real.

ABORDAGEM PROPOSTA
Tcnicas ensemble de integrao

Estatstica mediana:

Estimativas dos subensemble:

Ignora a influncia das estimativas discrepantes;

ABORDAGEM PROPOSTA
Tcnicas ensemble de integrao
Funo de regresso linear:
aplicada nas estimativas do submodelo para produzir

uma estimativa do ensemble;

Utiliza mnimos quadrados ordinrios (MQO):

Onde Bo e Bj so os coeficientes de regresso

lineares
desconhecidos,
obtidos
utilizando
a
abordagem MQO.
Avaliar o desempenho de combinadores lineares;
Combinar as estimativas de todos os submodelos em
uma estimativa ensemble.

ABORDAGEM PROPOSTA
Tcnicas ensemble de integrao

Ajuste robusto de estimativas dos submodelos

A tcnica de montagem robusta requer um ajuste

constante, bem como uma funo de pesagem,
atravs dos quais um vetor residual calculado e
atualizados de forma iterativa;
Foi utilizado o mtodo de regresso robusta
implementado no software MATLAB. Esta tcnica
calcula a sada ensemble de k das estimativas
subensemble da seguinte forma:

= bias robusto

ABORDAGEM PROPOSTA
Abordagem generalizada

O termo ensemble generalizado define a

continuao do tratamento com as estimativas
provenientes de diferentes modelos de ensemble;
Neste estgio, vrios modelos ensemble que
tenham demonstrado um bom desempenho na
configurao de validao so escolhidos e as suas
estimativas so combinadas utilizando uma
estatstica mediana das estimativas.

ABORDAGEM PROPOSTA
Abordagem generalizada
Modelo
global 1
Modelo
generalizado
Modelo
global 2

Combinad
or

ABORDAGEM PROPOSTA
Validao e critrios de avaliao
A tcnica de validao cruzada utilizada para comparar

os desempenhos relativos para vrias estruturas de

submodelos, tcnicas de integrao, e razes de
homogeneidade ao longo do IDH e variveis de IDN;
IGH no sofrer validao porque o resultado da
combinao de estimativas de dois modelos validados;
a definio de validao cruzada tripla realizada, onde
as observaes de cada uma das trs estaes terrestres
dedicadas ao treinamento esto agrupados em cada
dobra;
Valida tanto o desempenho da estrutura da RNA quanto a
capacidade de generalizao sobre as estaes
independentes.

ABORDAGEM PROPOSTA
Validao e critrios de avaliao

O erro relativo da raiz quadrada da mdia (RMSE)

e bias relativo, respectivamente, so usados como
medidas de desempenho do modelo e capacidade
de generalizao. Os dois critrios de desempenho
so calculados como se segue:

= isima
observao no local da irradincia (RDfH ou RDrN)

= estimativa da observao baseada no modelo ensemble

n = nmero de observaes

ABORDAGEM PROPOSTA
Validao e critrios de avaliao

Depois de encontrar o modelo de ensemble ideal para

cada sada, os modelos de ensemble so treinados
utilizando todos os dados das trs estaes (dedicadas
para o treinamento) e testadas contra os dados de duas
outras estaes (dedicadas para testes).
O teste de desempenho avaliado de acordo com os
critrios adotados pelos trabalhos anteriores sobre este
estudo de caso onde eles definem o RMSE relativo
(rRMSE*) e o erro mdio relativo (rMBE): e erro mdio

vcio relativo ()

mdia
da varivel de sada

ABORDAGEM PROPOSTA
Validao e critrios de avaliao

Para o ensemble generalizado, as estimativas de teste

final para cada um dos dois ensemble escolhidos so
utilizadas para se obter as estimativas generalizadas, e,
em seguida, rRMSE* e rMBE so calculadas para a
avaliao;
Uma vez que os membros individuais tm provado a sua
capacidade de desempenho e generalizao sobre os
ensembles de validao, no h necessidade de
executar o procedimento de validao cruzada para
avaliar o modelo de ensemble generalizado;
G-EANN de tamanho 2 for selecionado.

CONFIGURAO
EXPERIMENTAL

O objetivo deste trabalho desenvolver modelos para a

estimativa da radiao solar usando dados de satlite;

Modelos ensemble tm de ser desenvolvidos para cada

condio de nuvem para estimar IDN e IDH;

Modelos RNA so usados como membros do ensemble;

Para o processo de estimativa IDN, a profundidade ptica

total estimada e IDN calculado usando a lei BouguerLambert;

A estrutura ensemble ideal determinada usando a

validao cruzada. IGH finalmente calculada a partir de
estimativas de IDH e IDN.

A tcnica de reamostragem proposta utilizado para obter

dados de treinamento para os membros do ensemble
individual;

RESULTADOS E DISCUSSES
Seleo de parmetro

Validao cruzada tripla, em que cada dobra

representa uma estao diferente, utilizada para
selecionar a estrutura ensemble tima para cada
varivel de destino e cada condio de nuvem.
Diferentes modelos de ensemble foram testados
para diferentes nmeros de neurnios nas duas
camadas ocultas e ndices de homogeneidade
diferentes.
Desde a fase de validao, obtive-se estruturas
dos modelos de ensemble melhores e ndice de
homogeneidade.

RESULTADOS E DISCUSSES
Seleo de parmetro

RESULTADOS E DISCUSSES
Seleo de parmetro

RESULTADOS E DISCUSSES
Seleo de parmetro
Os resultados de validao indicou estruturas de

ensemble e ndices de homogeneidade que foram

ideais para cada varivel alvo em cada condio
de nuvem e em cada experimento;
Os modelos de ensemble timos para a varivel
IDH em cada condio de nuvem foram
encontrados a ter o mesmo mtodo de integrao,
a estatstica mediana.
Os modelos de ensemble IDN para cada condio
de nuvem foram encontrados em compartilhar a
mesma tcnica de integrao, a ferramenta de
montagem robusta.

RESULTADOS E DISCUSSES
Seleo de parmetro

Em cada condio de nuvem, ensembles ideais

para ambos IDH e IDN compartilharam o mesmo
nmero de neurnios ocultos. No caso de condio
sem nuvens, ideais IDH e IDN ensembles tem 10
neurnios
ocultos
por
camada
escondida,
enquanto eles tm 15 neurnios ocultos por
camada escondida na condio nublado;
As estimativas dos dados de teste dos dois
modelos foram combinadas para criar as
estimativas generalizadas.

RESULTADOS E DISCUSSES
Resultados dos testes

Os modelos validados de ensemble nas duas

experincias mostraram relativamente
desempenho melhorado quando aplicado sobre os
dados de teste;

RESULTADOS E DISCUSSES
Resultados dos testes

A estatstica mdia, estatstica mediana, e a

ferramenta de ajuste robusto serviu como ideais
ferramentas de integrao de subensembles.
Embora os modelos de ensemble IDH nos dois
experimentos obtiveram melhor valores de rRMSE*
e rMBE do que os resultados de referncia, existia
um padro de subestimao em maior IDH e
valores de IDN.
o nmero de neurnios escondidos em todos os
conjuntos propostos foi menor do que nos modelos
de referncia sugeridos.

RESULTADOS E DISCUSSES
Resultados dos testes

foi explicitamente demonstrado que a tcnica de

reamostragem proposta possui vantagem.
o experimento usado no segundo esquema
proporcionou os melhores resultados para todas as
variveis-alvo.
Os modelos G-EANN foram obtidos por meio da
integrao dos dois melhores ensembles para IDH
e IDN em cada condio de nuvem.

RESULTADOS E DISCUSSES

Resultados dos testes

Comparao dos desempenhos para os modelos de ensemble

propostos e modelos generalizados com os resultados de
benchmark para cada caso de irradincia e para cada forma de
nuvem.

RESULTADOS E DISCUSSES
Resultados dos testes

Tais discrepncias entre os valores medidos e

estimados poderia ser devido aos pixels mal
classificados, erros de instrumento (erro nas
medies), nuvens esparsas, e as limitaes dos
dados de treinamento.

CONCLUSES
Este

artigo prope a utilizao da RNA

ensemble para estimar os componentes de
irradincia solar, IDH, IDN, e IGH.

Observaes

em diferentes condies de
nuvens (livre de nuvens e nublados), para
IDH, IDN, e IGH, foram consideradas como
dois estudos de caso separados.

Em

cada estudo de caso, dois modelos RNAE

foram treinados; um modelo para prever a
IDH e outro para predizer a IDN.

CONCLUSES
A

IGH correspondente estimada, em cada estudo

de caso, calculada a partir de estimativas de IDH e
IDN.

Um

segundo sistema que realiza a transformao

Box-Cox em todas as variveis do estudo
proposto para resolver os problemas com
superestimao/subestimao de valores extremos.

Os

resultados dos modelos propostos foram

comparados com os resultados dos modelos de um
estudo anterior e uma melhor capacidade de
desempenho e generalizao dos modelos de
previso para uso em mapeamento solar foi
observado nos Emirados rabes Unidos.

CONCLUSES
Este trabalho pode ser continuado a avaliar modelos

de RNAE que incorporam o conceito de ndices globais

de mistura generalizada alm de avaliar modelos
RNAE contra diferentes tamanhos dos ensembles.
Esta expanso total da reamostragem proposta pode
ser integrada na fase de treinamento do candidato
RNAE atravs da implementao de um algoritmo de
treinamento mais geral que se pode generalizar mais
do que os parmetros RNA. A metodologia pode ser
estendida para as experincias adicionais, em que as
variveis do modelo podem ser ainda tratadas e
variveis
explanatrias
adicionais
podem
ser
introduzidos para explicar a subestimativa existente
nas estimativas de algumas das variveis-alvo.

REFERNCIAS
Mohammad H. Alobaidi, Prashanth R. Marpu, Taha B. M. J. Ouarda and
Hosni Ghedira. Mapping of the Solar Irradiance in the UAE Using
Advanced Artificial Neural Network Ensemble. In IEEE Journal of
Selected Topics in Applied Earth Observations and Remote Sensing,
vol. 7, no. 8, Agosto de 2014. 13 p.

Villanueva, W. J. P. Comit de Mquinas em Predio de Sries

Temporais. 178 p. Tese - Ps-graduao da Faculdade de Engenharia
Eltrica e de Computao da Universidade Estadual de Campinas.
Campinas, 2006.

Haykin, Simon. Redes Neurais: Princpios e prtica. Trad. Paulo

Martins Engel. 2 ed. Porto Alegre: Bookman, 2001. 902 p.