A produção de energia solar envolve desafios consideráveis, dentre eles, podemos citar a modificação de cobertura de nuvens no decorrer do dia, pois as dinâmicas de metamorfose das nuvens exigem previsões meteorológicas bastante precisas. Em uma análise técnica mais profunda, a mudança repentina na cobertura de nuvens ocasiona o aprisionamento e a liberação de ondas, modificando o balanço de energia em superfície. Em razão disso, um estudo acerca da previsão da variabilidade da cobertura de nuvens se faz necessário, e este é o
objetivo deste estudo. A metodologia deste trabalho foi desenvolvida a fim de identificar um padrão de trânsito de nuvens, com intuito de prever a incidência de irradiação solar em um curto período de tempo. Para tal, foram produzidos dois conjuntos de dados, por meio da captura de imagens no município de Florianópolis (SC) com câmeras apontadas para o horizonte, do seguinte modo: (i) segmentação baseada na altura das nuvens; (ii) segmentação baseada na característica de absorção de irradiação solar. Os resultados prévios foram realizados por meio de experimentos empíricos com os modelos de deep learning mais consolidados atualmente: Linknet, U-net e Feature Pyramid Network, além de um modelo
mais recente chamado HRnet. Todos os experimentos foram realizados utilizando Transfer Learning com pesos treinados no conjunto de dados “2012 ILSVRC ImageNet” e diferentes configurações de arquitetura (e.g. resnet, densenet, vgg). A tarefa de classificação de nuvens mostrou-se ser um grande desafio com uma série de limitações, no entanto, os melhores resultados foram obtidos utilizando o Coeficiente de Jaccard como métrica de validação, com a arquitetura HRnet utilizando o conjunto de dados (2). Os modelos mais consolidados apresentaram resultados inferiores em ambos conjuntos de dados.