Escobedo, João Francisco [UNESP]Tangune, Bartolomeu Félix [UNESP]2017-05-312017-05-312017-05-08http://hdl.handle.net/11449/150790A evapotranspiração de referência (ETo) é importante na agricultura para satisfazer as necessidades de água das culturas e para o manejo dos sistemas de irrigação. A ETo pode ser estimada com precisão a partir do método padrão de Penman Monteith FAO 56, porém, o seu uso é bastante complexo. Sendo assim, vários métodos empíricos de uso simples vem sendo desenvolvidos por diversos pesquisadores, todavia, a sua escolha deve ser feita de forma cuidadosa, pois apresentam um desempenho que varia em função das condições climáticas de cada local. A variabilidade do desempenho dos métodos empíricos tem levado os pesquisadores a procurarem outros métodos alternativos. Como resultado dessas pesquisas, há que destacar a técnica de aprendizado de máquinas (TAM): redes neurais artificiais (RNAs) e máquina vetor de suporte (MVS). Diante do exposto, o presente trabalho foi dividido em três capítulos, onde no primeiro capítulo foi avaliado o desempenho dos métodos empíricos de temperatura (Benevides e Lopez - BenL, Hamon -Ham, Blaney Criddle Original e Hargreaves Samani -HS) e de radiação solar (Abtew, Jensen Haise - JensH, Makkink e Irmak) na estimativa da ETo no estado de São Paulo. Todos os métodos foram avaliados em relação ao método padrão em escala anual e sazonal. Os resultados obtidos na escala anual mostraram que o método de Abtew apresentou o melhor desempenho. Na escala sazonal, observou-se que o método de JensH foi melhor no inverno, o de Irmak e de Abtew no verão e outono. O método de Abtew foi também melhor na primavera. No segundo capítulo, foi avaliado o desempenho dos métodos de HS, e de Abtew (melhores métodos empíricos em escala anual), RNAs e MVS. A RNA utilizada foi do tipo Multilayer Perceptron, com algoritmo de aprendizado Backpropagation e na MVS utilizou-se a função Radial Basic Function de Kernel, com algoritmo Regression Sequential Minimal Optimization. Os resultados obtidos na escala anual mostraram que a R6 (da RNA) e a M6 (da MVS) compostas por temperatura máxima (Tmax), mínima (Tmin), média do ar (T), radiação extraterrestre (Ra) e Rs produziram o melhor desempenho. Na escala sazonal, o melhores resultados foram observados nas arquiteturas R3 e M3, R4 e M4, R5 e M5, R6 e M6, compostas por: Tmax, Tmin, T, Ra e velocidade do vento; Tmax, Tmin, T, Ra e umidade relativa do ar; T e Rs, respectivamente. Tanto no capítulo 1 quanto no 2, as análises estatísticas foram feitas com base nos índices MBE (Mean Bias Error), RSME (Root Mean Square Error), “d” de Willmott e R2 (coeficiente de determinação). No terceiro capítulo, foi avaliada a técnica de interpolação por krigagem ordinária pontual (KOP), cujos variogramas obtidos foram avaliados com base na soma dos quadrados dos resíduos, em escala anual e sazonal. Todos os modelos variográficos obtidos 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, MBE, RSME e MSDR (Mean squared deviation ratio ), cujos resultados mostraram um ótimo desempenho da KOP.The reference evapotranspiration (ETo) is important in agriculture for crop water management and irrigation systems management. The ETo can be estimated accurately by the FAO 56 standard method of Penman Monteith, however, its use is complex. Thus, several empirical methods of simple use have been developed by many researchers, but their choice must be made carefully because they present a performance that change according to the climate conditions of each location. The variability of the performance of empirical methods has led researchers to look for alternative methods. As the result, we must highlight the machine learning technique (MLT), such as artificial neural networks (ANNs) and support vector machine (SVM). This work was divided into three chapters. In the first chapter, four temperature- based (Benevides e Lopez - BenL, Hamon -Ham, Blaney Criddle Original e Hargreaves Samani -HS) and four radiation- based (Abtew, Jensen Haise - JensH, Makkink and Irmak) ETo methods were tested against FAO 56 method, using annual and seasonal scale in the state of São Paulo. The results obtained in the annual scale showed that the Abtew method presented the best performance. On the seasonal scale, it was observed that the JensH method was better in the winter, the Irmak and Abtew methods were better in the summer and autumn. The Abtew method was also better in the spring. In the second chapter, HS and Abtew methods, ANNs and SVM were used. The ANN used was Multilayer Perceptron with Backpropagation learning algorithm, and in the SVM, was used Kernel Radial Basic Function with Regression Sequential Minimal Optimization learning algorithm. The obtained results in the annual scale showed that R6 for RNA and M6 for MVS composed of maximum temperature (Tmax), minimum temperature (Tmin), average air temperature (T), extraterrestrial radiation (Ra) and global solar radiation (Rs) had a better performance. On the seasonal scale, the better performance was observed in R3 e M3, R4 e M4, R5 e M5, R6 e M6 architectures, composed of Tmax, Tmin, T, Ra and wind speed; Tmax, Tmin, T, Ra and relative humidity); T and Rs; R6 and M6, respectively. All methods were analyzed using MBE (Mean Bias Error), RMSE (Root Mean Square Error), “d” of Wilmot (1985) and R2 (determination coefficient). In the third chapter, the technique of interpolation by ordinary punctual kriging (OPK) was evaluated, whose variograms were evaluated based on the residuals sum of squares, on an annual and seasonal scale. All the variographic models obtained showed a strong spatial dependence. Afterwards, cross-validation of OPK was performed based on the angular (β1) and linear (βo) coefficients of the simple linear regression line, MBE, RSME and MSDR (Mean squared deviation ratio), whose results showed an excellent performance of OPK.porKrigagem ordináriaMáquina vetor de suporteMétodos de temperaturaPenman – MonteithBackpropagationSupport vector machineArtificial neural networksTese de doutoradoAcesso aberto00088684233004064038P7