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

Abstract

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

En el presente trabajo se describe un estudio comparativo de la evapotranspiración diaria de referencia EToFAO-56 entre técnicas de Machine Learning (ML), Support Vector Machines (SVM) y Artificial Neural Networks (ANN) para Bolivia. La evapotranspiración, elemento climático de interés agronómico, está asociada al consumo de agua por los cultivos y permite identificar las necesidades hídricas según patrones de lluvia y sequía. Bolivia, con sus regiones de gran altitud en los Andes y tierras bajas en las llanuras, enfrenta una gran variabilidad climática y desafíos agrícolas, incluida la degradación del suelo. La base de datos utilizada se obtuvo para 22 ciudades de Bolivia, de diferentes altitudes y clasificaciones climáticas en el período 2012-2020. En el trabajo se dividió Bolivia en 5 regiones climáticamente homogéneas, en las cuales se presentaron y discutieron los valores de precipitación y temperatura para cada región. Los modelos EToFAO-56 fueron validados mediante correlaciones con otros modelos de evapotranspiración, a través de los indicadores de correlación (r) y rRMSE cuyos valores indicaron que los modelos pueden estimar ETo con precisión y exactitud razonables con datos de Bolivia. Las técnicas computacionales MVS y ANN se entrenaron con el 70% de los datos sobre las mismas variables de entrada utilizadas en el modelo EToFAO-56 y posteriormente se entrenaron con entradas de 4 variables meteorológicas más, totalizando 5 combinaciones para cada modelo. La capacitación fue validada mediante una base de datos aleatoria del 30% de la base. Los indicadores estadísticos obtenidos por las 5 combinaciones de las técnicas SVM y ANN (diaria) indicaron que los modelos pueden usarse en estimaciones de ETo con altas correlaciones, precisión y exactitud. La comparación de los indicadores estadísticos (r), rMBE, MBE, rRMSE, RMSE para los modelos de red SVM y MLP, en las 5 combinaciones demostró que la técnica ANN tiene mejor desempeño en relación a la técnica MVS en la estimación de ETo (después del aprendizaje).

In the present study, a comparative analysis of daily reference evapotranspiration EToFAO-56 is described using two Machine Learning AM techniques, Support Vector Machines SVM and Artificial Neural Networks RNA, for Bolivia. Evapotranspiration, a climatic element of agronomic interest, is associated with crop water consumption and allows for adjustments in water needs based on rainfall and drought patterns. Bolivia, with its high-altitude Andean regions and lowland plains, faces significant climatic variability and agricultural challenges, including soil degradation. The dataset used was collected from 22 cities in Bolivia at different altitudes and climatic classifications from 2012 to 2020. Bolivia was divided into 5 climatically homogeneous regions in which precipitation and temperature values for each region were presented and discussed. The EToFAO-56 models were validated through correlations with other evapotranspiration models, using correlation indicators r and rRMSE, indicating that the models can estimate ETo with reasonable precision and accuracy for Bolivia's data. The computational techniques MVS and RNA were trained with 70% of the data using the same variables as the EToFAO-56 model and subsequently trained with inputs from 4 additional meteorological variables, totaling 5 combinations for each. The training sets were validated using an independent 30% dataset. The statistical indicators obtained from the 5 combinations of MVS and RNA techniques (daily) indicated that the models can be used for ETo estimates with high correlations, precision, and accuracy. The comparison of statistical indicators (r), rMBE, MBE, rRMSE, RMSE for SVM and MLP network models in the 5 combinations demonstrated that the RNA technique outperforms the MVS technique in ETo estimation (after the learning phase).