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.
