Revista Brasileña de Meteorología

Versión impresa ISSN 0102-7786

Rev. sujetadores. meteorol. vol.26 no.2 São Paulo junio 2011

https://doi.org/10.1590/S0102-77862011000200004

ARTÍCULOS

Estimación de la evapotranspiración de referencia a

través de redes neuronales artificiales.

Estimación de la evapotranspiración de referencia por redes

neuronales artificiales.

Teodorico Alves Sobrinho; Dulce Buchala Bicca Rodrigues; Paulo Tarso

Sanches de Oliveira; Lais Cristina Soares Rebucci; Caroline Alvarenga
Pertussatti

Universidad Federal de Mato Grosso do Sul (UFMS), Campo Grande, MS,

Brasil talves56@gmail.com , dulcebbr@gmail.com , paulotarsoms@gmail.com , laisr
ebucci@gmail.com , caper88@gmail.com

RESUMEN

La estimación de la evapotranspiración por métodos indirectos facilita, de manera

sencilla, la generación de datos para la planificación de sistemas de riego y la
aplicación de modelos meteorológicos e hidrológicos, ambos útiles en el manejo de
cuencas hidrográficas. El objetivo de este trabajo fue elaborar una Red Neural
Artificial (ARN) para estimar la evapotranspiración de referencia (Eto) en función de
los datos diarios de temperatura del aire. El ARN, del tipo FeedForward Multilayer
Perceptron, se entrenó utilizando como referencia el Eto diario obtenido por el
método Penman-Monteith. En las capas intermedia y de salida, se utilizaron
funciones de activación tan-sigmoidea y lineal, respectivamente. Los valores de Eto
generados por la ANN se compararon con los obtenidos por los métodos de
Blanney-Criddle y Hargreaves considerando meses referidos a las cuatro estaciones
del año. En relación con los otros métodos analizados, los resultados obtenidos de
la ANN se acercaron más al método estándar de Penman-Monteith. Así, el
desempeño de la ANN desarrollada fue satisfactoria, pudiendo ser considerada
como parte del conjunto de métodos indirectos para estimar la evapotranspiración,
además de representar una disminución en los costos de adquisición de datos para
estimar esta variable.

Palabra clave: sistemas inteligentes, balance hídrico, gestión del riego.

RESUMEN

La estimación de la evapotranspiración por métodos indirectos proporciona datos

sintéticos para la planificación de sistemas de riego y su aplicación en modelos
meteorológicos e hidrológicos, ambos útiles en el manejo de cuencas. El objetivo de
este estudio fue desarrollar una Red Neural Artificial (ANN) para estimar la
evapotranspiración de referencia (Eto) en base a los datos diarios de temperatura
del aire. El modelo ANN del tipo Feedforward Multilayer Perceptron, se entrenó
utilizando como referencia el Eto diario obtenido por el método Penman-
Monteith. En las capas intermedia y de salida se utilizaron funciones de activación
como tan-sigmoide y lineal, respectivamente. Los valores de Eto generados por
ANN se compararon con los obtenidos por los métodos de Blanney-Criddle y
Hargreaves considerando los meses de las cuatro estaciones. Comparando con los
otros métodos analizados, los resultados obtenidos de la ANN se acercaron más al
método estándar de Penman-Monteith. Así, el desempeño de la ANN desarrollada
fue satisfactoria, y el modelo ANN puede considerarse como un método indirecto
para estimar la evapotranspiración y permite reducir el costo de adquisición de
datos para estimar esta variable.

Palabras clave: sistemas inteligentes, balance hídrico, gestión del riego.

1. INTRODUCCIÓN

El conocimiento de la evapotranspiración es de fundamental importancia en las

actividades relacionadas con la gestión de cuencas hidrográficas, en la modelización
meteorológica e hidrológica y, sobre todo, en la gestión hídrica de la agricultura de
regadío (Bezerra et al., 2008). Según Back (2007), se utilizan varios modelos de
balance hídrico con el propósito de dimensionar sistemas de riego, gestionar
proyectos de riego o estudiar probabilidades de sequía o excesos hídricos. En estos
modelos, la precipitación y el riego se utilizan generalmente como agua que ingresa
al sistema, y la evapotranspiración es la salida principal. Los datos de precipitación
medidos se pueden obtener con relativa facilidad. Sin embargo, existe una falta de
información sobre la evapotranspiración de los cultivos.

El Eto puede medirse directamente mediante técnicas micrometeorológicas o

estimarse mediante modelos matemáticos (Landeras et al., 2008). La
determinación de Eto por métodos directos requiere un equipo específico,
generalmente lisímetros, que se considera un método exacto y directo. Sin
embargo, tiene un alto costo y demanda tiempo, además de requerir experimentos
cuidadosamente planificados (Kumar et al., 2008). La aplicación de métodos
directos se ha restringido a las instituciones de investigación con el propósito de
calibrar métodos indirectos. El uso de métodos indirectos proporciona resultados
satisfactorios, además de minimizar el costo y el tiempo, en comparación con los
métodos directos. Entre los métodos indirectos utilizados actualmente, podemos
mencionar: Blanney-Criddle, Hargreaves,

En 2000, el comité técnico de la Sociedad Americana de Ingenieros Civiles (ASCE)

para la evapotranspiración en riego e hidrología, estandarizó el método ASCE
Penman-Monteith basado en un cultivo hipotético, cubriendo toda la superficie del
-
suelo, con una altura de 12 cm, resistencia aerodinámica de la superficie de 70 sm
1
y albedo de 0.23. Este método se estandarizó debido a la presentación de
estimaciones confiables de Eto para pasto y alfalfa, con valores cercanos a los
medidos con lisímetros (Allen, 2000).

En la estimación de Eto, se pueden utilizar sistemas inteligentes, como la Red

Neural Artificial (ANN), produciendo resultados confiables (Kumar et al., 2002;
Zanetti et al., 2007; Landeras et al., 2008; Zanetti et al., 2008 ; Abrahart et al.,
2009). Una vez entrenada y validada la ANN según el criterio de máximo error, se
puede utilizar como modelo del sistema en análisis, con la garantía de que, si se
utiliza dentro de un rango operativo, no incurrirá en errores mayores al error
máximo. .previsto. Según Sudheer et al. (2003), la evapotranspiración se puede
estimar con éxito utilizando datos limitados utilizando el enfoque de ARN.

Zanetti y col. (2008) entrenaron a una ANN para estimar la evapotranspiración en

17 localidades del estado de Río de Janeiro, utilizando datos sobre las temperaturas
máximas y mínimas del aire y las coordenadas geográficas del lugar. Llegaron a la
conclusión de que ANN se puede utilizar de forma segura para esta
estimación. Según los autores, la ventaja del método propuesto es el uso de
registros diarios de temperaturas máximas y mínimas del aire, hecho que permite
estimar Eto con el simple uso de un termómetro de máximas y mínimas.

Khoob (2008) concluyó que ETo puede obtenerse de manera eficiente a partir del
ARN y utilizarse cuando no se dispone de datos de humedad relativa, radiación
solar y velocidad del viento. Silva y col. (2006) concluyeron que las ANN tienen el
potencial de ser utilizadas para pronosticar ETo de manera eficiente.

Así, este trabajo tuvo como objetivo obtener una RNA capaz de estimar, con
precisión satisfactoria, la evapotranspiración de referencia a través de datos de
temperatura del aire diaria.

2. DATOS Y METODOLOGÍA

Para estimar los perfiles de evapotranspiración de referencia utilizando una ANN, se

utilizó un conjunto de datos climáticos diarios, medidos y almacenados a través de
una estación meteorológica automática ubicada en Dourados, MS, latitud 22º13'16
"S, longitud 54º17'01''W y altitud de 452 m El clima de la región está clasificado
por el sistema internacional de Koppen como tipo Cwa, verano húmedo e invierno
seco, con una precipitación media anual de 1500 mm y una temperatura media
anual de 22 ° C.

Los datos diarios se almacenaron entre enero de 2005 y octubre de 2008, el total
se dividió en un conjunto de entrenamiento (1784 días entre enero de 2005 y
diciembre de 2007) y un conjunto de prueba (281 días entre enero y octubre de
2007). 2008). Para el entrenamiento y validación de los resultados fue necesario
calcular los datos de evapotranspiración de referencia (Eto), y para ello se utilizó el
programa Reference Evapotranspiration Calculation Software .(REF-ET versión 2.0)
desarrollado por Allen (2000). REF-ET realiza cálculos Eto estandarizados para
quince de los métodos más utilizados en la actualidad, siguiendo las características
y procedimientos recomendados por ASCE (Jensen et al., 1990). Para calcular el
Eto, se utilizó el modelo estándar de Penman-Monteith, como se describe en la
Ecuación 1:

de los cuales: Eto = evapotranspiración de referencia, mm d -1 ; R n = radiación en

la superficie de la Tierra, MJ m -2 d -1 ; G = densidad del flujo de calor en la
superficie del suelo, MJ.m -2 d -1 ; T = temperatura media diaria del aire, ºC; u 2 =
velocidad media diaria del viento, ms -1 ; y s = presión de saturación del vapor
medio diario, kPa; y un = presión de vapor de la corriente media, kPa; Δ =
pendiente de la curva presión-temperatura, kPa ºC -1 ; Γ = constante psicométrica,
kPa ºC -1 .

El programa de prueba y entrenamiento de ARN se desarrolló utilizando el software

Matlab (Mathworks, 2008). Con el objetivo de obtener el mapeo deseado, se
probaron varias topologías de redes FeedForward Multilayer Perceptron, con
variaciones en el número de neuronas en las capas intermedias. Dado que la
temperatura del aire es uno de los principales factores que influyen en la
determinación de Eto, sus valores máximo, mínimo y promedio se utilizaron como
datos de entrada de ARN. En la capa intermedia se utilizaron funciones de
activación del tipo tan-sigmoide, y en la capa de salida se utilizaron funciones de
activación lineal, caracterizando esta red neuronal como un aproximador universal
de funciones. Los vectores de entrada se normalizaron entre los valores 0.1 y 0.9,

El algoritmo de Levenberg-Marquardt se utilizó para el entrenamiento de ANN. Este

algoritmo fue diseñado para mejorar la velocidad del entrenamiento de segundo
orden sin tener que calcular la matriz hessiana. Cuando la función de desempeño
tiene la forma de una suma de cuadrados, que es lo que ocurre normalmente en el
entrenamiento de las redes neuronales alimentadas a continuación, entonces la
matriz de Hesse puede aproximarse como se describe en la Ecuación 2.

Y el gradiente se puede calcular de acuerdo con la Ecuación 3:

donde: J = la matriz jacobiana que contiene las primeras derivadas de los errores
de la red con respecto a los pesos y el sesgo; y es el vector de errores.

La matriz jacobiana se puede calcular utilizando una técnica de retropropagación

estándar, que es menos compleja que calcular la matriz hessiana. El algoritmo de
Levenberg-Marquardt utiliza una aproximación de la matriz hessiana similar a la
forma de Newton y se describe en la Ecuación 4 (Hagan y Menjah, 1994).
Al final de la capacitación, se espera que la ANN haya adquirido los conocimientos
deseados y sea capaz de hacer la generalización, es decir, señalar correctamente el
valor de Eto para situaciones climáticas, a las que no tuvieron acceso durante la
capacitación. . Como criterio para detener el entrenamiento, se utilizó una
herramienta estadística estándar conocida como validación cruzada, que
proporciona un principio rector atractivo para ajustar pesos y sesgos durante el
proceso de entrenamiento de la RNA (Stone, 1978). Cualitativamente, la validación
cruzada dicta que al observar la variación entre el error de entrenamiento y el error
de prueba, es posible identificar el mejor momento para detener el entrenamiento,
que viene dado por el punto de divergencia entre estas medidas de error.

Los valores estimados por la ANN se compararon utilizando el error porcentual

acumulado, el error cuadrático medio (MSE), el error estándar de estimación (SEE),
el coeficiente de precisión de Willmott (d) y el coeficiente de rendimiento (c) en
comparación con el método estándar (Penman-Monteith).

El error cuadrático medio se obtuvo de la ecuación 5:

donde: n = número de observaciones; Yo = ETo estimado por el método de

Penman-Monteith, mm d -1 ; y, Ye = ETo estimado por la red neuronal artificial, por
Blanney-Criddle y por Hargreaves, mm d -1 .

Según Jensen et al. (1990), el error estándar de estimación (SEE) se puede calcular
utilizando la ecuación 6:

donde: = la tasa de evapotranspiración promedio calculada por el método

estándar (Penman-Monteith) en el i-ésimo mes; Y i = estimación de
evapotranspiración correspondiente; n = número total de observaciones.

Según Camargo y Sentelhas (1997), se considera que los siguientes indicadores

estadísticos correlacionan los valores estimados con los medidos: precisión - índice
de Willmott "d"; y rendimiento confiable o "c". La precisión, relacionada con la
desviación de los valores estimados en relación a los observados, viene dada
estadísticamente por el índice de concordancia d propuesto por Willmott et
al. (1985). Sus valores van desde cero, para ningún acuerdo, hasta 1, para un
acuerdo perfecto. El índice viene dado por la Ecuación 7:

donde: Pi = valor estimado; Oi = valor observado; O = promedio de los valores

observados.

El índice de desempeño c, presentado por Camargo y Sentelhas (1997), evalúa el

desempeño de los diferentes métodos de estimación de la evapotranspiración de
referencia. Este índice recoge los índices de precisión, dados por el coeficiente de
correlación (r) que indica el grado de dispersión de los datos obtenidos en relación
a la media, es decir, el error aleatorio y la concordancia d. El índice c se calcula de
acuerdo con la Ecuación 8.

Camargo y Sentelhas (1997) propusieron un criterio para interpretar el desempeño

de los métodos de estimación de Eto por el índice c, que se muestra en la Tabla 1 .

Tras el desarrollo del algoritmo de entrenamiento de ARN y el análisis de los datos

climáticos disponibles y los algoritmos de entrenamiento, se obtuvo un ARN capaz
de estimar satisfactoriamente el Eto. Esta estimación se realiza mapeando la
relación entre los datos de temperatura máxima, mínima y media, que se tomaron
como entradas, y el coeficiente de evapotranspiración de referencia, que es la
salida deseada. La capa intermedia del ARN obtenido está equipada con 20
neuronas y su topología se representa en la Figura 1 .
El aumento del número de neuronas en la capa intermedia, así como la inclusión de
una segunda capa intermedia, no favoreció la mejora de los resultados. Kumar y
col. (2002) y Zanetti et al. (2008) obtuvieron la misma situación al implementar
una ANN para estimar Eto. Según Kumar et al. (2002), una ANN con una capa
intermedia es suficiente para representar la relación no lineal entre los elementos
climáticos y el Eto correspondiente.

A través de la validación cruzada, se determinó el momento ideal para detener el

entrenamiento. Para la prueba y validación de los resultados se estimó la
evaporación de referencia a través del ARN obtenido, utilizando los datos de
temperatura del aire máxima, mínima y media no presentados durante la etapa de
entrenamiento, en este caso para los 281 días entre los meses de enero y octubre
de 2008. De esta forma se puso a prueba la capacidad del ARN para generalizar, es
decir, su capacidad de "aprender" de hecho.

Los resultados de esta simulación se compararon con estimaciones realizadas por

otros métodos aceptados en la literatura, siendo: Blanney-Criddle y Hargreaves. En
la aplicación del método Blanney-Criddle se utilizaron los datos de temperatura
media diaria y el porcentaje de insolación máxima diaria en relación al tiempo
teórico de insolación del año, mientras que para el método de Hargreaves se
utilizaron datos de temperatura del aire media, máxima y mínima. .y radiación
solar extraterrestre incidente sobre la atmósfera (Allen, 2000). Para estos métodos,
los valores estimados de Eto se calcularon utilizando el software REF-EF y, para
esta comparación, se utilizó como referencia el método Penman-Monteith.

3. RESULTADOS

Los resultados analíticos se describen en la Tabla 2 , en la que se presentan los

porcentajes de super y subestimación a lo largo de un mes, así como el análisis
estadístico del error cuadrático medio de cada método comparado en diferentes
meses del año.

Los resultados estimados por la ANN fueron mejores que los obtenidos con los otros
métodos, en comparación con el método estándar. Existen valores más bajos de
error cuadrático medio en los resultados obtenidos de ANN en todos los meses
estudiados. Se puede observar que en enero, los resultados obtenidos de la ANN
subestimaron solo el 7,23%, mientras que Blanney-Criddle sobreestimó en un
32,06% y Hargreaves sobreestimó en un 61,13%. En el mes de abril, los resultados
de la ANN se sobrestimaron, sin embargo, inferiores a los obtenidos en los otros
métodos. Hubo una pequeña sobreestimación en los meses de julio y octubre de los
resultados de la ANN, mientras que los otros métodos, principalmente de
Hargreaves, mostraron altos valores de sobreestimación.

En la Tabla 3 se presentan los resultados del error estándar estimado calculado por
la precisión y el índice de concordancia d.

Considerando el índice de concordancia d, se observa que, para los datos de enero,

los valores obtenidos a través de la red neuronal mostraron mejores resultados
(0,952) que los obtenidos por Blanney-Criddle (0,817) y Hargreaves (0,530). En
relación a abril, julio y octubre, el método Blanney-Criddle tuvo una mejor
estimación. Sin embargo, considerando el error estándar de estimación (SEE), se
puede inferir que el método de redes neuronales presentó los mejores resultados
en la estimación de evapotranspiración, seguido de Blanney-Criddle y Hargreaves
( Cuadro 3 ).

En la Tabla 4 se presentan los valores del índice de desempeño c de los modelos de

evapotranspiración de referencia estimada.

En relación al índice de desempeño c en enero, los valores estimados por la ANN

mostraron el mejor desempeño considerado como excelente (c = 0.890). Para los
meses de abril, julio y octubre, el método Blanney-Criddle mostró mejores
resultados, con desempeño que varió entre Sofrível y Very Bom. Para los mismos
meses, el modelo basado en ANN fue más eficiente que el método de Hargreaves
para estimar a Eto, permitiendo un mejor desempeño ( Tabla 4 ).

En la Figura 2 , se puede ver que un ARN, debidamente entrenado, es capaz de

realizar una estimación eficiente de Eto. Observando los datos de temperatura
promedio del aire, es posible notar que los valores estimados son coherentes, ya
que el valor Eto está relacionado con esta variable climática.
La capacidad del ARN para estimar Eto se probó en los meses característicos de las
cuatro estaciones, enero (verano), abril (otoño), julio (invierno) y octubre
(primavera). Los resultados de la estimación de Eto por la ANN y por los métodos
considerados para la comparación se pueden ver en las Figuras 3 , 4 , 5 y 6.. Se
observa que los resultados obtenidos del ARN muestran mayor similitud con el
método estándar de Eto, cuando se compara con los otros métodos calculados El
método de estimación del Eto mediante ARN tiene ventajas en relación a los otros
métodos. Se puede mencionar la posibilidad de estimar Eto con mayor precisión
que otros métodos, alcanzando valores más cercanos a los del método
estándar. Esta buena estimación es fundamental para el correcto manejo del riego
y el buen desarrollo de los cultivos, además de incrementar la eficiencia en el uso
del agua y la electricidad en la agricultura de regadío. Además, otra ventaja en el
uso de ARN es la necesidad de solo datos de temperatura para estimar el Eto. Esto
proporciona una reducción en el costo de los sistemas de riego automático,
4. CONCLUSIONES

Los resultados obtenidos de la ANN son consistentes; además, el uso de ARN

presenta ventajas frente a los otros métodos estudiados, ya que permite obtener
los valores de evapotranspiración de referencia a partir de la temperatura, única
variable a considerar en el cálculo.

El desempeño de la RNA desarrollada fue satisfactoria y puede ser considerada

como parte del conjunto de métodos indirectos para estimar la evapotranspiración
de referencia, además de representar una disminución en los costos de adquisición
de datos para estimar esta variable.

5. AGRADECIMIENTOS

Los autores expresan su agradecimiento al Consejo Nacional de Desarrollo

Científico y Tecnológico - CNPq y a la Fundación de Apoyo al Desarrollo de la
Educación, la Ciencia y la Tecnología del Estado de Mato Grosso do Sul - FUNDECT,
por la ayuda económica otorgada para llevar a cabo la trabaja. Los autores también
desean agradecer a los revisores anónimos sus sugerencias.

6. REFERENCIAS BIBLIOGRÁFICAS

ABRAHART, RJ; GHANI, NA; SWAN, J. Discusión de "Una formulación explícita de

red neuronal para la evapotranspiración. Hydrological Sciences Journal , v.53,
n.2, p.893-904, 2009. [ Enlaces ]

ALLEN, RG REF-ET: Software de cálculo de evapotranspiración de referencia

para ecuaciones estandarizadas de FAO y ASCE . Versión 2.0 para
Windows. Universidad Estatal de Utah, Logan, EE. UU., 2000. [ Enlaces ]
ESPALDA. AJ Variación de la evapotranspiración de referencia calculada en
diferentes intervalos de tiempo. Ingeniería agrícola , v.27, n.1, p.139-145, 2007.
[ Enlaces ]

BEZERRA, BG; SILVA, BB; FERREIRA, NJ Evapotranspiración real diaria estimada

usando imágenes digitales TM - Landsat 5. Revista Brasileira de Meteorologia ,
v.23, n.3, p.305-317, 2008. [ Links ]

CAMARGO, AP; SENTELHAS, PC Evaluación del desempeño de diferentes métodos

para estimar la evapotranspiración potencial en el estado de São Paulo,
Brasil. Revista Brasileira de Agrometeorologia , v.5, n.1, p.89-97, 1997.
[ Links ]

HAGAN, MT; MENJAH, MB Entrenamiento de redes feedforward con el algoritmo de

Marquardt. Transacciones IEEE en redes neuronales , v.5, n.6, p.989-993,
1994. [ Enlaces ]

HARGREAVES, GH; SAMANI, Z. Evapotranspiración del cultivo de referencia a partir

de la temperatura del aire ambiente, Chicago. Reunión de Ingeniería Agrícola
de la Sociedad Americana , p.85-2517, 1985. [ Enlaces ]

JENSEN, YO; BURMAN, RD; ALLEN, RG Evapotranspiración y necesidades de

agua de riego . Manual e informe de la ASCE sobre prácticas de ingeniería n. 70.
Nueva York: ASCE, 360p. 1990. [ Enlaces ]

KHOOB, AR Estudio comparativo de las metodologías de Hargreaves y redes

neuronales artificiales para estimar la evapotranspiración de referencia en un
ambiente semiárido. Irrigation Science , v.26, n.3, p.253-259, 2008. [ Enlaces ]

KUMAR, M., RAGHUWANSHI, NS, SINGH, R., WALLENDER, WW, PRUITT, WO

Estimación de la evapotranspiración utilizando una red neuronal artificial. Revista
de Ingeniería de Riego y Drenaje , v.128, n.4, p.224-233, 2002. [ Enlaces ]

KUMAR, M.; BANDYOPADHYAY, A.; RAGHUWANSHI, NS; SINGH, R. Estudio

comparativo de modelos de estimación basados en redes neuronales
convencionales y artificiales. Irrigation Science , v.26, n.6, p.531-545, 2008.
[ Enlaces ]

LANDERAS, G.; ORTIZ-BARREDO, A.; LÓPEZ, JJ Comparación de modelos de redes

neuronales artificiales y ecuaciones empíricas y semi-empíricas para la estimación
de la evapotranspiración de referencia diaria en el País Vasco (Norte de
España). Gestión del agua agrícola , n. 95, p.553-565, 2008. [ Enlaces ]

MATEMÁTICAS. Inc. Guía del usuario de la caja de herramientas de redes

neuronales , versión 6.0.1. Natick, MathWorks, Inc., 2008. [ Enlaces ]

MENDONÇA, JC; SOUSA, EF; BERNARDO, S.; DIAS, GP; GRIPPA, S. Comparación
entre métodos de estimación de evapotranspiración de referencia (ETo) en la región
Norte Fluminense, RJ. Revista Brasileña de Ingeniería Agrícola y Ambiental ,
v.7, n.2, p.275-279, 2003. [ Links ]

SILVA, AF; COSTA, LC; SEDIYAMA, G. Predicción de la evapotranspiración de

referencia mediante redes neuronales. Engineering in Agriculture , v.14, n.2,
p.93-99, 2006. [ Enlaces ]
STONE, M. Validación cruzada: una revisión, mathische operationsforschung
statistischen. Statistics Series , v.9, p.127-139, 1978. [ Enlaces ]

SUDHEER, KP; GOSAIN AK; RAMASASTRI KS Estimación de la evapotranspiración

real a partir de datos climáticos limitados utilizando una técnica de computación
neuronal. J Diario de Ingeniería de Riego y Drenaje , v.129, n.3, p.214-218,
2003. [ Enlaces ]

TURCO, JEP; BARBOSA, JC Evaluación de dos estaciones meteorológicas

automatizadas, para estimación diaria de la evapotranspiración de referencia
obtenida por el método Peanman-Monteith. Riega , v.13, n.13, p.339-354, 2008.
[ Enlaces ]

WILLMOTT, CJ; DAVIS, RE; FEDDEMA, JJ; JOHANNES, J.; KLINK, KM; LEGADOS,
DR; ROWE, CM; ACKLESON, SG; O'DONNELL, J. Estadística para la evaluación y
comparación de modelos. Journal of Geophysical Research , v.90, p.8995-9005,
1985. [ Enlaces ]

ZANETTI, SS; SOUSA, EF CARVALHO, DF; BERNARDO, S. Estimación de la

evapotranspiración de referencia en el estado de Río de Janeiro mediante redes
neuronales artificiales. Revista Brasileña de Ingeniería Agrícola y Ambiental ,
v.12, n.2, p.174-180, 2008. [ Links ]

ZANETTI, SS; SOUSA, EF; OLIVEIRA, VPS; ALMEIDA, FT; BERNARDO, S. Estimación
de la evapotranspiración utilizando una red neuronal artificial y datos climatológicos
mínimos. Revista de Ingeniería de Riego y Drenaje , v.33, n.2, p.83-89, 2007.
[ Enlaces ]

Recibido en septiembre de 2009

Aceptado en agosto de 2010

Todo el contenido de esta revista, salvo que se indique lo contrario, está sujeto a
una licencia de atribución de Creative Commons.

Av. Dos Astronautas, 1758 - Jardim Granja

12227-010 - São José dos Campos - SP

rbmet@rbmet.org.br