A previsão precisa da geração solar fotovoltaica é um desafio crescente, especialmente porque séries de geração incorporam efeitos combinados de sazonalidade, variabilidade atmosférica e eventos operacionais difíceis de antecipar. Modelos estatísticos tradicionais, embora eficientes em contextos estáveis, podem apresentar desempenho limitado diante de mudanças abruptas no comportamento da série ou de condições climáticas atípicas. Uma alternativa é incorporar variáveis meteorológicas contemporâneas à modelagem, permitindo capturar variações do balanço radiativo e da cobertura atmosférica que influenciam diretamente a produção de energia. Nesse contexto, o presente estudo tem como objetivo avaliar em que medida variáveis exógenas provenientes da reanálise MERRA-2 - albedo da superficie, fração total da área coberta por nuvens, radiação de onda longa absorvida pela superficie, espessura óptica das nuvens, temperatura da pele da superficie - melhoram a previsão mensal da geração solar nas usinas de Ituverava (BA) e Pirapora (MG), comparando sistematicamente o desempenho de modelos SARIMA e SARIMAX. Para isso, desenvolveram-se as etapas da metodologia Box & Jenkins, abrangendo pré-processamento, identificação e estimação dos modelos, avaliação em múltiplas janelas temporais e projeção futura das séries. Os resultados mostraram que a inclusão de exógenas melhora de forma expressiva a capacidade preditiva dos modelos, com ganhos sistemáticos em Pirapora e efeitos dependentes do regime temporal em Ituverava. A principal contribuição do trabalho para a área de previsão energética está em demonstrar empiricamente que abordagens híbridas, que combinam modelos autorregressivos e informações meteorológicas, aumentam a robustez das previsões mensais de geração solar, oferecendo subsídios relevantes para o planejamento a operação e a tomada de decisão em usinas fotovoltaicas no Brasil, em um cenário de rápida expansão da energia solar.