Comparison of Kernel Functions in the Classification of Irradiance Zones from Multispectral Satellite Images

Comparativo de funciones Kernel en la clasificación de zonas de irradiancia a partir de imágenes satelitales multiespectrales

Debido a la creciente demanda de energía y al eminente calentamiento global, existe especial interés en la predicción de irradiancia basada en la reflectancia obtenida de satélites como el Landsat de la NASA, ya que permite saber dónde es más eficiente colocar receptores fotovoltaicos. Si bien existen estudios para la obtención de modelos de regresión con funciones Kernel alternativas, se desconoce su desempeño para modelos de clasificación, y es aquí donde se enfoca esta investigación. El estudio combina funciones de Kernel alternativas al algoritmo máquinas de soporte vectorial (SVM) para problemas de clasificación, donde se explora la mejor configuración para estos algoritmos, y así finalmente obtener un conjunto de mapas de irradiancia zonificados por clase.

I. INTRODUCCIÓN

La abstracción de la realidad se ha convertido desde hace tiempo en un medio esencial de pensamiento y expresión, siendo indispensable en el razonamiento, el conocimiento y la interrelación. La abstracción se ha extendido en términos de máquinas (Machine Learning), donde la realidad se abstrae a través de un cuidadoso análisis de todas las variables, hasta el punto de que la máquina es capaz de predecir en base a los datos entrantes. Support Vector Machines (SVM) es uno de los algoritmos más utilizados para realizar tareas de predicción en diferentes escenarios. Una de las principales características que lo convierten en un buen predictor es la posibilidad de encontrar patrones no lineales en los datos mediante el truco del Kernel, que lleva el espacio de características original donde los datos no son linealmente separables a un espacio de Hilbert de dimensión infinita donde los datos son linealmente separables [1]. En este sentido, se han utilizado funciones Kernel tradicionales como el Kernel lineal, polinómico y gaussiano (rbf). Sin embargo, es posible mejorar los resultados de los algoritmos utilizando funciones kernel alternativas [2].

En 2040, la demanda total de energía en el mundo aumentará un 30% y la mayor parte de este consumo procederá de los países en vías de desarrollo. Además, se espera que el 37% de la generación de electricidad proceda de fuentes renovables, especialmente eólica y solar. Así pues, se retoma la energía solar, que permite obtener electricidad de forma totalmente gratuita y renovable, en este sentido, la energía solar fotovoltaica es la energía eléctrica generada por el efecto fotovoltaico que se produce cuando la radiación solar incide sobre un panel fotovoltaico[3]. Por lo tanto, existe una clara necesidad mundial de maximizar el uso de la energía solar fotovoltaica, cuya principal ventaja es que no emite gases de efecto invernadero ni contaminantes.