ISSN 2477-9105  
DOI: https://doi.org/10.47187/perf.v1i34.340  
Número 34 Vol.1 (2025)  
Fecha de recepción: 05-02-2025 · Fecha de aceptación: 15-06-2025 · Fecha de Publicación: 02-07-2025  
MODELO DE AJUSTE ENERGÉTICO PARA OPTIMIZAR EL USO DE  
ENERGÍA SOLAR Y EÓLICA EN ZONAS MINERAS DE ZARUMA,  
ECUADOR  
Energy adjustment model to optimize the use of solar and wind energy in mining  
areas of Zaruma, Ecuador  
iD  
¹ Daniel Torres *  
iD  
² Mariela Moreno Palacios  
iD  
² Arquimides Haro  
¹ Investigador independiente; Riobamba, Ecuador.  
² Escuela Superior Politécnica de Chimborazo, Grupo de Energías Alternativas y Ambiente (GEAA), Riobamba, Ecuador.  
* danydemera750@gmail.com  
RESUMEN  
El estudio propone un modelo de ajuste energético orientado a optimizar el uso de energía solar y eólica en zonas mineras  
del cantón Zaruma. Se utilizaron datos recopilados entre 2017 y 2020, considerando 8.760 registros anuales de radiación  
solar y velocidad del viento. La metodología empleada fue de carácter cuantitativo, combinando información proveniente de  
modelos globales, estaciones meteorológicas y datos satelitales. Se aplicó un mallado geográfico en el área de estudio y se utilizó  
interpolación espacial mediante el método IDW para generar mapas de predicción del potencial energético. Los resultados  
muestran que Zaruma posee un potencial eólico constante a lo largo del año, lo que favorece la implementación de turbinas  
eólicas. Asimismo, la zona central del cantón presenta niveles de radiación solar superiores a 4 W/m², adecuados para la  
instalación de paneles solares. Se calculó además la rentabilidad de ambos recursos, destacando su viabilidad para proyectos de  
energía renovable a futuro.  
Palabras claves: Energías renovables, Contaminación, Zaruma, Sostenibilidad, Potencial energético.  
ABSTRACT  
The study proposes an energy adjustment model aimed at optimizing the use of solar and wind energy in mining areas of  
the Zaruma canton. Data collected between 2017 and 2020 was used, considering 8,760 annual records of solar radiation  
and wind speed. The methodology employed was quantitative in nature, combining information from global models,  
meteorological stations, and satellite data. A geographic grid was applied to the study area, and spatial interpolation using  
the IDW method was used to generate predictive maps of energy potential. The results show that Zaruma has a consistent  
wind potential throughout the year, favoring the implementation of wind turbines. Likewise, the central area of the canton  
presents solar radiation levels above 4 W/m², suitable for the installation of solar panels. The profitability of both resources  
was also calculated, highlighting their feasibility for future renewable energy projects.  
Keywords: Renewable energy, Pollution, Zaruma, Sustainability, Energy potential.  
21  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
establecer un marco de referencia replicable para  
otras regiones mineras en Ecuador y el mundo.  
La investigación muestra que el uso de energías  
renovables podría reemplazar los combustibles  
fósiles, reducir las emisiones de CO₂ y beneficiar  
a la industria minera y otras áreas. Este enfoque  
promueve la energía sostenible y la protección del  
medio ambiente(8).  
I. INTRODUCCIÓN  
El Ecuador posee una ubicación estratégica y clima  
privilegiado, lo cual favorece al desarrollo de las  
actividades económicas en general, entre ellas la  
minería. Así mismo presenta gran riqueza geológica,  
encontrándose en su territorio depósitos minerales  
que albergan económicamente elementos tales  
como oro, plata, cobre, molibdeno, hierro y titanio,  
los mismos que están dispuestos principalmente  
en las provincias de Pichincha, Bolívar, Esmeraldas,  
Imbabura, Zamora Chinchipe, Napo y Sucumbíos (1).  
El presente artículo constituye un esfuerzo  
significativo por caracterizar el potencial energético  
solar y eólico en el cantón Zaruma, una región con  
una fuerte tradición minera y una alta dependencia  
histórica de los combustibles fósiles. Aunque el uso  
de modelos empíricos como Bristow-Campbell y  
Weibull es ampliamente conocido, su aplicación  
en esta zona específica, complementada con la  
generación de mapas interpolados mediante  
técnicas geoespaciales, representa un aporte  
relevante para la planificación energética regional.  
La comparación entre los datos observados y los  
estimados a través del modelo de Bristow-Campbell  
permite evaluar su precisión y viabilidad para  
ser replicado en otras regiones del Ecuador. Este  
modelo, al proporcionar estimaciones promedio de  
radiación solar diaria a partir de la latitud y datos  
de temperatura, facilita la construcción de bases de  
datos energéticos, incluso en zonas con información  
limitada. Además, ajustando el parámetro de  
transmitancia atmosférica, su aplicación podría  
extenderse a distintas regiones del mundo.  
El Gobierno Nacional decidió apoyar el desarrollo  
de la industria minera y atraer capitales hacia este  
sector considerando que el Ecuador es un país con  
potencial minero, que tiene reservas de oro, plata y  
cobre, además de una variada oferta de productos  
mineros(2). En el país se ha desarrollado la minería,  
sólo a nivel de minería artesanal y de pequeña  
minería (3).  
La industria minera en el cantón Zaruma, Ecuador,  
enfrenta importantes desafíos de sostenibilidad  
energética, social y ambiental, exacerbados por el  
uso predominante de combustibles fósiles en la  
generación de energía (4).  
Se apoya la lucha contra el cambio climático  
promoviendo un mayor uso de energías limpias,  
mejorar la planificación energética y la red gestión  
y aumento de la eficiencia energética (5). Ecuador  
es rico en recursos alternativos como el sol, viento,  
pequeñas vertientes, etc, lo que hace factible  
el desarrollo de energías no convencionales en  
distintos puntos topográficos (6). Prácticas de  
extracción de minerales han llevado a niveles  
significativos de emisiones de CO₂, afectando tanto  
la salud ambiental como las comunidades locales.  
Sin embargo, la ubicación estratégica de Ecuador,  
próxima a la línea ecuatorial, ofrece un elevado  
potencial para la implementación de energías  
renovables, particularmente solar y eólica(7).  
Los datos utilizados en este estudio fueron extraídos  
deSystemAdvisorModel(SAM)(9),unaherramienta  
avanzada que permite analizar la viabilidad técnica  
y económica de proyectos de energía renovable,  
incluyendo la estimación de la radiación solar. SAM  
es ampliamente reconocida por su capacidad para  
simular el comportamiento de sistemas solares  
fotovoltaicos y térmicos, lo que la convierte en una  
opción confiable para obtener información precisa  
sobre la disponibilidad de recursos solares en  
diferentes regiones.  
La falta de un modelo ajustado para evaluar y  
aprovechar estos recursos energéticos en áreas  
específicas ha limitado el avance hacia una  
transición energética en sectores críticos como  
la minería. Este estudio se centra en el desarrollo  
y validación de un modelo de ajuste para evaluar  
con precisión el potencial energético solar y eólico,  
utilizando datos satelitales locales y técnicas de  
interpolación y modelado geoespacial como IDW.  
Los resultados pretenden no solo optimizar el uso de  
fuentes de energía limpia en Zaruma, sino también  
La integración de estos datos con los modelos  
empíricos empleados en este estudio fortalece la  
evaluación del potencial energético de la región,  
brindando una visión más completa y detallada  
sobre la factibilidad de implementar proyectos de  
energía renovable en el cantón Zaruma y áreas  
similares. Además, la posibilidad de ajustar el  
parámetro de transmitancia atmosférica según las  
características locales de cada región amplía aún  
más la aplicabilidad del modelo, permitiendo su  
uso en estudios globales de potencial energético  
22  
MODELO DE AJUSTE ENERGÉTICO PARA OPTIMIZAR EL USO DE ENERGÍA  
SOLAR Y EÓLICA EN ZONAS MINERAS DE ZARUMA, ECUADOR  
Torres, Moreno, Haro.  
renovable. Los resultados del estudio nos  
demuestran que el cantón Zaruma tiene potencial  
eólico constante en todo el año lo que permitiría  
la implementación de turbinas eólicas y en la zona  
central existe potencial solar aprovechable lo que  
facilitaría la implementación de paneles solares.  
La interpolación IDW es un método de  
interpolación espacial utilizado para predecir  
valores en ubicaciones desconocidas basándose  
en la proximidad y los valores de puntos  
conocidos. Este método asume que los puntos  
cercanos tienen valores más similares entre sí que  
los puntos más alejados(10). IDW calcula el valor  
de una variable en un punto desconocido como  
una media ponderada de los valores en puntos  
conocidos cercanos. El peso asignado a cada  
punto conocido es inversamente proporcional a la  
distancia a la ubicación desconocida. Esto significa  
que los puntos más cercanos tienen un mayor peso  
en la estimación que los puntos más lejanos(11).  
II. MATERIALES Y MÉTODOS  
Localización del estudio  
Zaruma, una ciudad en el altiplano de la provincia  
de El Oro, al sureste de Ecuador y al suroeste de  
la provincia de El Oro, se encuentra en el Callejón  
Interandino, a una altitud que varía de 900 a 3500  
metros sobre el nivel del mar. Sus coordenadas  
geográficas son 3°26′0″ S de latitud y 79°36′0″  
W de longitud, con coordenadas UTM 9620395  
655523. Esta se encuentra al norte con la provincia  
del Azuay, al sur con el cantón Piñas, al este con el  
cantón Portovelo, y al oeste con los cantones Chilla  
y Atahualpa, abarcando una superficie total de  
643,5 km².  
La energía mínima de radiación solar debe ser de  
4 [Kwℎ/m²] para que las aplicaciones derivadas  
de  
colectores  
solares  
térmicos,  
módulos  
fotovoltaicos y viviendas bioclimáticas sean  
rentables (12).  
El viento debe alcanzar una velocidad mínima, que  
varía según el aerogenerador, pero generalmente  
comienza entre 3 m/s y 4 m/s, conocida como  
"velocidad de arranque " y no debe exceder los  
25 m/s, denominada "velocidad de corte " (13).  
Determinacióndepuntosdemuestreoymonitoreo  
Para determinar los puntos de estudio se realizó  
un mallado geográfico para obtener una mejor  
distribución de los puntos en toda el área del Cantón  
Zaruma. Donde los puntos fueron utilizados para  
descargar datos satelitales de diferente software  
y crear una base de datos tanto para la radiación  
solar como para la velocidad del viento, donde los  
resultados obtenidos fueron usados para la creación  
de mapas de radiación y velocidad.  
Se realizó la interpolación IDW para los meses de  
enero, febrero, marzo, abril, mayo, junio, julio,  
agosto, septiembre y diciembre. Considerando  
que la radiación solar mínima requerida es de  
166.67 W/m², los valores iguales o superiores se  
representaron con colores predominantes en la  
ilustración generada (Figura 2).  
Los resultados obtenidos a partir de este proceso  
se utilizaron posteriormente para la generación  
de mapas predictivos de radiación y velocidad del  
viento (Figura 1).  
Figura 2. Mapa de radiación solar del Cantón Zaruma en el cual  
realizaremos el modelo de Bristow Campbell en el punto "P1"  
Se ejecutó una base de datos de los últimos  
cuatro años de la velocidad del viento del cantón  
Zaruma con datos descargados de la base Global  
Atlas. Para la interpolación se utilizaron 40  
Figura. 1. Mallado del Cantón Zaruma para los puntos de muestreo  
23  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
puntos distribuidos en el área de estudio, lo que  
permitió identificar las zonas con mayor y menor  
velocidad del viento. En el mapa generado, se  
utilizaron gamas de color azul para representar  
las áreas con velocidades más altas, mientras  
que las tonalidades más claras correspondieron  
a velocidades menores. Este comportamiento  
espacial puede observarse en la Figura 3.  
12 datos para 120 metros por cada punto.  
Modelo de ajuste de Bristow-Campbell  
El modelo Bristow-Campbell es ampliamente  
utilizado para estimar la irradiancia solar debido  
a la facilidad de obtener las variables necesarias  
para su cálculo. Originalmente, fue aplicado en  
las localidades de Pullman, Great Falls y Tacoma,  
donde demostró ser eficiente, explicando entre  
el 70% y el 90% de la variación en la radiación  
solar. En este modelo, se utilizan la diferencia  
entre la temperatura máxima y mínima (amplitud  
térmica) y la precipitación diaria como variables  
de entrada (13).  
c
- T  
Hg = Ho (1 – e-b (T  
)
( 1 )  
max  
min)  
Hg = Radiación solar Wh/m²  
Ho = Radiación solar extraterrestre Wh/ m²  
Tmax = Temperatura máxima promedio mensual °C  
Tmin = Temperatura máxima promedio mensual °C  
a, b y c = Coeficientes atmosféricos.  
Figura. 3. Mapa de la velocidad del Viento donde se realizará el  
modelo de Weibull  
Aunque los coeficientes A (a), B (b) y C (c) son  
de naturaleza empírica, poseen algún significado  
físico. El coeficiente A indica la radiación  
máxima esperada en un día despejado que se  
asocia a la transmitancia de la atmosfera(14).  
Los coeficientes B y C determinan la velocidad  
con la que A se alcanza a medida que aumenta  
la diferencia de temperatura. Los valores  
comúnmente reportados para estos coeficientes  
son 0,7 para A, un rango de 0,004 a 0,010 para B,  
y 2,4 para C (13).  
Recolección de Datos  
Software SAM para la recolección de datos de  
radiación solar.  
El software SAM recopila datos meteorológicos a  
nivel global y está más enfocado a la creación de  
sistemas fotovoltaicos por lo cual fue la opción  
para recolectar de su base de datos, para ellos  
tuvimos que ingresar cada coordenada geográfica  
en el software el cual nos data un archivo .CVS  
con 8760 datos tomando 24 datos por día en  
un total de 365 días que tiene un año, también  
obtuvimos la elevación en metro de cada punto,  
se procedió a realizar un promedio mensual de  
todos los puntos y así obtener una tabla en la cual  
tenemos la radiación solar directa por mes y de  
cada punto con su elevación.  
Para determinar los coeficientes b y c existen  
algunas ecuaciones prácticas para encontrar los  
valores de estos coeficientes:  
∅
C = 2.116 - 0.072 (Tmax - Tmin ) + 57.574 e  
(2)  
B = 0.107 c -2.6485  
(3)  
Global Atlas para la recolección de datos de la  
velocidad del viento  
Las celdas solares son interesantes por generar  
electricidad con energía solar. Sin embargo,  
esta tecnología está limitada, y se requiere  
investigación continua de materiales y sus  
características ópticas para su uso eficiente(15).  
Para ello ingresamos cada punto geográfico  
y procedimos a la descarga de los datos, esta  
base de datos nos daba la velocidad del viento  
a una altura de 60 y 120 metro de altura sobre  
la superficie terrestre de cada punto para el caso  
de este trabajo solo utilizamos a la altura de 60  
metros, esta base de datos ya nos da la velocidad  
del viento en promedio mensual de los últimos 4  
años en un archivo .CVS de 12 datos a 60 metros y  
Modelo de ajuste de Weibull  
Para predecir y lograr una buena aproximación  
estadísticadeladistribuciónanualdelvientoenun  
lugar determinado, se suele utilizar la distribución  
24  
MODELO DE AJUSTE ENERGÉTICO PARA OPTIMIZAR EL USO DE ENERGÍA  
SOLAR Y EÓLICA EN ZONAS MINERAS DE ZARUMA, ECUADOR  
Torres, Moreno, Haro.  
de Weibull, la función de Weibull presenta varias  
ventajas sobre otras funciones de densidad  
de probabilidad (16,17). Permite estimaciones  
precisas de la asimetría en la distribución de  
densidad de probabilidad. La función de Weibull  
se caracteriza por dos parámetros: uno de escala y  
otro de forma. El parámetro de escala determina  
la dispersión de la distribución, mientras que el  
parámetro de forma define su configuración (18).  
En el caso del viento hay que recordar que es un  
recurso intermitente y debe alcanzar una veloci-  
dad mínima, que varía según el aerogenerador,  
pero generalmente comienza entre 3 m/s (10  
km/h) y 4 m/s (14,4 km/h), conocida como "ve-  
locidad de arranque y no debe exceder los 25 m/s  
(90 km/h), denominada "velocidad de corte"(14),  
entonces tomamos en cuenta estos valores para  
realizar la interpolación y el diseño de mapas de  
velocidad de viento, para analizar la operación  
óptima de un aerogenerador en esta zona.  
función de densidad de probabilidad de Weibull  
está dada por ecuación (4):  
K - 1  
(v/λ) k  
III. RESULTADOS  
k V  
λ λ  
(4)  
-
f (v) =  
e
V= velocidad del viento  
El factor de escala, λ, medido en m/s  
El factor de forma, k, adimensional.  
La función de probabilidad de la distribución de la  
velocidad del viento puede normalizarse a través  
del análisis de Weibull. Los parámetros para este  
análisis se obtuvieron mediante regresión lineal  
entre los valores de la variable y su probabilidad  
acumulada, utilizando la transformada logarít-  
mica y el método de mínimos cuadrados (18). La  
función de distribución acumulativa se presenta  
en la ecuación (5) que no es más que la integral  
de la ecuación (4).  
Figura 4. Radiación real vs radiación estimada con el modelo de  
Bristol Campbell para el año 2017.  
Cómo se muestra en la Figura 4, en el método  
de estimación Bristow Campbell se determinó  
(v/λ) k  
-
la irradiación solar del día 15 de cada mes. Hge  
representa la radiación solar estimada con el  
modelo y Hgr representa la radiación real que fue  
tomada de las bases de datos del SAM. Podemos  
observar en la ilustración (4) que ambas líneas  
siguen una tendencia similar a lo largo de tiempo  
con varios picos y varios valles, donde los picos  
son días en donde la radiación solar es mayor y  
los valles días donde es menor.  
F (V) = 1 - e  
(5)  
Rentabilidad  
Es importante realizar la rentabilidad de la radia-  
ción solar global y de la velocidad de viento para  
la aplicación de dispositivos de generación de en-  
ergía eólica y solar en una zona, en este estudio  
se analiza la rentabilidad de estos parámetros  
para concretar la aplicabilidad de proyectos ren-  
ovables.  
Para evaluar la viabilidad de un proyecto de en-  
ergía solar, es esencial contar con datos precisos  
sobre la radiación solar, ya que esta información  
permite la concreción de dichos proyectos. La  
energía mínima de radiación solar debe ser de 4  
[KWℎ/m²] para que las aplicaciones derivadas de  
colectores solares térmicos, módulos fotovoltai-  
cos y viviendas bioclimáticas sean rentables(19).  
Se transforma 4 [KWℎ/m²] a [W/m²] y se lo divide  
por el número de horas en un día para determi-  
nar la rentabilidad y correcto funcionamiento de  
los paneles solares.  
Figura 5. Radiación real vs radiación estimada con el modelo de  
Bristol Campbell para el año 2018  
25  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
La Figura 5, en términos de tendencias generales,  
ambas líneas muestran un comportamiento  
similar, lo que indica que el modelo es capaz  
de capturar fluctuaciones estacionales en la  
radiación solar con una precisión razonable. La  
coincidencia en las gráficas nos indica que el  
modelo desarrollado tiene una gran fiabilidad  
ya que se aproxima bastante a los datos reales,  
pero las variaciones en la gráfica en periodos  
específicos del año con son en el día 15, 105 y  
349, podemos observar que la radiación es  
notablemente superior a la que está prediciendo  
nuestro modelo, pero alrededor de día 166 la  
radiación estimada supera y valor real. Esto  
podría indicar que el parámetro “a” necesitaría  
ser ajustado para tener un mayor nivel de  
precisión en esos días.  
En la Figura 7 podemos observar que las líneas  
son muy simétricas entre sí, no existe mucha  
variaciónperotambiénenciertospuntoslaslíneas  
se alejan mucho unas de otras como lo es en los  
días 15, 288 y 319 donde la radiación estimada  
es mucho mayor que la radiación real lo que nos  
indica que el modelo no se está complementado  
adecuadamente a los valores reales, pero también  
podría ser un error en la base de datos del SAM  
ya que en general se puede observar que existe  
gran precisión en otros días del año, mientras  
que en los días 135, 227 y 349 la radiación real es  
mayor que la estimada pero no tiene un desface  
abismal lo que nos indica que el modelo utilizado  
se acopla de muy buena manera a las condiciones  
de la región estudiada.  
Análisis método de estimación con el Modelo de  
Weibull  
Figura 6. Radiación real vs radiación estimada con el modelo de  
Bristol Campbell para el año 2019  
Figura 8. Frecuencia relativa vs estimación del modelo de Weibull en  
m/s a una altura de 60 m  
La Figura 6 nos muestra como en determinados  
lapsos se pueden observar cambios muy drásticos  
como lo son en los días 166, 227 y 258 podemos  
ver que la radiación real es mayor que la radiación  
estimada, mientras que en los días 74, 135 y 288  
la radiación estimada es mayor que la radiación  
real, estas diferencias podrían ser ocasionadas  
por variaciones del clima, errores en la base de  
datos ya que son datos satelitales y no datos de  
una estación, o también que el modelo requiera  
un ajuste en el parámetro “a” para que sea más  
preciso en ciertos días.  
De la Figura 8 la curva azul muestra que la velocidad  
del viento más común es alrededor de 2 m/s, con  
una disminución gradual de la frecuencia relativa  
a medida que aumenta la velocidad. El parámetro  
de forma k < 2 indica una distribución más ancha  
con una cola más larga hacia la derecha, mientras  
que el parámetro de escala λ sitúa el valor medio  
cerca de 3.22 m/s. Las diferencias entre las curvas  
sugieren que el modelo de Weibull no captura todas  
las variaciones específicas de los datos observados,  
pero sigue siendo útil para modelar la distribución  
del viento y hacer predicciones. La curva de Weibull,  
ajustada según los parámetros dados, representa  
una función de distribución de probabilidad  
que simplifica el análisis y permite estimaciones  
prácticas, aunque puede haber desajustes en ciertas  
velocidades específicas. En aplicaciones prácticas,  
como la energía eólica, el modelo de Weibull es  
fundamental para estimar la producción de energía  
y diseñar turbinas eólicas, proporcionando una  
base para decisiones informadas. Las diferencias  
entre las curvas azul y roja pueden deberse a la  
Figura 7. Radiación real vs radiación estimada con el modelo de  
Bristol Campbell para el año 2020  
26  
MODELO DE AJUSTE ENERGÉTICO PARA OPTIMIZAR EL USO DE ENERGÍA  
SOLAR Y EÓLICA EN ZONAS MINERAS DE ZARUMA, ECUADOR  
Torres, Moreno, Haro.  
variabilidad en los datos reales que el modelo de  
Weibull no capta completamente, lo que sugiere  
que podría ser necesario ajustar los parámetros.  
Sin embargo, el modelo de Weibull sigue siendo  
una herramienta valiosa y ampliamente aceptada  
en el estudio de la velocidad del viento, debido a su  
capacidad para representar la tendencia general de  
los datos y su aplicabilidad en el diseño y análisis de  
sistemas eólicos.  
son ampliamente aceptados en la literatura  
para estimar el recurso energético cuando no  
se cuenta con estaciones de medición directa.  
Sin embargo, la articulación entre estos modelos  
y el concepto de “optimización energética” no  
está claramente desarrollada, ya que no se  
abordan aspectos técnicos como el rendimiento  
de sistemas fotovoltaicos o eólicos, curvas  
de potencia, análisis de carga o criterios de  
eficiencia energética. Pero conociendo los  
picos de la radiación solar y velocidad del  
viento podemos asumir si existe un potencial  
óptimo para estos potenciales, teniendo en  
cuenta que el mínimo para que un panel solar  
funcione es de “4 [Kwℎ/m²]” y el mínimo para un  
aerogenerador funcione es de “3 m/s” con una  
velocidad máxima del viento de “25 m/s”.  
Los resultados obtenidos con el modelo de  
Bristow-Campbell reflejan una correlación  
razonable entre la radiación solar estimada y los  
datos reales extraídos del System Advisor Model  
(SAM) para el período 2017–2020. En general, se  
observan patrones estacionales bien definidos, y  
el modelo muestra una capacidad aceptable para  
replicar las tendencias de variación mensual.  
Sin embargo, en varios días del año como los  
días 135 y 258 de 2017, o los días 288 y 319 de  
2019 se presentan discrepancias notables, con  
diferencias superiores a 1 kWh/m² entre los  
valores reales y los estimados. Estas divergencias  
podrían explicarse por diversos factores: errores  
en la parametrización del modelo, especialmente  
en el coeficiente A, presencia de nubosidad no  
contemplada, o incluso inexactitudes en la base  
de datos satelital utilizada como referencia en la  
región(20). Cabe destacar que la validación del  
modelo se realizó tomando datos del día 15 de  
cada mes, lo cual puede introducir un sesgo si  
existen variaciones significativas dentro del mes  
que no son capturadas con esa única muestra  
temporal.  
Figura 9. Frecuencia relativa acumulada vs estimación del modelo  
de Weibull acumulado en m/s a una altura de 60 m  
La figura 9 muestra que la línea naranja, que  
representa el modelo de Weibull acumulado, se  
ajusta bastante bien a la línea azul, que representa  
la frecuencia acumulada de la velocidad del viento,  
especialmente en el rango de valores entre 2 y 14  
m/s. Este ajuste indica que el modelo de Weibull  
es una buena aproximación para describir la  
distribución de los datos de frecuencia acumulada  
de la velocidad del viento. Observando las  
pequeñas desviaciones, se puede notar que, al  
principio, la curva azul está ligeramente por debajo  
de la naranja, lo que podría indicar que los datos  
reales tienen una menor frecuencia acumulada  
en los valores más bajos en comparación con el  
modelo. Sin embargo, en el rango intermedio,  
ambas curvas coinciden muy bien, reforzando la  
idea de un buen ajuste del modelo. En los valores  
más altos, ambas curvas se nivelan y alcanzan un  
valor cercano a 1, como es esperado en funciones  
de distribución acumulativa. En resumen, la Figura  
9 sugiere que el modelo de Weibull proporciona  
un buen ajuste para la distribución de frecuencia  
acumulada de los datos de velocidad del viento,  
con diferencias iniciales que parecen no ser  
significativas en comparación con el ajuste general.  
A pesar de estas limitaciones, estudios previos  
avalan la efectividad del modelo de Bristow-  
Campbell en contextos similares. Por ejemplo,  
en el norte de Brasil(21)” y zonas tropicales(22),  
este modelo ha mostrado ser más preciso que  
otros métodos basados en temperatura, con  
valores de RMSE por debajo de 3.0 kWh/m²/día,  
lo que también se ha replicado parcialmente  
en este trabajo. Además, los coeficientes  
utilizados son comparables con los reportados  
en la literatura(23), lo que da soporte a la  
validez del modelo en la región de Zaruma. Sin  
IV. DISCUSIÓN  
Los modelos utilizados, especialmente el  
Bristow-Campbell para radiación solar y la  
distribución de Weibull para velocidad del viento  
27  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
embargo, sería recomendable ampliar el análisis  
incorporando otras métricas de validación como  
el Error Medio Absoluto (MAE) y el coeficiente  
de la calidad de los datos y del ajuste fino de  
sus parámetros. Por ello, se recomienda la  
implementación de estaciones locales de  
medición, la validación de los modelos con  
series más extensas y el uso de herramientas de  
análisis estadístico más robustas para evaluar el  
comportamiento del clima local. De este modo,  
será posible fortalecer la confiabilidad de las  
estimaciones y avanzar en la implementación  
efectiva de sistemas de energía limpia adaptados  
a las condiciones específicas de Zaruma.  
de  
determinación  
(R²),  
para  
fortalecer  
cuantitativamente la comparación entre datos  
reales y estimados.  
El modelo de Weibull aplicado a la distribución  
de velocidad del viento presentó una forma  
característica con parámetro k<2, lo que sugiere  
una curva ancha y una alta variabilidad del  
recurso eólico(24). Aunque el modelo logra  
capturar la tendencia general de los datos, las  
diferencias observadas entre la curva de Weibull  
ajustada y los datos empíricos indican que no  
se logra reflejar completamente la complejidad  
del comportamiento del viento en Zaruma. Esto  
puede deberse a factores como la topografía  
irregular del cantón, efectos de microclima o  
la limitada resolución temporal y espacial de la  
base de datos Global Atlas utilizada.  
V. CONCLUSIONES  
• El análisis de los datos meteorológicos  
obtenidos del satélite ha proporcionado una  
visión detallada de los patrones de radiación  
solar y viento en la región de Zaruma,  
fundamentales para evaluar el potencial  
energético  
de  
las  
fuentes  
renovables.  
Mediante la interpolación IDW en el software  
ArcMap, se ajustaron datos de velocidad  
del viento y radiación solar de 40 puntos,  
generando mapas mensuales que identifican  
zonas con mayor potencial eólico y solar.  
Estudios similares realizados en Colombia(25) y  
Etiopía(26) muestran que, si bien la distribución  
de Weibull es una herramienta estándar para  
caracterizar el recurso eólico, su precisión  
puede verse comprometida en regiones de  
alta variabilidad atmosférica, lo que refuerza la  
necesidad de considerar otras técnicas de ajuste  
como Máxima Verosimilitud o distribuciones  
mixtas.  
• Los modelos de Weibull y Bristow-Campbell,  
utilizados para ajustar la distribución del  
viento y la radiación solar respectivamente,  
mostraron alta precisión frente a los datos  
reales del SAM y Global Atlas.  
La estimación del recurso energético y la  
planificación de sistemas de generación, aunque  
este estudio identifica zonas con alto potencial  
solar y eólico en Zaruma, no se traduce en  
propuestas concretas sobre cómo estos recursos  
podrían ser aprovechados tecnológicamente.  
Por ejemplo, se podría evaluar la generación  
estimada con paneles fotovoltaicos o turbinas  
específicas para cada zona, así como su impacto  
en la reducción de emisiones de CO₂ o ahorro  
económico frente al uso de combustibles  
fósiles. De esta manera, se avanzaría hacia un  
enfoque de optimización energética real, más  
allá de la caracterización del recurso, aportando  
directamente a la formulación de políticas  
energéticas sostenibles para zonas mineras.  
• Los resultados indican que la región sureste  
del cantón Zaruma posee un potencial eólico  
favorable para turbinas durante todo el año,  
mientras que el centro del cantón es apto para  
paneles solares. Aunque el modelo de Bristow-  
Campbell demostró ser efectivo en general,  
se identificaron desviaciones atribuibles a  
errores en la parametrización y las bases de  
datos, destacando la necesidad de ajustes y  
datos locales para mejorar su precisión.  
• Este estudio establece una base sólida  
para el desarrollo de futuros proyectos de  
energías renovables en la región, al destacar  
la importancia de integrar parámetros  
climáticos más variados y utilizar datos de  
mayor resolución. Estas mejoras permitirán  
una planificación más precisa y eficiente,  
contribuyendo al diseño de soluciones  
El uso de modelos empíricos para estimar el  
potencial renovable en regiones donde no  
existen estaciones meteorológicas permanentes  
sigue siendo una estrategia válida y necesaria.  
No obstante, este estudio evidencia que la  
precisióndetalesmodelosdependefuertemente  
energéticas sostenibles adaptadas  
a
las  
características específicas del entorno local.  
28  
MODELO DE AJUSTE ENERGÉTICO PARA OPTIMIZAR EL USO DE ENERGÍA  
SOLAR Y EÓLICA EN ZONAS MINERAS DE ZARUMA, ECUADOR  
Torres, Moreno, Haro.  
VI. REFERENCIAS  
1. Empresa Nacional Minera del Ecuador. Informe anual 2020. Quito: Enami EP; 2020.  
2. Banco Central del Ecuador. Cartilla de minería. Quito: Banco Central del Ecuador; 2020.  
3. Rea Toapanta AR. Política minera y sostenibilidad ambiental en Ecuador. FIGEMPA Investig Desarro  
[Internet]. 2017;1(2):41-52 [cited 2026 Feb 23]. Available from: https://portal.amelica.org/ameli/  
journal/624/6243938005/6243938005.pdf  
4. Machuca González D, Suqui Romero Y. Reflexiones criminológicas y victimológicas del delito de minería  
ilegal en el cantón Zaruma. Cienc Téc Aplicadas [Internet]. 2022;70(11):1494-1514 [cited 2025 Apr  
10]. Available from: http://polodelconocimiento.com/ojs/index.php/es/article/view/4604  
5. Erdoğdu A, Dayi F, Yanik A, Yildiz F, Ganji F. Innovative solutions for combating climate change: advancing  
sustainable energy and consumption practices for a greener future. Sustainability. 2025;17(6):2697.  
doi:10.3390/su17062697  
6. Almeida W. Generación distribuida y su potencial aplicación en Ecuador. Rev Téc Energía. 2006;2(1):83-  
86. doi:10.37116/revistaenergia.v2.n1.2006.306  
7. Murillo Carrión R. Zaruma, historia minera e identidad en Portovelo. 1a ed. Quito: Docutech; 2000.  
8. Loayza Galarza CB, Pastor Toala JA. The capital effect in heritage cities: case Zaruma. An Estud Soc  
[Internet]. 2019;5(1):30-32 [cited 2026 Feb 23]. Available from: https://rccd.ucf.edu.cu/index.php/  
aes/article/view/215/242  
9. National Renewable Energy Laboratory. System Advisor Model (SAM) [Internet]. Golden (CO): National  
Renewable Energy Laboratory; 2024 Dec 12 [cited 2025 Apr 10]. Available from: https://sam.nrel.  
gov/citing-sam.html  
10. Escudero AI, Recalde CG, Haro SM, Meneses MA. Spline cúbico para el tratamiento funcional de la  
radiación solar global. Inf Tecnol. 2016;27(2):153-162.  
11. Esri. ArcGIS Pro resources [Internet]. Redlands (CA): Esri; 2024 [cited 2024 Jul 22]. Available from:  
https://resources.arcgis.com/es/help/getting-started/articles/026n00000014000000.htm  
12. Castillo T, García F, Mosquera L, Rivadeneira T, Segura K, Yujato M. Panorama energético de América  
Latina y el Caribe. 1a ed. Quito: OLADE; 2022.  
13. Luque A, Hegedus S, editors. Handbook of photovoltaic science and engineering. 1st ed. Chichester:  
Wiley; 2003.  
14. Recalde C, Cisneros C, Vaca D, Ramos C. Relación de la transmitancia atmosférica con la heliofanía y la  
diferencia de temperaturas extremas diarias en la zona ecuatorial andina. Inf Tecnol. 2015;26(1):143-  
150.  
15. Huerta Mascotte E, Mata Chávez RI, Estudillo Ayala JM, Sierra Hernández JM, Guryev I, Lizárraga  
Morales RA. Solar cell characteristics study for solar energy efficient use. Acta Univ. 2016  
Mar;26(Suppl 1):30-34.  
16. Silva JV, Carvalho J, Cláudio C, Silva R. Solar radiation estimated from empirical models for the north  
of Minas Gerais, Brazil. Biosci J. 2016 Feb;32(1):1-10.  
17. Maldonado Ayala D, Chaidez JN. Ajuste y predicción de la distribución Weibull a las estructuras  
diamétricas de plantaciones de pino de Durango, México. Madera Bosques. 2002;8(1):47-56.  
18. Villarrubia López M. Ingeniería de la energía eólica. 1a ed. Barcelona: Marcombo; 2011.  
19. López-Perez VP, Herrera-Perez VS, Marcantonio-Tixi JA, Ramos-Araujo CE. Validación del modelo  
Bristow-Campbell como método de estimación de la radiación solar en Riobamba con fines de  
generación fotovoltaica. Polo Conoc. 2023 May;8(5):1325-1346.  
20. Martínez M, Otárola A, Carrasco J. Radiación solar y su impacto en la agricultura. Publicación No. 95  
[Internet]. Santiago: Instituto de Investigaciones Agropecuarias; 2024 Dec 8 [cited 2025 Jun 30].  
Available from: https://biblioteca.inia.cl/items/88dd5052-a7f2-4b55-aa8b-3cca2c15e195  
29  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
21. Dhanya AS, Rao BB, Pramod VP, Rao VUM. Delineation of air temperature based models for estimation  
of global solar radiation. J Agrometeorol. 2013 Dec;15(2):112-118.  
22. Acosta Suasnabar EH, Valle Basualdo MT, Quijano Pacheco WS, Lizarzaburu Aguinaga DA, Olivera CC,  
Benites-Alfaro E. Solar radiation as a source of clean energy: calculation by Bristow Campbell thermal  
amplitude model and validation. In: Proceedings of the LACCEI International Multi-Conference for  
Engineering, Education and Technology; 2020 Oct 15-17; Buenos Aires. Miami: Latin American and  
Caribbean Consortium of Engineering Institutions; 2020.  
23. Constante J, Cuesta A, Jijón D. Fitting methods of two-parameter Weibull of wind series and electric-  
wind potential estimation. Renew Energy. 2021;164:746-755.  
24. Corte D, Sierra F, Valencia G. Validación del modelo matemático función de densidad de probabilidad  
(pdf) de Weibull, evaluando el recurso eólico en la zona del Caribe colombiano: caso estudio.  
Prospectiva. 2015;13(2):38-45.  
25. Geletaw B, Gebregziabher K. Statistical analysis of wind speed for energy potential estimation in Bahir  
Dar, Ethiopia using Weibull. Lat Am J Phys Educ [Internet]. 2022;16(4):55-60 [cited 2025 Jun 30].  
Available from: http://www.lajpe.org/articles/16455.pdf  
30