Anales AFA Vol. 34 Nro. 3 (Septiembre 2023 - Diciembre 2023) 76-81
EVALUACIÓN DE LOS MODELOS DE RADIACIÓN SOLAR GLOBAL HELIOSAT-4 Y
MCCLEAR EN DOS SITIOS DE ARGENTINA
EVALUATION OF THE HELIOSAT-4 AND MCCLEAR MODELS FOR SOLAR GLOBAL
IRRADIATION ESTIMATE AT TWO SITES IN ARGENTINA
A. R. Lusi*1,2, F. Orte1,2, R. Alonso Suárez3, R. D’Elía1y E. Wolfram4
1Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET) Godoy Cruz 2290 – (C1425FQB) CABA – Argentina
2Centro de Investigaciones en Láseres y Aplicaciones CEILAP (CITEDEF-CONICET) Juan Bautista de La Salle 4397 – (B1603ALO)
Villa Martelli – Prov. Buenos Aires – Argentina
3Laboratorio de Energía Solar, Facultad de Ingeniería, UDELAR, Montevideo – Uruguay
4Servicio Meteorológico Nacional (SMN) Av. Dorrego 4019 – (C1425GBE) CABA – Argentina
Recibido: 27/03/2023; Aceptado: 09/06/2023
La información de radiación solar estimada por satélite es necesaria para la evaluación del riesgo financiero de pro-
yectos de energía solar en emplazamientos arbitrarios. Estas estimaciones deben ser evaluadas contra mediciones te-
rrestres de calidad para asegurar la confiabilidad de la información. En este trabajo, las estimaciones 15-minutales de
Irradiancia Global Horizontal (GHI) del modelo Heliosat-4 para toda condición de cielo y del modelo McClear pa-
ra condición de cielo despejado fueron evaluados contra mediciones terrestres en dos estaciones de la red Saver-Net
(http://www.savernet-satreps.org): Pilar (Córdoba) y Villa Martelli (Buenos Aires). La determinación de los periodos
despejados se realizó a partir de las mediciones, utilizando un índice de la claridad del cielo y la variabilidad entre
mediciones consecutivas a escala minutal. Se encontró un sesgo próximo a -5,5% para el modelo Heliosat-4 en los
dos sitios evaluados y de 1,15% y -0,73% para el modelo McClear en Pilar y Villa Martelli, respectivamente. Ade-
más, el desvío cuadrático medio relativo (rRMSD) para el modelo McClear arrojó un valor cercano al 2% y el modelo
Heliosat-4 resultó en aproximadamente un 20% en ambos sitios.
Palabras Clave: GHI, CAMS, Radiación solar, Red Saver-Net.
Satellite-derived solar radiation information is necessary for assessing the financial risk of solar energy projects at ar-
bitrary locations. These estimates must be evaluated against high-quality ground measurements to ensure the reliability
of the information. In this work, 15-minute Global Horizontal Irradiance (GHI) data from the Heliosat-4 model for all-
sky conditions and the McClear model for clear-sky conditions were evaluated against ground-based measurements at
two Saver-Net stations (http: //www.savernetsatreps.org): Pilar (Córdoba) and Villa Martelli (Buenos Aires). Clear sky
detection of the measurements was done using the modified clarity index and analysing the variability of consecutive
measurements. A bias close to -5.5% was found for the Heliosat-4 model at both sites and 1.15% and -0.73% for the
McClear model in Pilar and Villa Martelli, respectively. Furthermore, the relative root mean square error (rRMSD) was
2% and 20% for the McClear and Heliosat-4 models, respectively at both sites.
GHI, CAMS, Solar radiation, Saver-Net network.
https://doi.org/10.31527/analesafa.2023.34.3.76 ISSN 1850-1168 (online)
* anabelalusi@gmail.com
©2023 Anales AFA
I. INTRODUCCIÓN
La capacidad instalada mundial de sistemas solares fotovoltaicos ha crecido en forma sostenida durante los últimos
20 años. La generación de energía solar no cesa en su crecimiento y un factor crucial por sobre otras tecnologías ha
sido su rápida reducción de costos durante la última década, dando mayor competitividad sobre otros tipos de energías
renovables [1]. Argentina cuenta con un recurso excepcional en la región del Noroeste y Cuyo, con un promedio de más
de 2000 kWh/m2de irradiación global horizontal al año, e incluso fuera de esa región, presenta una disponibilidad de
recurso solar más que aceptable si se lo compara con otros países con alto desarrollo fotovoltaico como Japón, Vietnam,
Ucrania, Alemania y Corea del Sur [2]. Diversas políticas públicas adoptadas en el país acompañan el crecimiento de la
energía solar [3], sin embargo, la incorporación de grandes volúmenes a la matriz de producción implica un desafío para
la administración del sistema eléctrico.
Los proyectos de energía solar demandan una gran inversión por lo que se requiere una evaluación de recurso confiable.
Es decir, los inversores deben contar con datos fiables de radiación solar, entre otros aspectos, para poder predecir con
precisión el rendimiento de una planta y su riesgo financiero [4,5]. La información de radiación solar basada en medi-
ciones satelitales es una herramienta necesaria para evaluar el recurso en emplazamientos arbitrarios, pero en ausencia de
verificación contra medidas en tierra de calidad controlada cercanas al sitio específico carecen de la confiabilidad, lo que
puede conducir a una estimación imprecisa de la producción media esperada de la planta y de su potencial flujo de caja.
En este sentido, la comparación con mediciones de tierra es necesaria.
Se pueden diferenciar tres categorías de modelos satelitales para la estimación de la irradiación solar: los modelos
estadísticos o empíricos, los modelos físicos y los modelos híbridos. Los modelos empíricos son aquellos que dependen
de una serie de parámetros ajustables a partir de datos registrados en superficie. Los modelos físicos intentan describir en
detalle o a través de diferentes aproximaciones los procesos de transferencia radiativa en el sistema Tierra-Atmósfera. Para
ello requieren un conocimiento detallado del estado de la atmósfera y su composición local, y su desempeño depende de la
calidad con que se conozcan estas variables. Tal información no siempre está disponible, lo cual es una de sus principales
desventajas. Además, los modelos físicos más detallados son muy intensivos computacionalmente como para ser usados
en tiempo real (no operacionales). La mayor ventaja de estos modelos frente a los estadísticos es que son más factibles
de ser aplicados sobre un territorio en el cual no se cuenta con buenos datos medidos como para realizar un ajuste
local. En contraposición, los modelos empíricos requieren pocas variables de entrada y usualmente son más simples, y
potencialmente más precisos sobre un territorio, si se cuenta con medidas de calidad [6]. Los modelos híbridos utilizan
una base física pero algunos coeficientes deben ajustarse estadísticamente a las mediciones del terreno, por lo que se
encuentran en una categoría intermedia. En este trabajo se aborda la evaluación local de un modelo de naturaleza física,
cuyas estimaciones están disponibles para descarga en el portal del Copernicus Atmosphere Monitoring (CAMS) [7].
Para evaluar modelos en condiciones de cielo despejado se requiere implementar una estrategia de filtrado para dicha
condición. Existen diferentes metodologías para determinar los períodos de cielo despejado desde mediciones de radiación
en superficie [8], ya sea mediante inspección visual de los registros [9], discretización a través de un valor umbral del
índice de claridad (kt) [10-16], es decir, de la relación GHI y la irradiancia extraterrestre en un plano horizontal, relación
entre la irradiación difusa y global [17] o a través de un valor umbral en la Turbidez de Linke [18,19], entre otros. Perez
y otros modificaron el ktpara evitar la dependencia con la altura solar y utilizarlo como un indicador más confiable de
la condición de cielo, lo que se conoce como índice de claridad modificado (k∗
t) [20]. Este índice se calcula a partir de la
relación de kty de la masa de aire (m) [21] como:
k∗
t=kt
1,031 ×exp−1,4
0,9+9,4
m+0,1
.(1)
A partir de k∗
t, Ineichen [22] definió tres zonas para caracterizar la condición de cielo en promedios de rango 10-
minutal: cielo claro (0,65 <k∗
t≤1), intermedio (0,30 <k∗
t≤0,65) y nuboso (0 <k∗
t≤0,30). No obstante, en este
trabajo la discriminación se realizará a escala minutal, por lo que el enfoque anterior no es suficiente, y debe además
agregarse la variabilidad local de la serie para realizar la categorización.
El objetivo de este trabajo es evaluar el desempeño de las estimaciones 15-minutales de GHI disponibles públicamente
en el CAMS. Se evalúa el modelo McClear [23] para condiciones de cielo despejado y el modelo integrado Heliosat-4 ante
toda condición de cielo [24]. La evaluación se realiza en dos estaciones de la red de radiación solar Saver-Net [25]: Pilar
(Córdoba, Argentina) y Villa Martelli (Buenos Aires, Argentina). Este artículo está organizado de la siguiente manera: la
Sec. II describe los sitios de estudio correspondientes a la red de monitoreo y el procesamiento de los datos. La Sec. III
describe las características de los modelos evaluados y presenta las métricas de desempeño utilizadas. Por último, la Sec.
IV presenta los resultados y la discusión, y la Sec. Vlas conclusiones.
II. MEDICIONES TERRESTRES
Las mediciones terrestres de GHI corresponden a Pilar (Córdoba): 31,68◦S, 63,87◦O, 330 m s.n.m. y Villa Martelli
(Buenos Aires): 34,58◦S, 58,48◦O, 25 m s.n.m.. La ciudad de Pilar se encuentra ubicada al sudeste de la ciudad de Cór-
doba, en la región centro de Argentina, mientras que Villa Martelli se encuentra en la zona norte del Gran Buenos Aires,
provincia de Buenos Aires, situada en la región centro-este de Argentina. Los datos fueron registrados con piranómetros
Kipp&Zonen CMP-21 en el rango de onda corta en un plano horizontal con un tiempo de adquisición de un minuto. La
incertidumbre típica reportada para estos instrumentos es menor a ±2% para los totales diarios [26]. El análisis se realizó
durante el periodo 2019-2020.
Para asegurar la calidad del conjunto de datos se realizaron diferentes análisis. Por un lado, las medidas de altura solar
menores a 7◦fueron descartadas del set de datos, ya que representan una porción del día donde los valores de GHI son
bajos, y la incertidumbre relativa de la medida es más alta, por lo que se suelen descartar para fines de evaluación de
modelos. Por otro lado, se inspeccionaron las series temporales con el fin de detectar periodos defectuosos. Además, se
examinaron los valores de GHI y ktcon el ángulo cenital y se realizaron diagramas solares con el objetivo de hallar y
descartar muestras alteradas por la presencia de sombra.
Para la selección de periodos de cielo claro en el set de datos terrestres, se calculó el k∗
ty la variabilidad entre las
muestras (σ=std(∆k∗
t)), para un entorno de ±2 muestras de la muestra objetivo). Las mediciones en la zona de 0,65 <
k∗
t≤1 y baja variabilidad (σ<0.01) fueron seleccionadas. De esta forma se detectaron los minutos despejados en las
mediciones. Luego, en los periodos 15-minutales de detección de cielo claro consecutivo, se realizó un promedio para
obtener un valor medio correspondiente a la ventana temporal, y así poder realizar la comparación con el modelo McClear.
III. MODELOS Y MÉTRICAS
Las estimaciones de GHI para condición de cielo despejado se obtuvieron mediante el método McClear, que computa
irradiaciones directas y globales de onda corta a nivel de superficie. El McClear es un modelo físico que utiliza las
propiedades de los aerosoles, el vapor de agua y la columna total de ozono producidos por el proyecto MACC (Monitoring
Atmosphere Composition and Climate) como insumo para la simulación de transferencia radiativa en la atmósfera a través
del libRadtran [27,28]. El portal del CAMS (https://www.soda-pro.com/web-services/radiation/cams-mcclear) ofrece
cobertura geográfica mundial y frecuencia temporal de 1 minuto, 15 minutos, 1 hora, 1 día y 1 mes. La evaluación en este
trabajo se realizó a escala 15-minutal.
Las estimaciones de GHI para toda condición de cielo se generaron con el método Heliosat-4. Este método proporciona
la irradiación global y sus componentes directa y difusa en plano horizontal. Es un modelo físico que se compone de dos
sub-modelos: el modelo McClear (presentado con anterioridad) y el modelo McCloud que agrega al anterior el efecto de la
nubosidad. Al igual que el McClear, está basado en el modelo de transferencia radiativa libRadtran. La información sobre
nubosidad se deriva de las imágenes del satélite Meteosat de Segunda Generación (MSG) en una resolución temporal de
15 minutos [23]. El CAMS (https://www.soda-pro.com/web-services/radiation/cams-radiation-service) ofrece para estos
datos igual cobertura geográfica que el campo de visión del satélite MSG, es decir, en términos generales, Europa, África,
Océano Atlántico, Oriente Medio y parte de Sudamérica (-66◦a 66◦en ambas latitudes y longitudes). La información está
disponible desde el 01/02/2004 hasta dos días antes a la fecha de consulta. Al igual que para el modelo McClear los datos
de GHI para toda condición de cielo pueden obtenerse con una frecuencia de 1 minuto, 15 minutos, 1 hora, 1 día y 1 mes.
En este trabajo se utilizaron los datos de escala 15-minutal.
Para la evaluación de los modelos se utilizaron tres métricas de rendimiento principales: el desvío promedio o sesgo
(MBD), el desvío cuadrático medio (RMSD) y el desvío medio absoluto (MAD). La primera métrica mide el sesgo siste-
mático de las estimaciones en comparación con las mediciones, mientras que las otras dos métricas miden la dispersión de
las desviaciones con distinta ponderación. Además, por completitud, se analizó el coeficiente de correlación de Pearson
(R).
El MBD, RMSD y MAD se definen como:
MBD =1
N
N
∑
i
ei(2)
RMSD ="1
N
N
∑
i
e2
i#1
2
(3)
MAD =∑N
i|ei|
N(4)
donde Nes el número de pares de medidas (yi) y estimativos (b
yi), y eison los residuos b
yi−yi. Estos indicadores pueden
expresarse en términos relativos (rMBD, rRMSD y rMAD) como porcentaje de la media de las medidas ⟨yi⟩.
IV. RESULTADOS Y DISCUSIÓN
La Tabla 1presenta las métricas de desempeño obtenidas en la evaluación de los modelos McClear y Heliosat-4 en los
dos sitios de estudio.
El modelo McClear presenta una alta correspondencia con las mediciones terrestres de cielo despejado. La Fig. 1(a,b)
muestra los gráficos de dispersión de la comparación modelo-medición y el ajuste lineal obtenido, donde se observa
una dispersión baja y valores de pendiente de 1,01 y 0,99, y de ordenada al origen de 4,12 y 3,82 para Pilar y Villa
TABLA 1: Resultados de las métricas de desempeño.
Métricas McClear Heliosat-4
Pilar Villa Martelli Pilar Villa Martelli
N 152529 149590 29551 31065
rMBD (%) 1,15 -0,73 -5,38 -6,00
rRMSD (%) 2,15 2,33 21,01 19,25
rMAD (%) 1,69 1,84 13,69 13,1
R 1,00 1,00 0,95 0,96
Martelli, respectivamente. La mayoría de las observaciones se encuentran alrededor de la línea de ajuste perfecto (x=y),
y la dispersión en esa zona es baja. Se observa un muy buen desempeño del modelo con valores porcentuales de sesgo y
desvío cuadrático medio bajos y similares para ambos sitios. Pilar presenta un valor de rMBD de 1,15% y un rRMSD de
2,15%, mientras que en Villa Martelli se observa un rMBD de -0,73% y un rRMSD de 2,33%. El rMAD también presenta
valores bajos y similares para Pilar y Villa Martelli (1,69% y 1,84% respectivamente). En ambos sitios se observa una muy
buena correlación con valores de R=1,00. Los valores de rRMSD obtenidos (∼2,33%) están por debajo de los reportados
en evaluaciones previas en la región (3-5%) [29] realizadas en condición de cielo despejado para un minuto en varias
estaciones de la Baseline Surface Radiation Network (BSRN) [30], mientras que el coeficiente de correlación presenta
una leve mejora. El mejor desempeño encontrado aquí está asociado a una discriminación minuciosa de las condiciones de
cielo claro en base a la medida minutal. El procedimiento basado en k∗
ty sigma asegura que ningún minuto con nubosidad
ingresa en el promedio 15-minutal, algo que trabajos previos no realizan. Este resultado sugiere que la calidad de la
detección de las muestras despejadas en un factor importante en la evaluación de este tipo de modelos, y es un aspecto
interesante para trabajo futuro.
La evaluación del modelo Heliosat-4 para condición de todo cielo también muestra un buen desempeño en las dos
estaciones estudiadas. La Fig. 1 (c) y(d) presenta los gráficos de dispersión de la comparación modelo-medición. En
este caso, la mayoría de los puntos de color que indican la densidad de datos también se encuentran cercanas a la línea
x=y. Como es de esperar, la correspondencia entre los valores disminuye cuando se incluye la nubosidad, presentando
una mayor dispersión que la evaluación del modelo McClear. La comparación presenta desvíos negativos, con valores
de rMBD de -5,38% y -6,00%, y rRMSD de 21,01% y 19,25% para Pilar y Villa Martelli, respectivamente. El rMAD
obtenido es de 13% aproximadamente para ambos sitios. Comparaciones previas de las estimaciones de Heliosat-4 con
mediciones terrestres en 13 estaciones de la BSRN que se ubican en el campo de visión del MSG y realizadas para distintas
regiones climáticas han sido reportadas por el CAMS. Estas evaluaciones han presentado valores de rRMSD entre 15%
y 20% para estaciones en climas desérticos y mediterráneos, y entre el 26% y 43% en climas lluvioso con inviernos
suaves para frecuencias temporales de 15 minutos [23]. Los coeficientes de correlación reportados varían entre 0,91 y
0,97. Además, trabajos de comparaciones a escala 10-minutal en la región [31] indican un rRMSD de alrededor del 21%.
Por lo tanto, los valores obtenidos de desempeño en las estaciones de Pilar y Villa Martelli están en correspondencia con
los valores de evaluaciones previas.
V. CONCLUSIONES
Este trabajo presenta la evaluación de desempeño de las estimaciones de GHI del modelo de cielo claro McClear y
del modelo de todo cielo Heliosat-4 a través de la comparación con datos de tierra en dos sitios de la región centro-este
de Argentina. El análisis se realizó para datos 15-minutales durante los años 2019 y 2020. En ambos sitios la precisión
alcanzada por los modelos McClear y Heliosat-4 es buena y las métricas muestran un buen desempeño.
El rRMSD obtenido para la comparación entre el modelo McClear y datos de tierra en condición de cielo despejado
resultó del orden de 2% en ambos sitios. El modelo Heliosat-4 reportó un rRMSD del orden del 20% en ambos sitios,
un valor también aceptable para la condición de todo cielo. El rendimiento de los modelos en las dos ciudades estudiadas
es comparable a los reportados por CAMS para otras regiones y a los encontrados en evaluaciones en otros sitios de la
región.
La verificación de información de radiación solar basada en satélites con mediciones terrestres controladas es funda-
mental ya que habilita a utilizar la información satelital en sitios arbitrarios dentro de la región evaluada, siendo infor-
mación de incertidumbre caracterizada para inversiones en proyectos de energía solar. A futuro, este análisis se puede
profundizar extendiendo la región de análisis a todos los sitios de la red Saver-Net que cubren una amplia extensión del
territorio argentino y abarcan diferentes zonas climáticas, y adaptando localmente los estimativos de los modelos a las
medidas a través de técnicas de postproceso. Además, se espera incorporar la evaluación de otros modelos de GHI basados
en información satelital al análisis, apuntando hacia un benchmarking nacional.
AGRADECIMIENTOS
Los autores agradecen a la Agencia de Cooperación Internacional de Japón (JICA) por el financiamiento del proyecto
Saver-Net y a las instituciones SMN y CITEDEF por el mantenimiento y operación en los nodos de monitoreo de la
red. Este trabajo cuenta con la financiación de la Agencia Nacional de Promoción de la Investigación, el Desarrollo
Tecnológico y la Innovación en el marco del proyecto PICT-2020-SERIEA-02601. Anabela Rocío Lusi es estudiante del
FIG. 1: Diagramas de dispersión para los estimativos de los modelos McClear (arriba) y Heliosat-4 (abajo) contra mediciones terres-
tres en los sitios de Pilar (izquierda) y Villa Martelli (derecha) de la red Saver-Net. La línea negra representa la recta x=y mientras
que la escala de color indica la densidad de puntos de las mediciones de GHI. Los colores más brillantes indican una alta densidad y
los más oscuros una menor densidad de muestras.
Doctorado en Ciencias Aplicadas Mención Ambiente y Salud (DCAAS, UNICEN, Argentina).
REFERENCIAS
[1] R. IRENA OECD/IEA. Renewable Energy Policies in a Time of Transition: Heating and Cooling inf. téc. (International Rene-
wable Energy Agency, Abu Dhabi, United Arab Emirates, 2021)).
[2] Global Market Outlook for solar power 2021-2025 inf. téc. (SolarPower Europe, 2021).
[3] Energías Renovables 2022: se cubrió el 13,9 % de la demanda y se inauguraron 8 proyectos por más de 47 MW de potencia
instalada Argentina.gob.ar. Ministerio de Economía Argentina. 2023.
[4] M. Schnitzer, C. Thuman y P. Johnson. The impact of solar uncertainty on project financeability: Mitigating energy risk through
on-site monitoring en In Proceedings of the American Solar Energy Society (ASES) (Denver, Colorado, United States, 2012),
1-5.
[5] A. C. McMahan, C. N. Grover y F. E. Vignola. Evaluation of resource risk in solar-project financing. Solar Energy Forecasting
and Resource Assessment, 81-95 (2013).
[6] R. Alonso-Suárez. Estimación del recurso solar en Uruguay mediante imágenes satelitales Tesis doct. (Facultad de Ingeniería,
Universidad de la República, 2017).
[7] Copernicus Atmosphere Monitoring Service (CAMS) http://atmosphere.copernicus.eu/. 2023.
[8] M. Alia-Martinez, J. Antonanzas, R. Urraca, F. J. Martinez-de-Pison y F. Antonanzas-Torres. Benchmark of algorithms for solar
clear-sky detection. J. Renew. Sustain. Energy 8(2016).
[9] Y. Zhang, X. Li e Y. Bai. An integrated approach to estimate shortwave solar radiation on clear-sky days in rugged terrain using
MODIS atmospheric products. Solar Energy 113, 347-357 (2015).
[10] J. C. Lam y D. H. W. Li. Correlation between global solar radiation and its direct and diffuse components. Build. Environ. 31,
527-535 (1996).
[11] C. C. Y. Ma y M. Iqbal. Statistical comparison of models for estimating solar radiation on inclined surgaces. Solar Energy 31,
313-317 (1983).
[12] B. Y. H. Liu y R. C. Jordan. The interrelationship and characteristic distribution of direct, diffuse and total solar radiation. Solar
Energy 4, 1-19 (1960).
[13] A. P. Oliveira, J. F. Escobedo, A. J. Machado y J. Soares. Correlation models of diffuse solar-radiation applied to the city of São
Paulo, Brazil. Appl. Energy 71, 59-73 (2002).
[14] A. de Miguel, J. Bilbao, R. Aguiar, H. Kambezidis y E. Negro. Diffuse solar irradiation model evaluation in the North Medite-
rranean Belt area. Solar Energy 70, 143-153 (2001).
[15] D. T. Reindl, W. A. Beckman y J. A. Duffie. Diffuse fraction correlations. Solar Energy 45, 1-7 (1990).
[16] J. Chandrasekaran y S. Kumar. Hourly diffuse fraction correlation at a tropical location. Solar Energy 53, 505-510 (1994).
[17] R. Rahim, Baharuddin y R. Mulyadi. Classification of daylight and radiation data into three sky conditions by cloud ratio and
sunshine duration. Energy Build. 36, 660-666 (2004).
[18] S. Younes y T. Muneer. Clear-sky classification procedures and models using a world-wide data-base. Appl. Energy 84, 623-645
(2007).
[19] C. Rigollier, O. Bauer y L. Wald. On the clear sky model of the ESRA — European Solar Radiation Atlas — with respect to the
heliosat method. Solar Energy 68, 33-48 (2000).
[20] R. Perez, P. Ineichen, R. Seals y A. Zelenka. Making full use of the clearness index for parameterizing hourly insolation condi-
tions. Solar Energy 45, 111-114 (1990).
[21] F. Kasten y A. T. Young. Revised optical air mass tables and approximation formula. Appl. Opt. 28, 4735 (1989).
[22] P. Ineichen, C. S. Barroso, B. Geiger, R. Hollmann, A. Marsouin y R. Mueller. Satellite Application Facilities irradiance pro-
ducts: hourly time step comparison and validation over Europe. Int. J. Remote Sens. 30, 5549-5571 (2009).
[23] Z. Qu, A. Oumbe, P. Blanc, B. Espinar, G. Gesell, B. Gschwind, L. Klüser, M. Lefèvre, L. Saboret, M. Schroedter-Homscheidt
y L. Wald. Fast radiative transfer parameterisation for assessing the surface solar irradiance: The Heliosat-4 method. Meteorolo-
gische Zeitschrift 26, 33-57 (2017).
[24] M. Lefèvre, A. Oumbe, P. Blanc, B. Espinar, B. Gschwind, Z. Qu, L. Wald, M. Schroedter-Homscheidt, C. Hoyer-Klick, A.
Arola, A. Benedetti, J. W. Kaiser y J.-J. Morcrette. McClear: a new model estimating downwelling solar radiation at ground
level in clear-sky conditions. Atmos. Meas. Tech. 6, 2403-2418 (2013).
[25] F. Orte, E. Wolfram, E. Luccini, R. D’ Elia, A. Lusi, J. Pallota, F. Nollas, F. Carmona, S. Papandrea, M. Cabezas, B. G. Carbajal
y A. Mizuno. Saver-Net UV-total solar irradiance monitoring network in Argentina. Revista Meteorológica 47, e016 (2022).
[26] CMP21 Piranómetros Secundarios Estándares https://www.kippzonen.es/Product/211/CMP21-Piranometro.
[27] C. Emde, R. Buras-Schnell, A. Kylling, B. Mayer, J. Gasteiger, U. Hamann, J. Kylling, B. Richter, C. Pause, T. Dowling y L.
Bugliaro. The libRadtran software package for radiative transfer calculations (version 2.0.1). Geosci. Model Dev. 9, 1647-1672
(2016).
[28] B. Mayer y A. Kylling. Technical note: The libRadtran software package for radiative transfer calculations - description and
examples of use. Atmos. Chem. Phys. 5, 1855-1877 (2005).
[29] A. Laguarda, G. Giacosa, R. Alonso-Suárez y G. Abal. Performance of the site-adapted CAMS database and locally adjusted
cloud index models for estimating global solar horizontal irradiation over the Pampa Húmeda. Solar Energy 199, 295-307 (2020).
[30] A. Ohmura, H. Gilgen, H. Hegner, G. Müller, M. Wild, E. G. Dutton, B. Forgan, C. Fröhlich, R. Philipona, A. Heimo, G.
König-Langlo, B. McArthur, R. Pinker, C. H. Whitlock y K. Dehne. Baseline Surface Radiation Network (BSRN/WCRP): New
Precision Radiometry for Climate Research. Bull. Am. Meteorol. Soc. 79, 2115-2136 (1998).
[31] A. Laguarda, P. Iturbide, X. Orsi, M. Denegri, S. Luza, B. Burgos, V. Stern y R. Alonso-Suárez. Validación de modelos satelitales
Heliosat-4 y CIM-ESRA para la estimación de irradiancia solar en la Pampa Húmeda. Energías Renovables y Medio Ambiente
48, 1-9 (2021).
