REDES NEURAIS ARTIFICIAIS, REGRESSÃO E MÉTODOS EMPÍRICOS PARA A MODELAGEM DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA NA CIDADE DE INHAMBANE, MOÇAMBIQUE

Autores/as

  • BARTOLOMEU FÉLIX TANGUNE
  • Rodrigo Máximo Sánchez Román

DOI:

https://doi.org/10.15809/irriga.2019v24n4p802-816

Resumen

REDES NEURAIS ARTIFICIAIS, REGRESSÃO E MÉTODOS EMPÍRICOS PARA A MODELAGEM DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA NA CIDADE DE INHAMBANE, MOÇAMBIQUE

 

BARTOLOMEU FÉLIX TANGUNE1 E RODRIGO MÁXIMO SÁNCHEZ ROMÁN2

 

1 Departamento de Engenharia Rural, Escola Superior de Desenvolvimento Rural, Universidade Eduardo Mondlane, Vilankulo, Inhambane, Moçambique. E-mail: tanguneb@gmail.com.

2 Departamento de Engenharia Rural, Faculdade de Ciências Agronômicas, Universidade Estadual Paulista (UNESP) Campus de Botucatu. Fazenda Experimental Lageado, Avenida Universitária, nº 3780, Altos do Paraíso, CEP: 18610-034, Botucatu – SP. Brasil. E-mail: rodrigo.roman@unesp.br

 

 

1 RESUMO

 

Estimativa precisa da evapotranspiração de referência (ETo) é importante para dimensionar e fazer manejo de sistemas de irrigação. Métodos de estimativa da ETo (11 métodos empíricos, 10 modelos de regressão múltipla: RLM e 10 redes neurais artificias: RNAs) foram avaliados em relação ao método padrão de Penman Monteith FAO 56, utilizando os seguintes índices: MBE (Mean Bias Error), RMSE (Root Mean Square Error) e R2, sendo RMSE utilizado como critério principal de seleção dos métodos. A significância dos métodos foi avaliada com base no teste t utilizando dados de 1985 a 2009. Os dados meteorológicos utilizados (temperatura máxima: Tmax, temperatura mínima: Tmin e temperatura média: T, umidade relativa, velocidade do vento e insolação) são da estação meteorológica convencional da cidade de Inhambane, Moçambique. Os resultados mostraram que o modelo RLM4 apresentou melhor desempenho (MBE = 0,01 mm.d-1; RMSE = 0,15 mm.d-1; R2 = 0,99). Na falta da radiação solar global, os modelos RLM6 (MBE = -0,01 mm.d-1; RMSE = 0,23 mm.d-1; R2 = 0,97) e RLM10 (MBE = 0,01 mm.d-1; RMSE = 0,23 mm.d-1; R2 = 0,97) podem ser utilizados e exigem a medição da T, Tmax e Tmin, respectivamente. Esses modelos não foram estatisticamente diferentes do método padrão.

 

Palavras-chave: evapotranspiração, regressão múltipla, redes neurais.

 

 

TANGUNE, B. F.; SÁNCHEZ-ROMÁN, R. M.

ARTIFICIAL NEURAL NETWORKS, REGRESSION AND EMPIRICAL METHODS FOR REFERENCE EVAPOTRANSPIRATION MODELING IN INHAMBANE CITY, MOZAMBIQUE

 

 

2 ABSTRACT

 

Precise estimation of reference evapotranspiration (ETo) is important for designing and managing irrigation systems. Methods of ETo estimation (11 empirical methods, 10 multiple regression models: RLM and 10 artificial neural networks: RNAs) were evaluated against Penman Monteith FAO 56 method using the following indexes: MBE (Mean Bias Error), RMSE (Root Mean Square Error) and R2, and RMSE was used as the main criterion of method selection. The significance of the methods was evaluated on the basis of the t test using data from 1985 to 2009. The meteorological data used (maximum temperature: Tmax, minimum temperature: Tmin and average temperature: T, relative air humidity, wind speed and solar brightness), from 1985 to 2009, are from the conventional meteorological station of the city of Inhambane, Mozambique. The results showed that the RLM4 model presented better performance (MBE = 0.01 mm.d-1; RMSE = 0.15 mm.d-1; R2 = 0.99). In the absence of global solar radiation, RLM6 (MBE = -0.01 mm.d-1; RMSE = 0.23 mm.d-1; R2 = 0.97) and RLM10 (MBE = 0.01 mm. d-1; RMSE = 0.23 mm.d-1; R2 = 0.97) can be used, which require measurement of T, and Tmax and Tmin, respectively. These models were not statistically different from the standard method.

 

Keywords: evapotranspiration, multiple regression, neural networks.

Publicado

2019-12-16

Cómo citar

TANGUNE, BARTOLOMEU FÉLIX; ROMÁN, Rodrigo Máximo Sánchez. REDES NEURAIS ARTIFICIAIS, REGRESSÃO E MÉTODOS EMPÍRICOS PARA A MODELAGEM DA EVAPOTRANSPIRAÇÃO DE REFERÊNCIA NA CIDADE DE INHAMBANE, MOÇAMBIQUE. IRRIGA, [S. l.], v. 24, n. 4, p. 802–816, 2019. DOI: 10.15809/irriga.2019v24n4p802-816. Disponível em: https://revistas.fca.unesp.br/index.php/irriga/article/view/3007. Acesso em: 22 dic. 2024.

Número

Sección

Artigos