La estimación de la radiación global (GR) es crucial para evaluar el potencial de energía solar, comprender el balance energético de la superficie y prever la producción agrícola. Sin embargo, varias regiones requieren un monitoreo adicional y redes de sensores escasas. El reanálisis ERA5-ECMWF es una alternativa viable para estimar elementos meteorológicos en áreas no monitoreadas. Este estudio tuvo como objetivo entrenar un modelo de red neuronal artificial (ANN) para estimar la GR basado en datos de ERA5 y mapear su distribución en el área de estudio. Utilizamos datos de GR de 32 estaciones meteorológicas automáticas del Instituto Nacional de Meteorología de Brasil en Mato Grosso, Brasil, para el entrenamiento del modelo. La entrada del modelo consistió en la temperatura del aire de ERA5, datos de precipitación y radiación solar en la parte superior de la atmósfera (R) calculada a partir de la latitud y el día del año. El modelo calibrado demostró una alta precisión, con índices de eficiencia de Nash-Sutcliffe y Kling-Gupta que superaron 0.99. Esto permitió la generación de series temporales históricas y mapas de la distribución espacial de la GR en el área de estudio. Los resultados demuestran que, como entrada para la ANN, los datos de ERA5 permiten una estimación precisa y exacta de la distribución de la GR, incluso en lugares sin estaciones meteorológicas.