2026-06-30T04:08:25Zhttps://riubu.ubu.es/oai/request

oai:riubu.ubu.es:10259/96702024-11-08T01:05:23Zcom_10259_4393com_10259_5086com_10259_2604col_10259_9655

Granados López, Diego García Ruiz, Ignacio Torres Escribano, José Luis Suárez García, Andrés Diez Mediavilla, Montserrat Alonso Tristán, Cristina 2024-11-07T12:28:10Z 2024-11-07T12:28:10Z 2022-06 http://hdl.handle.net/10259/9670 Comunicación presentada en: CIES 2022 - XVIII Congreso Ibérico y XIV Congreso Iberoamericano de Energía Solar. Palma de Mallorca, 20 al 22 de junio de 2022 El aprovechamiento de la iluminación natural permite aumentar la calidad de vida y desarrollar la actividad humana. Para modelar la luminancia, la Comisión Internacional de Iluminación (CIE) propone una clasificación estándar que comprende quince clases de cielos. Sin embargo, la aplicación de este estándar requiere entradas que solo pueden obtenerse mediante costosos dispositivos. Por ello, existen multitud de modelos desarrollados para, de manera simplificada, clasificar el cielo. En particular, este estudio propone cinco categorías que permiten una clasificación más detallada que la tradicional en tres categorías simples como claro-nublado-cubierto. Además, se proporciona una alternativa basada en el aprendizaje automático utilizando índices meteorológicos como entradas. Las técnicas seleccionadas para realizar la clasificación alternativa fueron las redes neuronales y los árboles de decisión. En base a los resultados obtenidos, es posible clasificar el cielo en 5 categorías con ambas técnicas con eficacia. The use of natural lighting allows to increase the quality of life and to develop human activity. To model luminance, the International Commission on Illumination of the Sky (CIE) proposes fifteen classes of skies. Nonetheless, the application of this standard requires inputs that can only be obtained by expensive devices, so there are a numerous models developed to simplify the sky classification. In particular, this study proposes five categories that allow a more detailed classification than the traditional one: clear-cloudy-overcast. In addition, an alternative based on machine learning using meteorological indices as inputs is provided. The selected techniques were neural networks and decision trees. According to the results, it is possible to classify effectively the sky into 5 categories with both techniques. Este trabajo se ha desarrollado en el marco de los proyectos INVESTUN/22/BU/0001 de Junta De Castilla y León, Consejería de Empleo y el proyecto RTI2018-098900-B-I00 Ministerio de Ciencia, Innovación y Universidades. Por su apoyo financiero, Ignacio García agradece al Ministerio de Universidades y a la Unión Europea-Next Generation EU (Programa de recualificación del sistema universitario español 2021-2023, Resolución 1402/2021), y Diego Granados-López agradece a la Junta de Castilla y León (Programa PIRTU, ORDEN EDU/556/2019). application/pdf spa Libro de actas del XVIII Congreso Ibérico y XIV Congreso Iberoamericano de Energía Solar, p. 417-425 https://agenda.uib.es/67569/section/47854/xviii-congreso-iberico-y-xiv-congreso-iberoamericano-de-energia-solar.html info:eu-repo/grantAgreement/Junta de Castilla y León//INVESTUN%2F22%2FBU%2F0001//Valoración técnica de los niveles óptimos de Iluminación efectiva para la salud visual y psicológica en entornos laborales/ info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020/RTI2018-098900-B-I00/ES/ANALISIS ESPECTRAL DE LA RADIACION SOLAR: APLICACIONES CLIMATICAS, ENERGETICAS Y BIOLOGICAS/ Energía solar Clasificación de cielos CIE Árboles de decisión Solar energy Sky classification Classification trees Energía solar Tiempo (Meteorología) Termotecnia Solar energy Weather Heat engineering Propuesta de reagrupación de los tipos de cielo ISO/CIE mediante técnicas de aprendizaje supervisado info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/openAccess