Estimativa da evapotranspiração de referência em regiões de diferentes altitudes da Bolívia usando técnicas de aprendizado de máquina.

• Autor(a) principal: Zamora Ortega, Lisett Rocio [UNESP]
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/255264
• topic: Redes Neurais Artificiais; Multilayer Perceptron; Máquinas de Vetores de Suporte; Redes Neurales Artificiales; Máquinas de vectores de soporte; Multicamadas; Artificial Neural Networks; Multilayer Perceptron; Support Vector Machines

No presente trabalho é descrito o estudo comparativo da evapotranspiração de referência diária EToFAO-56 entre técnicas de Aprendizado de Máquina (AM), Máquinas de Vetores de Suporte (SVM) e Redes Neurais Artificiais (RNA), para a Bolívia. A evapotranspiração, um elemento climático de interesse agronômico, está associada ao consumo de água pelas culturas e permite identificar as necessidades hídricas conforme os padrões de chuva e seca. A Bolívia, com suas regiões de altitudes elevadas nos Andes e terras baixas nas planícies, enfrenta uma grande variabilidade climática e desafios na agricultura, incluindo a degradação do solo. A base de dados utilizada foi obtida para 22 cidades da Bolívia, de diferentes altitudes, e classificações climáticas no período de 2012-2020. No trabalho, a Bolívia foi dividida em 5 regiões climaticamente homogêneas, nas quais foram apresentados e discutidos os valores de precipitação, e temperatura de cada região. Os modelos de EToFAO-56 foram validados por meio de correlações com outros modelos de evapotranspiração, por meio dos indicadores de correlação (r) e rRMSE cujos valores indicaram que os modelos podem estimar ETo com razoável precisão e exatidão com os dados da Bolívia. As técnicas computacionais MVS e RNA foram treinadas com 70% dos dados nas mesmas variáveis de entrada utilizadas no modelo de EToFAO-56 e posteriormente foram treinadas com entradas de mais 4 variáveis meteorológicas totalizando 5 combinações para cada modelo. Os treinos foram validados usando uma base de dados aleatórios de 30% da base. Os indicativos estatísticos obtidos pelas 5 combinações das técnicas MVS e RNA (diária) indicaram que os modelos podem ser utilizados nas estimativas de ETo com elevadas correlações, precisão e exatidão. A comparação dos indicativos estatísticos (r), rMBE, MBE, rRMSE, RMSE para os modelos de redes SVM e MLP, nas 5 combinações demonstrou que a técnica RNA possui melhor desempenho em relação à técnica MVS na estimativa de ETo (após a etapa de aprendizagem).