RESUMO
A importância da estimativa precisa da evapotranspiração está diretamente relacionada ao uso sustentável da água. Uma vez que a agricultura representa 70% do consumo de água no Brasil, a aplicação adequada e eficiente de água reduz os conflitos sobre o uso da água entre os múltiplos usuários. Considerando a importância de uma estimativa precisa da evapotranspiração, o objetivo do presente estudo foi modelar e comparar a evapotranspiração de referência a partir de diferentes metodologias heurísticas. O método padrão Penman-Monteith foi utilizado como referência para evapotranspiração, porém, para avaliar as metodologias heurísticas com dados escassos, avaliou-se o desempenho de métodos difundidos na literatura em relação à Penman-Monteith. Os métodos utilizados para estimar a evapotranspiração a partir de dados escassos foram Priestley-Taylor, Thornthwaite. As técnicas computacionais Regressão Stepwise (SWR), Random Forest (RF), Cubist (CB), Rede Neural com Regularização Bayesiana (BRNN) e Máquinas de Vetor de Suporte (SVM) foram utilizados para estimar a evapotranspiração, tanto com dados meteorológicos escassos, quanto com dados completos. Os resultados mostram a robustez dos métodos de aprendizagem de máquina na predição da evapotranspiração. Os critérios de desempenho desses métodos para dados meteorológicos completos variaram de 0,14 a 0,22 mm d-1 para erro absoluto médio (MAE), de 0,21 a 0,29 mm d-1 para raiz do erro quadrático médio (RMSE) e de 0,95 a 0,99 para o coeficiente de determinação (r²). As técnicas computacionais mostraram desempenho superior em todos os cenários em relação aos métodos estabelecidos na literatura. A BRNN apresentou o melhor desempenho geral.
Termos para indexação:
Aprendizado de máquina; comparação de modelos; gerenciamento de recursos hídricos.
Thumbnail
Thumbnail
Thumbnail
Thumbnail
