Applications of machine learning for reference evapotranspiration modeling

• Autor(a) principal: Ferreira, Lucas Borges
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/29942; https://doi.org/10.47328/ufvbbt.2022.411
• topic: Evapotranspiração - Estimativas; Inteligência artificial; Irrigação; Hidrologia; Irrigação e Drenagem

Estimar a evapotranspiração de referência (ETo) de forma confiável é de grande valia para áreas como manejo da irrigação, estudos hidrológicos, gestão de recursos hídricos, dentre outros. No entanto, em cenários de limitada disponibilidade de dados meteorológicos, estimar a ETo torna- se desafiador. Além disso, é também importante prever valores de ETo futuros, o que pode auxiliar, por exemplo, na programação das irrigações. Assim, na presente tese, foram estudadas diversas abordagens, baseadas, principalmente, em técnicas de aprendizado de máquina, visando estimar a ETo sob limitada disponibilidade de dados meteorológicos, além de prever valores futuros de ETo diária. Avaliou-se ainda estratégias para a avaliação do desempenho de modelos alternativos de ETo quando empregados no manejo da irrigação. Foi observado que a aplicação de técnicas de aprendizado de máquina tradicionais e modelos de aprendizado profundo apresentou amplo potencial para a modelagem da ETo nas diversas condições avaliadas. O uso de dados de temperatura e umidade relativa horários medidos ao longo do dia, combinados com a radiação solar no topo da atmosfera horária, mostrou-se uma abordagem bastante promissora para estimar a ETo diária. Nesta abordagem, as redes neurais convolucionais 1D (1D CNN) apresentaram resultados superiores aos demais modelos avaliados. Assim, a combinação de dados horários e modelos 1D CNN resultou em desempenhos destacadamente superiores aos observados estimando a ETo com base em dados diários (abordagem convencional). Ao prever a ETo dos sete dias futuros, em geral, a estratégia de previsão MIMO (multiple input multiple output) foi a melhor alternativa, oferecendo boa performance e menor custo computacional. Os modelos de aprendizado profundo avaliados apresentaram desempenho ligeiramente superior do que os modelos de aprendizado de máquina tradicionais avaliados e, ambas as abordagens, resultaram em performances melhores do que as obtidas com o uso de médias mensais históricas como previsão de valores futuros de ETo. Ao empregar modelos de aprendizado de máquina para estimar a ETo e alguns dados meteorológicos comumente indisponíveis (umidade relativa, radiação solar e velocidade do vento), foram observados desempenhos superiores do que os obtidos com metodologias tradicionais. O uso de multi-task learning para estimar, de forma combinada, os dados meteorológicos faltantes e a ETo resultou em performances similares às observadas realizando as estimativas de forma individual (single-task learning). Por fim, verificou-se que além de utilizar métricas de erro, como a raiz do erro quadrático médio (RMSE), a avaliação de modelos de ETo deve também considerar o comportamento dos modelos ao longo do ano. Ademais, simular a aplicação de modelos ETo no manejo da irrigação pode fornecer informações valiosas para a escolha do modelo mais adequado. Palavras-chave: Aprendizado profundo. CNN. Irrigação. LSTM. Série temporal.