Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales

Abstract

La evapotranspiración de referencia (ETo) es una variable hidrológica de gran importancia en el manejo del riego. Su estimación se realiza con la ecuación de Penman-Montieth (PM), que requiere de muchas variables meteorológicas, las cuales, a veces, no se encuentran disponibles. Dado que la ETo es una variable no lineal y compleja, en los últimos años han surgido métodos alternativos para su estimación, como las redes neuronales artificiales (RNA). El objetivo del presente trabajo fue estimar la evapotranspiración de referencia (ETo) usando la ecuación de Penman-Montieth, a fin de desarrollar modelos de redes neuronales artificiales (RNA) que permitan predecir la ETo en regiones con información climatológica limitada, y su vez comparar el desempeño de tres modelos de RNA: FFNN, ERNN y NARX. Se utilizó información diaria durante el periodo 1 de enero de 2007 al 31 de diciembre de 2018, de las estaciones meteorológicas ENP8 y ENP4 de la CDMX. Se realizó un análisis de correlación y el análisis de sensibilidad de Garson para estudiar 2 casos (red estática FFNN y redes dinámicas: ERNN y NARX) usando 3 modelos de RNA: 1) RNA con 6 entradas: radiación solar (Rad), temperatura máxima y mínima (Tmax, Tmin), humedad relativa máxima y mínima (HRmax, HRmin) y velocidad del viento (u); y 2) RNA con 2 entradas (Rad y Tmax). La variable de salida fue la ETo calculada con la ecuación de PM. En todos los casos, las 3 RNA fueron muy parecidas, la diferencia más notable es que las redes dinámicas (ERNN y NARX) requieren de menor número de iteraciones para llegar al desempeño óptimo. Las RNA entrenadas, únicamente con Rad y Tmax como entradas, fueron capaces de predecir la ETo en el largo plazo, durante 440 d, en otra estación meteorológica cercana (ENP4), con eficiencias mayores al 90 %.