Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Botucatu
2017
2
BARTOLOMÉ FELIX TANGUNE
Botucatu
2017
HOJA CATALOGRÁFICA ESTABLECIDO POR LA SECCIÓN DE ADQUISICIÓN Y TÉCNICA tratamientos A LA INFORMACIÓN -
CONSEJO biblioteca técnica y documentación - UNESP
- FCA - Lageado - BOTUCATU (SP)
automático y / cial geoespa- Bartolomé Felix Tangune. - Botucatu: [sn], 2017 124 p. : Grafs.
Tesis (Ph.D.) - Universidad Estatal Paulista, cultad Fa- de Ciencias Agrícolas, Botucatu,
2017
Asesor: Joao Francisco Escobedo Incluye bibliografía
OFERTA
DEDICARLE
8
GRACIAS
Los amigos de laboratorio: Cicero Manoel, Mauricio Prado, Esteban Conde, por
conocimiento compartido.
Para todos los hermanos en Cristo templo del poder de Dios y de la Asamblea de Dios
beca de doctorado.
los estudios.
la investigación.
10
RESUMEN
Monteith FAO 56, sin embargo, su uso es bastante complejo. Por lo tanto, varios
Los métodos empíricos de uso sencillo han sido desarrollados por diferentes
Los investigadores, sin embargo, su elección debe hacerse con cuidado, porque
neural artificial (ANN) y la máquina de vectores de soporte (MVS). Teniendo en cuenta lo anterior, la
(Best métodos empíricos en la escala anual), ARN y MVS. El ARN usado fue
Mínima (Tmin), la media del aire (T), la radiación extraterrestre (R) y R proporcionó el
hecho basado en el contenido MBE ( La media de sesgo de error) RSME ( Mean Square Root
regresión lineal simple, MBE, RSME y MSDR ( La media de desviación de relación de cuadrado )
FAO 56 con precisión por el método estándar de Penman Monteith, sin embargo, su uso es
compleja. Por lo tanto, varios métodos empíricos de uso sencillo han sido desarrollados por
Los investigadores muchos, pero su elección debe hacerse con cuidado porque Presentan el
métodos alternativos. Como resultado, hay que destacar la técnica de aprendizaje automático
(MLT), tales como las redes neuronales artificiales (RNAs) y la máquina de vectores de soporte (SVM).
Este trabajo se divide en tres capítulos. En el primer capítulo, con temperatura de cuatro
Makkink y Irmak) métodos etoxi se ensayaron frente a 56 método de la FAO, usando anual
y la escala temporal en el estado de Sao Paulo. Los resultados obtenidos en el informe anual
escala estacional, que era el JensH observado que el método fue mejor en el invierno, el
También método era mejor en la primavera. En el segundo capítulo, y los métodos del SA Abtew,
temperatura del aire (T), la radiación extraterrestre (R) y la radiación solar global (R) tenía
respectivamente. Todos los métodos se analizaron mediante MBE (Mean Bias Error), RMSE (Root
tercer capítulo, la técnica de interpolación kriging por puntual ordinaria (OPK) era
14
en una escala anual y estacional. Todos los modelos obtenidos mostraron la variográfico
línea, MBE, RSME y MSDR (cuadrático medio desviación de relación), cuyos resultados mostraron
palabras clave: Backpropagation. Máquinas de vectores soporte. Las redes neuronales artificiales.
LISTA de abreviaturas y acrónimos
ET evapotranspiración
agricultura Unicamp
AB método Abtew
d Índice Willmott
R2 Coeficiente de determinación
UR Humedad relativa (° C)
R1 a R6 Arquitecturas de ARN
M1 a M6 arquitecturas MVS
, y parámetros WEKA
KO kriging Oridinária
SD Desviacion estandar
co efecto de pepita
Co + C aterrizaje
1.3.2 Errores de métodos empíricos en el estado de Sao Paulo en la escala anual de 41 ....
INTRODUCCIÓN GENERAL
al., 2013). Por los mismos autores, el término ET está asociada con varios
Jensen (1973) ETo define como la máxima que se produce en una cultura ET
la alfalfa ( Medicago sativa L.) con una altura de 0,3 a 0,5 con aproximadamente Me
área de memoria intermedia 100 m. Por su tamaño, la alfalfa sería más representativo de
rastrera tamaño. En climas con invierno muy frío, la alfalfa se adapta mejor
hierba de vegetación con una altura desde 0,08 hasta 0,15 m, en pleno crecimiento
activo, con una cobertura total de suelo y sin restricción de agua. Por último, comida
referencia. En este informe (FAO 56), ETo se define como la pérdida de agua
por evaporación y la transpiración en un cultivo hipotético con una altura fija 0,12
destacar que de acuerdo con Pereira et al (2013), es adoptado como la vegetación herbácea
La estimación exacta de ETo en las áreas de riego es necesario para una mejor
la planificación de las actividades agrícolas y la buena gestión de los recursos hídricos, como ya se ha
mencionado. Con este fin, es necesario el uso de lisímetros, sin embargo, son poco
indirecta. Entre los métodos indirectos, el Pernman Monteith FAO 56 (PMF 56) es
el uso de lisímetros (Cao et al, 2015 ;. GOCIC; Trajkovic, 2008). De acuerdo con
para requerir una gran cantidad de datos (radiación solar, la humedad relativa, la temperatura
calidad de cuestionable.
uso de métodos indirectos más simples (métodos empíricos). Para Nephew et al.
Barrato y la demanda poco tiempo que los métodos directos. Los métodos empíricos
Ellos se pueden separar en tres categorías. Los primeros son aquellos que utilizan
sólo se mide la temperatura del aire, que son más fáciles de implementar y utilizar
la radiación solar y la tercera las que utilizan mediciones de la evaporación directa en el tanque
pocos datos de entrada, son fáciles de obtener, además de la simplicidad de los cálculos
involucrados. Sin embargo, cabe destacar que todos los métodos empíricos
clima de cada lugar. Por lo tanto, como el estado de Sao Paulo tiene una
rendimiento de estos métodos de bajo riesgo de los métodos que eligen que tienen
la estimación de los valores que faltan en la base de datos, se informó de Leal et al.
mayor que métodos empíricos (Kisi, 2013; LADLANI et al, 2012 ;. Wu, Liu,
2012). Hay varios tipos de TAM, por ejemplo, redes neuronales artificiales (ANN)
Los ARN son modelos matemáticos similares a las neuronas biológicas, dotados
(Braga et al., 2000) y son herramientas útiles para los sistemas de modelado no
lineal, por lo tanto, se puede utilizar para el modelado de ETo. varias obras
MVS produce resultados más que satisfactorios ARN y Mohammadi et al. (2015)
Informaron que MVS ha ganado una gran ventaja para resolver problemas
ARN y MVS, hay pocos estudios llevados a cabo con la ETo en Brasil,
mínimo, por lo tanto, una gran interpolación (Burgess; Webster, 1980). hay
modelo principal la ETo en el estado de Sao Paulo, utilizando métodos empíricos, TAM
(RNAS y MVS), y el método geoespacial (KOP). Con este fin, la obra se divide en tres
CAPITULO 1
RESUMEN
riego y hacer la gestión del agua en el riego. Este estudio tuvo como objetivo
ETo en relación con el método FAO estándar 56, utilizando los datos de tiempo de 22
media del aire; humedad relativa; Velocidad del viento y la radiación solar -
( La media de sesgo de error) RMSE ( Root Mean Square Error) índice "d" y Willmott
coeficiente de determinación (R 2). Los resultados de las cifras anuales mostraron que
RESUMEN
para cuantificar las necesidades de agua de los cultivos, sistemas de riego y agua de riego diseño
Jensen Haise - JensH, y Makkink Irmak) en contra de la FAO 56 método estándar. era
datos meteorológicos usados (máximo, mínimo y temperatura media del aire, relativa
humedad, velocidad del viento y la radiación solar global - Rs) de 22 estaciones automáticas en
Sao Paulo, en escalas anuales y estacionales. Indicadores estadísticos, tales como MBE
(Media Bias Error), RMSE (Root Mean Square Error), "d" de Wilmot (1985) y R 2
(Coeficiente de determinación) se utilizaron. Los resultados en la escala anuales que se observa Que
Abtew el método presenta un mejor rendimiento, sin embargo, el método de MS puede ser
1.1 INTRODUCCIÓN
0,12 m, el crecimiento completamente activo y uniforme, con el índice de reflexión del 23%,
El conocimiento del valor de ETo le permite escalar los sistemas de riego, hacer
la gestión del agua en la agricultura y hacer que el balance hídrico para diferentes propósitos.
tasa de evapotranspiración (Allen et al, 1998;. MAVI; Tupper 2004). de acuerdo con Liu
considerado como uno de los factores más importantes para el desarrollo de las plantas,
al., 2005).
Una estimación más precisa de ETo en las áreas de riego es necesario para una mejor
la planificación de las actividades y la gestión de las fuentes de agua para la agricultura. Con este fin, torna-
56) como un estándar para la estimación de ETo basado en los datos del tiempo, que es
en comparación con el método lisímetro (CAI et al., 2007, CAO et al, 2015 .;
MOHAWESH, 2011; XU; CHEN, 2005), sin embargo, requiere una serie de elementos
que puede ser dividida en los métodos basados en los métodos de la temperatura del aire
pocos datos de entrada, son fáciles de obtener, además de la simplicidad de los cálculos
de Makkink en relación con algunos de los métodos de temperatura en el norte de España. por
YODER et al., 2005). Sin embargo, Ṭabari et al. (2012) observaron un rendimiento mejorado
métodos de radiación solar (Turc, Makkimk, Jensen Haise, Abtew, etc). otro
en comparación con la radiación solar en diferentes lugares (ER RAKI et al., 2010;
2016). Sin embargo, el funcionamiento de los métodos empíricos varía de un lugar a otro
De acuerdo con el clima. Por lo tanto, su elección debe hacerse con cuidado,
Teniendo en cuenta lo anterior, este estudio tuvo como objetivo evaluar el desempeño
Solar (Abtew - 1966; Jensen Haise - 1963; Makkink - 1957 y -2003 Imak) en
EPara estimación del estado de Sao Paulo, en escalas anuales y estacionales. Los datos
relativa del aire; velocidad del viento y la radiación solar) son 22 estaciones
27
Brasil (INMET).
1.2 MÉTODOS
Sao Paulo que se utilizaron para llevar a cabo este trabajo. Es de destacar que la
presente estudio, se destacan cuatro tipos de clima, a saber: Aw, CWA, Af y Am,
De acuerdo con Vianello y Alves (2012), las letras Aw, Af y Am caracterizan el clima
respectivamente, mientras que las letras representan Cwa el clima templado o tropical
de altitud. Más detalles de los tipos climáticos en cuestión fueron presentados por
algunos autores (.. KOTTEK et al, 2006; Souza et al, 2013), a saber:
28
Aw: este tipo de clima la temperatura media del mes más frío es mayor que 18 ° C,
invierno seco que al menos uno de los meses tiene una precipitación
significar menos de 60 mm; CWA: la temperatura del mes más frío del año varía entre -3º
y 18ºC con una precipitación invierno seco y cuya media es de menos de 60 mm en una de
meses de esa temporada. El verano es caluroso con una temperatura media del mes más
más seco más de 60 mm, y Am: muestra una corta estación seca, las precipitaciones
intensa durante la mayor parte del período del año y la temperatura media del mes más
Top frío a 18 ° C.
Entre diversos tipos de tiempo que el estado de Sao Paulo tiene un clima Aw
uno de los más prevalentes (ROLIM et al., 2007). Este tipo de clima es también
arcángel
Ellos se pusieron a disposición en el tiempo por la escala INMET. Posteriormente, estos datos
en 2 grupos, con la temperatura del aire y de los métodos de radiación solar. los métodos
900
0, 408 * • * • • •• • * y s GTU
* 2
* • • Rn •
• • 273
EPara (1)
• • • * • • 0 1, 34 * T 2 •
30
mm a D- 1.
• •
exp 27 * T • •
17
4098 * • 0, 6108 * • ••
• • T • 237 , 3 • •
• • 2
(2)
•T • 237 , 3 •
•3
• • 0, 665 * 10 * P (3)
525
• •0293, 0065 * la •
P • 101 , 3* • • (4)
• 293 •
•
exp 27 * T •
17
ES • 0, 6108 * • • (5)
• T • 237 , 3 •
sy•
* 100 (6)
UR
• Rns Rn
• Ml (7)
RNS • •1 • • * rs
(8)
ETo en la agricultura.
• RSO •
• * •T K •* • 0, •*
4
• Rnl •0 34,14 * y • 1, 35 * • 0, 35 • (9)
• Rs •
• • ra• Rso• * ba
(10)
la • 0, 29 * cos •• •
(11)
• 24 * 60 •
Ra • • •* * * •sen sen •• • ws •• • •
* Dr. GSC •• • cos •• • * ( ws ) •
sen
• (12)
• •
* •cos
2 • * J •
dr • • 0 1, 033 * • •
365 (13)
• •
• • 2* • ••
• • 0, 409 * • • sen * J • 1, 39 •• (14)
• • 365 ••
ws • • arccos
bronceado • •• •* •• ••
bronceado
(15)
La densidad del flujo de calor en el suelo (G) se consideró igual a cero (0) a causa de
De acuerdo con el informe de la FAO 56, escalas diarias asume valores despreciables.
Temperatura media del aire, K; Rso = radiación solar teórico para abrir día,
ubicación dependiendo de la época del año (admensional); Ra = radiación solar en la parte superior de
media relativa (MBE = La media de sesgo de error) raíz cuadrada del error cuadrático medio
(RMSE = Root Mean Square Error) coeficiente Willmott (1985), "d", y el coeficiente
de determinación (R 2). Los valores positivos indican que el método MBE sobreestima
El trabajo sobre la ETo por varios autores (Moeletsi et al, 2013; .. SENTENHAS et al,
2010).
N
1
• •OPN
• MBE
• ii
• (16)
yo• 1
0, 5
2
• N • • • •
• •• (17)
ii
RMSE •
• yo• 1 NOP •
•
2
• • OPii •
yo• 1
d • 1• N
(18)
2
• • iN
• • yo
•
• OOOP
yo• 1
N
• 2 •
• • • • OPii • •
1
• • • (19)
2 yo• 1
R •
• N
2 •
• • • i • OO• •
• yo• 1 •
35
20. DL <0, significa que la ecuación anual subestima estacional y DL> 0, medios
revertir.
• • EPara s
EPara •
DL • 100 *
(%)
la
(20)
( EParala )
En que: ETo =
la
valor promedio de ETo del método empírico a escala anual y ETo s=
1.3 RESULTADOS
La siguiente tabla muestra los resultados de los métodos empíricos basados en
en Sao Paulo.
36
estaciones López Benavides (Benl) Hamon (HAM) Blaney Criddle original (BCO) Hargreaves Samani (SA)
MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2
nutria - 0.49 0,76 0.79 0.88 - 0,78 0.89 0,81 0.85 - 0.90 1.08 0.79 0.86 0.99 1.03 0,81 0.94
Avare - 1.07 1.19 0.66 0,81 - 1.15 1.25 0.67 0,72 - 1.15 1.28 0.62 0.74 0.30 0.46 0.95 0.88
Bauru - 0.50 0.64 0,81 0.88 - 0,71 0.82 0.79 0,76 - 0,77 0.89 0.70 0,77 0.88 0.95 0.79 0.92
Casa Blanca - 0.38 0.53 0.84 0.85 - 0.69 0.84 0,76 0.67 - 0.75 0.89 0.69 0.69 0.86 0.93 0,77 0.88
Franca - 1.10 1.17 0.59 0.86 - 1.46 1.58 0.51 0.37 - 1.46 1.57 0.48 0.42 - 0.07 0.57 0.87 0.58
Ibitinga - 0.97 1.12 0.70 0.86 - 1.20 1.30 0.69 0,76 - 1.29 1.44 0.61 0,76 0.59 0.65 0.91 0.94
Iguapé - 0.29 0.58 0.88 0.85 - 0.12 0.34 0.97 0.90 - 0.18 0.55 0.88 0.90 0.68 0,73 0.89 0.94
Itapeva - 0.99 1.09 0.70 0.83 - 0.95 1.04 0.74 0,81 - 0.94 1.07 0.69 0,81 0.41 0.52 0.94 0.92
jales - 0,72 0.86 0.74 0.88 - 1.24 1.45 0.60 0.40 - 1.61 1.76 0.50 0.44 - 0.79 1.08 0.69 0.42
José Bonif. - 0.92 1.08 0.70 0.86 - 1.36 1.47 0.65 0.67 - 1.51 1.65 0.57 0.69 0.36 0.48 0.94 0.90
Lins - 0,72 0.88 0,76 0.88 - 1.11 1.24 0.70 0,71 - 1.27 1.41 0.61 0.74 - 1.27 1.41 0.61 0.88
Ourinhos - 0.51 0.65 0.85 0.88 - 0.65 0,77 0.85 0,81 - 0.74 0.89 0.74 0.83 0.96 1.02 0.80 0.92
Piracicaba - 0.87 0.98 0,73 0.86 - 0.99 1.10 0,73 0.74 - 1.05 1.18 0.66 0,76 0.68 0,73 0.87 0.92
Presidente. P - 0.33 0.60 0.82 0.79 - 0.79 0.93 0,78 0,72 - 0.94 1.09 0.67 0.74 0.49 0.59 0.91 0.90
Ranchi - 0.59 0.74 0.83 0.85 - 0.65 0.79 0.85 0.79 - 0.74 0.91 0.75 0.79 1.25 1.28 0,72 0.94
San Carlos - 1.01 1.08 0.66 0.85 - 1.17 1.25 0.64 0,71 - 1.15 1.25 0.60 0.74 1.22 1.31 0.68 0.86
San Luis Pi. - 1.01 1.09 0.70 0.88 - 0.87 0.94 0,77 0.85 - 0.84 0.96 0,71 0.86 0,77 0.80 0.85 0.94
San Miguel A. - 0.92 1.01 0,72 0.85 - 0.75 0.83 0,81 0.85 - 0.74 0.87 0.74 0.86 0.74 0.79 0.86 0.94
San Pablo - 0.67 0,77 0,77 0.85 - 0.79 0.87 0,77 0.79 - 0.80 0.90 0.70 0,81 0.41 0.55 0.92 0.90
taubaté - 0.56 0.69 0.83 0.85 - 0.63 0,76 0.84 0.79 - 0.68 0.83 0.75 0,81 1.01 1.06 0,78 0.92
Valparaíso - 0.88 1.04 0,71 0.83 - 1.27 1.44 0.65 0.56 - 1.45 1.60 0.57 0.59 0.41 0.60 0.91 0.83
Votuporanga - 0,76 0.89 0,72 0.85 - 1.25 1.41 0.61 0.50 - 1.45 1.58 0.53 0.52 0.31 0.56 0.90 0,76
37
(EBM <0). Con respecto al método de MS, se observó que sobrestimado ETo (MBE
> 0), con la excepción de las ciudades de Francia, Jales y Lins donde destacó
La precisión método presentado Benl (RMSE) que varía de 0,53 a 1,19 mm d- 1 cuyos valores se
(Tabla 3). En la misma tabla, se encontró que la relación "d" Willmott (1985) en
Benl métodos, y jamón BCO varió desde 0,59 hasta 0,88; 0,51-0,97; y 0,48 a
RMSE = 0,88 mm ± 0,212 d- 1; "D" = 0,75 ± 0,074 y R 2 = 0,85 ± 0,025), Ham (MBE = -
0,73 ± 0,133), que mostraron la MBE más bajo (0,51 mm d- 1) menor valor
(0,87 ± 0,129) menor sobreestimación media, una mayor precisión, alta concordancia
a) b) c) d)
1.0
1.2 0.8 0.8
0.5
0.9 0.6 0.6
0.0
RMSE (mm d- 1)
MBE (mm d- 1)
"d"
R2
0.6 0.4 0.4
- 0.5
S S S S
nL am O H nL am O H en
L
am O H nL am O H
Be H BC Be H BC B H BC Be H BC
menor rendimiento. Esto se debe al hecho de que este método no tiene en cuenta la
la radiación solar (Abtew, Jensen Haise - JensH, Makkink - Mak y Irmak) para estimar
MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2
nutria - 0.37 0.58 0.92 0,86 0,65 1.03 0.86 0,85 1,12 1.35 0,77 0.85 - 0.36 0.54 0.92 0.83
Avare - 0.06 0.23 0.98 0,94 0,60 0,78 0.89 0,94 1,38 1.45 0.70 0.94 - 0.32 0.44 0.93 0.94
Bauru - 0.09 0.25 0.97 0,92 0,77 0.90 0.83 0,92 1,35 1.41 0.66 0.92 - 0.16 0.32 0.95 0.92
Casa Blanca - 0.23 0.38 0.93 0,90 0,58 0.69 0.86 0,90 1,17 1.21 0.67 0.90 - 0.25 0.40 0.91 0.88
Franca - 0.25 0.43 0.89 0,81 0,56 0.69 0.84 0,81 1,38 1.43 0.59 0.83 - 0.53 0.66 0,76 0,81
Ibitinga - 0.04 0.30 0.97 0,92 1,05 1.21 0.80 0,92 1,65 1.72 0.66 0.92 - 0.30 0.48 0.93 0.92
Iguapé 0.26 0.32 0.97 0,98 1,00 1.14 0.83 0,98 1,49 1.55 0,72 0.98 0.25 0.35 0.96 0.96
Itapeva 0.06 0.21 0.99 0,98 0,61 0.75 0.90 0,96 1,42 1.47 0.69 0.98 - 0,19 0.32 0.96 0.96
jales - 0.88 1.09 0.68 0,58 0,89 1.20 0,72 0,56 1,05 1.28 0.66 0.52 - 0.83 1.03 0.67 0.50
José Bonif. - 0.57 0,77 0.86 0,76 0,69 1.10 0.83 0,76 1,13 1.35 0.74 0,76 - 0.68 0.85 0,81 0.74
Lins - 0.30 0.50 0.92 0,88 0,95 1.10 0,81 0,86 1,41 1.48 0.68 0.86 - 0.43 0.61 0.87 0.86
Ourinhos 0.05 0.29 0.97 0,96 0,97 1.06 0.82 0,96 1,53 1.56 0.66 0.96 - 0.06 0.32 0.96 0.95
Piracicaba 0.00 0.29 0.97 0,94 0,87 0.99 0.83 0,92 1,54 1.58 0.65 0.94 - 0.21 0.40 0.94 0.92
Presidente. P - 0.61 0.66 0.87 0,90 0,46 0.74 0.89 0,90 0,86 0.98 0.82 0.92 - 0.51 0.60 0.87 0.92
Ranchi 0.03 0.32 0.97 0,96 0,90 1.01 0.84 0,96 1,46 1.49 0.70 0.96 - 0.07 0.34 0.96 0.94
San Carlos 0.02 0.28 0.96 0,92 0,63 0,72 0.87 0,92 1,49 1.52 0.61 0.92 - 0.28 0.42 0.91 0.90
San Luis Pi. 0.42 0.47 0.93 0,98 0,90 0.98 0.83 0,98 1,83 1.86 0.60 0.98 0.06 0.26 0.97 0.96
San Miguel A. 0.33 0.39 0.95 0,98 0,86 0.97 0.84 0,98 1,68 1.73 0.63 0.98 0.05 0.23 0.98 0.96
San Pablo - 0.17 0.27 0.97 0,98 0,43 0.56 0.92 0,96 1,14 1.18 0,72 0.96 - 0.27 0.36 0.94 0.96
taubaté - 0.13 0.30 0.97 0,96 0,57 0,71 0.90 0,96 1,19 1.24 0.74 0.96 - 0.18 0.33 0.96 0.92
Valparaíso - 0.59 0,77 0.84 0,76 0,68 1.00 0.83 0,76 1,09 1.24 0.75 0,77 - 0.67 0.85 0.79 0,77
Votuporanga - 0.55 0,72 0,81 0,76 0,82 1.01 0,78 0,74 1,22 1.32 0.66 0,76 - 0.62 0.79 0,76 0.74
40
Sobre la base de RMSE, se observó que los métodos de Abtew, JensH, Mak y
Irmak, Ibitinga para el método JensH y St. Louis Piraitinga con el método de
Mak. Los valores máximos RMSE Abtew métodos y son menos Irmak
en relación con los techos de los otros métodos, que indica que tienen la
tendencia a ser más precisos en la estimación de ETo. En relación con el índice "d",
se observó que varió desde 0,68 hasta 0,99 en el método Abtew, de 0,67 a 0,98
método Mak, que muestra que los métodos y Abtew llegar Irmak
MBE D = -0.17 mm 1 y RMSE = 0,45 mm ± 0,229 d- 1 que eran más bajos por
"D" se valores de 0,92 ± 0,074 observado; 0,84 ± 0,045; 0,69 ± 0,057 y 0,90 ± 0,085 para
método Abtew es la mejor para estimar la ETo en el estado de Sao Paulo (Figura 3
La figura 3 d).
41
a) b) c) d)
1.0
1.2 0.8 0.8
0.5
0.9 0.6 0.6
0.0
RMSE (mm d- 1)
MBE (mm d- 1)
"d"
R2
0.6 0.4 0.4
- 0.5
ew H ak ak w H ak ak ew H ak ak ew H ak ak
bt ns M
Irm bt
e ns M
Irm bt ns M
Irm bt ns M
Irm
A Je A Je A Je A Je
(Figura 4). Donde: la marca que está dentro de la caja representa el valor promedio
03:00
02:25
01:50
Erros dos métodos (mm d- 1)
0.75
00:00
- 0.75
- 01:50
- 02:25
- 03:00
Benl jamón BCO SA AbtewJensH Mak Irmak
0,86 ± 0,419 mm d- 1) mientras que entre los métodos de la radiación solar, más errores
Mak alta en el método (1,23 mm ± 0,372 d- 1). Métodos con errores inferiores
caja con el bigote más estrecho y viceversa. Por lo tanto, la comparación de todos
la estimación de ETo. Por otra parte, se observó que todos los métodos subestimaron
ETo (diagramas de caja debajo de la línea y = 0), con la excepción de los métodos
Nos tendieron a tener una baja dispersión de pares de datos (alta precisión)
10
a) Ariranha 1: 1 b) Avare 1: 1 c) Bauru 1: 1
8
SA = 1.55 R + 0,86X 2 = 0.94 SA = 1,25X-0,03 R 2 = 0.92
6 SA = 0.12 R + 1,05X 2 = 0.88
ETo (mm d- 1)
4
= 0.05 Abtew 0,91X-R 2 = 0.86 Abtew = 0.18 R + 0,89X 2 = 0.94 Abtew = 0.34 R + 0,86X 2 = 0.92
2
0
10
d) de la Casa Blanca 1: 1 e) Franca 1: 1 f) Ibitinga 1: 1
8
SA = 0,88x + 0,45 R 2 = 0.58 SA = 0.64 R + 0,99X 2 = 0.94
SA = 0.21 R + 1,18X 2 = 0.88
6
ETo (mm d- 1)
4
Abtew R = 0.75X + 0,60 2 = 0.90 Abtew = 1.01 R + 0,66X 2 = 0,81 Abtew R = 0.84x + 0.48 2 = 0.92
2
0
10
g) Iguape h) Itapeva 1: 1 i) Jales 1: 1
8 1: 1
SA = 1.17 R + 0,61X 2 = 0.42
SA = 0.82 R + 0,95X 2 = 0.94 R = SA 1,12X 2 = 0.92
6
ETo (mm d- 1)
4
Abtew = 0.42 R + 0,93X 2 = 0.98 Abtew R = 0,88x + 0,28 2 = 0.98 Abtew = 1.47 R + 0,55X 2 = 0.58
2
0
10
j) Jose Bonifacio 1: 1
k) Lins 1: 1
l) Ourinhos
8 1: 1
SA = 0,44 X + R 2 = 0.88 SA = 1,1X + 0,61 R 2 = 0.92
6 SA = 0,9x + 0,84 R 2 = 0.90
ETo (mm d- 1)
4
Abtew = 0.77 R + 0,74X 2 = 0.88 Abtew = 0.65 R + 0,81X 2 = 0.96
Abtew R = 0,8x + 0,29 2 = 0,76
2
0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
10
m) Piracicaba 1: 1 n) Presidente Prudente 1: 1 o) Rancharia 1: 1
8
SA = 1.18 R + 1,02X 2 = 0.94
SA = 0.48 R + 1,05X 2 = 0.92 SA = 0.18 R + 1,08X 2 = 0.90
ETo (mm d- 1)
4
Abtew = 0.59 R + 0,81X 2 = 0.94 Abtew R = 0,88x-0,09 2 = 0.90 Abtew = 0.61 R + 0,81X 2 = 0.96
2
0
10
p) San Carlos 1: 1 q) San Luis Piraitinga 1: 1 r) San Miguel Arcángel 1: 1
8
SA = 0.22 R + 1,27X 2 = 0.86 SA = 0.47 R + 1,09X 2 = 0.94 SA = 1,1X + 0,40 R 2 = 0.94
ETo (mm d- 1)
4
Abtew = 0.58 R + 0,79X 2 = 0.92 Abtew = 0.57 R + 0,87X 2 = 0.98 Abtew = 0.40 R + 0,91X 2 = 0.98
2
0
10
s) Sao Paulo t) Taubate 1: 1 u) Valparaiso 1: 1
8 1: 1
SA = 0.52 R + 1,14X 2 = 0.92 SA = 0.81 R + 0,91X 2 = 0.83
= 0.31 1,21X HS-R 2 = 0.90
ETo (mm d- 1)
4
Abtew R = 0.84x + 0.32 2 = 0.96 Abtew = 0.68 R + 0,71X 2 = 0,76
Abtew R = 0,85x + 0,24 2 = 0.98
2
v) Votuporanga
1: 1
ETo (mm d- 1)
0 2 4 6 8 10
En comparación con los métodos mostrados en las figuras 5 y 6, que muestran una
X y Y = mostraron recta de baja dispersión de los pares de datos. Por lo tanto, puede ser
decir que el método HCB mejor estimado ETo. Esto demuestra que, si bien Rs
10
a) Ariranha 1: 1 b) Avare 1: 1 c) Bauru 1: 1
8 Mak = 0,05 0,91X-R 2 = 0.85 Mak = 0.07 R + 1,34X 2 = 0.94 Mak R = 1,3x + 0,26 2 = 0.92
ETo (mm d- 1)
4
BCO R = 0.44x + 1.28 2 = 0.86 BCO + 0.93 R = 0,46X 2 = 0.74 BCO = 0,98 0,52X + R 2 = 0,77
2
0
10
d) de la Casa Blanca 1: 1 e) Franca f) Ibitinga
1: 1 1: 1
8
Mak = 0.68 R + 1,14X 2 = 0.90 Mak = 1.35 R + 1,01X 2 = 0.83 Mak = 0.48 R + 1,28X 2 = 0.92
ETo (mm d- 1)
4
BCO + 1.01 R = 0,51X 2 = 0.62 0,33X BCO = + 1.4 R 2 = 0.42 BCO R = 0.44x + 1.08 2 = 0,76
2
0
10
g) Iguape h) Itapeva i) Jales 1: 1
1: 1 1: 1
8 Mak = 0.34 R + 1,39X 2 = 0.98 Mak = 0.28 R + 1,32X 2 = 0.98 Mak = 1.89 R + 0,83X 2 = 0.52
ETo (mm d- 1)
4
BCO + 1.24 R = 0,52X 2 = 0.90 BCO + 0.78 R = 0,51X 2 = 0,81 0,3X + 1,89 BCO = R 2 = 0.44
2
0
10
j) Jose Bonifacio 1: 1
k) Lins 1: 1
l) Ourinhos
8 1: 1
Mak = 0.13 R + 1,22X 2 = 0,76 Mak = 0.90 R + 1,12X 2 = 0.86 Mak = 0.76 R + 1,21X 2 = 0.96
ETo (mm d- 1)
4
BCO + 1.17 R = 0,41X 2 = 0.64 BCO R = 0.44x + 1.15 2 = 0.74 BCO = 0,98 0,53X + R 2 = 0.83
2
0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
BCO + 0.90 R = 0,49X 2 = 0.66 BCO + 1.17 R = 0,47X 2 = 0.67 BCO + 0.95 R = 0,53X 2 = 0.75
10
p) San Carlos 1: 1 q) San Luis Piraitinga 1: 1 r) San Miguel Arcángel
8 1: 1
Mak = 0.79 R + 1,31X 2 = 0.98 Mak = 0.48 R + 1,36X 2 = 0.98
Mak = 0.76 R + 1,19X 2 = 0.92
ETo (mm d- 1)
4
BCO + 0.22 R = 1,27X 2 = 0.60 BCO + 0.77 R = 0,55X 2 = 0.74
BCO + 0.74 R = 0,53X 2 = 0,71
2
0
10
s) Sao Paulo t) Taubate 1: 1 u) Valparaiso 1: 1
8 1: 1
Mak = 0.17 R + 1,28X 2 = 0.96 Mak = 0.28 R + 1,26X 2 = 0.96 Mak = 0.74 R + 1,08X 2 = 0,77
ETo (mm d- 1)
4
BCO + 0.87 R = 0,55X 2 = 0.75 0,39X BCO = + 1.3 R 2 = 0.57 BCO + 1.45 R = 0,37X 2 = 0.53
2
v) Votuporanga
1: 1
Mak = 1.28 R + 0,99X 2 = 0,76
ETo (mm d- 1)
0 2 4 6 8 10
10
Figura 9 se muestra el rendimiento estacional (primavera, verano, otoño e
base estadística de los siguientes índices: MBE, RMSE, "d" y el coeficiente de Wilmontt
de determinación (R 2). 0 2 4 6 8
46
0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
0
1
2
-1
-2
BenL BenL BenL BenL
HS HS HS HS
0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
-2
HS HS HS HS
0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
-2
HS HS HS HS
-1
-2
HS HS HS HS
(RMSE = 0,57 mm ± 0,367 d- 1) mientras que el jamón era más precisa en el verano (RMSE
valores RMSE cercanos a los del método Irmak: 0,17 mm ± 0,100 d- 1 y 0,18 ± 0,11 mm d- 1 respectivamente,
"D" y R 2 más cerca de uno (Figura 9). La figura 10 ilustra mejor la precisión
Todos los métodos en los métodos más precisos tienen diagrama de cajas más estrecho y
0.75 0.75
Erros (mm d- 1)
00:00 00:00
- 0.75 - 0.75
- 01:50 - 01:50
- 02:25 - 02:25
Benl jamón BCO SA Abtew JensH Mak Irmak Benl jamón BCO SA Abtew JensH Mak Irmak
0.75 0.75
Erros (mm d- 1)
00:00 00:00
- 0.75 - 0.75
- 01:50 - 01:50
- 02:25 - 02:25
Benl jamón BCO SA Abtew JensH Mak Irmak Benl jamón BCO SA Abtew JensH Mak Irmak
primavera verano
30 30
20 20
DL (%)
10 10
- 10 0 - 10 0
- 20 - 20
- 30 w - 30 w
te te
Ab Ab
nL m CO HS H ak ak nL m CO HS H ak ak
Be Ha B ns M
Irm Be Ha B ns M
Irm
Je Je
caer invierno
30 30
20 20
DL (%)
10 10
- 10 0 - 10 0
- 20 - 20
- 30 w - 30 w
te te
Ab Ab
nL am CO HS sH ak ak L m O HS H ak ak
Be n M en Ha BC ns M
H B
Je Irm B Je Irm
es decir, los valores que los valores de ETo de escala anual más subestimados
Muestran que las ecuaciones estacionales anuales sobrestiman los resultados de estos
estos DL absoluta está cerca, que muestra que, aunque hay efecto
efecto estacional es menos regular debido a la gama más alta de los valores
1.4 DISCUSIÓN
La comparación de los métodos basados en la temperatura del aire, la escala anual,
para la realización de ETo en el planeta, cuyo efecto depende del grado de dispersión
aerosoles). Por otra parte, como se ha usado todos los métodos fueron la temperatura
RMSE = 0,901 mm d- 1; Alexandris et al. (2008): MBE D = 0,741 mm 1 RMSE = 1,007 mm d- 1 y R 2 = 0,823; Melo
y Fernandes (2012): RMSE = 1,04 mm d- 1 "D" = 0,71 y R 2
= 0.77. Sin embargo, la literatura destaca algunos resultados superiores: RMSE = 0,224 y
2011).
Entre los métodos de la radiación solar, la escala anual, el Abtew mostró mejor
método en varios lugares (de Bruin, 1981;. Zhai et al, 2010). En un clima semi -
árido Irán, Tabari et al. (2010) observaron que el método Abtew (RMSE = 1705
mm d- 1 y R 2 = 0.823) superó el métodos Irmak (RMSE = 1,849 mm d- 1 y R 2 = 0,674) y Mak (RMSE = 2,098
mm d- 1 y R 2 = 0,715) y tenía
Por otra parte, por debajo del método Abtew que algunos métodos empíricos era
alta. El uso de este método Rs fue nombrado como una de las razones que hicieron
para presentar un mejor rendimiento que el método de MS, sin embargo, se observa
que este método lleva a cabo mejor que los métodos JensH y
método Abtew. Cabe señalar que el método HS es adecuado para las condiciones
condiciones húmedas (ZHAI et al, 2010 ;. lingling et al, 2013 ;. SAMARAS et al.
2014). Por lo tanto, esto demuestra que, además de las variables de entrada, las obras de teatro de clima
EPara estimación del estado de Sao Paulo. Por otro lado, mostró que la
Paul, el invierno es seco (ROLIM et al., 2007), es decir, que tiene poco efecto de
primavera. Según junior Choi et al. (2011), las subestimaciones método Ham
ETo en todos los meses del año, lo que confirma los resultados de esta investigación.
el rendimiento en todas las estaciones, que difieren en este estudio (el mejor
el rendimiento en el otoño).
El método Irmak fue desarrollado para climas húmedos (IRMAK et al., 2003) y
de Abtew también para climas húmedos, lo que justifica los valores de alto rendimiento
estos dos métodos, se pueden explicar por el hecho de que la estación de sufrir efectos
condiciones de clima cálido y húmedo (IRMAK et al., 2003 ;. ZHAI et al, 2010), sin embargo,
(Invierno). Sin embargo, según Jensen Haise (1963) y Medeiros (2008), el método de
JensH fue desarrollado para condiciones áridas y semiáridas de acuerdo con las
esta investigación.
verano y otoño, mientras que el JensH fue en invierno. El método también Abtew
invierno, jamón en el verano y en el otoño Benl. Se observó también que los métodos
1.5 Conclusión
escala anual:
solar evaluado (Abtew, Jensen Haise - JensH, Makkink -Mak y Irmak), se observó
Eran MBE = 1,34 mm d- 1 y RMSE = 1,43 mm d- 1. Este es el método que hemos observado
escala estacional:
(EBM = 0,17 mm d- 1 y RMSE = 0,22 mm d- 1) Irmak el verano (MBE = -0.13 mm d- 1 y RMSE = 0,17 mm d- 1) y
RMSE = 0,16 mm d- 1). Los valores de "d" y R 2 inferior eran 0,83 y 0,90
0,88 mm d- 1) y Winter (MBE = 0,32 mm d- 1 y RMSE = 0,57 mm d- 1) Jamón en verano (MBE = -0.66 mm d- 1 y
caída (MBE = -0,3 mm d- 1 y RMSE = 0,35 mm d- 1). Los valores más bajos de "d" y
análisis Estacionalidad:
Se presentan como valores absolutos de las desviaciones más cercanas lineales (DL) y DL
13,75% en invierno.
54
Referencias
ABTEW, W. evapotranspiración mediciones y modelos para tres sistemas de humedales del sur de Florida. Revista
de la Asociación Americana de Recursos Hídricos,
v. 127, n. 3, p. 140-147, 1966.
Allen, RG; Pereira, L.; Roots, d.; Smith, M. cultivo Evapotranspiración: Directrices para la computación
requerimientos de los cultivos acuáticos. Roma: FAO (FAO Riego y Drenaje, 56), 1998.
Blaney HF; Criddle, WO La determinación de las necesidades de agua en las zonas de riego y riego de
datos climatológicos. Washington: USDA Soil Conservation Service, 1950. 48 p. (Documento Técnico. No
96).
Borges, AC; MENDIONDO comparación entre las ecuaciones empíricas para estimar la evapotranspiración
Jacupiranga cuenca del río Journal of Agricultural and Environmental Engineering, v. 11, no. 3, p.
293-300, 2007.
CAI, J.; Liu, Y.; ACT, T.; Pereira, LS Estimación de la evapotranspiración de referencia con la FAO Penman
- Monteith utilizando mensajes Pronóstico diario. Agric. Bosque. Meteorológica., v. 145, p. 22-35, 2007.
CAO, JF; LI YZ; ZHONG, XI; ZHAO, YM combinación Comparación de cuatro métodos para la
evapotranspiración del cultivo de referencia. Barbilla. J. Agrometeorol, v. 36, no. 4, p. 428-436, 2015.
55
CAVALCANTE JR, EG estimación de la evapotranspiración de referencia para la ciudad de Mossoro - RN. Journal
of Agrometeorología, Fortaleza, v.
31, no. 2, p.87-92, 2011.
CLIMA centro de investigación aplicada AGRICULTURA - CEPAGRI. El clima de Municipios Paulistas. Disponible
en: < http://www.cpa.unicamp.br/outras-informacoes/clima-dos-municipiospaulistas.html >. Acceso el 10
octubre .. 2016.
DJAMAN, K.; BUCKET, AB; Sembrar una.; Muller, B.; IRMAK, S.; N'DIAYE, MK; Manneh, B.;
MOUKOUMBI, YD; Futakuchi, K. Saito, K. Evaluación de dieciséis métodos de evapotranspiración de
referencia en condiciones en Sahel El valle del río Senegal. Diario de la hidrología: Estudios Regionales, v.
3, p. 139-159, 2015.
Doorenbos, J.; Pruitt, WO Orientaciones para predecir los requerimientos de agua de los cultivos. Irrigación
FAO y poniendolas de drenaje 24, Roma 1975, p 179.
RAKI ER, S.; Chehbouni, A.; KHABBA, S.; Simonneaux, V.; Jarlan, L.; OULDBBA, A.; RODRIGUES, JC;
ALLEN, R. Evaluación de la referencia
métodos de evapotranspiración en regiones semiáridas: Puede ser utilizado días de previsión meteorológica de
los parámetros meteorológicos de tierra alternativo? Journal of ambiente árido, v. 74, p. 1587-1596, 2010.
Hargreaves, GH; Samani, Z. Referencia evapotranspiración del cultivo de temperatura. Diario de Ingeniería
Aplicada a la Agricultura, San José, versión 1, n. 2
p.96-99, 1985.
IRMAK, S.; IRMAK, A.; Allen, RG; Jones JW radiación solar neta y - para estimar la evapotranspiración de
referencia ecuaciones basadas en climas húmedos. Diario de Ingeniería de Riego y Drenaje, v. 129, no. 5,
p. 336-347, 2003.
JENSEN, ME; Haise, HR Estimación de la evapotranspiración de la radiación solar. suministro de sangre J y División
de Drenaje, ASCE, Vol. 89, p.15-41, 1963.
KARIYAMA, Identificación del backpropagation red neuronal artificial de alimentación directa de la temperatura de base para la
estimación de la evapotranspiración del cultivo de referencia en la región del oeste superior.
International Journal of Researche científica y tecnológica, v. 3, No. 8, 2014.
KOTTEK, M.; Grieser, J.; BECK, C.; RUDOLF, B.; RUBEL, mapa F. Palabra del Koppen - Clasificación del
clima Geiger actualizado. METEOROLOGISCHE Zeitschrift
Berlín, v.15, n. 3, p. 259-263, junio de 2006.
Kumar, M.; Bandyopadhyay, A.; RAGHUWANSHI, NS; Singh, R. Estudio comparativo de los modelos de
estimación basados en redes neuronales convencionales y artificiales. Irrigación Ciencia, v.26, n.6,
p.531-545, 2008.
Landeras, G.; BARREDO ORTIZ, A.; JJ López; Comparación de los modelos de redes neuronales artificiales y
empíricos y semi - ecuaciones empíricas para la estimación de la evapotranspiración de referencia diaria en el
País Vasco (norte de España. gestión de agua en la agricultura, v. 95, p. 553-565, 2008.
Lingling, Z.; JUN X.; CHONG YU, X.; ZHONGGEN, W.; LESZEK, S.; GANGRUI,
métodos de estimación de evapotranspiración L. en modelos hidrológicos. J. Geogr. Sci. v.
23, no. 2, p. 359-369, 2013.
MAEDA, EE; WIBERG, DA; Pellikka, PKE Estimación de la evapotranspiración de referencia utilizando la
teledetección y modelos empíricos en una región con suelo fecha de disponibilidad limitada en Kenia. geografía
aplicada, v. 31. P. 251-258,
2011.
MARTINEZ, ECR THEPADIA, M. Estimación de Referencia evapotranspiración con los datos mínimos en
Florida. J. Irrig. Escurrir. eng, v. 136, No. 7, p. 494-501, 2010.
MAVI, SA; Tupper GJ Agrometeorología: principios y aplicaciones de los estudios del clima en la agricultura. Productos
de Alimentos de prensa. Oxford. Londres, 364p. 2004.
Melo, GL; FERNANDES, Evaluación ALT de métodos empíricos para estimar la evapotranspiración de
referencia en Uberaba, Estado de Minas Gerais, Brasil. Ing. Agric.,
Jaboticabal, v. 32. n. 5, p. 875-888, Sep / out. 2012.
ROLIM, D. S.; DE CAMARGO, MBP; LANIA, DG; DE Moares, clasificación del clima JFL Köppen y
Thornthwaite y su uso en la determinación de zonas agroclimáticas para el estado de Sao Paulo, Bragantia,
Sentelhas, PC; Gillespie, TJ; SANTOS, Evaluación de EA de la FAO Penman - Monteith y los métodos
alternativos para estimar la evapotranspiración de referencia con los datos que faltan en el sur de Ontario,
Canadá. gestión de agua en la agricultura, v. 97,
p. 635-644, 2010.
SOUZA, AP; Mota, LL; ZAMADEI, T.; Martin, DC; ALMEIDA, FT; PAULINE J. clasificación del clima y el
balance hídrico climático en el estado de Mato Grosso. nativo, Sinop, v. 1, no. 1, p. 34-43, octubre /
diciembre de 2013.
Ṭabari, H. Evaluación de los cultivos ecuaciones evapotransoiration referencia en diversos climas. Resour agua.
administrar, v. 24, no. 10, p. 2311-2337, 2010.
Ṭabari, H.; Kisi, S.; Aizanoi, A.; Talaee, pH SVM ANFIS, modelos basados en regresión y la modelización del
clima utilizando referencia evapotranspiración es datos climáticos limitadas en una semi - ambiente árido
tierras altas. Journal of hidrología, 444-445,
p. 78-89, 2012.
TODOROVIC, M.; Karic, B. PEREIRA referencia LS evapotranspiración estimación con los datos del tiempo
limitados en una amplia gama de climas mediterráneos. Diario de Hidrología, v. 481, p. 166 -176, 2013.
Van Dijk, AIJM; DOLMAN, AJ; Schulze, ED radiación, la temperatura y el área foliar explicar los flujos de
carbono en ecosistemas templados bosques europeos y del norte.
Global Geoquímica, Ciclos, vol. 19, 2005.
VIANELLO, RL; ALVES, AR meteorología básica y las aplicaciones. 2. Ed Viçosa, MG: Ed. UFV, 2012,
460P ..
VICENTE SERRANO, SM; AZORIN MOLINA, C.; LORENZO SANCHEZ, A.; Revueltos, J.; MORENO
López, JI; HIDALGO GONZALEZ, JC; TEJEDA MORAN, E.; Espejo, F. Referencia evapotranspiración y las
tendencias de variabilidad en España, 1961 -2011. Global and Planetary Change, v. 121, p. 26-40, 2014.
58
Wang, YM; Traore, S.; KERH, enfoque de red T. Neural para la estimación de la evapotranspiración de referencia
a partir de datos climáticos limitados en Burkina Faso. transacciones WSEAS en los equipos, V. 7, NÚMERO 6,
2008.
WILLMOTT, CJ; CKLESON, SG; DAVIS, RE Estadísticas para la evaluación y comparación de modelos. Journal
of Geophysical Research. Ottawa, v.90, n.C5, p. 8995-9005, 1985.
XING, Z.; Chow, L.; Meng, F.; Rees, HW; Monteith, J.; LIONEL S. técnicos Pruebas métodos de estimación de
evapotranspiración utilizando tanque de evaporación y modelado en la Región Marítima de Canadá. suministro de
sangre J.. Escurrir. Ing. v.134, No. 4, p. 417-424,
2008.
XU, CY; CHEN, D. Comparación de los siete modelos para la estimación de la evapotranspiración y recarga
de aguas subterráneas utilizando los datos de medición lisímetro en alemán. Hidrol. procesos, v. 19, p.
3717-3734, 2005.
XU, CY; Singh, vicepresidente y generalización basada Evaluación de mrthods radiales para el cálculo de la
evaporación. Hidrol. procesos, v. 14, p. 339-349, 2000.
XU, CY; Singh, la comparación VP Cruz de ecuaciones empíricas para calcular la evapotranspiración
potencial con los datos de Suiza. Gestión de recursos hídricos, v. 16, p. 197-219, 2002.
Xu, J.; Peng, S.; Ding, J.; Wei, Q.; YU, Y. Evaluación y calibración de métodos simples para la estimación de la
evapotranspiración de referencia diaria en húmedo el este de China.
Archivos de Agronomía y Ciencias del Suelo, v. 59, No 6, p. 845-858, 2013.
Yoder RE; ODHIAMBO, LO; WRIGHT, WC Evaluación de métodos para estimar la evapotranspiración del
cultivo de referencia diaria en el lugar del sureste húmeda Estados Unidos. Appl. Ing. Agric, v. 20, no. 2, p.
197-202, 2005.
ZHAI, L.; FENG, Q.; Li, Q.; XU, C. Comparación y modificación de las ecuaciones para calcular la evapotranspiración
(ET) con los datos de la provincia de Gansu, noroeste de China. suministro de sangre. y desagüe., v. 59, p. 477-490,
2010.
59
CAPÍTULO 2
EMPIRICA
RESUMEN
MVS) con respecto al método de la FAO estándar 56 en el estado de Sao Paulo en escalas
RNA utilizado fue del tipo Perceptrón multicapa ( MLP), con el algoritmo de aprendizaje
Cada TAM se compone de seis arquitecturas, en el que 70% de los datos eran
utilizado para la formación y el 30% para validar. Los análisis estadísticos se realizaron con
Sobre la base de los índices de MBE ( La media de sesgo de error) RMSE ( Root Mean Square Error) "D"
(Tmax), mínima (T min), aire media (T), la radiación extraterrestre (Ra) y la radiación solar
y velocidad del viento (R3 y M3); Tmax, Tmin, T, R y humedad relativa (R4 y
artificial.
60
RESUMEN
El cálculo de la demanda de agua de los cultivos. En este trabajo, fue la Opinión empírica
MLT (Redes Neuronales Artificiales - RNA y Apoyo Vector Machine - SVM) contra
Tipo perceptrón multicapa (MLP) con el algoritmo de aprendizaje de propagación hacia atrás, y en el
MVS, fue utilizado el núcleo BasicFunction radial (RBF) con regresión secuencial
En el que se utilizó el 70% de los datos para la formación y el 30% para su validación. la estadística
Los análisis se realizaron sobre la base de MBE (MeanBias error), RMSE (Root Mean
temperatura (Tmax), la temperatura mínima (Tmin), la temperatura media del aire (T),
arquitecturas compuestas de Tmax, Tmin, T, R y velocidad del viento (M3 y R3); Tmáx,
y M6.
palabras clave: Backpropagation. Máquinas de vectores soporte. Las redes neuronales artificiales.
61
2.1 INTRODUCCIÓN
cubriendo completamente un área grande sin restricción de agua, como Allen et al.
La ETo se puede estimar utilizando diversos métodos indirectos, entre los cuales,
El Penman Monteith FAO 56 (PMF 56) se considera estándar por Allen et al.
en comparación con otros métodos indirectos (CAI et al., 2007, CAO et al, 2015 .;
GARCIA et al., 2004; MOHAWESH, 2011; XU; CHEN, 2005), sin embargo, es utilizar
más bien limitado, ya que requiere una serie de elementos meteorológicos, que
Por lo tanto, se han desarrollado diversos métodos alternativos (George et al., 2002;
Samani, Abtew, Makkin, etc. Estos métodos son el uso sencillo y práctico, sin embargo, el
este autor ha recomendado el ajuste de los parámetros de los métodos para cada tipo de
poner de relieve algunas de las técnicas de aprendizaje automático (TAM): Redes Neuronales
Los ARN son modelos matemáticos, cuyo principio es similar a las neuronas
2008). Varios investigadores utilizaron los ARN para estimar ETo a partir de
56 con respecto a la PMF método que los métodos empíricos (Jain et al, 2008 ;. Kisi,
2006; Kisi, 2007; Nourani; FARD, 2012; TRAORE et al., 2010; ZANETTI et al.
2007). Por otro lado, hay estudios que encontraron que los ARN estiman
2004). Entre los diversos tipos de ARN, de acuerdo con Kumar et al. (2011), el
más del 70% de los trabajos publicados. Varios estudios han informado de alta
el rendimiento de estos ARN (Amini, 2008; Traore et al., 2010; Wang et al., 2009;
informó que MVS es más eficiente para estimar los complejos procesos que
los ARN. De acuerdo con Kumar y Kar (2009), el MVS es una potente metodología para
función del núcleo utilizado, por lo que existe la necesidad de una cuidadosa elección del tipo
función de su uso.
de mínimos cuadrados mejores resultados presentados que los ARN y métodos empíricos.
estimación empírica de ETo fueron presentados por Kisi y Cimen (2009), Tabari
EL. (2013), y Wen et al. (2015). En otra investigación, Samui y Dixon (2012) y Hamidi
et al. (2014) reportaron resultados mejores de MVS que estiman los ARN
Sin embargo, se observaron diferentes resultados para Tezel y Buyukyildiz (2016), donde
el ARN y MLP Red de función de base radial Ellos mostraron un mejor rendimiento
2.2 MÉTODOS
Brasil (INMET).
altitud), el período de recogida de datos (que comprende al menos 80% de los datos) y
misma mesa, hay cuatro tipos de clima: Aw, CWA, Af y Am, que
climas Aw, la temperatura media del mes más frío es mayor que 18 ° C, con el invierno
Secar la que al menos uno de los meses tiene un promedio de lluvia menos de
60 mm; En Cwa, la temperatura del mes más frío del año varía entre -3º y 18 ° C, con
estación. El verano es caliente con temperatura media del mes más cálido de lo
22 ° C; En Af producirse precipitaciones durante todo el año, con la precipitación más seco mes
mayor que 60 mm, y Am, hay una corta estación seca, durante las fuertes lluvias
la mayor parte del período del año y la temperatura media del mes más frío durante
Entre diversos tipos de tiempo que el estado de Sao Paulo tiene un clima Aw
uno de los más prevalentes (ROLIM et al., 2007). Este tipo de clima es también
arcángel
máximo, mínimo, promedio de humedad relativa, velocidad del viento y la radiación solar
otros datos.
AB) y TAM. Los resultados obtenidos en ambos métodos empíricos como en TAM
Allen et al. (1998). la Los siguientes son las ecuaciones usadas en el método
900
0, 408 * • * • • •• • * y s GTU
* 2
* • • Rn •
• • 273
EPara (1)
• • • * • • 0 1, 34 * T 2 •
66
mm a D- 1.
2).
0, 5
EPara • 0, 0023 * 0, 408 * * •(
Ra
max min) * TTT• 17 ( , 8) (2)
Dónde: Tmax = temperatura máxima del aire y Tmim = temperatura mínima ºC.
• ETo * R K (3)
•
Para el uso de los ARN y MVS, tanto en escala como en la temporada anual,
T R1 y M1
T, Tmax, Tmin y Ra R2 y M2
T, Tmax, Tmin, R y U 2 R3 y M3
T, T max, T min, R y UR R4 y M4
TyR R5 y M5
T, Tmax, Tmin, R y R R6 y M6
puede ser un entorno de conocidos o nuevos, más allá del cual el aprendizaje puede ser
Tiene al menos uno neuronas de la capa oculta intermedios para varios (Figura 2).
Es esta capa que los datos de entrada se multiplica por los pesos asignados,
la generación de los datos de salida, típicamente una función logística sigmoidal (Huo et al.
en vista de = Tasa de aprendizaje 0,3; impulso = 0.2 y = tiempo de entrenamiento 500 se ensayó
1
( xf ) • (4)
• • exp 1• • x ••
introducida por Vapnik (1.995). El MVS se puede utilizar tanto para hacer
clasificación como regresión. De acuerdo con He y col. (2014), produce resultados MVS
69
En MVS existe la necesidad de utilizar las funciones del kernel (DAVID; SÁNCHEZ,
2003; LIN; Yeh, 2009). En este estudio se utilizó la función Funtion radial Básico
valores reportados y .
utilizados fueron: error relativa media (MBE = La media de sesgo de error) raíz cuadrada de
indica que el método reportado sobreestima los datos reales, MBE <0 indica una
subestimado, el RMSE indica la exactitud del método se informa, "d" indica la exactitud de la
método y R 2 indica el grado de ajuste matemático. Los valores son MBE y RMSE
mencionado.
70
N
1
• •OPN
• MBE
• ii
• (5)
yo• 1
0, 5
2
• N • • • •
• •• (6)
ii
RMSE •
• yo• 1 NOP •
•
2
• • OPii •
yo• 1
d • 1• N
(7)
2
• • iN
• • yo
•
• OOOP
yo• 1
N
• 2 •
• • • • OPii • •
1
• • • (8)
2 yo• 1
R •
• N
2 •
• • • i • OO• •
• yo• 1 •
2.3 RESULTADOS
San Pablo
sobreestimar ETo (MBE> 0 mm d- 1). Los otros ARN y MVS mostraron tanto
Tenga en cuenta que los métodos de Hargreaves Samani (HS) y Abtew (AB) tenían
temperatura media del aire como variable de entrada para el ARN: RMSE = 0,38 a 0,74 mm d- 1 "D" =
Tabla 3 - desempeño estadístico de las redes neuronales artificiales y arquitecturas de máquinas de vectores 1 y 2, en diferentes ciudades
el estado de Sao Paulo
MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2
nutria 0.02 0.39 0.96 0.88 - 0.03 0.37 0.96 0.88 0.06 0.24 0.99 0.96 0.02 0.23 0.99 0.96
Avare 0.48 0.70 0.84 0,71 - 0.01 0.51 0.90 0.69 0.27 0.40 0.95 0.90 0.05 0.27 0.98 0.92
Bauro 0.41 0.57 0.87 0,77 - 0.03 0.38 0.94 0,77 0.22 0.28 0.97 0.96 0.04 0.16 0.99 0.96
Casa Blanca 0.11 0.44 0.89 0,71 - 0.01 0.41 0.91 0,72 - 0.09 0.24 0.98 0.92 0.00 0.22 0.98 0.92
Franca 0.22 0.59 0,77 0.52 - 0.16 0.59 0.80 0.53 0.09 0.32 0.95 0.85 - 0.68 0.85 0.75 0.61
Ibitinga 0.08 0.54 0.91 0.74 0.00 0.52 0.92 0.74 - 0.07 0.28 0.98 0.94 0.00 0.23 0.99 0.96
Iguapé 0.22 0.48 0.94 0.85 - 0.02 0.44 0.95 0.83 0.02 0.25 0.99 0.94 0.02 0.25 0.99 0.94
Itapeva 0.15 0.46 0.92 0,77 - 0.01 0.48 0.93 0,77 0.00 0.25 0.98 0.94 - 0.03 0.25 0.98 0.94
jales 0.35 0.60 0.87 0,71 - 0.12 0.50 0.91 0,71 - 0.04 0.34 0.96 0.86 - 0.11 0.37 0.95 0.85
José Bonif. 0.27 0.62 0.88 0,72 - 0.04 0.54 0.92 0,72 - 0.15 0.32 0.97 0.92 - 0.03 0.27 0.98 0.94
Lins 0.21 0.53 0.91 0,77 - 0.06 0.48 0.93 0,77 0.12 0.30 0.97 0.94 0.02 0.24 0.99 0.94
Ourinhos 0.14 0.44 0.94 0.83 - 0.13 0.44 0.94 0.83 0.04 0.24 0.98 0.94 0.00 0.24 0.98 0.94
Piracicaba 0.25 0.51 0.91 0,76 - 0.04 0.46 0.93 0,76 0.17 0.28 0.97 0.94 0.02 0.22 0.99 0.94
Presidente. P 0.36 0.60 0.88 0,72 0.01 0.48 0.91 0,72 0.21 0.29 0.97 0.96 0.01 0.20 0.99 0.96
Ranchi 0.20 0.54 0.92 0,76 - 0.03 0.51 0.92 0,76 0.02 0.30 0.98 0.92 0.01 0.27 0.98 0.92
San Carlos 0.12 0.39 0.93 0,81 - 0.09 0.37 0.94 0,81 0.17 0.30 0.96 0.92 - 0.02 0.24 0.98 0.92
San Luis Pi. 0.09 0.38 0.95 0.83 - 0.08 0.37 0.95 0.85 0.07 0,19 0.99 0.96 0.06 0.18 0.99 0.96
San Miguel A. 0.03 0.39 0.95 0,81 - 0.04 0.40 0.95 0,81 - 0.12 0.24 0.98 0.96 0.01 0,19 0.99 0.96
San Pablo 0.10 0.39 0.93 0.79 - 0.01 0.37 0.94 0.79 0.00 0.20 0.98 0.94 - 0.02 0.21 0.98 0.94
taubaté 0.04 0.38 0.95 0.83 - 0.02 0.40 0.95 0,81 0.05 0.24 0.98 0.94 0.01 0.22 0.98 0.96
Valparaíso 0.39 0.74 0.82 0.62 - 0.04 0.62 0.88 0.64 0,19 0.40 0.96 0.88 0.06 0.36 0.96 0.88
Votuporanga 0.25 0.51 0.91 0,76 - 0.04 0.46 0.93 0,76 0.35 0.48 0.92 0.86 - 0.01 0.29 0.97 0.88
73
Tabla 4 - Rendimiento estadístico de las redes neuronales artificiales y arquitecturas de máquinas de vectores 3:04, en diferentes ciudades
el estado de Sao Paulo
estaciones R3 (Tmax, Tmin, T, R, U 2) M3 (Tmax, Tmin, T, R, U 2) R4 (Tmax, Tmin, T, R, RH) M4 (Tmax, Tmin, T, R, RH)
MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2
nutria - 0.07 0.22 0.99 0.96 - 0.02 0.20 0.99 0.96 0.07 0.23 0.99 0.96 0.01 0,19 0.99 0.96
Avare 0,19 0.29 0.97 0.94 0.05 0.23 0.98 0.94 0.13 0.26 0.98 0.94 0.07 0.22 0.99 0.94
Bauru 0.12 0,19 0.99 0.96 0.03 0.15 0.99 0.96 0.10 0,19 0.99 0.96 0.02 0.14 0.99 0.96
Casa Blanca - 0.05 0.16 0.99 0.96 - 0.02 0.16 0.99 0.96 0.10 0,19 0.99 0.96 0.00 0.31 0.96 0.85
Franca 0.11 0.26 0.97 0.92 - 0.06 0.25 0.97 0.90 - 0.15 0.25 0.97 0.94 0.02 0.20 0.95 0.94
Ibitinga - 0.14 0.28 0.98 0.94 0.00 0.22 0.99 0.96 - 0.08 0.25 0.98 0.94 0.01 0.20 0.99 0.96
Iguapé - 0.02 0.25 0.99 0.94 0.00 0.24 0.99 0.94 - 0.02 0.25 0.98 0.96 - 0.03 0.24 0.99 0.96
Itapeva 0.02 0.18 0.99 0.96 0.03 0.18 0.99 0.96 0.00 0.18 0.99 0.96 0.02 0.17 0.99 0.96
jales - 0.03 0.30 0.97 0.88 - 0.11 0.33 0.96 0.88 0.06 0.25 0.98 0.92 0.01 0.22 0.98 0.94
José Bonif. - 0.13 0.27 0.98 0.94 - 0.04 0.23 0.99 0.96 - 0.03 0.24 0.99 0.94 - 0.04 0.22 0.99 0.96
Lins 0.01 0.20 0.99 0.96 - 0.01 0.18 0.99 0.96 - 0.03 0.23 0.99 0.96 - 0.02 0.20 0.99 0.96
Ourinhos 0.03 0.21 0.99 0.96 0.00 0.22 0.99 0.94 0.00 0.21 0.99 0.96 0.00 0.21 0.99 0.96
Piracicaba 0.10 0.20 0.99 0.96 - 0.01 0.17 0.99 0.96 0.03 0,19 0.99 0.96 0.00 0.17 0.99 0.96
Presidente. P 0.17 0.23 0.98 0.96 - 0.03 0.17 0.99 0.96 0.08 0.17 0.99 0.98 0.00 0.16 0.99 0.98
Ranchi 0.06 0.25 0.98 0.94 0.00 0.25 0.98 0.94 0.05 0.25 0.98 0.94 0.01 0.23 0.99 0.94
San Carlos 0.12 0.24 0.98 0.94 0.00 0.21 0.98 0.94 0.01 0.18 0.99 0.96 - 0.01 0.17 0.99 0.96
San Luis Pi. 0.05 0.18 0.99 0.96 0.02 0.15 0.99 0.98 0.09 0,19 0.99 0.98 - 0.01 0.15 0.99 0.98
San Miguel A. - 0.03 0.18 0.99 0.96 0.03 0.18 0.99 0.96 - 0.07 0.18 0.99 0.96 0.01 0.15 0.99 0.98
San Pablo 0.09 0.17 0.98 0.96 0.00 0.17 0.99 0.96 0.03 0.16 0.99 0.96 0.01 0.15 0.99 0.96
taubaté 0.09 0.23 0.98 0.94 - 0.02 0.21 0.99 0.94 0.11 0.26 0.98 0.94 - 0.01 0.23 0.98 0.94
Valparaíso 0.02 0.22 0.99 0.96 - 0.02 0.22 0.99 0.96 0.10 0.25 0.98 0.96 0.06 0.21 0.99 0.96
Votuporanga 0.10 0.24 0.98 0.94 - 0.04 0.21 0.99 0.94 0.05 0.22 0.98 0.94 - 0.01 0,19 0.99 0.96
74
Tabla 5 - Rendimiento estadístico de las redes neuronales artificiales y arquitecturas de máquinas de vectores 5:06, en diferentes ciudades
el estado de Sao Paulo
MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2 MBE RMSE "D" R2
nutria 0.22 0.42 0.95 0.88 - 0.04 0.33 0.97 0.90 0.09 0,19 0.99 0.98 - 0.01 0.18 0.99 0.98
Avare 0.24 0.31 0.97 0.96 0.00 0.20 0.99 0.96 0.22 0.28 0.98 0.96 0.02 0.17 0.99 0.96
Bauru 0.42 0.47 0.92 0.92 - 0.08 0.22 0.98 0.94 0.21 0.25 0.98 0.98 0.01 0.11 0.99 0.98
Casa Blanca 0.15 0.28 0.97 0.90 - 0.08 0.27 0.97 0.90 0.01 0.20 0.98 0.94 - 0.05 0.21 0.98 0.94
Franca 0.27 0.40 0.93 0.85 - 0.10 0.33 0.95 0.85 0.21 0.29 0.96 0.94 - 0.06 0.25 0.97 0.90
Ibitinga 0.23 0.34 0.97 0.94 - 0.03 0.25 0.98 0.94 - 0.01 0.13 1.00 0.98 0.06 0.59 0.88 0.69
Iguapé 0.05 0.13 1.00 0.98 0.01 0.12 1.00 0.98 0.03 0.08 1.00 1.00 0.00 0.05 1.00 1.00
Itapeva 0.17 0.23 0.99 0.98 0.00 0.14 0.99 0.98 0.09 0.14 0.99 0.98 - 0.02 0.12 1.00 0.98
jales 0.36 0.61 0.86 0,71 - 0.24 0.57 0.88 0.67 0.03 0.32 0.97 0.88 - 0.05 0.34 0.96 0.86
José Bonif. 0.29 0.56 0.91 0.79 - 0.08 0.51 0.93 0,77 - 0.09 0.28 0.98 0.94 0.00 0.24 0.99 0.94
Lins 0.31 0.45 0.94 0.90 - 0.07 0.32 0.97 0.90 0.12 0.22 0.99 0.96 0.12 0.18 0.99 0.96
Ourinhos 0.14 0.21 0.99 0.98 0.03 0.17 0.99 0.98 0.08 0.12 1.00 1.00 0.01 0.08 1.00 1.00
Piracicaba 0.40 0.45 0.94 0.94 - 0.03 0.20 0.99 0.96 0.10 0.21 0.99 0.96 0.01 0,19 0.99 0.96
Presidente. P 0.18 0.29 0.97 0.94 - 0.08 0.23 0.98 0.94 0.09 0.17 0.99 0.98 - 0.01 0.15 0.99 0.98
Ranchi 0.07 0.20 0.99 0.96 0.02 0,19 0.99 0.96 0.01 0.13 1.00 0.98 0.00 0.13 1.00 0.98
San Carlos 0.27 0.35 0.95 0.94 - 0.05 0.22 0.98 0.94 0.13 0,19 0.99 0.98 0.00 0.12 0.99 0.98
San Luis Pi. 0.11 0.16 0.99 0.98 0.00 0.12 1.00 0.98 - 0.03 0.07 1.00 1.00 0.00 0.06 1.00 1.00
San Miguel A. 0.03 0.13 1.00 0.98 - 0.02 0.13 1.00 0.98 - 0.06 0.12 1.00 0.98 - 0.01 0.10 1.00 0.98
San Pablo 0.06 0.16 0.99 0.96 - 0.02 0.15 0.99 0.96 - 0.02 0.13 0.99 0.98 0.01 0.11 0.99 0.98
taubaté - 0.01 0,19 0.99 0.96 - 0.01 0.18 0.99 0.96 - 0.09 0.13 0.99 0.98 0.00 0.10 1.00 0.98
Valparaíso 0.20 0.51 0.93 0.79 - 0.08 0.46 0.94 0,81 0.16 0.36 0.97 0.90 0.00 0.32 0.97 0.90
Votuporanga 0.65 0,77 0,81 0,77 - 0.18 0.46 0.91 0,77 0.28 0.39 0.94 0.90 - 0.01 0.26 0.98 0.90
75
Casa Blanca 0.86 0.93 0,77 0.88 - 0.23 0.38 0.93 0.90
José Bonif. 0.36 0.48 0.94 0.90 - 0.57 0,77 0.86 0,76
San Carlos 1.22 1.31 0.68 0.86 0.02 0.28 0.96 0.92
San Luis Pi. 0,77 0.80 0.85 0.94 0.42 0.47 0.93 0.98
San Miguel A. 0.74 0.79 0.86 0.94 0.33 0.39 0.95 0.98
San Pablo 0.41 0.55 0.92 0.90 - 0.17 0.27 0.97 0.98
sobreestimación en comparación con el método de MS. Desde método AB (MBE = -0,17 mm d- 1) y MVS
0,92 ± 0,074) y TAM ( "d" = 0,90 ± 0,047 en R1 y "d" = 0,034 ± 0,92 en M1, y
los valores más bajos) mostraron una mejor concordancia con respecto al método
resultados más bajos que el método AB, que se pueden ver claramente que el TAM
0.6
0.3
0.0
RMSE (mm d- 1) MBE (mm d- 1)
- 0.3
SA AB M1 R1 R2 R3 M2 M3 M4 R4 R5 R6 M5 M6
1.0
0.5
0.0
SA AB M1 R1 R2 R3 M2 M3 M4 R4 R5 R6 M5 M6
1.0
0.5
"d"
0.0
SA AB M1 R1 R2 R3 M2 M3 M4 R4 R5 R6 M5 M6
1.0
R2
0.5
0.0
SA AB M1 R1 R2 R3 M2 M3 M4 R4 R5 R6 M5 M6
0,27 mm d- 1; "D" = 0,99 y R 2 = 0,99 (LAABOUDI et al, 2012.) Y MVS: RMSE = 0,09
El diagrama de caja ( caja parcela) muestra los valores de los errores producidos por
métodos empíricos y la TAM con respecto a la MFP 56. La marca método que
Mostraron un error promedio más cerca de cero y más estrechas cajas. este
más preciso que R6. Los otros métodos mostraron cajas más grandes,
lo que significa que son menos fiables que la R6 y M6 como menos cerca de
método de MS. También se observa que el método tiene una mayor precisión Abtew
1.5
0.5
0.0
- 0.5
- 1.0
- 1.5
SA AB M1 R1 R2 R3 M2 M3 M4 R4 R5 R6 M5 M6
estimado por el mejor (AB, R6 y M6) y peores métodos (Hs, R1 y M1). Figuras
- v), el peor.
General de su superposición de la línea de regresión lineal Y = X (1: 1), lo que significa que la
los valores de ETo estimados por estos métodos son muy estrecha con el método de
MFP 56. Se observó también que el par de datos de ETo (formado por los métodos
PMF 56 vs. R6 y M6) está muy cerca de la línea de regresión de cada TAM,
Los resultados ya se ha informado. Con respecto al método AB, hubo una tendencia
subestimar la ETo porque generalmente sus líneas de regresión han estado por debajo
más alto, sin embargo, probablemente las diferencias entre ellos no tienen
relevancia estadística.
79
10
a) Ariranha 1 b) Avare 1 c) Bauru 1
8
AB 1: AB 1: AB 1:
ETo (mm d- 1)
6
M6 M6 M6
4
R6 R6 R6
0
10
d) de la Casa Blanca 1 e) Franca 1: 1 f) Ibitinga 1: 1
8
AB 1: AB AB
ETo (mm d- 1)
6
M6 M6 M6
4 R6
R6 R6
0
10
g) Iguape h) Itapeva 1: 1 i) Jales 1
8 1: 1
AB AB AB 1:
ETo (mm d- 1)
6
M6 M6 M6
4 R6
R6 R6
0
10
j) Jose Bonifacio 1
k) Lins 1: 1
l) Ourinhos
8 1
AB 1: AB AB 1:
ETo (mm d- 1)
6
M6 M6 M6
4 R6
R6 R6
0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
10
m) Piracicaba 1 n) Presidente Prudente 1 o) Rancharia 1
8
AB 1: AB 1: AB 1:
ETo (mm d- 1)
6
M6 M6 M6
4 R6 R6 R6
0
10
p) San Carlos 1 q) San Luis Piraitinga 1
r) San Miguel Arcángel
1
8
AB 1: AB 1: AB 1:
ETo (mm d- 1)
6
M6 M6 M6
4
R6 R6 R6
0
10
s) Sao Paulo t) Taubate 1 u) Valparaiso 1
8 1
AB 1: AB 1: AB 1:
ETo (mm d- 1)
6
M6 M6 M6
4 R6 R6
R6
v) Votuporanga
1: 1
ETo (mm d- 1)
R6
M6
AB
0 2 4 6 8 10
estadístico. También se observó que el método de MS fue el peor de todos, seguido por
R1.
Empírica fue reportado por varios investigadores (KHOOB, 2008; Kisi, 2013;
10
a) Ariranha 1: 1 b) Avare 1: 1 c) Bauru 1
8
HS HS HS 1:
6
ETo (mm d- 1)
R1 R1 R1
4 M1
M1 M1
0
10
d) de la Casa Blanca 1: 1 e) Franca 1: 1 f) Ibitinga 1: 1
8
HS HS HS
6
ETo (mm d- 1)
R1 R1 R1
4 M1 M1 M1
0
10
g) Iguape h) Itapeva 1: 1 i) Jales 1
8 1: 1
HS HS HS 1:
6
ETo (mm d- 1)
R1 R1 R1
4 M1 M1 M1
0
10
j) Jose Bonifacio 1
k) Lins 1: 1
l) Ourinhos
8 1
HS 1: HS HS 1:
6
ETo (mm d- 1)
R1 R1 R1
4 M1 M1
M1
2
0
0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10
10
m) Piracicaba 1 n) Presidente Prudente 1: 1 o) Rancharia 1
8
HS 1: HS HS 1:
ETo (mm d- 1)
6
R1 R1 R1
4 M1
M1 M1
0
10
p) San Carlos 1: 1 q) San Luis Piraitinga 1: 1 r) San Miguel Arcángel 1: 1
8
HS HS HS
6
ETo (mm d- 1)
R1 R1 R1
4
M1 M1 M1
0
10
s) Sao Paulo 1: 1
t) Taubate 1: 1 u) Valparaiso 1
8
HS HS HS 1:
ETo (mm d- 1)
6
R1 R1 R1
4 M1 M1
M1
v) Votuporanga
1: 1
ETo (mm d- 1)
M1
R1
SA
0 2 4 6 8 10
MBE más alto que los ARN y MVS en todas las estaciones,
Ellos se produjeron en el método del SA, seguido por el método AB (Figura 9). la tendencia
Sobre la base de RMSE, se observó que el método del SA tiene alta precisión
(0,16 mm ± 0,110 d- 1) y otoño (0,15 ± 0,110mm d- 1). Los ARN y MVS mostraron
arquitecturas: R1, M1, R2 y M2, los resultados fueron 0,41 ± 0,116; 0,38 ± 0,115;
0,26 ± 0,111; y 0,28 mm ± 0,112 d- 1 y 0,25 ± 0,112; 0,27 ± 0,117; Y 0,18 ± 0,09; 0,11 ± 0,09 mm d- 1 respectivamente
0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
- 0.5
0.0
0.5
1.0
RMSE (mmR5
d- M5
1) R6 M6
HS HS HS
M3 AB
R4 R1
M4 M1 R2 M2 R3 HS
AB AB AB
R1 R1 R1
M1 M1 M1
R2 R2 R2
primavera
M2 M2 M2
R3 R3 R3
M3 M3 M3
R4 R4 R4
M4 M4 M4
R5 R5 R5
M5 M5 M5
R6 R6 R6
M6 M6 M6
0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
- 0.5
0.0
0.5
1.0
HS HS HS HS
AB AB AB AB
R1 R1 R1 R1
M1 M1 M1 M1
R2 R2 R2 R2
verano
M2 M2 M2 M2
R3 R3 R3 R3
M3 M3 M3 M3
R4 R4 R4 R4
M4 M4 M4 M4
R5 R5 R5 R5
M5 M5 M5 M5
R6 R6 R6 R6
M6 M6 M6 M6
0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
- 0.5
0.0
0.5
1.0
HS HS HS HS
AB AB AB AB
R1 R1 R1 R1
M1 M1 M1 M1
caer
R2 R2 R2 R2
M2 M2 M2 M2
R3 R3 R3 R3
M3 M3 M3 M3
R4 R4 R4 R4
M4 M4 M4 M4
R5 R5 R5 R5
M5 M5 M5 M5
R6 R6 R6 R6
M6 M6 M6 M6
0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
- 0.5
0.0
0.5
1.0
Figura 9 - Rendimiento medio de los ARN, MVS y métodos empíricos en el estado de Sao Paulo, escala estacional
HS HS HS HS
AB AB AB AB
R1 R1 R1 R1
M1 M1 M1 M1
R2 R2 R2 R2
invierno
M2 M2 M2 M2
R3 R3 R3 R3
M3 M3 M3 M3
R4 R4 R4 R4
M4 M4 M4 M4
R5 R5 R5 R5
M5 M5 M5 M5
R6 R6 R6 R6
M6 M6 M6 M6
83
84
arquitecturas: R3, M3, R4, M4, R5, M5, M6 y R6 son mejores para la estimación de la
ETo en comparación con otros métodos evaluados en todas las estaciones PORQUE
presentaron diagramas de cajas más estrecho y los errores promedio de más cerca a cero.
Sin embargo, son fiables para estimar la ETo en comparación con el método estándar.
verano y otoño. Mediante el análisis de los métodos empíricos, se ha descubierto que el método de
1.5 1.5
Primavera Verão
1.0 1.0
0.5 0.5
Erros (mm d- 1)
0.0 0.0
- 0.5 - 0.5
- 1.0 - 1.0
- 1.5 - 1.5
HS AB R1 M1 R2 M2 R3 M3 R4 M4 R5 M5 R6 M6 HS AB R1 M1 R2 M2 R3 M3 R4 M4 R5 M5 R6 M6
1.5 1.5
Outono Inverno
1.0 1.0
0.5 0.5
Erros (mm d- 1)
0.0 0.0
- 0.5 - 0.5
- 1.0 - 1.0
- 1.5 - 1.5
HS AB R1 M1 R2 M2 R3 M3 R4 M4 R5 M5 R6 M6 HS AB R1 M1 R2 M2 R3 M3 R4 M4 R5 M5 R6 M6
2.4 DISCUSSÃO
pode ser explicada por ter utilizado mais variáveis de entrada (T e Rs), pois quando
85
se combinou essas variáveis nas TAM, verificou-se uma precisão mais elevada (R5:
variáveis de entrada (ADELOYE et al., 2012; HUO et al., 2012; LANDERAS et al.,
2008; TRAORE et al., 2010; TRAORE et al., 2016; WEN et al., 2015), corroborando
observada por vários pesquisadores (KISI, 2013; WEN at al., 2015). Segundo Tabari
pesquisa. O elevado desempenho em relação as arquiteturas R1, M1, R2, M2, R5,
próximos de zero).
verão. Este método é adequado para estimar a ETo em climas quentes e úmidos
(LINGLING et al., 2013; SAMARAS et al., 2014; ZHAI et al., 2010), portanto, isto
melhora a qualidade de estimativa das TAM e que a Rs é uma das variáveis mais
Em geral, as arquiteturas R3, M3, R4, M4, R5, M5, R6 e M6 produziram melhores
2.5 CONCLUSÃO
Escala anual:
Abtew (AB), redes neurais artificiais (RNAs) e máquina vetor de suporte (MVS).
Escala sazonal:
-0,15
0,15 mm d- 1 e RMSE = 0,16 mm d- 1) e no outono (MBE = 0,10 mm d- 1 e RMSE =
0,15 mm d- 1), os quais superaram os resultados produzidos pela R1, M1, R2 e M2. A
resultados que os demais modelos avaliados, pois os seus valores de MBE e RMSE
métodos relatados como melhores, apresesentaram elevados valores dos índices “d”
REFERÊNCIAS
ABDULLAH, S. S.; MALEK, M. A.; ABDULLAH, N. S.; KISI, O.; YAP, K. S. Extreme learning machines: A
new approach for prediction of reference evapotranspiration.
Journal of Hydrology, v. 527, p. 184-195, 2015.
ABTEW, W. Evapotranspiration measurements and modeling for three wetland systems in South Florida. Journal
of the American Water Resources Association,
v. 127, n. 3, p. 140-147, 1966.
ABTEW, W.; OBEYSEKERA, J.; IRICANIN, N. Pan evaporation and potential evapotranspiration trends in
South Florida. Hydrol. Process., v. 25, p. 958 –969,
2011.
ADELOYE, A. J.; RUSTUM, R.; KARIYAMA, I. D. Neural computing modeling of the reference crop
evapotranspiration. Environmental Modelling & Software, v. 29, p. 61-73, 2012.
AMARI, S, WU, S. Improving support vector machine classifiers by modifying Kernel funtions. Neural
Network, v. 12, p. 783-789, 1999.
AMINI, J. Optimum learning rate in backpropagation neural network for classification of satellite images (IRS
-1D). Scientia Iranica, v. 15, p. 558-567, 2008.
ALLEN, R. G.; PEREIRA, L.; RAES, D.; SMITH, M. Crop Evapotranspiration: Guidelines for Computing
Crop Water Requirements. Roma: FAO, (FAO: Irrigation and Drainage Paper, 56), 1998.
ARUN RAJ, V. E.; JAIRAJ, P. G. Reference evapotranspiration modelling using support vector regression. International
Journal of Scientific & Engineering Research, v. 5, issue 7, 2014.
CAI, J.; LÍU, Y.; LEI, T.; PEREIRA, L. S. Estimating reference evapotranspiration with the FAO Penman –
Monteith equation using daily weather forecast messages. Agric. Forest. Meteorol., v. 145, p. 22-35, 2007.
CAO, J. F.; LI, Y. Z.; ZHONG, X. I.; ZHAO, Y. M. Comparison of four combination methods for reference
crop evapotranspiration. Chin. J. Agrometeorol, v. 36, n. 4, p. 428-436, 2015.
DAVID, V.; SÁNCHEZ, A. Advanced support vector machines and Kernel methods.
Neurocomputing, v. 55, p. 5-20, 2003.
ESLAMIAN, S. S.; GOHARI, S. A.; BIABANAKI, M.; MALEKIAN, R. Estimation of monthly pan evaporation
using artificial neural network and support vector machines.
J Appl Sci, v. 8, n. 19, p. 3497-3502, 2008.
GARCIA, M.; RAES, D.; ALLEN, R.; HERBAS, C. Dynamics of reference evapotranspiration in the Bolívian
highlands (Altiplano). Agric. Forest. Meteorol., v.
125, p. 67-82, 2004.
GEORGE, B. A.; REDDY, B. R. S.; RAGHUWANSHI, N. S.; WALLENDER, W. W. Decision support system
for estimating reference evapotranspiration. Journal of Irrigation and Drainage Engineering, v. 128, n. 1,
p. 1-10, 2002.
HALL, M.; FRANK, E.; HOLMES, G.; PFAHRINGER, B.; REUTEMANN, P.; WITTEN,
I. H. The WEKA Data Mining Software: An Update; SIGKDD Explorations, Volume
11, Issue 1, 2009.
HAMIDI, O. H.; POOROLAJAL, J.; SADEGHIFAR, M.; ABBASI, H.; MARYANAJI, Z.; FARIDI, H. R.;
TAPAK, L. A comparactive study of support vector machine and artificial neural networks for precdition
precipitation in Iran. Theor Appl Climatol.
Doi: 10.1007/s00704-014-1141-z, 2014.
HAYKIN, S. Neural network: A Comprehensive Foundation. 2 nd ed. Hamilton: Prentice Hall, 1998, 897 p.
HE, Z.; WEN, X.; LIU, H.; DU, J. A comparative study of artificial neural network , adaptive neuro fuzzy
inference systems and support vector machine for forecasting river flow in the semiarid mountain region. J
Hydrol, v. 509, p. 379-386, 2014.
HUO, Z.; FENG, S.; KANG, S.; DAI, X. Artificial neural network models for reference evapotranspiration in
arid area of northwest China. Journal of Arid Environments,
v. 82, p. 81-90, 2012.
ITENFISU, D.; ELLIOTT, R. L.; ALLEN, R. G.; WALTER, I. A. Comparison of reference evapotranspiration
calculations as part of the ASCE standardization effort.
Journal of Irrigation and Drainage Engineering, v. 129, n. 60, p. 440-448, 2003.
JAIN, S. K.; NAYAK, P. C.; SUDHEER, K. P. Models for estimating evapotranspiration using neural
networks and their physical interpretation. Hydrol Process, v. 22, p. 2225-2234, 2008.
KISI, O. Evapotranspiration estimating using feed forward neural networks. Nordic Hydrology, v. 37, n. 3, p.
247-260, 2006.
KISI, O. Evapotranspiration modeling for climatic data using a neural computing neural technique. Hydrol
Process, v. 21, p. 1925-1934, 2007.
90
KISI, O. Least squares support vector machine for modeling daily reference evapotranspiration. Irrig Sci, v.
31, p. 611-619, 2013.
KOTTEK, M.; GRIESER, J.; BECK, C.; RUDOLF, B.; RUBEL, F. Word map of the Koppen – Geiger climate
classification updated. Meteorologische Zeitschrift,
Berlin, v.15, n. 3, p. 259-263, June 2006.
KUMAR, M.; KAR, I. N. Non-linear HVAC computations using least square support vector machines. Energy
Convers Manage, v. 50, p. 1411-1418, 2009.
KUMAR, M.; RAHGUWANSHI, N. S.; SINGH, R. Artificial neural networks approach in evapotranspiration
modeling: a review. Irrig Sci, v. 29, p. 11-25, 2011.
LAABOUDI, A.; MOUHOUCHE, B.; DRAONI, B. Neural network approach to reference evapotranspiration
modeling from limited climatic data in arid regions. Int.
J. Biometeorol., v. 56, p. 831-841, 2012.
LADLANI, I. HOUICHI, L.; DJEMILI, L.; HEDDAM, S.; BELOUZ, K. Modeling daily reference
evapotranspiration (ETo) in the north of Algeria using generalized regression neural networks (GRNN) and
radial basic function neural network (RBFNN): a comparive study. Meteorol Atmos Phys, v. 118, p.
163-178, 2012.
LANDERAS, G.; ORTIZ BARREDO, A.; LÓPEZ, J. J.; Comparison of artificial neural network models and
empirical and semi – empirical equations for daily reference evapotranspiration estimation in the Basque
Country (Northern Spain. Agricultural water management, v. 95, p. 553-565, 2008.
LIN, H-J.; YEH, J. P. Optimal reduction of solutions for support vector machines.
Applied Mathematics and Computation, v. 214, p. 329-335, 2009.
LINGLING, Z.; JUN, X.; CHONG YU, X.; ZHONGGEN, W.; LESZEK, S.; GANGRUI,
L. Evapotranspiration estimation methods in hydrological models. J. Geogr. Sci., v.
23, n. 2, p. 359-369, 2013.
91
MEYER, D.; LEISCH, F.; HORNIK, K. The support vector machine under test.
Neurocomputing, v. 55, p. 169-186, 2003.
NOURANI, V.; FARD, M. S. Sensitivity analysis of the artificial neural network outputs in simulation of the
evaporation process at different climatologic regimes. Adv. Eng. Software, v. 47, n. 1, p. 127-146, 2012.
PARASURAMAN, K.; ELSHORBAGY, A.; CAREY, S. K. Modeling the dynamics of the evapotranspiration
using genetic programming. Hydrol. Sci. J, v. 52, p. 563 -578,
2004.
RAGHAVENDRA, S.; DEKA, P. C. Support vector machine applications in the field of hydrology: A review. Applied
Soft Computing, v. 19, p. 372-386, 2014.
SAMUI, P.; DIXON, B. Application of support vector machine and relevance vector machine do determine
evaporative losses in reservoirs. Hydrol Process, v. 26, p. 1361-1369, 2012.
SOUZA, A. P.; MOTA, L. L.; ZAMADEI, T.; MARTIM, C. C.; ALMEIDA, F. T.; PAULINO, J. Classificação
climática e balanço hídrico climatológico no estado de Mato Grosso. Nativa, Sinop, v. 1, n. 1, p. 34-43,
out/dez., 2013.
TABARI, H.; KISI, O.; EZANI, A.; TALAEE, P. H. SVM, ANFIS, regression and climate based models for
reference evapotranspiration modeling using limited climatic data in a semi – arid highland environment. Journal
of hidrology, 444-445,
p. 78-89, 2012.
TABARI, H.; MARTINEZ, C.; EZANI, A.; TALAEE, P. H. Applicability of support vector machines and
adptative neurofuzzy inference system for modeling potato crop evapotranspiration. Irrig Sci, v. 31, p.
575-588, 2013.
TRAJKOVIC, S. Comparison of radial basic fuction networks and empirical equations for converting from
pan evaporation to reference evapotranspiration. Hydrol. Process, v. 23, p. 874-880, 2009.
92
TRAORE, S.; WANG, Y-M.; KERH, T. Artificial neural network for modeling reference evapotranspiration
complex process in Sudano – Sahelian zone. Agricultural Water Management, v. 97, p. 707-7014, 2010.
TRAORE, S.; LUO,Y,; FIPPS, G. Deployment of artificial neural network for shortterm forecasting of
evapotranspiration using public weather forecast restricted messages. Agricultural Water Managenment, v.
163, p. 363-379, 2016.
TEZEL, G.; BUYUKYILDIZ, M. Monthly evaporation forecasting using artificial neural networks and support
vector machines. Theor. Appl. Climatol, v.124, p. 69- 80,
2016.
VAPNIK, V. N. The nature of statistical leraning theory. New York: Springer, 1995.
VIANELLO, R. L.; ALVES, A. R. Meteorologia básica e aplicações. 2. Ed. Viçosa, MG: Ed. UFV, 2012,
460p.
VYAS, K. N.; SUBBAIAH, R. Aplication of artificial neural network approach for estimating reference
evapotranspiration. Current World Environment, v. 11, n. 2, p. 637-647, 2016.
WANG, Y- M.; KERH, T.; TRAORE, S. Neural network approaches for modeling river suspended sediment
concentration duo to Tropical Storms. Global Nest Journal, v.
11, n. 4, p. 457-466, 2009.
WANG, Y-M.; TRAORE, S.; KERH, T.; LEU, J-M. Modelling reference evapotranspiration using feed forward
backpropagation algorithm in arid regions of Africa. Irrig. and Drain., v. 60, p. 404-417, 2011.
WEN, X.; SI, J.; HE, Z.; WU, J.; SHAO, H.; YU, H. Support vector machine based models for modelling daily
reference evapotranspiration with limited climatic data in extreme arid Regions. Water Resour Manage, v.
29, p. 3195-3209, 2015.
WILLMOTT, C. J.; CKLESON, S.G.; DAVIS, R. E. Statistics for the Evaluation and Comparision of Models. Journal
of Geophysical Research. Ottawa, v.90, n.C5, p. 8995-9005, 1985.
XU, C. Y.; CHEN, D. Comparison of seven models for estimation of evapotranspiration and groundwater
recharge using lysimeter measurement data in German. Hydrol. Processes, v. 19, p. 3717-3734, 2005.
YASSIN, M. A.; ALAZBA, A. A.; MATTAR, M. A. Artificial neural network versus gene expression
programmimg for estimating reference evapotranspiration in arid climate.
Agricultural Water Managenment, v. 163, p. 110-124, 2016.
93
YODER, R. E.; ODHIAMBO, L. O.; WRIGHT, W. C. Evaluation of methods for estimating daily reference
crop evapotranspiration at a site of the humid southeast United States. Appl. Eng. Agric, v. 20, n. 2, p.
197-202, 2005.
ZHAI, L.; FENG, Q.; LI, Q.; XU, C. Comparison and modification of equations for calculating
evapotranspiration (ET) with data from GANSU Province, Northwest China. Irrig. and Drain., v. 59, p.
477-490, 2010.
CAPÍTULO 3
MÉTODO GEOESPACIAL
RESUMO
Monteith FAO 56, em escala anual e sazonal (primavera, verão, outono e inverno).
Os variogramas obtidos foram analisados com base na soma dos quadrados dos
resíduos, tendo-se verificado que o modelo esférico foi melhor em todas as escalas,
posterior, fez-se a validação cruzada da KOP com base nos coeficientes angular
determinação), MBE ( Mean Bias Error), RMSE ( Root Mean Square Error) e MSDR
– Monteith.
95
ABSTRACT
many agricultural activities. This study carried out is intending to present the spatial
variability of the ETo in the state of São Paulo by collecting and using data from 31
geostatistic interpolator. The ETo was estimated from the Penman-Monteith method
FAO 56, on an annual and seasonal scale (spring, summer, autumn and winter). The
obtained variograms were analyzed based on residuals sum of squares and verified
that the spherical model was better in all the scales with the exception of the spring
where the Gaussian distribution model has shown better performance. All models
showed strong spatial dependence. Afterwards, it was carried out cross-validated for
OPK based on the angular (β 1) and linear (β o) coefficients of the simple linear
regression line, R 2 ( Determination Coefficient), RMSE (Root Mean Square Error) and
MSDR (Mean squared deviation ratio) whose results showed a good performance of
3.1 INTRODUÇÃO
2013). Segundo Allen et al. (1998), a ETo representa a perda de água por
padrão: sem estresse hídrico; cobertura total da superfície terrestre; albedo de 0,23;
al., 2009; KANG et al., 2003; MOHAWESH, 2011). Contudo, não são todos os locais
Segundo Kamali et al. (2015), a ETo em locais com falta de informação pode ser
Por outro lado, Zhou et al. (2007) relataram que os métodos de interpolação espacial
que os pontos próximos devem estar fortemente relacionados em relação aos pontos
têm uma base estatística bastante poderosa, sendo utilizados em diversas áreas. A
uma correlação espacial que pode ser utilizada para explicar as variações na
correlação espacial entre os dados e depois faz uma previsão dos valores em locais
sem dados medidos. Para obter as previsões desses locais, a krigagem usa modelos
bons resultados dos três, embora a krigagem residual tenha produzido um resultado
interpolador. Outro trabalho realizado na China por Yang et al. (2011), mostrou que a
aos métodos IDW e Spline. A OK pode ser o método mais preciso para fazer a
relação aos outros interpoladores (ASHRAF et al, 1997; DALEZIOS et al., 2002;
velocidade do vento, insolação e radiação solar global), das quais, nove são
estações vizinhas.
98
O mapa dos locais onde foram coletados os dados meteorológicos para realizar o
das quais 22 são estações automáticas localizadas dentro do estado de São Paulo e
(composto por pelo menos 80% dos dados) e o código de cada estação. A letra A
estação convencional.
identificou a existência de sete tipos de clima no estado de São Paulo: Cwa, Cwb,
99
Aw, Am, Cfa, Cfb e Af. Dentre vários tipos climáticos existentes no estado de São
Paulo, Rolim et al. (2007) relataram que os climas de maior ocorrência são Aw e Cfa.
de savana. Nesse tipo de clima, a temperatura média do mês mais frio é superior a
18ºC, com inverno seco no qual pelo menos um dos meses apresenta uma
clima Cfa apresenta verão quente, sem estação seca do inverno e com temperatura
Estações vizinhas
Além dos dados mencionados, fez-se a coleta dos dados de temperatura do ar,
• •
• • • N *n b a Rs
• * Ra (1)
• •
transformados para a escala diária. A partir dos dados na escala diária, estimou a
ETo pela equação padrão de Penman Monteith FAO 56 para as escalas anual e
900
0, 408 * • * • • •• • * es U T *G Rn2 * • • ea •
• • 273
ETo (2)
• • • * • • 0 1, 34 * U 2 •
para mm d- 1.
Sciences ”, Versão 7.0.17 Gama. Os melhores modelos foram escolhidos com base
na soma dos quadrados dos resíduos (SQR). Segundo Da Silva et al. (2011), o
N• h •
•
2
• • •• • xi•z xi •z •h N h• • h •• (3)
21 • • i•1
pontos separados por distância h; z(xi) = Valor da variável no ponto xi; z(xi+h) =
102
(1997); Oliver e Webster (2014). Os resultados obtidos foram analisados com base
*
z• x • • • 00 • • 1
* z• x i •• •1 (4)
• 2 •
• • ) Z• x z ( x i ) • •
*
• ( i
2 • i•1 •
R • 1 • • N
N
• (5)
2
•
••
• • ( )z•x z ( x i i ) • •
••
i•1
índices estatísticos: MBE ( Mean error), RMSE ( Root Mean Square Error) e MSDR
( Mean squared deviation ratio). Valores de MBE indicam uma subestimativa (MBE <
respectivamente.
N
1
• • z x(Z N)MBE
• ( x )•
*
• ii
(6)
i•1
N 2
1
• •z x Z( N RMSE ( x i )• (7)
*
• ) • i
i• 1
•
2
•
z• x•Z N MSDR ( x i )•
N *
1 ( i) • •
• • • * 2 • (8)
i • 1
• • (k x i ) •
• •
*2
posição x i, N = Número de observações e • (k x i ) = Variância da krigagem.
•
*
( ) •0 z x Z• i
* (xi ) (9)
i•1
104
3.3 RESULTADOS
elevados valores da ETo. Este resultado era de se esperar, pois nessas estações do
por conseguinte, elevada demanda atmosférica (Tabela 2). É de ressaltar que além
3.3.2 Análise variográfica da ETo no estado de São Paulo na escala anual e sazonal
Com base na Tabela 3, observou-se que o modelo esférico foi escolhido para o
ajuste dos variagramas em todos os períodos, com a exceção da primavera que foi
valores da SQR, conforme já mencionado. Quanto mais próximo de zero for o valor
Mardikis et al. (2005) e Kamali et al. (2015) também utilizaram a SQR para a escolha
anual quanto sazonal, com base na classificação de Zimback (2001). Para o melhor
(6,045 graus decimais) e a menor, no verão (4,040 graus decimais). Acima dos
maior variabilidade da ETo do que nos outros períodos, pois observou-se maior valor
Nos mapas abaixo, a cor vermelho alaranjado representa os locais com maior
aumenta. Por outro lado, verificou-se uma tendência de diminuição da ETo com o
ETo com a latitude é explicada pelo fato das regiões de menor latitude estarem maís
RMSE (0,486 mm d- 1), significando que a KOP teve uma precisão mais baixa nesse
do que nos demais períodos. Na mesma tabela, observou-se que todos os valores
de MBE foram positivos e muito próximo de zero. Estes valores mostram que a KOP
8
a) Anual b) Primavera
1:1 1:1
ETo real (mm d- 1)
2 y = 0,884x+0,41 y = 0,984x+0,06
R 2= 0,536 R 2= 0,531
0
8
c) Verão d) Outono
1:1 1:1
ETo real (mm d- 1)
2 y = 0,885x+0,48 y = 0,842x+0,44
R 2= 0,506 R 2= 0,482
0
8
e) Inverno
1:1
ETo real (mm d- 1)
2 y = 0,954x+0,14
R 2= 0,548
0
0 2 4 6 8
ETo estimado (mm d- 1)
com uma base de dados maior. Neste trabalho, isso não foi possível, pois o estado
valor médio de erros (marca central nas caixas) próximo de zero em todo período
avaliado. Com base nesses resultados pode-se dizer que a KOP não apresentou
espalhamento).
2.0
1.5
1.0
0.5
Erros da KOP (mm d- 1)
0.0
- 0.5
- 1.0
- 1.5
- 2.0
Anual Primavera Verão Outono Inverno
3.4 DISCUSSÃO
dependência espacial. Essa dependência, mostrou que a escala utilizada para sua
(Co+C = 0,749) mostrou uma maior variabilidade dos dados em relação aos demais
semelhança dos outros períodos, pois verificou-se baixo efeito pepita ( , SQR
115
no inverno (RMSE = 0,486 mm d- 1), mais uma vez, pode-se afirmar que todos
lado, a análise dos erros dos modelos feita através de Box plot confirmou que a KOP
A KOP mostrou ainda uma elevada demanda atmosférica no verão (ETo = 4,74 mm d- 1) e baixa no
ser mais quente e mais chuvoso no estado de São Paulo. Vários autores relatam
os presentes resultados.
3.5 CONCLUSÃO
São Paulo pode ser melhor representada através dos variogramas esféricos tanto na
escala anual quanto sazonal (primavera, verão, outono e inverno), com a exceção
soma dos quadrados dos resíduos, efeito pepita próximos de zero e R 2 próximo de
valores máximos dos principais índices estatísticos utilizados foram: MBE = 0,049 mm d- 1 no verão, RMSE
REFERÊNCIAS
ALLEN, R. G.; PEREIRA, L.; RAES, D.; SMITH, M. Crop Evapotranspiration: Guidelines for Computing
Crop Water Requirements. Roma: FAO, (FAO: Irrigation and Drainage Paper, 56), 1998.
ASHRAF, M.; LOFTIS, J. C.; HUBBARD, K. G. Application of geostatistics to evaluate partial weather
station networks. Agricultural and Forest Meteorology, v.
84, p. 255-271, 1997.
CHILDS, C. Interpolating surfaces in ArcGis spatial analysis. ArcUser, ESRI Education Services, p. 32-35,
2004.
DONOHUE, R. J.; RODERICK, M. L.; MCVICAR, T. R. On the importance of including vegetation dynamics
in Budyko´s hydrological model. Hydrology and Earth System Sciences, v. 11, p. 983-995, 2007.
JIA, X.; DUKES, M. D.; JACOBS, J. M. Bahiagrass crop coefficients from eddy correlation measurements in
central Florida. Irrig. Sci., v. 28, n. 1, p. 5-15, 2009.
KAMALI, M. I.; NAZARI, R.; FARIDHOSSEINI, A.; ANSARI, H.; ESLAMIAN, S. The determination of
reference evapotranspiration for spatial distribution mapping using Geostatistic. Water Resour Manage, v.
29, p. 3929-3940, 2015.
118
KANG, S. Z.; GU, B. J.; DU, T. S.; ZHANG, J. H. Crop coefficient and ratio of transpiration to
evapotranspiration of winter wheat and maize in a semi – humid region. Agricultural Water Management, v.
59, p. 239-254, 2003.
KERRY, R.; OLIVER, M. A. Comparing sampling needs for variograms of soil properties computed by the
method of moments and residual maximum likelihood.
Geoderma, v. 140, n. 4, p. 383-396, 2007.
KOTTEK, M.; GRIESER, J.; BECK, C.; RUDOLF, B.; RUBEL, F. Word map of the Koppen – Geiger climate
classification updated. Meteorologische Zeitschrift,
Berlin, v.15, n. 3, p. 259-263, June 2006.
LIANG, L.; LI, L.; LIU, Q. Spatio – temporal variations of reference crop evapotranspiration and pan
evaporation in the West Songnen Plain of China.
Hydrological Sciences Journal, v. 56, n. 7, 2011.
LIU, Q.; YANG, Z. Quantitative estimation of the impact of climate change on actual evapotranspiration in
the Yellow River Basin, China. Journal of hydrology, v. 395,
p. 226-234, 2010.
MARDIKIS, M. G.; KALIVAS, D. P.; KOLLIAS, V. J. Comparison of interpolation methods for the prediction
of reference evapotranspiration – An application in Greece. Water Resources Management, v. 19, p.
251-278, 2005.
MEYERS, J. C. Geostatistical error management. Qualifying uncertainty for environmental sampling and
mapping. New York, Van Nostrand Reinhold, 1997, 571 p.
MINASNY, B.; MCBRATNEY, A. B. The Matern function as a general model for soil variograms. Geoderma, v.
128, n. 3-4, p. 192-207, 2005.
LI, J.; HEAP, A. A review of comparative studies of spatial interpolation methods in environmental science:
performance and impact factors. Ecol. Inf., v. 6, p. 228-241,
2011.
LIU, Q.; YANG, Z.; CUI, B.; SUN, T. The temporal trends of reference
evapotranspiration and its sensitivity to key meteorological variables in the Yellow River Basin, China. Hydrol.
Process., v. 24, p. 2171-2181, 2010.
119
NOSHADI, M.; SEPASKHAH, A. R. Application of geostatistics for potential evapotranspiration estimation. Iranian
Journal of science and Technology B, Engineering, v. 29, n. B3, May, 2005.
OLIVER, M. A.; WEBSTER, R. Kriging: a method of interpolation for geographical information systems. Int.
J. Geogr. Inf. Sci., v. 4, n. 3, p. 313-332, 1990.
OLIVER, M. A.; WEBSTER, R. A tutorial guide to geostatistics: Computing and modelling variograms and
kriging. Catena, v. 113, p. 56-69, 2014.
RAY, S. S.; DADHWAL, V. K. Estimation of crop evapotranspiration of irrigation command area using
remote sensing and GIS. Agricultural Water Management, v.
49, n. 3, p. 239-249, 2001.
SOUZA, A. P.; MOTA, L. L.; ZAMADEI, T.; MARTIM, C. C.; ALMEIDA, F. T.; PAULINO, J. Classificação
climática e balanço hídrico climatológico no estado de Mato Grosso. Nativa, Sinop, v. 1, n. 1, p. 34-43,
out/dez., 2013.
TRANGMAR, B. B.; YOST, R. S.; UEHARA, G. Application of geostatistics to spatial studies of soil
properties. Advances in Agronomy, Orlando, v. 38, p. 45-94, 1985.
VIANELLO, R. L.; ALVES, A. R. Meteorologia básica e aplicações. 2. Ed. Viçosa, MG: Ed. UFV, 2012,
460 p.
XIAO, Y.; GU, X.; YIN, S.; SHAO, J.; CUI, Y.; ZHANG, Q.; NIU, Y. Geostatistical interpolation model
selection based on ArcGis and spatio-temporal variability analyisis of groundwater level in piedmont plains,
northwest China. Springer Plus,
5:425, 2016.
XU, C-Y.; GONG, L.; JIANG, T.; CHEN, D.; SINGH, V. P. Analysis of spatial distribution and temporal trend
of reference evapotranspiration an pan evaporation in Changjiang (Yangtze River). Journal of Hydrology, v.
327, p. 81-93, 2006.
WEBSTER, R.; OLIVER, M. A. Geostatistics for environmental scientists. Willey, Chichester, 2001, 271
p.
YANG, Z.; LIU, Q.; CUI, B. Spatial distribution and temporal variation of reference evapotranspiration during
1961-2006 in the Yellow River Basin, China. Hydrological Sciences Journal, v. 56, n. 6, 2011.
120
ZHOU, F.; GUO, H.-C.; HO, Y.-C.; WU, C.-Z. Scientometric analysis of geostatistics using mulvariate
methods. Scientometrics, v. 73, p. 265-279, 2007.
121
CONSIDERAÇÕES FINAIS
ser realizados, assim como estudos de viabilidade económica, para que seja feita
REFERÊNCIAS
ALLEN, R. G. et al. Crop Evapotranspiration: Guidelines for Computing Crop Water Requirements. Roma:
FAO, (FAO: Irrigation and Drainage Paper, 56), 1998.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes neurais artificiais: teoria e aplicações. Rio
de Janeiro: LTC, 2000, 262 p.
BURGESS, T. M.; WEBSTER, R. Optimal interpolation and isarithmic mapping of soil properties. The
semivariogram and punctual kriging. The Journal of Soil Science,
v.31, p. 315-331, 1980.
CAO, J. F.; LI, Y. Z.; ZHONG, X. I.; ZHAO, Y. M. Comparison of four combination methods for reference
crop evapotranspiration. Chin. J. Agrometeorol, v. 36, n. 4, p. 428-436, 2015.
DOOREMBOS, J.; PRUITT,W.O. Guidelines for predicting crop water requirements. FAO Irrigation and
drainage papper 24, Roma, 1975, 179 p.
FONSECA JUNIOR, F. G. S. et al. Analysis of the use of support vector regression and neural networks to
forecast insolation for 25 locations in japan. Anais ISES Solar World Congress. 2011.
GOCIC, M.; TRAKKOVIC, S. Software for estimating reference evapotranspiration using limited weather
data. Comput. Electron. Agric, v.71, p. 158-162, 2008.
HE, Z.; WEN, X.; LIU, H.; DU, J. A comparative study of artificial neural network , adaptive neuro fuzzy
inference systems and support vector machine for forecasting river flow in the semiarid mountain region. J
Hydrol, v. 509, p. 379-386, 2014.
KISI, O. Least squares support vector machine for modeling daily reference evapotranspiration. Irrig Sci, v.
31, p. 611-619, 2013.
KUMAR, M. et al. Comparative study of conventional and artificial neural networkbased estimation models. Irrigation
Science, v.26, n.6, p.531-545, 2008.
123
LADLANI, I. HOUICHI, L.; DJEMILI, L.; HEDDAM, S.; BELOUZ, K. Modeling daily reference
evapotranspiration (ETo) in the north of Algeria using generalized regression neural networks (GRNN) and
radial basic function neural network (RBFNN): a comparive study. Meteorol Atmos Phys, v. 118, p.
163-178, 2012.
LEAL, S. S.; TÍBA, C.; PIACENTINI, R.; Daily UV radiation modeling with the usage of statistical correlations
and artificial neural networks. Renewable Energy, v. 36, p. 3337-3344, 2011.
LIU, D. L.; SCOTT, B. J. Estimation of solar radiation in Australia from rainfall and temperature
observations. Agricultural and Forest Meteorology, Philadelphia, v.
106, p. 41–59, 2001.
MAVI, H. S.; TUPPER, G. J. Agrometeorology: principles and applications of climate studies in agriculture. Food
Products Press. Oxford. London, 364p. 2004.
MOHAMMADI, K. et al. A new hybrid support vector machine –wavelet transform approach for estimation of
horizontal globar solar radiation. Energy Conversion and Management, v. 92, p. 162-171, 2015.
PEREIRA, A. R.; SEDIYAMA, G. C.; NOVA, N. A.V. Evapotranspiração. Campinas: Fundag, 2013. 323 p.
SENTELHAS, P. C.; GILLESPIE, T. J.; SANTOS, E. A. Evaluation of FAO PenmanMonteith and alternative
methods for estimating reference evapotranspiration with missing data in Southern Ontario, Canada. Agricultural
Water Management,
Amsterdam, v. 97, n. 5, p. 635-644, 2010.
SOBRINHO, T.A. et al. Estimativa da evapotranspiração de referência através de redes neurais. Revista
brasileira de meteorologia, São José dos Campos, v. 26, n.
2, p.1997-2003, 2011.
TABARI, H. Evaluation of reference crop evapotransoiration equatioons in various climates. Water Resour.
Manage, v. 24, p. 2311-2337, 2010.
124
TABARI, H. et al. SVM, ANFIS, regression and climate based models for reference evapotranspiration
modeling using limited climatic data in a semi – arid highland environment. Journal of hidrology, 444-445,
p. 78-89, 2012.
VAPNIK, V. N. The nature of statistical leraning theory. New York: Springer, 1995.
WEN, X.; SI, J.; HE, Z.; WU, J.; SHAO, H.; YU, H. Support vector machine based models for modelling daily
reference evapotranspiration with limited climatic data in extreme arid Regions. Water Resour Manage, v.
29, p. 3195-3209, 2015.
WU, W.; LIU, H.-B. Assessment of monthly solar radiation estimates using support vector machines and air
temperatures. International Journal of Climatology, v. 32,
p.274–285, 2012.