BARTOLOMÉ FELIX TANGUNE

Evapotranspiración de referencia en Sao Paulo ESTADO:

Métodos empíricos, aprendizaje automático Y Geospatial

Botucatu

2017
2
 BARTOLOMÉ FELIX TANGUNE

Evapotranspiración de referencia en Sao Paulo ESTADO:

Métodos empíricos, aprendizaje automático Y Geospatial

Tesis presentada a la Facultad de Ciencias

Agrícola Unesp Botucatu,

para obtener el título de doctor

Agronomía (riego y drenaje).

Asesor: Prof. Joao Francisco Escobedo

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)

Tangune Bartolomé Felix, 1982- T164e

evapotranspiración de referencia en São Pau- que: métodos empíricos, aprendizaje

automático y / cial geoespa- Bartolomé Felix Tangune. - Botucatu: [sn], 2017 124 p. : Grafs.

color., ILS. color., pestañas.

Tesis (Ph.D.) - Universidad Estatal Paulista, cultad Fa- de Ciencias Agrícolas, Botucatu,
2017
Asesor: Joao Francisco Escobedo Incluye bibliografía

1. La evapotranspiración. 2. Kriging. 3. Meteorología. 4.

Redes Neuronales (ordenador). 5. La radiación solar. I. Esco- bedo, João Francisco. II.
Universidad Estatal Paulista "Júlio de Mesquita Filho" (Botucatu). Facultad de Ciencias
Agrícolas. III. Título.

"Total permitida o copia parcial de este documento, siempre que la fuente"

6
 el Dios

Por la vida, la protección, el apoyo y presencia en todo momento

OFERTA

Mis padres Félix y Mónica Sobrino Tangune Francisco Miambo en el amor,

presencia en todo momento y la motivación.

A mi esposa, Angela Carvino Chibamo, la motivación y el apoyo ofrecido.

Para mi familia política: Carvino Chibamo y Angélica Mabecua, el amor y la motivación.

Para mis abuelos ( en la memoria), la lección de la vida.

Mis hermanos: Jorgina Tangune, Anacleta Tangune, Isabel Tangune Jonas

Tangune Moisés Tangune, la confianza, la motivación y el amor

DEDICARLE
8
 GRACIAS

A Dios, para su protección.

A mis padres, para la motivación, la enseñanza y el amor inconmensurable.

En la Universidad Estatal Paulista, en particular, la Facultad de Ciencias

Agronomía - Botucatu, por la oportunidad de asistir al curso.

Prof. Joao Francisco Escobedo (asesor) por su apoyo, amistad,

la enseñanza y la motivación. ¡Muchas gracias!

A todos Graduate facultad de Agronomía (Riego y

Drenaje) UNESP, Botucatu;

Los amigos de laboratorio: Cicero Manoel, Mauricio Prado, Esteban Conde, por

conocimiento compartido.

Á todos los amigos y compañeros de curso, el intercambio de conocimientos y experiencias.

Amigos: Zeca TIMBE, Catine Chimene, Joel Nuvunga, mi agradecimiento.

Para todos los hermanos en Cristo templo del poder de Dios y de la Asamblea de Dios

en Botucatu, el amor, el afecto y enseñanzas.

Para CAPES - Coordinación de Mejora Personal de Nivel Superior en el

beca de doctorado.

Para la Universidad Eduardo Mondlane, en particular la Escuela de

Desarrollo Rural permiso para continuar

los estudios.

A todos los que directa o indirectamente han contribuido a la realización de este

la investigación.
10
 RESUMEN

La evapotranspiración de referencia (ETo) es importante en la agricultura para satisfacer

las necesidades de agua de los cultivos y el manejo de sistemas de riego. la

ETo se puede estimar con precisión de la norma Penman

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

rendimiento de exposiciones que varía dependiendo de las condiciones climáticas de cada

ubicación. La variabilidad del rendimiento de los métodos empíricos ha llevado

los investigadores a buscar métodos alternativos. Como resultado de

investigación, es necesario destacar la técnica de aprendizaje automático (TAM): redes

neural artificial (ANN) y la máquina de vectores de soporte (MVS). Teniendo en cuenta lo anterior, la

Este estudio se divide en tres capítulos, donde se encontraba el primer capítulo

evaluó el desempeño de la temperatura métodos empíricos (López y Benavides

- Benl, -Ham Hamon, Blaney Criddle y Hargreaves Samani original -HS) y

la radiación solar (Abtew, Jensen Haise - JensH, Makkink y Irmak) en la estimación de

ETo en el estado de Sao Paulo. Se evaluaron todos los métodos para

método estándar en escala anual y estacional. Los resultados de la escala anual

Ellos demostraron que el método Abtew mostró el mejor rendimiento. en la escala

estacional, se observó que el método JensH fue mejor en el invierno, el Irmak y

Abtew en verano y otoño. El método Abtew también fue mejor en la primavera. en

segundo capítulo, se evaluó el desempeño de los métodos del SA y Abtew

(Best métodos empíricos en la escala anual), ARN y MVS. El ARN usado fue

especie Perceptrón multicapa, con el algoritmo de aprendizaje retropropagación y MVS

La función utilizada Función básica radial kernel con algoritmo de regresión

Mínimo de optimización secuencial. Los resultados mostrados en la escala anual

que R6 (ARN) y M6 (MVS) comprenden temperatura máxima (Tmax),

Mínima (Tmin), la media del aire (T), la radiación extraterrestre (R) y R proporcionó el

un mejor rendimiento. En escala estacional, se observaron los mejores resultados

R3 y arquitecturas en M3, M4 y R4, R5 y M5, M6 y R6, que comprende: Tmax, Tmin,

T, R y velocidad del viento; Tmax, Tmin, T, R y la humedad relativa; T y R,

12

respectivamente. Tanto en el capítulo 1 y en el segundo, los análisis estadísticos se

hecho basado en el contenido MBE ( La media de sesgo de error) RSME ( Mean Square Root

error) "D" Willmott y R 2 ( coeficiente de determinación). El tercer capítulo se

evaluada mediante la técnica de punto de interpolación Kriging ordinario (KOP), cuyo

variogramas fueron evaluados en base a la suma de los cuadrados de

residuos, anual y escala estacional. Todos los modelos obtenidos variográficos

Ellos mostraron una fuerte dependencia espacial. Además, se realizó la validación

KOP transversal basado en los coeficientes angulares y lineales la recta

regresión lineal simple, MBE, RSME y MSDR ( La media de desviación de relación de cuadrado )

Los resultados mostraron un gran rendimiento KOP.

Palabras - clave: kriging ordinario. máquinas de vectores soporte. métodos

temperatura. Penman - Monteith.

 RESUMEN

La evapotranspiración de referencia (ETo) es importante en la agricultura para el agua de cultivos

la gestión del riego y la gestión de sistemas. La ETo se puede estimar

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

Que el cambio de rendimiento De acuerdo a las condiciones climáticas de cada lugar. la

la variabilidad del rendimiento de los métodos empíricos ha llevado a buscar Investigadores

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

basado (Benavides y López - Benl, -Ham Hamon, original y Blaney Criddle

Hargreaves Samani -HS) y cuatro radiométricos (Abtew Jensen Haise - JensH,

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

Que escala mostró Abtew el método presenta el mejor rendimiento. en el

escala estacional, que era el JensH observado que el método fue mejor en el invierno, el

Irmak métodos y Abtew fueron mejores en el verano y otoño. el Abtew

También método era mejor en la primavera. En el segundo capítulo, y los métodos del SA Abtew,

Ann y SVM se utilizaron. La ANN se utilizó con Perceptrón multicapa

Retropropagación algoritmo de aprendizaje, y en la SVM, se utiliza el kernel básico Radial

Función con regresión secuencial algoritmo de aprendizaje mínima optimización. la

Resultados obtenidos en la escala anual Mostró Que R6 es ARN y M6 para MVS

compuesto de la temperatura máxima (Tmax), la temperatura mínima (Tmin), media

temperatura del aire (T), la radiación extraterrestre (R) y la radiación solar global (R) tenía

el mejor rendimiento. En la escala de temporada, el mejor comportamiento se observó

y M3 en R3, R4 y M4, M5 y arquitecturas de R5, R6 y M6, compuesto de Tmax, Tmin, T

Ra y velocidad del viento; Tmax, Tmin, T, R y humedad relativa); T y R; R6 y M6,

respectivamente. Todos los métodos se analizaron mediante MBE (Mean Bias Error), RMSE (Root

La media de Error Square), "d" de Wilmot (1985) y R 2 ( coeficiente de determinación). En el

tercer capítulo, la técnica de interpolación kriging por puntual ordinaria (OPK) era
14

Evaluado, quién variogramas se evaluaron sobre la base de la suma de cuadrados residuales,

en una escala anual y estacional. Todos los modelos obtenidos mostraron la variográfico

fuerte dependencia espacial. Después, se llevó a cabo la validación cruzada de OPK

basado en el ángulo (β1) y lineal (βo) coeficientes de la regresión lineal simple

línea, MBE, RSME y MSDR (cuadrático medio desviación de relación), cuyos resultados mostraron

un excelente rendimiento de OPK.

palabras clave: Backpropagation. Máquinas de vectores soporte. Las redes neuronales artificiales.
 LISTA de abreviaturas y acrónimos

ET evapotranspiración

EPara evapotranspiración de referencia (mm d- 1)

INMET Instituto Nacional de Meteorología, Brasil

CEPAGRI Centro de Tiempo y clima de Investigación Aplicada a la

agricultura Unicamp

FAO Organización para la Agricultura y la Alimentación

MFP 56 Método Estándar de Pernman Monteith FAO 56

Benl Método Benavides y López

jamón método Hamon

BCO Método original Blaney Criddle

SA Método de Hargreaves y Samani

JensH Método Jensen y Haise

Mak método Makkink

AB método Abtew

MBE Error medio de Bias

RMSE Error Cuadrático Medio

d Índice Willmott

R2 Coeficiente de determinación

Ra radiación extraterrestre (mm d- 1)

rs la radiación solar (mm d- 1)

dr distancia relativa tierra - sol (rad)

ws horas ángulo de amanecer y al atardecer (rad)

• declinación solar (rad)

Tmáx temperatura máxima del aire (° C)

tmin temperatura mínima del aire (° C)

T Temperatura media del aire (° C)

UR Humedad relativa (° C)

T2 velocidad del viento a 2 m de altura (m s- 1)

TAM técnica de aprendizaje automático

MLP Perceptrón multicapa

16

ARN Redes Neuronales Artificiales

MVS Máquinas de vectores soporte

R1 a R6 Arquitecturas de ARN

M1 a M6 arquitecturas MVS

WEKA envioronment Weikato de analyis Conocimiento

RgSMO algoritmo Regresión mínimo de optimización secuencial

RBF funtion del núcleo básico Radial

, y parámetros WEKA

KOP Kriging Oridinária punto

KO kriging Oridinária

IDW Método de la distancia ponderada inversa

MSDR La media de desviación de relación de cuadrado

SD Desviacion estandar

CV Coeficiente de variación (%)

co efecto de pepita

Co + C aterrizaje

IDE relación de dependencia espacial (%)

SQR Suma de residuos al cuadrado

pendiente de la línea de regresión

coeficiente lineal de la línea de regresión

GS + Geoestatistical de las ciencias ambientales

 RESUMEN

INTRODUCCIÓN GENERAL .................................................. ..................................... 19

CAPITULO 1 - Estimación de la evapotranspiración de referencia

EN EL Estado de Sao Paulo: métodos empíricos ................................... 23

1.1 INTRODUCCIÓN ................................................ ............................................... 25

1.2 MÉTODOS .............................................. ................................. 27

1. 2.1 Localización y descripción del estudio .......................................... .................. 27

1.2.2 Método Estándar de estimar ETo ......................................... ................. 29

1.2.2.1 pendiente de la curva de presión de vapor de saturación .......................... 30

1.2.2.2 psicronométrica constante ............................................. ........................... 30

1.2.2.3 La presión y la corriente de saturación de vapor de agua ..................................... .... 30

1.2.2.4 Balance de radiación ............................................ ......................................... 31

1.2.3 validación de los métodos empíricos ........................................... .................... 34

1.2.4 Análisis de la estacionalidad ............................................ .................................. 35

1.3.1 Métodos empíricos escala anual estimado EPara ......................... 35

1.3.1.1 métodos empíricos de temperatura para estimar ETo .................. 35

1.3.1.2 Métodos empíricos de la radiación solar para estimar ETo ............... 38

1.3.2 Errores de métodos empíricos en el estado de Sao Paulo en la escala anual de 41 ....

1.3.3 Comportamiento de ETo en el estado de Sao Paulo en la escala anual ............ 42

1.3.4 Rendimiento estacional de métodos empíricos en el estado de Sao Paulo ..... 45

1.3.5 Análisis de los métodos ovocitos estacionales de la estimación de ETo ............. 48

18

1,4 DISCUSIÓN ................................................ .................................................. . 50

1.5 Conclusión ................................................ ................................................. 52

escala anual: ............................................... .................................................. ....... 52

escala estacional: ............................................... .................................................. .... 53

Referencias ................................................. .................................................. . 54

CAPÍTULO 2 - Modelado de la evapotranspiración de referencia

EN EL Estado de Sao Paulo: el aprendizaje de máquina TÉCNICO Y

Los modelos empíricos .................................................. ..................................... 59

2.1 INTRODUCCIÓN ................................................ ................................................ 61

2.2 Métodos .............................................. ................................. 63

2.2.1 Localización y descripción del estudio .......................................... .................... 63

2.2.2 Método Estándar de estimar ......................................... ETo ................. 65

2.2.3 Métodos de estimación empírica ETo ......................................... ........... 66

2.2.3.1 Método de Hargreaves - Samani .......................................... ................... 66

2.2.3.2 Método Abtew ............................................. .............................................. 66

2.2.4 ETo en la escala anual, estacional y el software utilizado ............................... 66

2.2.4.1 Redes Neuronales Artificiales (RNA) ......................................... ..................... 67

2.2.4.2 máquinas de vectores soporte (MVS) ........................................ ...................... 68

2.2.5 validación de los métodos empíricos y TAM ........................................ ..... 69

2.3 RESULTADOS ................................................ ............................................... 70

2.3.1 Rendimiento de TAM y empíricos métodos en las ciudades de Sao

Paul ................................................. .................................................. ................. 70

2.3.2 rendimiento anual de métodos empíricos, ARN y MVS ......................... 75

2.3.3 Errores de métodos empíricos y TAM en la escala anual .......................... 77

2.3.4 Comportamiento de ETo en el estado de Sao Paulo en la escala anual ............ 78

2.3.5 Rendimiento estacional de métodos empíricos, ARN y MVS ..................... 81

2.3.6 Errores de métodos empíricos y TAM en estacionalmente escala ....................... 84

2.4 DISCUSIÓN ................................................ .................................................. 84

2.5 Conclusión ................................................ ................................................. 86

escala anual: ............................................... .................................................. ........ 86

escala estacional: ............................................... .................................................. .... 87

Referencias ................................................. .................................................. . 88

CAPÍTULO 3 - Referencia en el Estado de la evapotranspiración

SAO PAULO: MÉTODO Geoespacial .................................................. ......... 94

3.1 INTRODUCCIÓN ................................................ ............................................... 96

3.2 MÉTODOS .............................................. ................................. 98

3.2.1 Área de estudio ............................................ ................................................ 98

3.2.2 Método Estándar de estimar ETo ......................................... ............... 101

3.2.3 Análisis espacial de los datos ........................................... ............................ 101

3.2.3.1 La validación cruzada y la interpolación ........................................... 102 ................

3.3 RESULTADOS ................................................ ............................................. 104

20

3.3.1 Estadística descriptiva de los valores Eto ......................................... ......... 104

3.3.2 Análisis variograma de ETo en Sao Paulo en la escala anual y

................................................. de temporada .................................................. ............ 106

3.3.3 Kriging EPara ............................................ ........................................... 108

3.3.4 La validación cruzada de los modelos variográficos .......................................... . 112

3.3.5 errores de estimación producidos por validación cruzada ............................ 114

3,4 DISCUSIÓN ................................................ ................................................. 114

3.5 Conclusión ................................................ ............................................... 115

Referencias ................................................. ................................................. 117

CONSIDERACIONES FINALES .................................................. ............................. 121

Referencias .................................................. ................................................ 122

 19

INTRODUCCIÓN GENERAL

La evapotranspiración (ET) se utiliza para expresar la pérdida de proceso

El agua de vegetación una superficie dada, por los procesos de fijación

La evaporación de la superficie del suelo, ríos y lagos y la transpiración de las superficies

vegetación. La disponibilidad de agua en el suelo, fisiología de las plantas y los elementos

El tiempo (radiación solar, viento, temperatura, humedad, etc.) influencia

tasa de ET (Allen et al, 1998;. MAVI; Tupper 2004).

Conocer el valor de ET, puede ejecutar el balance hídrico de los cultivos

(Agronómica o forestales) y compruebe si existe la necesidad de riego correctiva. lo

También puede ejecutar el balance hídrico climático regional y planificar el uso

de los recursos hídricos por diferentes actividades humanas (Pereira et

al., 2013). Por los mismos autores, el término ET está asociada con varios

adjetivos, con la referencia (Eto) uno.

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

condiciones aerodinámicas (rugosidad) de que no sea pasto es

rastrera tamaño. En climas con invierno muy frío, la alfalfa se adapta mejor

los rigores calor que las estaciones meteorológicas hierbas típicas

(Pereira et al., 2013). Más tarde, la FAO informa 24 (Doorembos; Pruitt,

1975) y FAO 33 (Doorembos; Kassam, 1994) ampliaron el concepto de ETo

la definición de cómo la pérdida de agua por evaporación y la transpiración de una superficie

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

y la Agricultura (FAO 56) Se introdujo el concepto de superficie

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

m albedo 0,23 resistencia dosel y 70 son m 1 ( Allen et al., 1998). valle

destacar que de acuerdo con Pereira et al (2013), es adoptado como la vegetación herbácea

estándar (superficie de referencia) tal como se utiliza en la mayoría de estaciones

regiones climáticas con climas que permiten agronómico del cultivo.

20

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

utilizado debido a los altos costos de adquisición y complejidad en su

Instalación (Sentelhas et al., 2010). Kumar et al (2008) añade que el uso

lisimetros lleva tiempo y requiere experimentos cuidadosamente

planeado. Por lo tanto, en la práctica, ETo se estima en base a métodos

indirecta. Entre los métodos indirectos, el Pernman Monteith FAO 56 (PMF 56) es

considera estándar (Allen et al., 1998). Este método se puede utilizar en

en cualquier lugar sin la necesidad de calibración y se ha reportado por varios autores

como un método que proporciona un rendimiento óptimo cuando se compara con

el uso de lisímetros (Cao et al, 2015 ;. GOCIC; Trajkovic, 2008). De acuerdo con

Thepadia y Martinez (2009), el MFP método 56 tiene la gran desventaja

para requerir una gran cantidad de datos (radiación solar, la humedad relativa, la temperatura

aire y velocidad del viento), que a menudo no son

disponibles en varios lugares, y en ocasiones los registros están incompletos o

calidad de cuestionable.

En respuesta a las dificultades encontradas en el uso del método de SMP 56,

investigadores como Tabari (2010) y Tabari et al. (2011) informaron de la necesidad

uso de métodos indirectos más simples (métodos empíricos). Para Nephew et al.

(2011), el uso de métodos indirectos proporciona resultados satisfactorios, es

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

general. En la segunda son aquellos que además de la temperatura, también utilizar el

la radiación solar y la tercera las que utilizan mediciones de la evaporación directa en el tanque

o evaporímetros (Pereira et al., 2013).

Según Khoob (2008), métodos basados ​en la temperatura del aire a

estimación de ETo frecuente y recomendable, ya que requieren

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

presentan una gran variabilidad de su función en las condiciones de ejecución

 21

clima de cada lugar. Por lo tanto, como el estado de Sao Paulo tiene una

diversidad climática (ROLIM et al., 2007), hay una necesidad de evaluar la

rendimiento de estos métodos de bajo riesgo de los métodos que eligen que tienen

alta sub o sobrestimar ETo.

Una visión alternativa de lo anterior, puede ser técnicas de uso de aprendizaje

máquinas (TAM). Según Fonseca junior et al. (2011), TAM es la

subcampo de la inteligencia artificial, la importancia de que no sólo es predecir, sino también

la estimación de los valores que faltan en la base de datos, se informó de Leal et al.

(2011). TAM es fácil de usar y tiene grandes resultados, a menudo

mayor que métodos empíricos (Kisi, 2013; LADLANI et al, 2012 ;. Wu, Liu,

2012). Hay varios tipos de TAM, por ejemplo, redes neuronales artificiales (ANN)

máquina de soporte vectorial (MVS), sistemas difusos neuro, etc.

Los ARN son modelos matemáticos similares a las neuronas biológicas, dotados

capacidad computacional adquirida a través del aprendizaje y generalización

(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

informado de que los ARN producen resultados fiables en la estimación de ETo

(ZANETTI et al, 2008 ;. CHAUHAN; SHIRIVASTAVA, 2012).

El MVS es también una poderosa herramienta para el modelado de procesos no

lineal. Fue desarrollado originalmente por Vapnik (1995) y es bastante robusto,

según el autor. He et al. (2014) y Wen et al. (2015) encontró que

MVS produce resultados más que satisfactorios ARN y Mohammadi et al. (2015)

Informaron que MVS ha ganado una gran ventaja para resolver problemas

no lineales en diversas áreas del conocimiento. A pesar del éxito de

ARN y MVS, hay pocos estudios llevados a cabo con la ETo en Brasil,

en particular en el estado de Sao Paulo, especialmente con el MVS.

Otra preocupación de los investigadores es encontrar métodos

permitir para estimar los valores desconocidos de manera eficiente en un punto

valores muestreados de los puntos vecinos, utilizando métodos

interpolación. Según Kadmon y Kurtzman (1999), los métodos de interpolación

puede ser determísticos (no geoestadísticas) y geoestadística. los métodos

22

geoestadística como kriging, tienen la ventaja de considerar las relaciones

espacio entre los datos en cualquier posición sin tendencia y varianza

mínimo, por lo tanto, una gran interpolación (Burgess; Webster, 1980). hay

diversos tipos de kriging, con el kriging ordinario, opción oportuna (KOP) de

uso más sencillo.

Basándose en los resultados anteriores, la presente estudio tuvo como objetivo

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

capítulos, el primer capítulo titulado "EVAPOTRANSPIRACIÓN ESTIMACIÓN

Referencia en el estado de Sao Paulo: Métodos empíricos", la

segundo título "El modelado de la evapotranspiración REFERENCIA

EN EL Estado de Sao Paulo: el aprendizaje de máquina TÉCNICO Y

Los modelos empíricos "y tercero, titulado "evapotranspiración

Referencia en el Estado de Sao Paulo: MÉTODO Geoespacial ".

 23

CAPITULO 1

REFERENCIA EVAPOTRANSPIRACIÓN ESTADO EN ESTIMACIÓN

SAO PAULO: métodos empíricos

RESUMEN

La evapotranspiración de referencia (ETo) es importante en la agricultura debido a que permite

cuantificar la demanda de agua de los cultivos, los sistemas de riego escala

riego y hacer la gestión del agua en el riego. Este estudio tuvo como objetivo

evaluar el desempeño de empírica temperatura métodos (Benavides y López -

Benl, -Ham Hamon, Blaney Criddle y Hargreaves Samani original -HS) y

la radiación solar (Abtew, Jensen Haise - JensH, Makkink y Irmak) en la estimación de

ETo en relación con el método FAO estándar 56, utilizando los datos de tiempo de 22

estaciones automáticas de Sao Paulo (temperatura máxima, mínima y

media del aire; humedad relativa; Velocidad del viento y la radiación solar -

Rs) en escalas anuales y estacionales. índices estadísticos utilizados fueron: MBE

( 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

método Abtew realiza mejor. Sin embargo, el método puede HS

Se utiliza en la ausencia de datos Rs. En la escala estacional, se observó que la

JensH método funcionó mejor en el invierno, el Irmak y Abtew

en verano y otoño, y el método Abtew también mostraron una mejor

el rendimiento en la primavera. En ausencia de Rs de datos, se puede utilizar el método de

SA en la primavera y el invierno, el jamón en el verano y en el otoño Benl. era

observado el efecto de la estacionalidad en las ecuaciones anuales (métodos)

Subestimaron la primavera y el verano de temporada, en otoño y equanto

invierno, se observó lo contrario.

Palabras - clave: datos meteorológicos. Penman - Monteith. la radiación solar.

24

RESUMEN

La clave evapotranspiración de referencia (ETo) ya que se utiliza en la agricultura

para cuantificar las necesidades de agua de los cultivos, sistemas de riego y agua de riego diseño

gestión. El objetivo de este estudio fue evaluar el rendimiento de cuatro

temperatura base (Benavides y López - Benl, Hamon HAM - Blaney Criddle

Original y Hargreaves Samani - HS) y métodos de ETo cuatro radiación (Abtew,

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

utilizado en ausencia de fecha de Rs. En la escala temporal, se la cola Observado

JensH método presenta un mejor rendimiento en el invierno, el Irmak y Abtew

Métodos en el verano y otoño. El método también presenta una mejor Abtew

el rendimiento en la primavera. En ausencia de la fecha Rs, el método de MS se puede utilizar en

la primavera y el invierno, el jamón en el verano y en el otoño Benl. la estacionalidad

efecto observado fue, en el que las ecuaciones anuales (Métodos) El subestimaron

métodos estacionales en la primavera y el verano. En el otoño y el invierno, todo lo contrario

Fueron los resultados observados.

Palabras clave: fecha de Meteorología. Penman - Monteith. La radiación solar.

 25

1.1 INTRODUCCIÓN

La evapotranspiración de referencia (ETo) se define como la tasa de pérdida

cultura hipotética agua cubre completamente el suelo con una altura de

0,12 m, el crecimiento completamente activo y uniforme, con el índice de reflexión del 23%,

resistencia de la superficie 70 m s- 1 y debidamente regado (Allen et al., 1998).

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.

La disponibilidad de agua en el suelo, fisiología de las plantas y los elementos

El tiempo (radiación solar, viento, temperatura, humedad, etc.) influencia

tasa de evapotranspiración (Allen et al, 1998;. MAVI; Tupper 2004). de acuerdo con Liu

y Scott (2001), la radiación solar está directamente relacionada con la física,

los procesos biológicos que se producen en la interacción suelo-planta-atmósfera química y, y

considerado como uno de los factores más importantes para el desarrollo de las plantas,

plantas interacciones / host / patógeno y germinación de la semilla (Van Dijk et

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-

si es necesario el uso de lisímetros, sin embargo, pocos utilizado debido a

altos costos de adquisición y la complejidad de su instalación (Sentelhas

et al., 2010), y exigen tiempo y requieren experimentos

cuidadosamente planificada (Kumar et al., 2008). Por lo tanto, en la práctica, es EPara

en base a los datos estimados climático estaciones meteorológicas disponibles

(XING et al., 2008).

Allen et al. (1998) introdujeron el método de Penman Monteith FAO 56 (PMF

56) como un estándar para la estimación de ETo basado en los datos del tiempo, que es

reconocido en todo el mundo. Este método proporciona un rendimiento óptimo cuando

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

El tiempo, que no siempre está disponible en diversas situaciones

(Martínez; THEPADIA, 2010; Vicente SERRANO et al, 2014.). Siendo así,

varios métodos alternativos (empírica) se han probado en diversas literaturas,

26

que puede ser dividida en los métodos basados ​en los métodos de la temperatura del aire

basado en la radiación y métodos solar basado en la transferencia de masa

(Berengena; Gavilán, 2005; XU; SINGH, 2002).

Según Khoob (2008), métodos basados ​en la temperatura del aire a

estimación de ETo frecuente y recomendable, ya que requieren

pocos datos de entrada, son fáciles de obtener, además de la simplicidad de los cálculos

involucrados. Tabari (2010) informó de la necesidad de utilizar métodos más simples.

A pesar de la simplicidad de estos métodos, hay una necesidad de estimar la

ETo con métodos más precisos.

Landeras et al. (2008) observaron un mejor rendimiento del método de radiación

de Makkink en relación con algunos de los métodos de temperatura en el norte de España. por

Además, un mejor rendimiento del método de la radiación solar de la Turc

método de Hargreaves temperatura Samani fueron reportados por varios

los investigadores en el clima húmedo (Nandagiri; KOOVOR, 2006; Xu et al, 2013 .;

YODER et al., 2005). Sin embargo, Ṭabari et al. (2012) observaron un rendimiento mejorado

los métodos de temperatura (Hargreaves y Samani Blaney criddle) que

métodos de radiación solar (Turc, Makkimk, Jensen Haise, Abtew, etc). otro

autores reportaron un mejor rendimiento de algunos métodos de temperatura

en comparación con la radiación solar en diferentes lugares (ER RAKI et al., 2010;

SERRANO VINCENT et al, 2014 .; DJAMAN et al, 2015 .; AHOOGHALANDARI et al.

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,

en riesgo de elegir métodos que tienen bajo rendimiento.

Teniendo en cuenta lo anterior, este estudio tuvo como objetivo evaluar el desempeño

empírica estadística temperatura métodos (Benavides - Lopez - 1970;

Blaney Criddle - 1950; Hamon - 1961 y Hargreaves Samani - 1985) y la radiación

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

meteorológico utilizado (temperatura máxima, aire mínimo y medio, la humedad

relativa del aire; velocidad del viento y la radiación solar) son 22 estaciones
 27

meteorológica automática proporcionado por el Instituto Nacional de Meteorología

Brasil (INMET).

1.2 MÉTODOS

1. 2.1 Localización y Descripción del estudio

En la Figura 1 se expone ubicación de las 22 estaciones / ciudades en el estado de

Sao Paulo que se utilizaron para llevar a cabo este trabajo. Es de destacar que la

período utilizado en cada ciudad, tenía al menos el 80% de los datos.

Figura 1 Mapa de 22 estaciones automáticas de Sao Paulo

Con base en la Tabla 1, en las ciudades de Sao Paulo que componen el

presente estudio, se destacan cuatro tipos de clima, a saber: Aw, CWA, Af y Am,

según la clasificación climática de Köppen por Cepagri (2016). de

De acuerdo con Vianello y Alves (2012), las letras Aw, Af y Am caracterizan el clima

sabana tropical, selva tropical y clima de montaña,

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

caliente superior a 22 ° C; F: Muestra precipitaciones durante todo el año, con precipitaciones

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

predominante en las 22 estaciones de tiempo utilizados.

La tabla 1 las estaciones meteorológicas automáticas en el estado de Sao Paulo

código estaciones latitud longitud altitud período clima

(Ciudades) (grados) (grados) (M) (Años)

A-736 nutria - 21.01 - 48.83 525 2008 - 2015 aw

A-725 Avare - 23,00 - 48.88 654 2007 - 2015 CWA

A-705 Bauru - 22.30 - 49.70 550 2005 - 2015 aw

A-738 Casa Blanca - 21.77 - 47.01 730 2008 - 2015 aw

A-708 Franca - 20.57 - 47.37 1026 2005 - 2015 aw

A-737 Ibitinga - 21.85 - 48.80 492 2008 - 2015 aw

A-712 Iguapé - 24,70 - 47.55 3 2007 - 2015 af

A-714 Itapeva - 23,97 - 48.85 707 2007 - 2015 CWA

A-733 jales - 20.02 - 50.58 457 2008 - 2015 aw

A-735 José Bonifacio - 21,00 - 49.68 405 2008 - 2015 aw

A-727 Lins - 21.65 - 49.73 459 2007 - 2015 aw

A-716 Ourinhos - 22.95 - 49.85 448 2007 - 2015 soy

A-726 Piracicaba - 22.70 - 47.62 574 2007 - 2015 CWA

A-707 Presidente Prudente -22.01 - 51.40 436 2005 - 2015 aw

A-718 Ranchi - 22.37 - 50.97 350 2007 - 2015 aw

A-711 San Carlos - 21.95 - 47.87 863 2007 - 2015 CWA

A-740 Luis de Paraitinga - 23.22 - 45.52 874 2008 - 2015 CWA

A-715 San Miguel de - 23.85 - 48.00 678 2007 - 2015 CWA

arcángel

A-701 San Pablo - 23.50 - 46.62 792 2007 - 2015 CWA

 29

A-728 taubaté - 23,00 - 45.52 571 2007 - 2015 CWA

A-734 Valparaíso - 21.32 - 50.92 374 2007 - 2015 aw

A-729 Votuporanga - 20,40 - 49.95 486 2007 - 2015 aw

Además de los datos de la Tabla 1, se recogieron datos de temperatura máximo, mínimo,

humedad, velocidad del viento relativa media y la radiación solar, que,

Ellos se pusieron a disposición en el tiempo por la escala INMET. Posteriormente, estos datos

Fueron transformados a escala diaria con el fin de estimar la ETo. en

procesamiento, se utilizó el criterio de media aritmética de la temperatura del aire,

humedad y viento relativo velocidad, sin embargo, se utilizó los criterios

integración en la radiación solar global.

ETo se estimó 8 basado en métodos empíricos, que se dividieron

en 2 grupos, con la temperatura del aire y de los métodos de radiación solar. los métodos

temperatura (Padre López Benavides, Hamon, Blaney-Criddle Original y Hargreaves-

Samani) fueron seleccionados para representar las estaciones meteorológicas

solamente medir la temperatura o la temperatura y la humedad relativa (situación

común en Brasil) y la radiación (Abtew, Jensen-Haise, Makkink y Irmak) a

representar una situación inusual en la que además de la temperatura, la estación

medidas de tiempo de la radiación solar. Entonces, todos los métodos eran

evaluado contra el método estándar de MFP 56, la escala anual y estacional. la

A continuación, las ecuaciones se muestran en método estándar utilizado (Ecuación 1) y

los métodos empíricos (Tabla 2).

1.2.2 Método Estándar de estimar ETo

Ecuación 1 recomendado por Allen et al. (1998) se utilizó como referencia

para estimar la ETo.

900
0, 408 * • * • • •• • * y s GTU
* 2
* • • Rn •
• • 273
EPara (1)
• • • * • • 0 1, 34 * T 2 •
30

Dónde: ETo = evapotranspiración de referencia, mm d- 1; Balance de radiación rn voluntad MJ m- 2 d- 1; densidad

de flujo L = calor al suelo, MJ m- 2 d- 1; = constante

psicométrica, kPa la C- 1; T = temperatura media del aire, ° C; T 2 = velocidad del viento

2 metros de altura, m s- 1; = Presión de saturación a la temperatura de bulbo seco,

kPa; = Real de presión o de la corriente de vapor de agua, kPa; • = la pendiente de la curva de

la presión de vapor de saturación, kPa la C- 1; MJ = 0,408 Factor de conversión m- 2 d- 1

mm a D- 1.

1.2.2.1 pendiente de la curva de presión de vapor de saturación

• •
exp 27 * T • •
17
4098 * • 0, 6108 * • ••
• • T • 237 , 3 • •
• • 2
(2)
•T • 237 , 3 •

1.2.2.2 psicronométrica constante

•3
• • 0, 665 * 10 * P (3)

525
• •0293, 0065 * la •
P • 101 , 3* • • (4)
• 293 •

Donde: P = la presión local atmosférica, kPa, y A = Altitud, m.

1.2.2.3 La presión y la corriente de saturación de vapor de agua

•
exp 27 * T •
17
ES • 0, 6108 * • • (5)
• T • 237 , 3 •

sy•
* 100 (6)
UR

Donde RH = humedad relativa,%.

 31

1.2.2.4 Balance de radiación

• Rns Rn
• Ml (7)

RNS • •1 • • * rs
(8)

Dónde: Rns = Solar onda corta radiación, m- MJ 2 d- 1; Ml = Radiación Solar

ondas largas, m- MJ 2 d- 1 Rs = radiación solar global, m- MJ 2 d- 1 y α = albedo. la

albedo promedio de la hierba es de 0,23, considerado como referencia para el estudio de

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.

Donde: σ = constante de Stefan - Boltzamn, 4903 * 10 9 MJ m- 2 K- 4 d- 1; T k =

Temperatura media del aire, K; Rso = radiación solar teórico para abrir día,

MJ m- 2 d- 1; b = Constantes que dependen de la composición de la atmósfera de cada

32

ubicación dependiendo de la época del año (admensional); Ra = radiación solar en la parte superior de

ambiente, MJ m- 2 d- 1; Gsc = constante solar, 0.082 MJ m- 2 min- 1; • = Latitud, rad; •

= Declinación solar, rad; dr = distancia relativa tierra-sol, rad; ws = Ángulo de tiempo

amanecer o al atardecer, rad; J = días Julian.

 33

Tabla 2 - métodos empíricos de la estimación de ETo

Método / modelo referencia ecuación parámetros

Métodos temperatura del aire
• 7 5* T • T, UR
• •
Método Benavides y López Benevides y López (1970) • •
• • 237 , •5 T • •
1• ETo
, 21 * 10 * • • 0 1, 01 * • •0 RH, 21 * • T 23
(Benl)
Hamon (HAM) Hamon (1961) 2 0, 062 *T T
• N • • 4, 95 * exp •
EPara • 0, 55 * • • * • • * 25 , 4
• •
• 12 • • 100 •
Blaney Criddle original (BCO) Blaney Criddle original (1950) • p* EPara
( 0457 * T • 8 13) T

Hargreaves y Samani (SA) Hargreaves y Samani (1985) 0, 5 T, T max, T min, Ra

EPara • 0, 0023 * 0, 408 * * •(
Ra
max min) * TTT• 17 ( , 8)

métodos de radiación solar

Abtew Abtew (1966) 0, 53 T, R
EPara • * rs
•
Jensen-Haise (JensH) Haise y Jensen (1963) EPara • 0, 408 * rs * ( 00252 * T • 0, 078 ) T, R

Makkink (MAK) Makkink (1957) • T, R

EPara • 0, 408 * 0, 61 * rs * • 0,12
•• • • •
irmak Irmak et al. (2003) T, R
34

1.2.3 Validación de Métodos empíricos

La validación de los datos se basó en los siguientes índices estadísticos: Error

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

los valores o de referencia y negativo medidos indican una subestimación. es

indicativa de la precisión del método y el más cercano a cero es más

necesidad se evalúa método. Los índices de MBE, RMSE, R 2 Fueron utilizados en

El trabajo sobre la ETo por varios autores (Moeletsi et al, 2013; .. SENTENHAS et al,

2010).

Los índices "D" y R 2 indicar el acuerdo (la perfección) y el ajuste matemático

Método evaluó, respectivamente. Estos índices, mientras más cerca de una

son, mejor es el modelo de rendimiento y el rango de 0 a 1. A continuación, se

presentado las ecuaciones usadas para hacer el análisis estadístico.

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

Donde: P i = Valores estimados por métodos estadísticos mm d- 1; la i = valor

estimada por el método estándar, mm d- 1; N = número de estimaciones por período y O =

Media aritmética EPara estimada por el método estándar mm d- 1.

1.2.4 Análisis de la estacionalidad

Se hizo análisis de estacionalidad de ecuaciones anuales respecto estacional

basada en el cálculo lineal del porcentaje de desviación (DL%) según la ecuación

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=

Valor medio de método empírico ETO para la escala temporal se expresa en mm D 1.

1.3 RESULTADOS

1.3.1 Métodos empíricos escala anual estimado de ETo

La siguiente tabla muestra los resultados de los métodos empíricos basados ​en

la temperatura del aire y la radiación solar en escalas anuales.

1.3.1.1 métodos empíricos de temperatura para estimar ETo

La Tabla 3 muestra los contenidos de métodos empíricos estadísticos

temperatura para estimar ETo comparación con el método estándar MFP 56

en Sao Paulo.
36

Tabla 3 - estimar ETo de los métodos de la temperatura del aire

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

Basado en la Tabla 3, se observó que los métodos de Benl, Cam y BCO

Subestimaron el método PMF 56 en todas las ciudades de Sao Paulo

(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

revertir. También se observó que los métodos y jamón presentan Benl

valores máximos de -1.10 y -1.46 MBE mm d- 1 Está sucediendo en la ciudad de

Francia, respectivamente. En los métodos de HCB y HS observado máximos

de -1,61 D y -1.27 mm 1 al Jales y ciudades de Lins, respectivamente.

La precisión método presentado Benl (RMSE) que varía de 0,53 a 1,19 mm d- 1 cuyos valores se

observan en las ciudades de la Casa Blanca y Avare; la

Jamón 0,34-1,58 mm d- 1 a las ciudades de Iguape y Francia; la BCO 0,55

1,76 mm d- 1 a las ciudades de Iguape y Jales y el SA 0,46 a 1,41 mm d- 1

a las ciudades de Lins y Avare, respectivamente. El método presentado SA

Más valores RMSE <1,0 mm d- 1 mostrando la tendencia más precisa

(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

0,88 a ciudades de Francia y Iguapé, respectivamente, y el método de MS

valor supuesto de 0,61 para la ciudad de Lins y 0,95 mm d- 1 para la ciudad de

Avare. Basándose en estos resultados, se observó que el rendimiento mínimo ( "d" =

0,61 mm d- 1) observado en el método HS es superior en rendimiento en comparación con

Hemos observado en otro mínimo métodos y el máximo rendimiento ( "d" = 0,95) es

mayor que la observada en los métodos y Benl BCO.

En promedio, se observó que el método del SA lleva a cabo mejor en

estimar ETo comparación con los métodos Benl (MBE = -0,74 mm d- 1 y

RMSE = 0,88 mm ± 0,212 d- 1; "D" = 0,75 ± 0,074 y R 2 = 0,85 ± 0,025), Ham (MBE = -

0,94 mm d- 1 y RMSE = 1,06 mm ± 0,312 d- 1; "D" = 0,74 ± 0,104 y R 2 = 0,71 ± 0,141) y

BCO (MBE = -1,02 mm d- 1 y RMSE = 1,17 mm ± 0,329 d- 1; "D" = 0,66 ± 0,098 y R 2 =

0,73 ± 0,133), que mostraron la MBE más bajo (0,51 mm d- 1) menor valor

RMSE (0,82 mm ± 0,287 d- 1) mayor valor de "d" (0,84 ± 0,095) y mayor R 2

(0,87 ± 0,129) menor sobreestimación media, una mayor precisión, alta concordancia

ajuste matemático y alta, respectivamente, muestran en las figuras 2 (a, b, c, d).

38

Figura 2 - La media de funcionamiento de la temperatura del aire de métodos

1.5 1.5 1.0 1.0

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

0.3 0.2 0.2

- 1.0

- 1.5 0.0 0.0 0.0

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

Los resultados mostraron que el método presentado BCO

menor rendimiento. Esto se debe al hecho de que este método no tiene en cuenta la

coeficientes de actualización locales, que se recomiendan en el informe de la FAO-24

Doornbos y Pruitt (1975). Un comportamiento similar se observó para Kariyama (2014)

y Ṭabari et al. (2012).

1.3.1.2 Métodos empíricos de la radiación solar para estimar ETo

Lo siguiente se presenta en la Tabla 4 que ilustra el rendimiento de los métodos de

la radiación solar (Abtew, Jensen Haise - JensH, Makkink - Mak y Irmak) para estimar

ETo en Sao Paulo comparación con el método estándar.

 39

Tabla 4 - Estimación de ETo de los métodos de radiación solar

estaciones Abtew Jensen Haise Makkink irmak

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

Los métodos y Mak Jenh sobreestimadas ETo con respecto al método

estándar en todas las ciudades, MBE alcanzó valores máximos de 1,05 mm d- 1 en

ciudad de Ibitinga y 1,83 mm d- 1 en la ciudad de St. Louis Piraitinga,

respectivamente. Ya métodos Abtew y Irmak presentaron una

comportamiento diferente, con una tendencia a subestimar, los valores alcanzado

máximo de -0.88 y -0.83 mm d- 1 en la ciudad de Jales, respectivamente (Tabla 4).

Sobre la base de RMSE, se observó que los métodos de Abtew, JensH, Mak y

Irmak tenía valores de 1,09; 1,21; 1,86 y 1,03 mm d- 1 respectivamente.

Estos valores se ven en las ciudades de Jales a métodos y ABEW

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 de Irmak, 0,72-0,92 en el método Jenh y desde 0,59 hasta 0,82 en

método Mak, que muestra que los métodos y Abtew llegar Irmak

más cerca de 1 (Tabla 4).

En promedio, se encontró que el método Abtew presentó valores medios de

MBE D = -0.17 mm 1 y RMSE = 0,45 mm ± 0,229 d- 1 que eran más bajos por

los valores observados en los métodos de Irmak (MBE = -0,30 mm d- 1 y RMSE

= 0,50 ± 0,268 mm d- 1) de JensH (MBE = -0,75 mm d- 1 y RMSE = 0,92 mm ± 0,188 d- 1)

y Mak (MBE = 1,34 mm d- 1 y RMSE = 1,43 mm ± 0,203 d- 1) mostrando una

menor subestimación y una alta precisión, respectivamente. En relación con el índice

"D" se valores de 0,92 ± 0,074 observado; 0,84 ± 0,045; 0,69 ± 0,057 y 0,90 ± 0,085 para

métodos Abtew, JensH, Mak y Irmak, respectivamente, lo que confirma que

método Abtew es la mejor para estimar la ETo en el estado de Sao Paulo (Figura 3

a, b y c). Este método tiene un ajuste matemático aceptable (R 2 = 0,89 ± 0,102,

La figura 3 d).
 41

Figura 3 - El rendimiento de los métodos de media de radiación solar

1.5 1.5 1.0 1.0

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

0.3 0.2 0.2

- 1.0

- 1.5 0.0 0.0 0.0

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

1.3.2 Errores de métodos empíricos en el estado de Sao Paulo en la escala anual

El diagrama de caja ( Diagrama de cajas) muestra el máximo, el mínimo, la media y

errores de la mediana producidos por métodos empíricos en el estado de Sao Paulo

(Figura 4). Donde: la marca que está dentro de la caja representa el valor promedio

error, los extremos indican el máximo y mínimo y la parte central

el diagrama representa la mediana.

Figura 4 - diagrama de cajas errores ocho métodos empíricos en la escala anual

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

De la Figura 4 se encontró que la temperatura de métodos, HS proporcionó

errores más bajas (0,43 mm ± 0,240 d- 1) y los errores BCO mayor (-

0,86 ± 0,419 mm d- 1) mientras que entre los métodos de la radiación solar, más errores

se observan en el método de bajo Abtew (-0,17 mm ± 0,251 d- 1) y más

42

Mak alta en el método (1,23 mm ± 0,372 d- 1). Métodos con errores inferiores

son aquellos con errores medios de maíz cerca de cero y el diagrama

caja con el bigote más estrecho y viceversa. Por lo tanto, la comparación de todos

métodos, claramente señalado es que el método Abtew es la más fiable para

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

SA JensH Mak y que sobreestimadas.

1.3.3 Comportamiento de ETo en el estado de Sao Paulo en la escala anual

En las figuras se muestran a continuación es sólo el comportamiento de los valores de ETo

estimada por métodos mejor y lo peor de la temperatura del aire como

la radiación solar. Los métodos se ven mejor en las figuras 5 (a - l) y 6 (m -

v) y el peor en las figuras 7 (a - l), y 8 (m - v).

En las figuras 5 (a - l) y 6 (m - v), se ve claramente que el método de Abtew

Nos tendieron a tener una baja dispersión de pares de datos (alta precisión)

en comparación con el método de MS, ya que el método presentado Abtew en general

su recta más cercana a la línea de regresión Y = X (línea 1: 1), además de

presenta un buen ajuste matemático (valores R 2 superior, en general).

Observa también que, en general, las líneas de regresión de método Abtew

Eran debajo de la línea y = x, que confirma la tendencia de subestimar el ETo. la

revertir se observa en el método del SA.

 43

Figura 5 - ETO estimó por métodos de dispersión y HS Abtew

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

ETo MFP 56 (mm d- 1) ETo MFP 56 (mm d- 1) ETo MFP 56 (mm d- 1)

Figura 6 - ETO estimó por métodos de dispersión y HS Abtew

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)

SA = 0.69 R + 0,92X 2 = 0,76

Abtew R = 0.65x + 1.04 2 = 0,76

0 2 4 6 8 10

ETo MFP 56 (mm d- 1)

44

En las figuras 7 (a - l), y 8 (m - v) se ha encontrado que los métodos de HCB y Mak

Presentaron sus líneas de regresión lineal periférica a la línea Y = X

En comparación con los métodos mostrados en las figuras 5 y 6, que muestran una

bajo rendimiento. Al comparar el método de HCB y Mak entre sí, se encontró

la primera mostraron una significar sus menos de distancia líneas de regresión a

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

es importante para estimar ETo, su efecto varía con la variabilidad

climático entre el lugar de origen y el método de evaluación.

Figura 7 - Dispersión ETo estima por métodos Mak y BCO

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

ETo MFP 56 (mm d- 1) ETo MFP 56 (mm d- 1) ETo MFP 56 (mm d- 1)

 45

Figura 8 - Dispersión ETo estima por métodos Mak y BCO

m) Piracicaba 1: 1 n) Presidente Prudente 1: 1 o) Rancharia 1: 1

Mak = 0.70 R + 1,22X 2 = 0.94 Mak = 0,49 1,34X-R 2 = 0.92 Mak = 0.79 R + 1,29X 2 = 0.96
ETo (mm d- 1)

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)

BCO + 1.45 R = 0,37X 2 = 0.53

0 2 4 6 8 10

ETo MFP 56 (mm d- 1)

1.3.4 Rendimiento estacional de métodos empíricos en el estado de Sao Paulo

10
Figura 9 se muestra el rendimiento estacional (primavera, verano, otoño e

invierno) los métodos empíricos de la estimación de ETo en Sao Paulo

base estadística de los siguientes índices: MBE, RMSE, "d" y el coeficiente de Wilmontt

de determinación (R 2). 0 2 4 6 8
 46

R2 "d" RMSE (mm d- 1) MBE (mm d- 1)

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

Ham Ham Ham Ham primavera

BCO BCO BCO BCO

HS HS HS HS

Abtew Abtew Abtew Abtew

JensH JensH JensH JensH

Mak Mak Mak Mak

Irmak Irmak Irmak Irmak

0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
-2

BenL BenL BenL BenL

- 1 0 1 2 Verano

Ham Ham Ham Ham

BCO BCO BCO BCO

HS HS HS HS

Abtew Abtew Abtew Abtew

JensH JensH JensH JensH

Mak Mak Mak Mak

Irmak Irmak Irmak Irmak

0.0
0.5
1.0
0.0
0.5
1.0
0.0
0.5
1.0
-2

BenL BenL BenL BenL

- 1 0 1 2 otoño

Ham Ham Ham Ham

BCO BCO BCO BCO

HS HS HS HS

Abtew Abtew Abtew Abtew

JensH JensH JensH JensH

Mak Mak Mak Mak

Irmak Irmak Irmak Irmak

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

invierno

Ham Ham Ham Ham

Figura 9 - Rendimiento Estacional ocho métodos de estimación de ETo en el estado de Sao Paulo

BCO BCO BCO BCO

HS HS HS HS

Abtew Abtew Abtew Abtew

JensH JensH JensH JensH

Mak Mak Mak Mak

Irmak Irmak Irmak Irmak

 47

De la Figura 9, se observó que los métodos de Benl jamón y BCO

Subestimaron EPara en todas las estaciones, va en la dirección opuesta

SA métodos JensH y Mak. Ya métodos Abtew y Irmak presentaron una

comportamiento variado, en el que se observó una ETo sobreestimación en el otoño y

subestimación en las otras estaciones.

Los valores RMSE mostraron que entre la temperatura de los métodos, el HS

presentada con más precisión en la primavera (RMSE = 0,88 mm ± 0,292 d- 1) y el invierno

(RMSE = 0,57 mm ± 0,367 d- 1) mientras que el jamón era más precisa en el verano (RMSE

= 0,72 ± 0,242 mm d- 1) y en el otoño de Benl (RMSE = 0,35 mm ± 0,251 d- 1). nosotros

métodos de la radiación solar, la Abtew fue más preciso en la primavera (RMSE =

0,37 ± 0,172 mm d- 1) verano (RMSE = 0,16 mm ± 0,367 d- 1) y otoño (RMSE =

0,15 ± 0,110 mm d- 1) aunque estas dos últimas temporadas ha presentado

valores RMSE cercanos a los del método Irmak: 0,17 mm ± 0,100 d- 1 y 0,18 ± 0,11 mm d- 1 respectivamente,

y, en invierno, el método mostró alta JensH

Precisión (± 0,21mm = 0,15 d- 1). El comportamiento de los valores de RMSE seguido

misma tendencia de los valores de MBE.

En general, todos los métodos de alto rendimiento dieron valores de

"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

con errores medios cercanos a cero.

48

Figura 10 - diagrama de cajas ETo en la escala temporal

02:25 02:25 verano

primavera
01:50 01:50

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

02:25 02:25 invierno

caer
01:50 01:50

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

1.3.5 Análisis de los ocho métodos de estimación de temporada ETo

En la Figura 11 se ilustra las desviaciones porcentuales relativos (DL%) para

análisis estacionalidad de anuias ecuaciones con respecto estacional. DL

negativos indican que cuando se utilizaron los métodos empíricos en la escala

Anuales subestimado los valores de escala estacional, positivo y mostrar que DL

ecuaciones anuales (métodos) estacional sobreestimados.

 49

Figura 11 - Análisis de estacionalidad de métodos empíricos

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

Basado en la Figura 11, la DL fueron negativos en la primavera y el verano, y

positivo en otoño e invierno. Tanto en la primavera y en el verano, los valores

Se observaron extremos DL en los métodos Benl (-9,87%, y el resorte -

13,69% en el verano) y Ham (-20,68% -27,80% en la primavera y en el verano)

es decir, los valores que los valores de ETo de escala anual más subestimados

verano. Al igual que en la primavera y el verano, el otoño y el invierno, los valores

Se observaron extremos DL en los métodos Benl (13,06% en otoño y

9,55% en invierno) y Ham (23,05% 24,75% en otoño y en invierno), la cual

Muestran que las ecuaciones estacionales anuales sobrestiman los resultados de estos

estaciones del año.

El método de Abtew, que tuvo el mejor rendimiento de este

investigación, presentada DL = -15,09% en la primavera, DL = -15,36% en el verano, DL =

15,63% en otoño y DL = 13,75% en invierno, como se muestra en la Figura 11. El valor

estos DL absoluta está cerca, que muestra que, aunque hay efecto

estacionalidad, se puede considerar similar. Por lo tanto, en otros métodos,

50

efecto estacional es menos regular debido a la gama más alta de los valores

DL Absoluto, con la excepción de método Irmak.

1.4 DISCUSIÓN

La comparación de los métodos basados ​en la temperatura del aire, la escala anual,

se encontró que la inclusión de método radiación extraterrestre (Ra) en el SA

explica su mejor desempeño desde el Ra es una fuente importante de energía

para la realización de ETo en el planeta, cuyo efecto depende del grado de dispersión

causada por los componentes atmosféricos (vapor de agua, nubes, gases,

aerosoles). Por otra parte, como se ha usado todos los métodos fueron la temperatura

desarrollado para tiempo seco, entonces la justificación es relevante

presentada. Resultados menos de este método fueron reportados por Sentelhas et

al. (2010): RMSE = 1,103 mm d- 1; Ṭabari et al. (2012): MBE = - 0,851 mm d- 1 y

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

0,294 mm d- 1 en dos ciudades (. Wang et al, 2008); MBE = 0,13 mm d- 1 y RMSE =

0,69 mm d- 1 ( Vanderlinden et al, 2004) .; RMSE = 0,47 mm d- 1 ( Maeda et al.

2011).

Entre los métodos de la radiación solar, la escala anual, el Abtew mostró mejor

el rendimiento. Otros estudios también han informado de alto rendimiento de este

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

bajo rendimiento del método JensH (RMSE = 1,274 mm d- 1 y R 2 = 0,734).

Por otra parte, por debajo del método Abtew que algunos métodos empíricos era

observado en varios estudios (SAMARAS et al, 2014 ;. Tabari et al., 2010;

XU; Singh, 2000).

 51

Aunque la escala anual, cuando se hizo el análisis de todos los métodos,

Los resultados mostraron que el método presenta un rendimiento más Abtew

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

Rs Mak que utiliza como una de las variables de entrada como el

método Abtew. Cabe señalar que el método HS es adecuado para las condiciones

áridas y semiáridas (Allen et al, 1998;. lingling et al, 2013 ;. TODOROVIC et

al., 2013), el JensH a condiciones áridas y semiáridas (Jensen Haise 1963),

Mak a las condiciones áridas y semiáridas (Makkink, 1957) y para el Abtew

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

un papel clave, que muestra la necesidad de una cuidadosa selección de

métodos empíricos. diagramas de cajas con bigotes y los índices estadísticos

utlizados confirmó un alto potencial del método Abtew

EPara estimación del estado de Sao Paulo. Por otro lado, mostró que la

Rs falta de datos, el método de SA puede ser alternativamente utlizado.

En escala estacional (temperatura del aire de métodos), el método presentado SA

mejor rendimiento en invierno, que es adecuado para climas secos, como ya se ha

informó. Por lo que explica el desempeño observado, como en el estado de São

Paul, el invierno es seco (ROLIM et al., 2007), es decir, que tiene poco efecto de

componentes de la atmósfera. Este método también mostró buenos resultados en

primavera. Según junior Choi et al. (2011), las subestimaciones método Ham

ETo en condiciones áridas y semiáridas, en contradicción con los resultados de este

trabajo. Borges y Mendiondo (2007) observaron que este método subestima la

ETo en todos los meses del año, lo que confirma los resultados de esta investigación.

En cuanto al método de Benl, Bezerra et al. (2014) observó mejor

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

observado en verano (caliente y húmedo). Los buenos resultados observados en el otoño

52

estos dos métodos, se pueden explicar por el hecho de que la estación de sufrir efectos

tiempo de verano. En el método de JensH, el mejor rendimiento se observó en

condiciones de clima cálido y húmedo (IRMAK et al., 2003 ;. ZHAI et al, 2010), sin embargo,

en este estudio se observó en un clima húmedo y seco

(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.

En general, se observó que los métodos de Abtew y Irmak fueron mejores en

verano y otoño, mientras que el JensH fue en invierno. El método también Abtew

Era mejor en la primavera. Sin embargo, en la práctica no todas las estaciones

Rs medición meteorológica se requiere en estos métodos. Así, en

Rs ausencia de datos, se puede utilizar en la primavera métodos del SA y

invierno, jamón en el verano y en el otoño Benl. Se observó también que los métodos

escala anual subestimó la primavera y el verano y el otoño y superestiram

invierno. Esto mostró la existencia de efecto estacional, que puede ser

explicado por la variación de la cobertura del cielo a lo largo de las estaciones y el

condiciones origen de métodos.

1.5 Conclusión

escala anual:

Entre la temperatura métodos empíricos (Benavides - Lopez - Benl, Hamon

- Jamón, Blaney Criddle original - BCO Hargreaves y Samani - HS) y la radiación

solar evaluado (Abtew, Jensen Haise - JensH, Makkink -Mak y Irmak), se observó

que el Abtew realiza mejor, se obtuvieron cuyos valores: MBE

D = -0.17 mm 1 y RMSE = 0,45 mm d- 1. Estas cifras significan que este método

Mostró una subestimación inferior de la ETo una mayor precisión, respectivamente. la

menor rendimiento fue hecho por el método Mak, cuyos valores

Eran MBE = 1,34 mm d- 1 y RMSE = 1,43 mm d- 1. Este es el método que hemos observado

Los valores más bajos de "d" (0,69) y R 2 ( 0,89).

 53

Se observó que, en ausencia de datos global de la radiación solar - R, el método

SA se puede usar el que presentó las siguientes cifras de rendimiento:

MBE = 0,51 mm d- 1 y RMSE = 0,82 mm d- 1.

escala estacional:

Los resultados mostraron que el método JensH era mejor en invierno

(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

otoño (MBE = 017 mm d- 1 y RMSE = 0,18 mm d- 1)

y el resorte Abtew (MBE = -0,34 mm d- 1 y RMSE = 0,37 mm), y

caída (MBE = 0,10 mm d- 1 y RMSE = 0,15 mm d- 1) y el verano (MBE = -0,15 mm d- 1 y

RMSE = 0,16 mm d- 1). Los valores de "d" y R 2 inferior eran 0,83 y 0,90

observado utilizando el método Abtew resorte, respectivamente.

En ausencia de Rs de datos, se puede utilizar el resorte método HS (MBE = 0,64 mm d- 1 y RMSE =

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

RMSE = 0,72 mm d- 1) y en Benl

caída (MBE = -0,3 mm d- 1 y RMSE = 0,35 mm d- 1). Los valores más bajos de "d" y

R 2 0,55 y 0,53 se observaron en el verano, el método de Ham, respectivamente.

análisis Estacionalidad:

En el análisis de la temporada, se observó que las ecuaciones anuales (métodos)

subestimado el resorte y el verano, lo contrario que ocurre en el otoño y

en invierno. El método Abtew había considerado efecto estacionalidad similares,

Se presentan como valores absolutos de las desviaciones más cercanas lineales (DL) y DL

= -15,09% en la primavera, DL = -15,36% en el verano, DL = 15,63% en otoño 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.

AHOOGHALANDINI, M.; KHIADANI, M.; Jahromi, ME El desarrollo de ecuaciones para estimar la

evapotranspiración de referencia en Australia. Administrar el agua Resour, v. 30,
p. 3815 - 3828, 2016.

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.

Alexandris, S.; Stričević, R.; PETKOVIC, Análisis comparativo S. de evapotranspiración de referencia de la

superficie de la hierba central de secano en Serbia, calculado por métodos empíricos contra las seis
Pernman - fórmula Monteith.
europea del agua, v.21, no. 22, p. 17-28, 2008.

Benavides JG; LOPEZ, D. EL Fórmula Ia potencial de Evapotranspiracion estimación adaptada al trópico (C

15 - S 15). Agronomía Tropical, Maracay, v. 20,
n. 5, p. 335-345, 1970.

Berengena, J.; Gavilán, P. referencia estimación de la evapotranspiración en un ambiente semiárido

altamente advección. Diario de riego y de drenaje ASCE Ingeniería, v. 131, p.147-163, 2005.

Bezerra, JM; MOURA ALBUQUERQUE, GB; FRANCIA, EF; Silva, E.

F.; Lopes, BMP; DA SILVA, BB estimar la evapotranspiración de referencia diaria Mossoró (RN, Brasil). Revista
Caatinga, v. 27, no. 3, p. 211-220, Julio-Sept.,
2014.

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.

De Bruin, HAR La determinación de (cultivo de referencia) la evapotranspiración de los datos meteorológicos de

rutina. Informaciones y Procedimientos, Comité para Hidrológico Reseach, v. 28, p. 25-37, 1981.

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.

Hamon, WR Estimación de la evapotranspiración potencial. Journal of DivisionASCE Hydraulics, Nueva

York v. 87, p. 107-120, 1961.

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.

KHOOB, AR Estudio comparativo de Hargreaves de metodologías y de red neuronal artificial en la

estimación de la evapotranspiración de referencia en el entorno semiárido.
Irrigación Ciencia, v. 26, no. 3, p. 253-259, 2008.
56

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.

Makkink, G, F. Prueba de la fórmula Penman por medio de lisímetros. Diario de la Institución de

Ingenieros de agua, v. 13, no. 3, p. 277-288, 1957.

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.

Medeiros, PV Análisis de la evapotranspiración de referencia y mediciones de ajuste lysimetric

nueve equaçãoes empíricas teóricas estadísticos basados ​en Penman - Monteith. 2008. 241F.
Disertación (Maestría en Hidráulica y Saneamiento) - Escuela de Ingeniería de São Carlos. Universidad de
Sao Paulo, Sao Paulo, 2008.

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.

Moeletsi, MD; Walker, S.; HAMANDAWANA, H. La comparación de la ecuación de Hargreaves y Samani y

la ecuación de Thornthwaite para estimar la evapotranspiración dekadal en la Provincia del Estado Libre,
Sudáfrica. Física y Química de la Tierra, v. 66, p. 4-15, 2013.

MOHAWESH, evaluación de la OE de los modelos de evapotranspiración diarias para estimar la evapotranspiración de

referencia en el entorno de zonas áridas y semiáridas. El suelo vegetal Environ.,
v. 57, no. 4, p. 147-152, 2011.
 57

Nandagiri, L.; Kovoor, evaluación de GM Perfomance referencia

ecuaciones de evapotranspiración a través de una gama de clamates Idian. Diario de Ingeniería de Riego y
Drenaje, v. 132, no. 3, p. 238-249, 2006.

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,

Campinas, v. 66, no. 4, p. 711-720, 2007.

Samaras DA; Reif A.; Theodoropoulos, K. Evaluación de modelos de evapotranspiración de referencia

basado radiación en diferentes climas mediterráneos en Grecia central. Administrar el agua Resour, v. 28,
p. 207-225, 2014.

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.

Vanderlinden, K.; Giraldez, N; Meirvenne VAN, M. Evaluación de la evapotranspiración de referencia por el

método de Hargreaves en el sur de España. J.Irrig. Escurrir. eng,
v. 130, no. 3, p. 184-191, mayo / junio de 2004.

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

Evapotranspiración de referencia Modelando el ESTADO

SAO PAULO: TÉCNICA DE LA MÁQUINA aprendizaje y los modelos

EMPIRICA

RESUMEN

La evapotranspiración de referencia (ETo) es importante en la agricultura debido a que permite

el cálculo de la demanda de agua de los cultivos. En este trabajo los métodos

Empírica (Hargreaves - Samani y Abtew) y dos técnicas de aprendizaje

máquinas - TAM (Redes Neuronales Artificiales - ARN y la máquina de vectores de soporte -

MVS) con respecto al método de la FAO estándar 56 en el estado de Sao Paulo en escalas

anual y estacional, a partir de datos meteorológicos de 22 estaciones automáticas. la

RNA utilizado fue del tipo Perceptrón multicapa ( MLP), con el algoritmo de aprendizaje

retropropagación y MVS utilizan para funcionar Función básica radial ( FSR) de

Kernel con algoritmo de aprendizaje Regresión mínimo de optimización secuencial.

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"

Willmott y R 2 ( coeficiente de determinación). Los resultados de la escala anual

mostró que el ARN a R6 y M6 compone de MVS de temperatura máxima

(Tmax), mínima (T min), aire media (T), la radiación extraterrestre (Ra) y la radiación solar

Global (R) produjo el mejor rendimiento. En la escala de temporada, la mejor

actuaciones se observaron en las arquitecturas compuestas por Tmax, Tmin, T, R

y velocidad del viento (R3 y M3); Tmax, Tmin, T, R y humedad relativa (R4 y

M4); T y R (R5 y M5); y R6 y M6.

Palabras - clave: Backprppagation. máquinas de vectores soporte. redes neuronales

artificial.
60

RESUMEN

La evapotranspiración de referencia (ETo) es importante en la agricultura, ya que permite

El cálculo de la demanda de agua de los cultivos. En este trabajo, fue la Opinión empírica

métodos (Hargreaves - Samani y Abtew) y dos técnicas de aprendizaje automático -

MLT (Redes Neuronales Artificiales - RNA y Apoyo Vector Machine - SVM) contra

FAO 56 método estándar en el estado de Sao Paulo en escalas anuales y estacionales,

a partir de datos meteorológicos de 22 estaciones automáticas. Los RNAs utilizados fue de

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

algoritmo de aprendizaje mínimo de optimización. Cada MLT se compone de 6 arquitecturas,

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

Error Square), "d" de Wilmot y R 2 ( coeficiente de determinación). Los resultados obtenidos

Mostró en la escala anual que es ARN R6 y M6 se compone de un máximo de MVS

temperatura (Tmax), la temperatura mínima (Tmin), la temperatura media del aire (T),

radiación extraterrestre (Ra) y la radiación solar global (Rs) prestan mejor

el rendimiento. En la escala de temporada, el mejor comportamiento se observó en

arquitecturas compuestas de Tmax, Tmin, T, R y velocidad del viento (M3 y R3); Tmáx,

T min, T, R y humedad relativa (M4 y R4); T y R (R 5 y M5); y R6 en el

y M6.

palabras clave: Backpropagation. Máquinas de vectores soporte. Las redes neuronales artificiales.
 61

2.1 INTRODUCCIÓN

La evapotranspiración de referencia (ETo) es un fenómeno complejo que

es la pérdida de agua como vapor a la atmósfera puede ser por

transpiración y evaporación superficies con vegetación del suelo y / o la superficie

vegetación. ETo un caso hipotético en cultivo con 0,12 m de alto albedo

0.23, cabina del calefactor 70 m s 1 en uniforme y en crecimiento activo,

cubriendo completamente un área grande sin restricción de agua, como Allen et al.

(1998). La ETo es crítica para el riego para calcular la demanda de agua de

culturas (ETC), que se obtiene multiplicando coeficiente de cultivo ETo (Kc)

(YODER et al., 2005).

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.

(1998). Varios autores encontraron que este método supera

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

Ellos no siempre están disponibles en varias estaciones meteorológicas. ser

Por lo tanto, se han desarrollado diversos métodos alternativos (George et al., 2002;

ITENFISU et al, 2003), principalmente métodos empíricos tales como :. Hargreaves

Samani, Abtew, Makkin, etc. Estos métodos son el uso sencillo y práctico, sin embargo, el

Su elección debe hacerse con cuidado, ya que su rendimiento es

influenciado por el clima de cada lugar.

Khoob (2008) observó que el método de MS subestimado y sobrestimó

Método MFP 56 a 20 y 37% en base mensual, respectivamente. Kisi (2006)

Se observó que este método sobrestimó MFP 56 en un rango de 118 a 167%.

Valipour (2015) evaluaron 22 métodos de estimación de ETo en 31 provincias de Irán,

encontró que su rendimiento varía de un lugar a otro. Con eso,

este autor ha recomendado el ajuste de los parámetros de los métodos para cada tipo de

tiempo. La variabilidad del rendimiento de los métodos empíricos ha llevado

los investigadores a las investigaciones en curso. Como resultado de la investigación, es

62

poner de relieve algunas de las técnicas de aprendizaje automático (TAM): Redes Neuronales

Artificial (RNA), Neuro Fuzzy Apoyo Vector Machine (MVS), etc.

Los ARN son modelos matemáticos, cuyo principio es similar a las neuronas

biológica. Son adecuados para el modelado de procesos no lineales como

evapotranspiración (ESLAMIAN et al, 2008 ;. Haykin, 1998; Landeras et al.

2008). Varios investigadores utilizaron los ARN para estimar ETo a partir de

arquitecturas diferentes, cuyos resultados mostraron un alto rendimiento

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

ETo la mejor MFP método 56 (Kumar et al., 2002; Parasuraman et al.

2004). Entre los diversos tipos de ARN, de acuerdo con Kumar et al. (2011), el

Perceptrón multicapa ( MLP) con el algoritmo retropropagación Es el más utilizado, con

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;

Wang et al., 2011).

En cuanto a MVS, hay pocos estudios en comparación con el ARN,

principalmente en la estimación de ETo. Sin embargo, los estudios existentes tienen

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

resolver problemas no lineales, que informó Vapnik (1998) que es bastante

robusto. Para Amari y Wu (1999), MVS rendimiento depende en gran medida de

función del núcleo utilizado, por lo que existe la necesidad de una cuidadosa elección del tipo

función de su uso.

Kisi (2013), métodos evaluados de estimación de ETo observó que el MVS

de mínimos cuadrados mejores resultados presentados que los ARN y métodos empíricos.

Otros estudios que apoyan la superioridad de MVS de ARN y métodos

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

las pérdidas por evaporación y para estimar la precipitación, respectivamente.

 63

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

MVS que la evaporación estimada.

Con este trabajo, tenemos la intención de evaluar el desempeño de los métodos

Empíricos (Hargreves - Samani y Abtew) y TAM (ARN y MVS) para estimar

ETo en el estado de Sao Paulo en relación con el método MFP 56 en escalas

anual y estacional, a partir de datos de tiempo en 22 estaciones automáticas. al

TAM se utilizan varias combinaciones de variables de entrada, la simulación de la

estimación de ETo en diferentes situaciones.

2.2 MÉTODOS

2.2.1 Localización y descripción del estudio

En la Figura 1 se expone ubicación de las 22 estaciones meteorológicas

automática de Sao Paulo utilizaron en este estudio. Los datos

estas estaciones fueron puestos a disposición por el Instituto Nacional de Meteorología

Brasil (INMET).

Figura 1 - Mapa de 22 estaciones automáticas de Sao Paulo

64

La Tabla 1 muestra los datos de coordenadas geográficas (latitud, longitud, y

altitud), el período de recogida de datos (que comprende al menos 80% de los datos) y

el clima de las 22 estaciones meteorológicas que componen esta investigación. la

misma mesa, hay cuatro tipos de clima: Aw, CWA, Af y Am, que

seguir los criterios de clasificación climática de Köppen, como Cepagri (2016).

Las letras Cwa caracterizan el clima templado o tropical de altitud, mientras

AW las letras, y Af Am caracterizan la sabana tropical, selva tropical

lluvia y el clima de montaña, respectivamente (VIANELLO; Alves, 2012). nosotros

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

y una precipitación media invierno seco es inferior a 60 mm en un mes que

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

18 ° C (KOTTEK et al, 2006 ;. SOUZA et al, 2013.).

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

predominantes en las 22 ciudades utilizados.

Tabla 1 - estaciones meteorológicas automáticas en el estado de Sao Paulo

código estaciones latitud longitud altitud período clima

(Ciudades) (grados) (grados) (M) (Años)

A-736 nutria - 21.01 - 48.83 525 2008 - 2015 aw

A-725 Avare - 23,00 - 48.88 654 2007 - 2015 CWA

A-705 Bauru - 22.30 - 49.70 550 2005 - 2015 aw

A-738 Casa Blanca - 21.77 - 47.01 730 2008 - 2015 aw

A-708 Franca - 20.57 - 47.37 1026 2005 - 2015 aw

A-737 Ibitinga - 21.85 - 48.80 492 2008 - 2015 aw

A-712 Iguapé - 24,70 - 47.55 3 2007 - 2015 af

A-714 Itapeva - 23,97 - 48.85 707 2007 - 2015 CWA

A-733 jales - 20.02 - 50.58 457 2008 - 2015 aw

A-735 José Bonifacio - 21,00 - 49.68 405 2008 - 2015 aw

 65

A-727 Lins - 21.65 - 49.73 459 2007 - 2015 aw

A-716 Ourinhos - 22.95 - 49.85 448 2007 - 2015 soy

A-726 Piracicaba - 22.70 - 47.62 574 2007 - 2015 CWA

A-707 Presidente Prudente -22.01 - 51.40 436 2005 - 2015 aw

A-718 Ranchi - 22.37 - 50.97 350 2007 - 2015 aw

A-711 San Carlos - 21.95 - 47.87 863 2007 - 2015 CWA

A-740 Luis de Paraitinga - 23.22 - 45.52 874 2008 - 2015 CWA

A-715 San Miguel de - 23.85 - 48.00 678 2007 - 2015 CWA

arcángel

A-701 San Pablo - 23.50 - 46.62 792 2007 - 2015 CWA

A-728 taubaté - 23,00 - 45.52 571 2007 - 2015 CWA

A-734 Valparaíso - 21.32 - 50.92 374 2007 - 2015 aw

A-729 Votuporanga - 20,40 - 49.95 486 2007 - 2015 aw

Además de los datos mostrados en la Tabla 1, se recogió datos de temperatura

máximo, mínimo, promedio de humedad relativa, velocidad del viento y la radiación solar

Global también disponible por INMET. Estos datos estaban en rango

tiempo, por lo tanto, se transformaron en horario diario, después de haber aplicado

la integración de criterios para la radiación solar global y la media aritmética de

otros datos.

A continuación, se estimó ETo en la escala anual y estacional usando el método

temperatura empírica (Hargreaves Samani - HS), y la radiación solar (Abtew -

AB) y TAM. Los resultados obtenidos en ambos métodos empíricos como en TAM

Se evaluaron para el método de MFP 56, por defecto considerado

Allen et al. (1998). la Los siguientes son las ecuaciones usadas en el método

métodos empíricos estándar y arquitectura de cada TAM.

2.2.2 Método Estándar de estimar ETo

La ecuación 1 es recomendado por Allen et al. (1998) y se utiliza como estándar

para la estimación de ETo en ausencia de lisímetros.

900
0, 408 * • * • • •• • * y s GTU
* 2
* • • Rn •
• • 273
EPara (1)
• • • * • • 0 1, 34 * T 2 •
66

Dónde: ETo = evapotranspiración de referencia, mm d- 1; Balance de radiación rn voluntad MJ m- 2 d- 1; densidad

de flujo L = calor al suelo, MJ m- 2 d- 1; = constante

psicométrica, kPa la C- 1; T = temperatura media del aire, ° C; T 2 = velocidad del viento

2 metros de altura, m s- 1; = Presión de saturación a la temperatura de bulbo seco,

kPa; = Real de presión o de la corriente de vapor de agua, kPa; • = la pendiente de la curva de

la presión de vapor de saturación, kPa la C- 1; MJ = 0,408 Factor de conversión m- 2 d- 1

mm a D- 1.

2.2.3 Métodos de estimación empírica ETo

2.2.3.1 Método de Hargreaves - Samani

El método de Hargreaves - Samani (1985) estima ETo (mm d- 1) de

rango de temperatura, significa la temperatura del aire y la radiación extraterrestre (Ecuación

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.

2.2.3.2 Método Abtew

Ecuación 2 Abtew (1966) estima ETo (mm d- 1) Los datos de

la radiación solar global (Rs) y K asume un valor medio de 0,53.

• ETo * R K (3)
•

2.2 0.4 ETo en la escala anual, estacional y el software utilizado

Para el uso de los ARN y MVS, tanto en escala como en la temporada anual,

varias variables de entrada se combinaron (arquitectura) para simular numerosos

posibilidades estimación ETo (Tabla 2). Estas variables de entrada 70%

 67

( Porcentaje de Split) Fueron utilizados para la formación y el restante para

validación. Según Silva et al. (2010), el subconjunto comprende la formación

aleatoriamente alrededor de 60 a 90% del conjunto de la muestra total. Es de destacar

las letras R y M en la Tabla 2 corresponden a los ARN y SL, respectivamente.

Tabla 2 - Arquitectura de ARN y MVS utiliza en la escala anual y estacional

Las variables de entrada Arquitectura ARN y MVS

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

La estimación de ETo por TAM se hizo en la versión 3.6.13 programa WEKA

(El conocimiento de Weikato analyis envioronment), que es libremente accesible. más

detalles sobre la WEKA se presentaron por Hall et al. (2009).

2.2.4.1 Redes Neuronales Artificiales (ANN)

Los ARN tienen la capacidad de aprender y adaptarse a cualquier entorno,

puede ser un entorno de conocidos o nuevos, más allá del cual el aprendizaje puede ser

con o sin supervisión.

Entre las redes existentes, perceptrón multicapa (MLP) es más

usado (Haykin, 1998). Se compone de tres capas de neuronas

interconectada con la primera, segunda y tercera capas designadas

de entrada (X i, j), intermedio o escondida (w i, j) y salida (y i) respectivamente. capa

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,

y se hace pasar adicionalmente a la capa de salida desde el que se liberan cuando

errores de modelado son mínimos.

68

Figura 2 - MLP con una capa oculta

Existen varios algoritmos de aprendizaje que se pueden utilizar para entrenar

MLP, pero este trabajo se utiliza retropropagación. En este tipo de algoritmo,

aprendizaje hace dos pasadas a diferentes capas de la red, uno para

frontal, llamada propagación y otra posterior, llamada retropropagación

(Haykin, 1998). En el extremo, una función de activación de la neurona se aplica a

la generación de los datos de salida, típicamente una función logística sigmoidal (Huo et al.

2012), de acuerdo con la Ecuación 4. En WEKA se aplicó a una función sigmoidal,

en vista de = Tasa de aprendizaje 0,3; impulso = 0.2 y = tiempo de entrenamiento 500 se ensayó

múltiples capas ocultas (de 1 a 10 capas), siendo seleccionados el parámetro

WEKA estándar "a", ya que mostró mejores resultados.

1
( xf ) • (4)
• • exp 1• • x ••

2.2.4.2 máquinas de vectores soporte (MVS)

MVS es un clasificador derivado de la teoría del aprendizaje estadístico y era

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

más fiable y un rendimiento más alto que en los mismos ARN

la formación de condiciones, sin embargo, es importante hacer una selección

La función apropiada, algoritmos y parámetros que sean utlizados.

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

(RBF) kernel y el algoritmo Regresión mínimo de optimización secuencial

(RgSMO). Este algoritmo es rápido, consume menos memoria y es algo complejo.

Cuando se utiliza el RBF es necesario hacer un ajuste adecuado de los parámetros

(Coste) (Gamma) y (Epsilon), pero no se recomienda este último, dejando

WEKA el valor predeterminado (0.001). Según Raghavendra y Deka (2014), el

parámetros y dependen de y los valores altos producen una C

aprendizaje complejo y bajadas de aprendizaje inadecuados. En este trabajo,

los parámetros y Ellos fueron determinados por ensayo y fue

seleccionado la combinación que produce mejores resultados. me yer et al. (2003)

valores reportados y .

2.2.5 validación de los métodos empíricos de TAM y

Ambos métodos empíricos como el TAM se evaluaron para

Método MFP 56 basado en índices estadísticos. índices estadísticos

utilizados fueron: error relativa media (MBE = La media de sesgo de error) raíz cuadrada de

error cuadrático medio (RMSE = Root Mean Square Error) coeficiente

acuerdo Willmott (1985), "d" y el coeficiente de determinación (R 2). MBE> 0

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

considerados mejores son el más cercano a cero, mientras que la "d"

y R 2 indicar mejores resultados como más cercano a una gama y son

de cero a uno. Ecuaciones 5 a 8 se utilizaron para calcular los índices

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 •

Donde: P i = Valores estimados por métodos estadísticos mm d- 1; la i = valor

estimada por el método estándar, mm d- 1; N = número de estimaciones por período y O =

Media aritmética EPara estimada por el método estándar mm d- 1.

2.3 RESULTADOS

2.3.1 Rendimiento de TAM y empíricos métodos en el estado de las ciudades

San Pablo

Tablas 3, 4, 5 y 6 se muestran los resultados de rendimiento

TAM de métodos estadísticos y empíricos para la estimación de ETo en diferente

ciudades de Sao Paulo.

En las mismas tablas, se observa que R1 y R5 tienen la tendencia a

sobreestimar ETo (MBE> 0 mm d- 1). Los otros ARN y MVS mostraron tanto

Resultados subestimación (MBE <0 mm d- 1) como de sobreestimación, y

algunas ciudades no había sub o sobreestimación de ETo (MBE = 0,00 mm d- 1).

Todo TAM tenía valores absolutos de MBE <0,5 mm d- 1 excepto

 71

el R5 (MBE = 0,65 mm d- 1) Ciudad Votuporanga (Tablas 3, 4 y 5). Tabla 6

Tenga en cuenta que los métodos de Hargreaves Samani (HS) y Abtew (AB) tenían

tendencia a sobreestimar que subestimar y la ETo en todas las ciudades, respectivamente,

presentando más valores de MBE> 0,5 mm d- 1 de TAM.

En cuanto a los índices de RMSE, "d" y R 2 hubo valores extremos

menor rendimiento en ambos ARN como cuando se utiliza el MVS

temperatura media del aire como variable de entrada para el ARN: RMSE = 0,38 a 0,74 mm d- 1 "D" =

0,77-0,96 mm d- 1; R 2 = De 0,52 a 0,88 mm d- 1 y MVS: RMSE = 0,37

0,62 mm d- 1 "D" = 0,80-0,96 mm d- 1; R 2 = De 0,53 a 0,88 mm d- 1. En general, la

aumentar el número de variables de entrada, la mejora de los valores extremos

rendimiento (Tablas 3, 4 y 5). En el SA y AB se observaron métodos

siguiente valores extremos: (RMSE = 0,46-1,41 mm d- 1 "D" = 0,61 a 0,95 mm d- 1;

R 2 = Entre 0.42 y 0,94 mm d- 1) y (RMSE = 0,21-1,09 mm d- 1 "D" = 0,68 a 0,99 mm d- 1; R 2

= 0,58 a 0,98 mm d- 1) respectivamente (Tabla 6).

72

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

estaciones R1 (T) M1 (t) R2 (Tmax, Tmin, T, R) M2 (Tmax, Tmin, T, R)

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

estaciones R5 (T, R) M5 (T, R) R6 (Tmax, Tmin, T, R, R) M6 (Tmax, Tmin, T, R, R)

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

Tabla 6 - Rendimiento de métodos empíricos estadísticos en diferente

ciudades de Sao Paulo

estaciones Hargreaves - Samani (SA) Abtew (AB)

MBE RMSE "D" R2 MBE RMSE "D" R2

nutria 0.99 1.03 0,81 0.94 - 0.37 0.58 0.92 0.86

Avare 0.30 0.46 0.95 0.88 - 0.06 0.23 0.98 0.94

Bauru 0.88 0.95 0.79 0.92 - 0.09 0.25 0.97 0.92

Casa Blanca 0.86 0.93 0,77 0.88 - 0.23 0.38 0.93 0.90

Franca - 0.07 0.57 0.87 0.58 - 0.25 0.43 0.89 0,81

Ibitinga 0.59 0.65 0.91 0.94 - 0.04 0.30 0.97 0.92

Iguapé 0.68 0,73 0.89 0.94 0.26 0.32 0.97 0.98

Itapeva 0.41 0.52 0.94 0.92 0.06 0.21 0.99 0.98

jales - 0.79 1.08 0.69 0.42 - 0.88 1.09 0.68 0.58

José Bonif. 0.36 0.48 0.94 0.90 - 0.57 0,77 0.86 0,76

Lins - 1.27 1.41 0.61 0.88 - 0.30 0.50 0.92 0.88

Ourinhos 0.96 1.02 0.80 0.92 0.05 0.29 0.97 0.96

Piracicaba 0.68 0,73 0.87 0.92 0.00 0.29 0.97 0.94

Presidente. P 0.49 0.59 0.91 0.90 - 0.61 0.66 0.87 0.90

Ranchi 1.25 1.28 0,72 0.94 0.03 0.32 0.97 0.96

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

taubaté 1.01 1.06 0,78 0.92 - 0.13 0.30 0.97 0.96

Valparaíso 0.41 0.60 0.91 0.83 - 0.59 0,77 0.84 0,76

Votuporanga 0.31 0.56 0.90 0,76 - 0.55 0,72 0,81 0,76

2.3.2 rendimiento anual de métodos empíricos, ARN y MVS

En promedio, se observó que el método empírico del SA y ARN

Sobreestimaban la ETo en el estado de Sao Paulo. El método de MS mostró una

valor MBE = 0,51 mm d- 1 y ARN mostró valores más altos en R1

(EBM = 0,20 mm d- 1) y R5 es (EBM = 0,22 mm d- 1) que mostró un menor de edad

sobreestimación en comparación con el método de MS. Desde método AB (MBE = -0,17 mm d- 1) y MVS

(MBE = -0,05 mm d- 1 el M1 y M5) subestimaron ETo. M1 y M5

representan el máximo observado, por lo tanto, la MVS tenía una

76

subestimación inferior. Basado en el índice de RMSE, se observó que el método AB

Tuvimos una mayor precisión (RMSE = 0,45 ± 0,229 mm d- 1) HS método

(RMSE = 0,82 mm ± 0,287 d- 1) R1 (RMSE = 0,51 mm ± 0,106 d- 1) y M1 (RMSE

= 0,46 ± 0,072 mm d- 1) Figura 3.

En relación con el índice "d" y R 2 se observó que tanto el método AB ( "d" =

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

HS ( "d" = 0,84 ± 0,095), sin embargo, el método HS (R 2 = 0,87 ± 0,128) mostraron

mejor ajuste matemático en relación a R 1 (R 2 = 0,76 ± 0,079) y M1 (R 2 =

0.76 ± 0.076), que se muestra en la figura 3. Con la excepción de R1 y M1 mostró que

resultados más bajos que el método AB, que se pueden ver claramente que el TAM

producido un mayor rendimiento.

Figura 3 - Rendimiento de medio de ARN, MVS y métodos empíricos, escala

anual

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

título del eje X

 77

En general, se observó que el aumento en el número de variables de entrada en

TAM ha mejorado su rendimiento. El arquitecturas R6 (MBE = 0,07 mm d- 1; RMSE =

0,20 ± 0,090 mm d- 1; "D" = 0,99 ± 0,015 y R 2 = 0,96 ± 0,033) y M6 (MBE = 0,00 mm d- 1;

RMSE = 0,18 mm ± 0,120 d- 1; "D" = 0,98 ± 0,026 y R 2 = 0,95 ± 0,069) proporcionó

resultados superiores. Este comportamiento también se ha reportado en la literatura,

y el ARN: RMSE = 0,21-3,19 mm d- 1; R 2 = 0,79-1,00 (YASSIN et al.

2016), RMSE = 0,43 mm 0,31e d- 1; R 2 = 0,90 y 0,95 (Trajkovic, 2009), RMSE =

0,27 mm d- 1; "D" = 0,99 y R 2 = 0,99 (LAABOUDI et al, 2012.) Y MVS: RMSE = 0,09

0,19 mm d- 1 y R 2 = 0,91-0,99 (ABDULLAH et al., 2015), RMSE = 0,02-0,07 mm d- 1 y R 2 = 0,95-1,00 (Ṭabari et

al., 2012). Algunas de estas actuaciones son

inferiores a los observados en este estudio.

2.3.3 Errores de métodos empíricos y TAM en la escala anual

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

en el centro de la caja representa la media y los bordes representan

los valores extremos de los errores. En este diagrama, se observó que R6 y M6

Mostraron un error promedio más cerca de cero y más estrechas cajas. este

confirma la tendencia de estos métodos no sub o sobrestimar la ETo (MBE

) y los índices altos de precisión informaron a través de la ECM, y M6

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

su caja y más lejos de cero es. Los peores resultados se ven en

método de MS. También se observa que el método tiene una mayor precisión Abtew

R1 y M1, lo que confirma los resultados ya reportados (Figura 4).

78

Figura 4 - PLE caja t errores doce métodos, la escala anual

1.5

ETo [Estimado-PMF56] (mm d- 1) 1.0

0.5

0.0

- 0.5

- 1.0

- 1.5
SA AB M1 R1 R2 R3 M2 M3 M4 R4 R5 R6 M5 M6

2.3.4 Comportamiento de ETo en el estado de Sao Paulo en la escala anual

Lo siguiente son los gráficos que ilustran el comportamiento de ETo

estimado por el mejor (AB, R6 y M6) y peores métodos (Hs, R1 y M1). Figuras

5 (a - l) y 6 (m - v) representan los mejores métodos y las Figuras 7 (a - l) y 6 (m

- v), el peor.

En las cifras en cuestión, se observó que tanto R6 como se presenta en M6

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,

mostrando una mayor precisión y altas ajustes matemáticos, lo que confirma la

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

X y Y = recta mostraron un alto grado de dispersión de los pares de datos

ETo, siempre que R6 y M6 tener un mejor rendimiento. Si bien es

difícil ver la diferencia entre el R6 y M6, este último una actuación

más alto, sin embargo, probablemente las diferencias entre ellos no tienen

relevancia estadística.
 79

Figura 5 - Dispersión ETo estimado por los mejores métodos

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

ETo MFP 56 (mm d- 1) ETo MFP 56 (mm d- 1) ETo MFP 56 (mm d- 1)

Figura 6 - Dispersión ETo estimado por los mejores métodos

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

ETo MFP 56 (mm d- 1)

80

A diferencia de las figuras anteriores, en las figuras 7 (a - l), y 8 (m - v) reveló

que las líneas de regresión de R1, M1, y HS es más distanciados de la línea

Y = x y la regresión mostraron más pares de datos ensanchados. Esto significa

estos métodos habían subestimado valores (gráficos por debajo de la línea de

Y = X) o sobreestimación (gráficos encima de la línea y = x) más alta que la

Los métodos anteriores y menor exactitud por lo tanto un peor rendimiento

estadístico. También se observó que el método de MS fue el peor de todos, seguido por

R1.

La tendencia de TAM mejoran el rendimiento a métodos

Empírica fue reportado por varios investigadores (KHOOB, 2008; Kisi, 2013;

Kumar et al., 2008; LADLANI et al., 2012).

Figura 7 - Dispersión ETo estima por las peores métodos

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

ETo MFP 56 (mm d- 1) ETo MFP 56 (mm d- 1) ETo MFP 56 (mm d- 1)

 81

Figura 8 - Dispersión ETo estima por las peores métodos

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

ETo MFP 56 (mm d- 1)

2.3.5 Rendimiento estacional de métodos empíricos, ARN y MVS

El método de la SA sobreestimado EPara en todas las estaciones del año, AB

sobreestimada sólo en el otoño y TAM mostró un comportamiento

variada. También se observó que estos métodos tenían valores absolutos de

MBE más alto que los ARN y MVS en todas las estaciones,

lo que significa que tanto el ARN como el MVS subestimados o sobreestimados

menos los valores de ETo. más resultados subestimación y la sobreestimación

bajadas de TAM se observan en verano y otoño. Los peores resultados de MBE

Ellos se produjeron en el método del SA, seguido por el método AB (Figura 9). la tendencia

Método AB subestimar y sobrestimar EPara en algún período del año fue

observado por Abtew et al. (2011).

Sobre la base de RMSE, se observó que el método del SA tiene alta precisión

en otoño (0,60 ± 0,367mm d- 1) y Winter (0,57 mm ± 0,251 d- 1) y el AB en el verano

(0,16 mm ± 0,110 d- 1) y otoño (0,15 ± 0,110mm d- 1). Los ARN y MVS mostraron

menor exactitud en primavera e invierno, principalmente en el siguiente

82

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

(Figura 9). Todos estos detalles son superiores a

mejor precisión observaron en el método de MS, pero en promedio inferior a la

mejor precisión observadas en el método AB.

 R2 "d" MBE (mm d- 1)

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

2.3.6 Errores de métodos empíricos y TAM en la temporada escala

Los resultados de diagrama de caja ( La Figura 10) ilustran claramente que

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.

También se observó que estas arquitecturas producen resultados más fiables

verano y otoño. Mediante el análisis de los métodos empíricos, se ha descubierto que el método de

AB produziu resultados mais confiáveis no verão e o de HS no outono e inverno,

confirmando os resultados anteriores.

Figura 10 - Box plot de erros dos doze métodos, escala sazonal

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

Comparando o desempenho dos métodos em avaliação na escala anual,

observou-se o pior desempenho no método empírico de HS. Já o método empírico

de AB (RMSE =0,45±0,229 mm d- 1) comportou-se melhor em relação ao método de

HS (RMSE =0,82±0,287 mm d- 1), R1 (RMSE =0,51±0,106 mm d- 1) e M1 (RMSE

=0,46±0,072 mm d- 1). A elevada precisão do método de AB em relação a R1 e M1,

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:

RMSE = 0,35±0,171 mm d- 1 e M5: RMSE = 0,26±0,132 mm d- 1). Existem estudos

que relataram o aumento do desempenho das TAM com o aumento do número de

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

com os resultados apresentados. Embora o método de AB tenha sido mais preciso

em relação a R1 e M1, apresentou valor de MBE (-0,17 mm d- 1) mais elevado,

contudo, foi considerado bom por estar próximo de zero.

Comparando as TAM com o mesmo número de variáveis de entrada, observou-

se que em média a MVS apresentou melhor desempenho. A tendência da MVS

apresentar melhores resultados do que as RNAs para a mesma arquitetura foi

observada por vários pesquisadores (KISI, 2013; WEN at al., 2015). Segundo Tabari

et al. (2013), a MVS possui uma boa flexibilidade e habilidade de modelar

fenômenos complexos em relação as RNAs, pois procura soluções mais otimizadas.

A R6 (MBE = 0,07 mm d- 1; RMSE = 0,20±0,090 mm d- 1; “d” = 0,99 ±0,015 e R 2 =

0,96±0,033) e M6 (MBE = 0,00 mm d- 1; RMSE = 0,18±0,120 mm d- 1; “d” = 0,98

±0,026 e R 2 = 0,95±0,069) apresentaram o desempenho mais elevado da presente

pesquisa. O elevado desempenho em relação as arquiteturas R1, M1, R2, M2, R5,

M5 foi justificado pelo uso de mais variáveis de entrada, conforme anteriormente

demonstrado. A R3, M3, R4 e M4 utilizaram o mesmo número de variáveis de

entrada utilizado na R6 e M6, cuja diferença esta na U 2 utilizada na R3 e M3 e na

UR utilizada na R4 e M4 no lugar da Rs utilizada na R6 e M6. Com isso, notou-se

que a inclusão da Rs na R6 e M6 explica o seu melhor desempenho, pois é um dos

elementos meteorológicos que mais influencia na ETo. Comportamento similar foi

observado em outros trabalhos (ARUN RAJ;JAIRAJ, 2014; LANDERAS et al., 2008;

TABARI et al., 2012; VYAS;SUBBAIAH, 2016; WEN et al., 2015). O elevado

desempenho da R6 e M6 foi confirmado pelo diagrama de caixa com bigodes, o qual

mostrou estimativas mais confiáveis (elevada precisão e erros de estimativa

próximos de zero).

À semelhança da escala anual, o método de HS apresentou o pior desempenho.

O método de AB apresentou melhor desempenho do que a R1, M1, R2, M2 e HS no

86

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

justifica os resultados obtidos no verão, o qual é quente e chuvoso. Contudo, a

superioridade desse método não é observado quando é comparado com outras

arquiteturas das TAM, evidenciando que o aumento das variáveis de entrada

melhora a qualidade de estimativa das TAM e que a Rs é uma das variáveis mais

importantes na taxa de ETo.

Em geral, as arquiteturas R3, M3, R4, M4, R5, M5, R6 e M6 produziram melhores

resultados na estimativa da ETo em todas estações do ano, pois apresentaram

valores de MBE e de RMSE mais próximos de zero e de “d” e R 2 mais próximos de

um, significando baixa sub ou superestimativa, elevada precisão, elevada

concordância e elevado ajuste matemático, respectivamente.

2.5 CONCLUSÃO

Escala anual:

O método empírico de HS apresentou menor desempenho que o método de

Abtew (AB), redes neurais artificiais (RNAs) e máquina vetor de suporte (MVS).

O método de AB apresentou um desempenho melhor (MBE = -0,17 mm d- 1 e

RMSE = 0,45 mm d- 1) em comparação as RNas (R1) e MVS (M1) que tiveram a

temperatura média do ar (T) como variável de entrada. Todavia, apresentou um

desempenho inferior as arquiteturas: R5 (MBE = 0,22 mm d- 1 e RMSE = 0,35 mm d-

1) e M5 (MBE = -0,05 mm d- 1 e RMSE = 0,26 mm d- 1), as quais usaram as mesmas

variáveis de entrada exigidas no método de AB (T e Rs).

A R6 (MBE = 0,07 mm d- 1 e RMSE = 0,20 mm d- 1) e M6 (MBE = 0,00 mm d- 1 e

RMSE = 0,18 mm d- 1), as quais utilizaram a temperatura máxima -Tmax, mínima -

Tmin, T, radiação extraterrestre - Ra e Rs como variáveis de entrada, superaram o

desempenho de todos modelos/métodos.

 87

Escala sazonal:

Observou-se que o método de HS apresentou piores desempenhos em todas as

estações do ano. O método de AB apresentou melhores resultados no verão (MBE =

-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

R2 e M2 utilizaram a Tmax, Tmin, T e Ra como variáveis de entrada.

As arquiteturas R3, M3, R4, M4, R5, M5, R6 e M6 produziram melhores

resultados que os demais modelos avaliados, pois os seus valores de MBE e RMSE

foram praticamente iguais a 0,00 mm d- 1 e os de “d” e R 2 foram mais próximos de

um. R3 e M3 utilizaram a Tmax, Tmin, T, Ra e U 2, enquanto R4 e M4, utilizaram UR

no lugar de U 2, permanecendo as demais variáveis. É de ressaltar que todos os

métodos relatados como melhores, apresesentaram elevados valores dos índices “d”

e R 2, tanto na escala anual quanto sazonal.

88

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.

CENTRO DE PESQUISAS METEOROLÓGICAS E CLIMÁTICAS APLICADAS A AGRICULTURA -

CEPAGRI. Clima dos Municípios Paulistas. Disponível em: < http://www.cpa.unicamp.br/outras-informacoes/clima-dos-munic
>. Acesso em: 10 de out. 2016.

Da SILVA, I.N.; SPATt, D.H.;FLAUZINO, R.A. Redes Neurais Artificiais para

engenharia e ciências aplicadas. São Paulo: Artliber Editora. 2010. 399p.

 89

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.; CIMEN, M. Evapotranspiration modeling using support vector machines.

Hydrol. Sci. J., v. 54, n. 5, p. 918-928, 2009.

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.

KHOOB, A. R. Comparactive satudy of Hargreaves’s and artifiacial neural network’s methodologies

in estimating reference evapotranspiration in a semiarid
envioronment. Irrig Sci, v. 26, n. 3, p. 253-259, 2008.

KUMAR, M.; RAGHUWANSHI, N. S.; SINGH, R.; WALLENDER, W. W.; PRUITT, W.

O. Estimating evapotranspiration using artificial neural network. Journal of Irrigation and Drainage
Engineering, v. 128, n. 4, p. 224-233, 2002.

KUMAR, M.; BANDYOPADHYAY, A.; RAHGUWANSHI, N. S.; SINGH, R. Comparative study of

conventional and artificial neural network-based ETo estimation models. Irrig Sci, v. 26, n. 6, p. 531-545,
2008.

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.

MOHAWESH, O. E. Evaluation of evapotranspiration models for estimating Daily reference

evapotranspiration in arid and semiarid environment. Plant Soil Environ.,
v. 57, n. 4, p. 147-152, 2011.

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.

ROLIM, D. DE S.; DE CAMARGO, M. B. P.; LANIA, D. G.; DE MOARES, J. F. L. Classificação climática de

Köppen e de Thornthwaite e sua aplicabilidade na determinação de zonas agroclimáticas para o estado de
São Paulo, Bragantia,
Campinas, v. 66, n. 4, p. 711-720, 2007.

SAMARAS, D. A.; REIF, A.; THEODOROPOULOS, K. Evaluation of radiation based reference

evapotranspiration models under different Mediterranean climates in Central Greece. Water Resour
Manage, v. 28, p. 207-225, 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.

VALIPOUR, M. Comparative evaluation of radiation based methods for estimation of potential

evapotranspiration. J. Hydrol. Eng., v. 20, n. 5, 2015.

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.

ZANETTI, S. S.; SOUSA, E. F.; OLIVEIRA, V. P. S.; ALMEIDA, F. T.; BERNARDO,

S. Estimating evapotranspiration using artificial neural network and minimum climatological data. Journal of
Irrigation and Drainage Engineering, v.33, n.2,
p.83-89, 2007.
94

CAPÍTULO 3

EVAPOTRANSPIRAÇÃO DE REFERÊNCIA NO ESTADO DE SÃO PAULO:

MÉTODO GEOESPACIAL

RESUMO

A interpolação da evapotranspiração de referência (ETo) permite o seu

conhecimento em locais onde não se dispõe de nehuma informação, facilitando a

realização de inúmeras atividades agrícolas. Com este trabalho, pretende-se

apresentar a variabilidade espacial da ETo no estado de São Paulo a partir de dados

meteorológicos de 31 estações, utilizando a krigagem ordinária pontual (KOP) como

interpolador geoestatístico. A ETo foi estimada a partir do método de Penman

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,

com a exceção da primavera onde o modelo guassiano apresentou melhor

desempenho. Todos os modelos apresentaram uma dependência espacial forte. A

posterior, fez-se a validação cruzada da KOP com base nos coeficientes angular

e linear da reta de regressão linear simples, R 2 ( Coeficiente de

determinação), MBE ( Mean Bias Error), RMSE ( Root Mean Square Error) e MSDR

( Mean squared deviation ratio), cujos resultados mostraram um ótimo desempenho

da KOP. Finalmente, fez-se a confecção dos respectivos mapas.

Palavras – chave: Interpolação de dados. Krigagem Ordinária. Método de Penman

– Monteith.
 95

ABSTRACT

The interpolation of the reference evapotranspiration (ETo) allows its knowledge in

places where there is no information available, facilitating the accomplishment of

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

meteorological gauge stations using ordinary point kriging (OPK) method as

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

OPK. Finally, the respective maps were outlined.

Keywords: Data interpolation. Ordinary Kriging. Penman - Monteith method.

96

3.1 INTRODUÇÃO

Uma estimativa precisa da evapotranspiração de referência (ETo) é fundamental

para estudos agrícolas, hidrológicos, gestão de recursos hídricos, e bacias

hidrográficas, principalmente para estimar a demanda das culturas, planejamento da

irrigação, gestão da seca e estudos sobre mudanças climáticas (RAZIEI;PEREIRA,

2013). Segundo Allen et al. (1998), a ETo representa a perda de água por

evaporação e transpiração de uma extensa superfície vegetada em condições

padrão: sem estresse hídrico; cobertura total da superfície terrestre; albedo de 0,23;

crescimento ativo e uniforme (0,12 m de altura).

Existem várias equações de estimativa da ETo, dentre elas, a equação de

Penman Monteith, recomendada em 1998 no boletim da FAO 56 tem apresentado

ótimo desempenho em diferentes condições climáticas (ALLEN et al., 1998; JIA et

al., 2009; KANG et al., 2003; MOHAWESH, 2011). Contudo, não são todos os locais

que dispõem de elementos climáticos suficientes para utilizar essa equação.

Segundo Kamali et al. (2015), a ETo em locais com falta de informação pode ser

estimada a partir dos valores de outros locais, utilizando o método de interpolação.

Por outro lado, Zhou et al. (2007) relataram que os métodos de interpolação espacial

vêm sendo utilizados em diversas áreas, principalmente em ciências ambientais. É

de ressaltar que a precisão de estimativa dos valores depende do desempenho do

tipo de interpolador escolhido.

Os métodos de interpolação podem ser divididos em dois grupos, sendo

determísticos e geoestatísticos. Os métodos determísticos estimam os valores de

um determinado ponto a partir de valores registrados nos pontos vizinhos

(KURTZMAN;KADMON; 1999), por exemplo, o método de inverso da distância

ponderada (IDW) e método Spline. Estes métodos baseiam-se no princípio básico de

que os pontos próximos devem estar fortemente relacionados em relação aos pontos

mais distantes do local interpolado. Os métodos geoestatísticos como a krigagem

têm uma base estatística bastante poderosa, sendo utilizados em diversas áreas. A

krigagem pressupõe que a distância e a direção entre pontos amostrados reflete

uma correlação espacial que pode ser utilizada para explicar as variações na

superfície (CHILDS, 2004). Segundo Matheron (1963), a krigagem quantifica a

 97

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

de variograma, correlação espacial entre os dados e os dados medidos em pontos

vizinhos (KAMALI et al., 2015). O termo krigagem é em homenagem ao engenheiro

Sul Africano chamado Krige.

Segundo Li e Heap (2011), os métodos IDW, krigagem ordinária (OK) e a

Cokrigagem são frequentemente mais utlizados, porém, os métodos de krigagem

produzem melhores resultados do que os métodos não geoestatísticos. Para

Dalezios et al. (2002), uma ótima interpolação usando técnicas da geoestatística,

como a krigagem, pode ser utilizada para o mapeamento de variáveis

regionalizadas. Dentre os vários tipos de krigagem, a krigagem ordinária é mais

comum (CHILDS, 2004).

Cob-Martínez (1996), avaliando três interpoladores geoestatísticos (OK,

cokrigagem e krigagem residual) na predição da ETo e da precipitação, observaram

bons resultados dos três, embora a krigagem residual tenha produzido um resultado

relativamente inferior. Na China, Liu e Yang (2010) selecionaram a OK como melhor

interpolador. Outro trabalho realizado na China por Yang et al. (2011), mostrou que a

OK é ótimo interpolador da ETo tanto na escala anual quanto sazonal em relação

aos métodos IDW e Spline. A OK pode ser o método mais preciso para fazer a

interpolação e produz superfícies visualmente atraentes a partir de dados

irregularmente espaçados (RAZIEI;PEREIRA, 2013). Contudo, a literatura relata

alguns trabalhos em que a krigagem ordinária apresentou erros mais elevados em

relação aos outros interpoladores (ASHRAF et al, 1997; DALEZIOS et al., 2002;

RAY;DADHWAL, 2001). Entretanto, qualquer interpolador precisa ser avaliado antes

da confecção dos mapas.

Diante do exposto, o presente trabalho teve como objetivo avaliar o desempenho

da OK, opção pontual na representação da variabilidade espacial da ETo no estado

de São Paulo em escala anual e sazonal. Foram utilizados elementos

meteorológicos de 31 estações (temperatura média do ar, umidade relativa do ar,

velocidade do vento, insolação e radiação solar global), das quais, nove são

estações vizinhas.
98

3.2 MATERIAL E MÉTODOS

3.2.1 Área de estudo

O mapa dos locais onde foram coletados os dados meteorológicos para realizar o

presente estudo encontra-se na Figura 1. No total são 31 estações meteorológicas,

das quais 22 são estações automáticas localizadas dentro do estado de São Paulo e

as remanescentes, são estações vizinhas a fim de se obter uma boa interpolação

dos dados. É de ressaltar que todos os dados meteorológicos foram disponibilizados

pelo Instituto Nacional de Meteorologia do Brasil (INMET).

Figura 1 - Estações meteorológicas utilizadas na interpolação da ETo

Na Tabela 1 está apresentado as coordenadas geográficas utilizadas para

confeccionar o mapa da Figura 1, período de coleta dos dados em cada estação

(composto por pelo menos 80% dos dados) e o código de cada estação. A letra A

que antecede o código significa que a estação é automática, sendo o oposto,

estação convencional.

O estado de São Paulo apresenta uma grande diversidade climática, devido ao

seu relevo acidentado, posição geográfica e diferentes influências de massas de ar

(ROLIM et al., 2007). Cepagri (2016), utilizando a classificação climática de Köppen,

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 acordo com Vianello e Alves (2012), as letras Aw caracterizam o clima tropical

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

precipitação média inferior a 60 mm (KOTTEK et al., 2006; SOUZA et al., 2013). O

clima Cfa apresenta verão quente, sem estação seca do inverno e com temperatura

média do mês mais frio entre 18 e - 3°C, conforme Cepagri (2016).

Tabela 1 - Estações meteorológicas do estado de São Paulo e de áreas

vizinhas

Códigos Estações (Cidades) Latitude Longitude Altitude Período (anos)

(graus) (graus) (m)

Estado de São Paulo

A-736 Ariranha - 21,01 - 48,83 525 2008 - 2015

A-725 Avaré - 23,00 - 48,88 654 2007 - 2015

A-705 Bauru - 22,30 - 49,70 550 2005 - 2015

A-738 Casa Branca - 21,77 - 47,01 730 2008 - 2015

A-708 Franca - 20,57 - 47,37 1026 2005 - 2015

A-737 Ibitinga - 21,85 - 48,80 492 2008 - 2015

A-712 Iguape - 24,70 - 47,55 3 2007 - 2015

A-714 Itapeva - 23,97 - 48,85 707 2007 - 2015

A-733 Jales - 20,02 - 50,58 457 2008 - 2015

A-735 José Bonifácio - 21,00 - 49,68 405 2008 - 2015

A-727 Lins - 21,65 - 49,73 459 2007 - 2015

A-716 Ourinhos - 22,95 - 49,85 448 2007 - 2015

A-726 Piracicaba - 22,70 - 47,62 574 2007 - 2015

A-707 Presidente Prudente - 22,01 - 51,40 436 2005 - 2015

A-718 Rancharia - 22,37 - 50,97 350 2007 - 2015

A-711 São Carlos - 21,95 - 47,87 863 2007 - 2015

A-740 Luis do Paraitinga - 23,22 - 45,52 874 2008 - 2015

A-715 São Miguel de Arcanjo - 23,85 - 48,00 678 2007 - 2015

A-701 São Paulo - 23,50 - 46,62 792 2007 - 2015

A-728 Taubaté - 23,00 - 45,52 571 2007 - 2015

A-734 Valparaiso - 21,32 - 50,92 374 2007 - 2015

100

A-729 Votuporanga - 20,40 - 49,95 486 2007 - 2015

Estações vizinhas

A-849 Diamante do Norte - 22,63 - 52,89 362 2005-2015

83738 Resende - 22,45 - 44,44 434 2005-2015

83565 Paranaíba - 19,75 - 51,18 331 2005-2015

83767 Maringá - 23,4 - 51,91 542 2005-2015

83683 Machado - 21,68 - 45,94 873 2005-2015

83766 Londrina - 23,31 - 51,13 566 2005-2015

83813 Castro - 24,78 - 50,00 1009 2005-2015

83577 Uberaba - 20,00 - 47,95 737 2005-2015

83579 Araxá - 19.6 - 46,94 1024 2005-2015

Além dos dados mencionados, fez-se a coleta dos dados de temperatura do ar,

umidade relativa do ar, velocidade de vento, radiação solar global e de insolação. Os

dados de insolação foram utilizados apenas em estações meteorológicas

convencionais a fim de se estimar a radiação solar global, a partir da equação de

Angstrom (Equação 1).

• •
• • • N *n b a Rs
• * Ra (1)
• •

Em que: Rs = Radiação solar global, = Razão insolação, Ra = Radiação no topo

da atmosfera, a e b = Fração de Ra que chega na superfiície terrestre em dias

claros. Os valores de a e b podem ser assumidos iguais a 0,25 e 0,5,

respectivamente (ALLEN et al., 1998).

Todos os dados foram fornecidos na escala horária e a posterior foram

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

sazonal (primavera, verão, outono e inverno), Equação 2 (ALLEN et al., 1998).

 101

3.2.2 Método padrão de estimativa da ETo

900
0, 408 * • * • • •• • * es U T *G Rn2 * • • ea •
• • 273
ETo (2)
• • • * • • 0 1, 34 * U 2 •

Em que: ETo = Evapotranspiração de referência, mm d- 1; Rn = Saldo da radiaç ão ,

MJ m- 2 d- 1; G = Densidade de fluxo de calor para o solo, MJ m- 2 d- 1; = Constante

psicométrico, kPa o C- 1; T = Temperatura média do ar, ˚C; U 2 = Velocidade do vento a

2 metros de altura, m s- 1; = Pressão de saturação a temperatura de bulbo seco,

kPa; = Pressão real ou actual de vapor d’água, kPa; • = Declividade da curva da

pressão de saturação de vapor, kPa o C- 1; 0,408 = Fator de conversão de MJ m- 2 d- 1

para mm d- 1.

3.2.3 Análise espacial dos dados

Após a estimativa da ETo, fez-se a análise descritiva dos dados e o teste de

normalidade de Kolmogorov – Smirnov à 95% de intervalo de confiança. Em

seguida, procedeu-se com a seleção dos modelos teóricos de variogramas que

melhor representam quantitativamente a variação da ETo no estado de São Paulo,

utilizando o Programa Geoestatístico GS+ “ Geoestatistical for the Environmental

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

variograma analisa o grau de dependência espacial das amostras e define os

parâmetros necessários para a estimativa de valores para locais não amostrados,

utilizando a interpolação por krigagem. O variograma deve ser estimado de forma

confiável e modelado com funções matemáticas válidas (OLIVER;WEBSTER, 2014).

O variograma é representado na Equação 3.

N• h •

•
2
• • •• • xi•z xi •z •h N h• • h •• (3)
21 • • i•1

Em que: = Variância estimada na distância h; N(h) = Número de pares de

pontos separados por distância h; z(xi) = Valor da variável no ponto xi; z(xi+h) =
102

Valor da variável no ponto xi+h. versus h representa o variograma experimental,

o qual expressa a variabilidade espacial dos dados amostrados.

À medida que aumenta o valor de h da Equação 3, a variância [ ] também

aumenta até atingir um valor máximo, denominado patamar (Co+C) e a distância

correspondente denomina-se alcance. Por outro lado, quando o valor de h tende a

zero, atinge-se o efeito pepita (Co).

A classificação da variabilidade espacial da ETo foi realizada com base no índice

de dependência espacial ( ) proposto por Zimback (2001). Segundo o

mesmo autor, quando : tem-se fraca dependência espacial; quando

: moderada dependência espacial e quando :

dependência espacial forte.

3.2.3.1 Validação cruzada e interpolação

Verificada a existência da dependência espacial, fez-se a adequação dos

variogramas escolhidos através da técnica de validação cruzada. Esta técnica é

simples, consiste na remoção de cada ponto individualmente do conjunto de dados

amostrados e a posterior é estimado com base nos interpoladores, conforme Myers

(1997); Oliver e Webster (2014). Os resultados obtidos foram analisados com base

nos parâmetros da equação de regressão linear simples (Equação 4).

*
z• x • • • 00 • • 1
* z• x i •• •1 (4)

Em que: = Valor de ETo estimado pela krigagem; = Valor de ETo real;

Coeficiente angular da reta; = Coeficiente linear; Erro de estimativa.

As melhores estimativas dos valores da ETo, são encontradas quando

*
• • •0 z •x 1z * • x i • , ou seja, quando os pares de dados obtidos na validação cruzada

estão sobre a reta Y = X. Portanto, isso é observado quando os parâmetros e

são iguais a zero, um e zero, respectivamente. Por conseguinte, o R 2 fica igual a

um, o qual é obtido a partir da Equação 5.

 103

• 2 •

• • ) Z• x z ( x i ) • •
*
• ( i
2 • i•1 •
R • 1 • • N
N
• (5)
2
•
••
• • ( )z•x z ( x i i ) • •
••
i•1

Além dos parâmetros da regressão linear simples, foram analisados os seguintes

índices estatísticos: MBE ( Mean error), RMSE ( Root Mean Square Error) e MSDR

( Mean squared deviation ratio). Valores de MBE indicam uma subestimativa (MBE <

0) ou superestimativa (MBE > 0), de RMSE indicam a precisão do modelo e os de

MSDR indicam o grau de ajuste do modelo. Ressalta-se que quando

e , o desempenho do modelo escolhido é ótimo.

As Equações 6, 7 e 8 foram utilizadas para calcular os índices MBE, , MSDR,

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 ) •
• •

Em que: = Valor real na ponto x i; = Valor estimado pela krigagem na

*2
posição x i, N = Número de observações e • (k x i ) = Variância da krigagem.

A KO utilizada foi a pontual. A KO é uma técnica de interpolação utilizada em

geoestatística para fornecer as estimativas dos valores não amostrados

(GUTIÉRREZ DE RAVÉ et al., 2014; NOSHADI;SEPASKHAH, 2005;

OLIVER;WEBSTER, 1990), conforme a Equação 9.

•
*
( ) •0 z x Z• i
* (xi ) (9)
i•1
104

Em que: = Valor estimado no local x o; N = Números de observações;

Valor real no local x i e i • = Pesos associados ao valor real na posição x i. Melhores

resultados de são obtidos quando o estimador é não tendencioso e a

variância da estimativa é mínima.

Finalmente, confeccionou-se os mapas de distribuição espacial da ETo no estado

de São Paulo no programa QGIS versão 2.8.3 –Wien.

3.3 RESULTADOS

3.3.1 Estatística descritiva dos valores da ETo

A Tabela 2 mostra os valores máximos, mínimos, médios, desvio padrão (SD) e

coeficiente de variação (CV) da ETo no estado de São Paulo, em diferentes

períodos. De acordo com a mesma tabela, os valores da ETo estimados pelo

método padrão da FAO 56 são menos homogéneos no inverno (CV = 22,15%) e

mais homogéneos na primavera (CV = 11,25%) e verão (CV = 11,19%).

Tabela 2 - Estatística descritiva da ETo no estado de São Paulo

Período ETo ( mm d- 1) CV (%)

Máximo Mínimo Médio SD

Primavera 5,20 3,12 4,16 0,47 11,25

Verão 5,54 3,42 4,48 0,50 11,19

Outono 4,04 2,02 3,03 0,43 14,21

Inverno 4,68 1,94 3,31 0,73 22,15

Anual 5,00 2,64 3,82 0,51 13,43

Em termos médios, observou-se que a primavera e o verão apresentaram

elevados valores da ETo. Este resultado era de se esperar, pois nessas estações do

ano, o estado de São Paulo é caracterizado por chuvas e temperaturas elevadas,

por conseguinte, elevada demanda atmosférica (Tabela 2). É de ressaltar que além

da estatística descritiva apresentada, fez-se o teste de normalidade de Kolmogorov –

Smirnov, o qual foi significativo a 5% de nível de significância em todos os períodos.

O teste de normalidade é recomendado em diversos trabalhos como um prê-

 105

requisito para o uso da krigagem ordinária (KAMALI et al., 2015; WEBSTER;OLVER,

2001; XIAO et al., 2016).

106

3.3.2 Análise variográfica da ETo no estado de São Paulo na escala anual e sazonal

Tabela 3 - Parâmetros variográficos da ETo

Período Modelo Efeito pepita Patamar Alcance R2 SQR Estrutura Depedência

Co C+Co C/(C+Co) espacial

Anual Esférico 0,0010 0,370 5,380 0,914 0,0090 0,997 Forte

Primavera Gaussiano 0,0420 0,368 6,045 0,987 0,0010 0,886 Forte

Verão Esférico 0,0001 0,296 4,040 0,801 0,0114 1,0 Forte

Outono Esférico 0,0001 0,262 5,320 0,910 0,0046 1,0 Forte

Inverno Esférico 0,0010 0,749 5,480 0,854 0,0670 0,999 Forte

 107

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

escolhido o modelo gaussiano. A escolha do melhor modelo teórico, baseou-se nos

valores da SQR, conforme já mencionado. Quanto mais próximo de zero for o valor

da SQR, melhor é o modelo de ajuste dos variogramas. Em estudos similares,

Mardikis et al. (2005) e Kamali et al. (2015) também utilizaram a SQR para a escolha

dos modelos teóricos na Grécia e no Irã, respectivamente.

Na Tabela 3, observou-se ainda uma dependência espacial forte tanto no período

anual quanto sazonal, com base na classificação de Zimback (2001). Para o melhor

entendimento dos parâmetros da Tabela 3, a seguir está apresentado na Figura 2 (a,

b, c, d, e) os variogramas isotrópicos para a ETo.

Figura 2 (a, b, c, d, e) - Variogramas isotrópicos da ETo

108

Os variogramas isotrópicos mostraram que a maior distância (alcance) na qual

verificou-se a dependência espacial entre os valores da ETo acontecou na primavera

(6,045 graus decimais) e a menor, no verão (4,040 graus decimais). Acima dos

valores de alcance apresentados na Tabela 3, os valores da ETo apresentam

distribuições espaciais aleatórias, ou seja, são independentes e por conseguinte,

devem ser analisados a partir da estatística clássica. Segundo Trangmar et al.

(1985), amostras separadas por distâncias menores do que o alcance são

espacialmente relacionadas e vice-versa.

O patamar expressa a variabilidade dos valores da variável em análise.

Entretanto, a Figura 2 (a, b, c, d, e) mostra claramente que no inverno existe uma

maior variabilidade da ETo do que nos outros períodos, pois observou-se maior valor

conforme apresentado na Tabela 3 (Co+C = 0,749) e também observou-se maior

desvio padrão na Tabela 2 (SD = 0,73).

3.3.3 Krigagem da ETo

Nos mapas abaixo, a cor vermelho alaranjado representa os locais com maior

demanda atmosférica (ETo) e a azul representa os locais com menor demanda. Os

níveis de demanda atmosférica variam conforme a tonalidade das cores. Em média,

observou-se os seguintes valores de ETo: 4,24; 4,74; 2,98; 3,36 e 3,81 mm d- 1 na

primavera, verão, outono, inverno e ao longo do ano, respectivamente. Portanto,

verificou-se elevada demanda atmosférica no verão e baixa no outono.

 109

Em todos períodos verificou-se maiores valores da ETo nas regiões

compreendidas entre as latitudes 20 e 22º S, decrescendo à medida que a latitude

aumenta. Por outro lado, verificou-se uma tendência de diminuição da ETo com o

decréscimo da longitude, sendo mais nítido no verão (Figura 3 c). O decréscimo da

ETo com a latitude é explicada pelo fato das regiões de menor latitude estarem maís

próximas do Equador, portanto, recebem mais energia irradiante. O comportamento

da ETo verificado ao longo da longitude não é explicado por nenhum fator

astronómico. Entretanto, o microclima de cada local precisa ser analisado para o

entendimento da variação da ETo com a longitude.

Figura 3 a - Krigagem da ETo ao longo do ano

110

Figura 3 b - Krigagem da ETo na primavera

Figura 3 c - Krigagem da ETo no verão

 111

Figura 3 d - Krigagem da ETo no outono

Figura 3 e - Krigagem da ETo no inverno

112

3.3.4 Validação cruzada dos modelos variográficos

Na Tabela 4 estão dispostos os resultados da validação cruzada da krigagem

ordinária pontual (KOP): onde representa o coeficiente angular da reta de

regressão linear simples e representa o coeficiente linear.

Tabela 4. Validação cruzada da Krigagem ordinária pontual dos valores da ETo.

Período R2 MBE RMSE MSDR

Anual 0,884 0,41 0,536 0,027 0,348 0,671

Primavera 0,984 0,06 0,531 0,016 0,315 0,825

Verão 0,885 0,48 0,506 0,049 0,352 0,765

Outono 0,842 0,44 0,482 0,029 0,311 0,775

Inverno 0,954 0,14 0,548 0,014 0,486 0,729

Com base na Tabela 4, observou-se que o inverno apresentou maior valor de

RMSE (0,486 mm d- 1), significando que a KOP teve uma precisão mais baixa nesse

período. Esta constatação é confirmada na Figura 4 e, pois observou-se um maior

grau de espalhamento dos pares de dados à volta da reta de regressão Y = X (1:1)

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

apresentou uma baixíssima tendência de superestimar os valores reais da ETo.

 113

Figura 4 (a, b, c, d, e) - Dispersão dos valores da ETo no estado de São Paulo

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)

Os coeficientes apresentaram valores próximos de um e zero em todo

período, respectivamente, Figura 4 (a, b, c, d, e). Isto mostra que as equações de

regressão linear simples de cada período sobrepõem-se a equação Y = X (situação

desejada), confirmando que a KOP produziu resultados que representam a

variabilidade espacial da ETo no estado de São Paulo. Este resultado já era

previsível, pois na análise variográfica apresentada na Tabela 3 observou-se uma

dependência espacial forte. Contudo, observa-se na Tabela 4 que a validação

cruzada da KOP apresentou valores de R 2 que provavelmente não representem um

bom ajuste matemático. Os valores de R 2 possivelmente aumentariam trabalhando

com uma base de dados maior. Neste trabalho, isso não foi possível, pois o estado

de São Paulo apresenta poucas estações meteorológicas automáticas e pequena

base de dados por estação.

114

3.3.5 Erros de estimativa produzidos pela validação cruzada

O diagrama de caixa ( Box plot), Figura 5, demonstra que a KOP apresentou um

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

nenhuma tendência de subestimar e nem de superestimar a ETo estimada pelo

método da FAO 56, mostrando ser um ótimo interpolador espacial. Observou-se

ainda que no inverno, o diagrama de caixa apresentou mais valores adjacentes

(valores atípicos) do que nos outros períodos, principalmente abaixo da reta

, confirmando o elevado RMSE observado na Tabela 4 (elevado grau de

espalhamento).

Figura 5 - Box and plot de erros da Krigagem ordinária pontual

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

Em todos modelos variográficos escolhidos, sendo esférico para verão, outono,

inverno, e escala anual e gaussiano para primavera, verificou-se uma forte

dependência espacial. Essa dependência, mostrou que a escala utilizada para sua

identificação foi adequada, portanto, é relevante a aplicação da geoestatística. Não

obstante a existência da dependência espacial, o patamar observado no inverno

(Co+C = 0,749) mostrou uma maior variabilidade dos dados em relação aos demais

períodos. Mesmo assim, o variograma selecionado mostrou-se adequado à

semelhança dos outros períodos, pois verificou-se baixo efeito pepita ( , SQR
 115

próximo de zero e elevado ajuste matemático ( , embora este último

não seja decisivo na seleção de variogramas.

Se o modelo de variograma for corretamente escolhido, os valores de MSDR

devem estar próximos de um (KERRY;OLIVER, 2007; MINASNY;MCBRATNEY,

2005; OLIVER;WEBSTER, 2014). Sendo assim, embora se verificou baixa precisão

no inverno (RMSE = 0,486 mm d- 1), mais uma vez, pode-se afirmar que todos

variogramas foram bem escolhidos para expressar a variabilidade espacial da ETo

no estado de São Paulo. Por conseguinte, justificando o ótimo desempenho do

interpolador utilizado (KOP), ou seja, a escolha inadequada dos variogramas

influencia negativamente o desempenho dos interpoladores e vice-versa. Por outro

lado, a análise dos erros dos modelos feita através de Box plot confirmou que a KOP

é um otimo interpolador, pois apresentou erros médios próximos de zero e caixas

estreitas. Vários trabalhos também constataram que a krigagem ordinária é um ótimo

interpolador da ETo (COB – MARTÍNEZ;CUENCA, 1992; LIANG et al., 2011; LIU et

al., 2010; XU et al., 2006).

A KOP mostrou ainda uma elevada demanda atmosférica no verão (ETo = 4,74 mm d- 1) e baixa no

outono (ETo = 2,98 mm d- 1), a qual, é explicada pelo fato deste

ser mais quente e mais chuvoso no estado de São Paulo. Vários autores relatam

que a disponibilidade energética e a água são os principais fatores que determinam

a taxa de evapotranspiração (BUDYKO, 1974; DONOHUE et al., 2007), justificando

os presentes resultados.

3.5 CONCLUSÃO

A distribuição espacial da evapotranspiração de referência (ETo) no estado de

São Paulo pode ser melhor representada através dos variogramas esféricos tanto na

escala anual quanto sazonal (primavera, verão, outono e inverno), com a exceção

da primavera que o melhor modelo é gaussiano. Todos os modelos apresentaram a

soma dos quadrados dos resíduos, efeito pepita próximos de zero e R 2 próximo de

um, além de uma forte dependência espacial.

116

A validação cruzada da interpolação por krigagem ordinária pontual (KOP)

mostrou-se eficiente para gerar os mapas de variabilidade espacial da ETo. Os

valores máximos dos principais índices estatísticos utilizados foram: MBE = 0,049 mm d- 1 no verão, RMSE

= 0,486 mm d- 1 no inverno, evidenciando uma baixa

superestimativa dos valores reais da ETo e elevada precisão da KOP,

respectivamente. Já os valores do índice MSDR estiveram próximos de um, variando

de 0,671 a 0,825, mostrando que os variogramas foram corretamente escolhidos.

 117

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.

BUDYKO, M. I. Climate and Life. Academic Press. 1974, 508 p.

CENTRO DE PESQUISAS METEOROLÓGICAS E CLIMÁTICAS APLICADAS A AGRICULTURA -

CEPAGRI. Clima dos Municípios Paulistas. Disponível em: < http://www.cpa.unicamp.br/outras-informacoes/clima-dos
>. Acesso em: 10 de out. 2016.

CHILDS, C. Interpolating surfaces in ArcGis spatial analysis. ArcUser, ESRI Education Services, p. 32-35,
2004.

COB – MARTÍNEZ, A.; CUENCA, R. H. Influence of elevation on regional evapotranspiration using

multivariate geostatistics for various climatic regimes in Oregon. Journal of Hydrology, v. 136, p. 353-380,
1992.

DALEZIOS, N. R.; LOUKAS, A.; BAMPZELIS, D. Spatial variability of reference evapotranspiration in

Greece. Physics and Chemistry of the Earth, v. 27, p. 1031-
1038, 2002.

DA SILVA, A. F.; QUARTEZANI, W. Z.; ZIMBACK, C. R. L.; LANDIM, P. M. B.

Aplicação da geoestatística em ciências agrárias. In: II Simpósio de
geoestatística aplicada em ciências agrárias (SGeA), 2011, Botucatu, FEPAF, 2011, 136 p.

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.

GUTIÉRREZ DE RAVÉ, E.; JIMÉNEZ-HORNERO, E. J.; ARIZA-VILLAVERDE, A. B.; GÓMEZ-LOPEZ.

Using general-purpose computing on graphics processing units (GPGPU)
to accelerate the ordinary kriging algorithm. Computers and
Geosciences, v. 64, p. 1-6, 2014.

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.

KURTZMAN, D.; KADMON, R. Mapping of temperature variables in Israel: A comparison of different

interpolation methods. Climate Res., v. 13, n. 1, p. 33-43,
1999.

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.

MATHERON, G. Principles of geostatistics. Econ. Geol., v. 58, p. 1246-1266, 1963.

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.

MOHAWESH, O. E. Evaluation of evapotranspiration models for estimating Daily reference

evapotranspiration in arid and semiarid environment. Plant Soil Environ.,
v. 57, n. 4, p. 147-152, 2011.

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.

RAZIEI, T.; PEREIRA, L. S. Spatial variability analysis of reference

evapotranspiration in Iran utilizing fine resolution gridded datasets. Agricultural Water Management, v.
126, p. 104-118, 2013.

ROLIM, D. DE S.; DE CAMARGO, M. B. P.; LANIA, D. G.; DE MOARES, J. F. L. Classificação climática de

Köppen e de Thornthwaite e sua aplicabilidade na determinação de zonas agroclimáticas para o estado de
São Paulo, Bragantia,
Campinas, v. 66, n. 4, p. 711-720, 2007.

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

ZIMBACK, C. R. L. Análise espacial de atributos químicos de solos para fins de mapeamente da

fertilidade do solo. 2001. 114 f. Tese (Livre – Docência) – Faculdade de Ciências Agronômicas,
Universidade Estadual Paulista, Botucatu,
2001.

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

Para o manejo ou dimensionamento de sistemas de irrigação é fundamental que

os métodos empíricos sejam selecionados de forma cuidadosa para garantir uma

máxima produtividade das culturas agrícolas. É também fundamental que se analise

o efeito de sazonalidade das equações anuais em relação às sazonais a fim de se

escolher métodos que apresentam baixo efeito de sazonalidade, por conseguinte,

evitando sob ou superdimensionamento de sistemas de irrigação.

As redes neurais artificiais, principalmente a máquina vetor de suporte, são

excelentes ferramentas para a estimativa da ETo em qualquer estação do ano.

Contudo, produziram desempenho estatístico quase similiar em diferentes

arquiteturas. Sendo assim, testes de análise de significância dos resultados devem

ser realizados, assim como estudos de viabilidade económica, para que seja feita

uma escolha mais adequada possível.

Embora a krigagem ordinária pontual tenha se mostrado eficiente para estimar a

ETo em lugares não amostrados no estado de São Paulo, outras técnicas de

interpolação devem ser analisados.

122

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.

CHAUHAN, S.; SHRIVASTAVA, R. K. Estimating reference evapotranspiration using neural computing

technique. J. of Indian Water Resour. Soc., v. 32, n. 1-2, 2012.

DOOREMBOS, J.; KASSAM, A. H. Efeito de água no rendimento das culturas.

Estudos FAO-Irrigação e drenagem 33 (Traduzido por H R Gheyi et al.-UFPB, Campina Grande), 1994, 306
p.

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.

JENSEN, M. E. Consumptive use of water and irrigation water requirements.

New York:ASCE, 1973. 215 p.

KISI, O. Least squares support vector machine for modeling daily reference evapotranspiration. Irrig Sci, v.
31, p. 611-619, 2013.

KHOOB, A. R. Comparative study of Hargreaves’s and artificial neural network’s methodologies in

estimating reference evapotranspiration in a semiarid environment.
Irrigation Science, v. 26, n. 3, p. 253–259, 2008.

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

KURTZMAN, D.; KADMON, R. Mapping of temperature variables in Israel: A comparison of different

interpolation methods. Climate Res., v. 13, n. 1, p. 33-43,
1999.

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.

MARTINEZ, C.J,; THEPADIA, M. Estimating reference evapotranspiration with minimum

dat in Florida, USA. J. Irrig. Drain. Eng.
http://dx.doi.org//10.1061/(ASCE)IR.1943-4774.0000214 .

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.

PEREIRA, A. R.; VILLA NOVA, N. A.; SEDIYAMA, G. C. Evapo(transpi)ração.

Piracicaba: FEALQ/USP, 1997. 183 p.

ROLIM, D. DE S. et al. Classificação climática de Köppen e de Thornthwaite e sua aplicabilidade na

determinação de zonas agroclimáticas para o estado de São Paulo,
Bragantia, Campinas, v. 66, n. 4, p. 711-720, 2007.

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.; GRISMER, M. E.; TRAJKOVIC, S. Comparative analysis of 31 reference evapotranspiration

methods under humid conditions. Irrig. Sci., 2011.
http://dx.doi.org/10.1007/s00271-011-0295-z.

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.

ZANETTI, S. S. et al. Estimação de evapotranspiração de referência no estado do Rio de Janeiro usando

redes neurais artificiais. Revista Brasileira de Engenharia Agrícola e Ambiental, Campina Grande, v.12,
n.2, p.174–180, 2008.