Modelos de machine learning na previsão da evapotranspiração de referência em curto prazo

• Autor(a) principal: Pereira, Neuller Alves
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/29737
• topic: Auto-sklearn; Facebook Prophet; Dados climáticos - Evaporação - Transpiração; Engenharia Agrícola

A obtenção da evapotranspiração de referência (ETo) é útil em diversos processos relacionados com planejamento e gestão dos recursos hídricos, zoneamento agroclimático, projeto e manejo de irrigação, dentre outros. A possibilidade de se estimar a ETo antes de sua ocorrência, abre grandes margens para a otimização dos diversos processos que dependem desta variável. Pensando nisso, objetivou-se com o presente trabalho analisar o desempenho do modelo Facebook Prophet e do framework Auto-sklearn na previsão de ETo de curto prazo. Para isso, valores históricos de ETo foram calculados com dados obtidos da estação meteorológica do Instituto Nacional de Meteorologia localizada no município de Viçosa (MG), e os modelos foram treinados com base em dados climáticos registrados no dia anterior à ocorrência da ETo. Além disso, para verificar o potencial da utilização de variáveis que podem ser obtidas a partir de modelos de previsão do tempo, fez-se a adição de variáveis climáticas reais do dia de ocorrência da evapotranspiração ao conjunto de treinamento. Os melhores modelos de regressão obtidos com a execução do Auto-sklearn foram também treinados individualmente para cada uma das estações e meses do ano. Para o cenário de treinamento de um modelo anual, a adição das variáveis reais do dia de ocorrência da ETo propiciou a diminuição da variação da raiz quadrada do erro médio (RMSE) de 0,73 para 0,47 (35,6%), e aumento do coeficiente de determinação (R²) de 0,61 para 0,84 (37,7%). Quando os modelos foram treinados mensalmente, a adição dessas variáveis levou à melhoria de desempenho em alguns meses e piora em outros. Para o treinamento baseado nas estações do ano, todos os indicadores apresentaram melhoria com a adição das variáveis do dia de previsão. Em todos os cenários de treinamentos anuais, os modelos de regressão encontrados com o Auto-Sklearn apresentaram melhores valores RMSE e R² que o modelo de time series Facebook Prophet. A utilização de um único modelo para todos os dias do ano apresentou resultados mais satisfatórios que os modelos treinados de forma mensal e modelos com base nas quatro estações do ano. Palavras-chave: Auto-sklearn. Facebook Prophet. Dados climáticos, Evaporação,Transpiração.