Evapotranspiração de referência no estado de São Paulo: métodos empíricos, aprendizado de máquina e geoespacial

• Ano de defesa: 2017
• Autor(a) principal: Tangune, Bartolomeu Félix [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Krigagem ordinária; Máquina vetor de suporte; Métodos de temperatura; Penman – Monteith; Backpropagation; Support vector machine; Artificial neural networks
• Link de acesso: http://hdl.handle.net/11449/150790

A 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.