El Meteosat es un grupo de satélites geoestacionarios que proporcionan imágenes para realizar previsiones meteorológicas. La semana pasada se lanzó el primero de los seis satélites Meteosat de tercera generación (MTG-11), que mejorará la vigilancia del clima. Este nuevo satélite está equipado con un generador de imágenes y un detector de relámpagos que permitirá obtener mejores previsiones, especialmente de tormentas y de otros fenómenos meteorológicos extremos.

Meteo for Energy, empresa alavesa especializada en predicción meteorológica y energética, lleva años trabajando con las imágenes del satélite Meteosat para predecir la radiación y optimizar la operación de plantas termosolares y fotovoltaicas. El lanzamiento de este nuevo satélite permitirá mejorar los servicios que ofrece la compañía gracias a sus avances en resolución y frecuencia. Estas son algunas de las mejoras:

• La predicción de la nubosidad en imágenes pasará a ofrecerse en una frecuencia de 10 minutos, en vez de 15, como se ha procesado hasta ahora.
• La resolución espacial del canal HRV (con el que se ve la nubosidad durante el día) evoluciona a 500m frente a la proporcionada hasta ahora de 1km.

Meteo for Energy utiliza las imágenes del satélite adquiridas en sus estaciones de recepción y las procesa mediante tratamiento de imagen y técnicas de inteligencia artificial como el Deep Learning. Este servicio está integrado a través en el producto “MeteoSatellite”, y actualmente está en marcha en Europa, Norte y Sur de África, y Oriente Medio. Gracias a las técnicas de computación y de inteligencia artificial, la compañía ha logrado una mejor precisión a corto plazo.

¿Cómo utiliza Meteo for Energy las imágenes del Meteosat?

Las imágenes del Meteosat son cruciales para el nowcasting, una técnica de predicción a corto plazo a través de la cual se detecta el desarrollo de las condiciones meteorológicas y se predice su evolución con antelación. Meteo for Energy utiliza esta técnica en complemento a los modelos numéricos, con el objetivo de saber qué va a pasar en las próximas horas con mayor exactitud. Con esto, la compañía logra ofrecer más precisión en las primeras horas respecto a las predicciones de los modelos numéricos.

Las imágenes del Meteosat muestran qué está ocurriendo en vivo, y a través del Deep Learning, Meteo for Energy predice el movimiento de las masas condensadas (nubes) con mayor precisión en un horizonte temporal corto de 2 o 3 horas. Para llegar a este resultado, las imágenes del Meteosat deben pasar por varias fases de procesamiento:

1. Adquisición de imágenes Full Disk,
2. Georreferenciación,
3. Obtención de la capa de nubes (Cloud Mask) y
4. Procesamiento de detección de movimiento (Optical Flow)

Primero se obtienen las imágenes en bruto del Meteosat, llamadas “Full Disc” porque toman una fotografía a 36.000 km de distancia del globo terrestre. Como giran al mismo ritmo que la Tierra, los satélites pueden sacar una instantánea de nuestro planeta cada 15 minutos desde la misma perspectiva y observar la evolución de las nubes en la totalidad de la imagen.

Posteriormente, estas imágenes son georreferenciadas para saber a qué coordenadas geográficas exactas corresponde cada pixel. Gracias a esto, se realizan predicciones para las coordenadas específicas de las plantas solares y conocer así, la previsión de las próximas horas. Para una mejor interpretación, Meteo for Energy utiliza la proyección cartográfica Mercator, sistema empleado por los mapas GIS, tan populares en internet y aplicaciones como Google Maps y OpenStreetMap.

Las imágenes una vez georreferenciadas se procesan para eliminar la tierra y el mar, y dejar únicamente las nubes, lo que se le denomina Cloud Mask o capa de nubes, que contiene la información relativa a la opacidad de las nubes. Quitar la intensidad del pixel correspondiente al suelo, ya sea tierra o agua, es imprescindible para determinar el índice de opacidad para así, estimar el recurso solar y realizar las predicciones adecuadas.

IA y Deep Learning para detectar con detalle el movimiento de las nubes

Una vez obtenido el Cloud Mask, se procesa la imagen a través del Deep Learning, entrenado para predecir el Optical Flow, el cual determina la velocidad y dirección con la que se mueven los píxeles en la imagen.

El procesamiento a través de la inteligencia artificial da un valor añadido a los servicios de Meteo for Energy para las plantas solares. El Deep Learning ha mejorado las técnicas de Optical Flow, permitiendo así a la compañía optimizar sus predicciones a partir de imágenes del Meteosat.

Dado que hasta ahora el Meteosat ha ofrecido las instantáneas “Full disc” en una secuencia de 15 minutos, las imágenes de capa de nubes también se generan en este mismo intervalo. Estas se utilizan para predecir:

1. El movimiento y velocidad de las nubes.
2. El índice de opacidad para cada coordenada.

Como resultado, se obtiene la previsión de radiación minuto a minuto, que ayuda a mejorar la precisión de la predicción de la generación energética a corto plazo.

El vídeo a continuación muestra la secuencia completa del tratamiento de imágenes desde el Full Disk fuente del satélite hasta la capa de nubes con el Optical Flow.

Cada vez son más aplicaciones de la inteligencia artificial en diferentes sectores en los que esta tecnología mejora los resultados de procesos, dando un valor añadido tanto de precisión como de calidad. Meteo for Energy trabaja cada día para ofrecer los mejores servicios de predicción meteorológica y energética para que la energía solar se consolide como una energía confiable, viable y rentable.