Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales

Autores/as

  • Raquel Salazar-Moreno Universidad Autónoma Chapingo, Posgrado en Ingeniería Agrícola y Uso Integral del Agua, carretera México-Texcoco km 38.5, Chapingo, Estado de México, México, C. P. 56230. https://orcid.org/0000-0001-6429-3824
  • Irineo Lorenzo López-Cruz Universidad Autónoma Chapingo, Posgrado en Ingeniería Agrícola y Uso Integral del Agua, carretera México-Texcoco km 38.5, Chapingo, Estado de México, México, C. P. 56230.
  • Efrén Fitz-Rodríguez Universidad Autónoma Chapingo, Posgrado en Ingeniería Agrícola y Uso Integral del Agua, carretera México-Texcoco km 38.5, Chapingo, Estado de México, México, C. P. 56230.

DOI:

https://doi.org/10.29059/cienciauat.v17i2.1708

Palabras clave:

redes neuronales, evapotranspiración, FFNN, ERNN, NARX

Resumen

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 %.

Citas

Abrishami, N., Sepaskhah, A. R., and Shahrokhnia, M. H. (2018). Estimating wheat and maize daily evapotranspiration using artificial neural network. Theoretical and Applied Climatology. 135(3): 945-958.

Allen, G. R., Pereira, L. S., Raes, D., and Smith, M. (1998). Crop evapotranspiration - Guidelines for computing crop water requirements - FAO Irrigation and drainage paper 56. Fao. Rome. 300(9): D05109.

Antonio, F. H., Salazar, M. R., Fitz, R. E., López, C. I., Schmidt, U. y Dannelh, D. (2023). Rendimientos y eficiencia en el uso del agua de lechuga y tomate cherry en jardines urbanos. Revista Tecnología y Ciencias del Agua. 14(5): in press.

Bianchi, F. M., Maiorino, E., Kampffmeyer, M. C., Rizzi, A., and Jenssen, R. (2017). Recurrent neural networks for short-term load forecasting: an overview and comparative analysis. Editorial Springer. 74 Pp.

Boussaada, Z., Curea, O., Remaci, A., Camblong, H., and Mrabet-Bellaaj, N. (2018). A Nonlinear Autoregressive Exogenous (NARX) Neural Network Model for the Prediction of the Daily Direct Solar Radiation. Energies. 11(3): 620.

Diaconescu, E. (2008). The use of NARX neural networks to predict chaotic time series. Wseas Transactions on Computer Research. 3(3): 182-191.

Elman, J. L. (1990). Finding structure in time. Cognitive Science. 14(2): 179-211.

Gao, S., Zhang, Y., Zhang, Y., and Zhang, G. (2021). Elman neural network soft-sensor model of pvc polymerization process optimized by chaos beetle antennae search algorithm. IEEE Sensors Journal. 21(3): 3544-3551.

García, M. H., Flores, M. H., Ascencio, H. R., Khalil, G. A., Tijerina, C. L., Mancilla, V. O. R., and Vázquez, P. M. A. (2020). Corn grain yield estimation from vegetation indices, canopy cover, plant density, and a neural network using multispectral and RGB images acquired with unmanned aerial vehicles. Agriculture. 10(7): 277.

Ghose, D., Das, U., and Roy, P. (2018). Modeling response of runoff and evapotranspiration for predicting water table depth in arid region using dynamic recurrent neural network. Groundwater for Sustainable Development. 6: 263–269.

González, C. J. M., Cervantes, O. R., Ojeda, B. W. y López, C. I. (2008). Predicción de la evapotranspiración de referencia mediante redes neuronales artificiales. Ingeniería Hidráulica en México. 18(1): 127-138.

Gordillo, S. V. M., Flores, M. H., Tijerina, C. L. y Arteaga R. R. (2014). Estimación de la evapotranspiración utilizando un balance de energía e imágenes satelitales. Revista Mexicana de Ciencias Agrícolas. 5(1): 143-155.

Heng, L. K., Hsiao, T., Evett, S., Howell, T., and Steduto, P. (2009). Validating the FAO AquaCrop model for irrigated and water deficient field maize. Agronomy Journal. 101(3): 488-498.

Huo, Z., Feng, S., Kang, S., and Dai, X. (2012). Artificial neural network models for reference evapotranspiration in an arid area of northwest China. Journal of Arid Environments. (82): 81-90.

Instituto de Ciencias de la Atmósfera y Cambio Climático (2018). Programa de Estaciones Meteorológicas del Bachillerato Universitario (PEMBU). [En línea]. Disponible en: https://www.ruoa.unam.mx/pembu/. Fecha de consulta: 13 de septiembre de 2022.

Jahani, B. and Mohammadi, B. (2019). A comparison between the application of empirical and ANN methods for estimation of daily global solar radiation in Iran. Theoretical and Applied Climatology. 137(1-2): 1257-1269.

Kisi, Ö. (2006). Generalized regression neural networks for evapotranspiration modelling. Hydrological Sciences Journal. 51(6): 1092–1105.

Kumar, M., Raghuwanshi, N. S., Singh, R., Wallender, W. W., and Pruitt, W. O. (2002). Estimating evapotranspiration using artificial neural network. Journal of Irrigation and Drainage Engineering. 128(4): 224-233.

Kůrková, V. (1992). Kolmogorov’s theorem and multilayer neural networks. Neural Networks. 5(3): 501-506.

Masters, T. (1993). Practical neural network recipes in C. USA. Academic Press. 493 Pp.

Meneses, K. C. D., Aparecido, L. E. D. O., Meneses, K. C. D., and Farias, M. F. D. (2020). Estimating potential evapotranspiration in maranhão state using artificial neural networks. Revista Brasileira de Meteorologia. 35(4): 675-682.

Moghaddamnia, A., Ghafari-Gousheh, M., Piri, J., Amin, S., and Han, D. (2009). Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advan Water Resou (32): 88–97.

Proias, G., Gravalos I., Papageorgiou, E., Poczęta, K., and Sakellariou-Makrantonaki, M. (2022). Forecasting reference evapotranspiration using time lagged recurrent neural network. WSEAS Transactions on Environment and Development. 16: 699-707.

Punto Periferia (2021). Ciudad de México: la segunda ciudad con más huertos urbanos en Latinoamérica, en ArchDaily México. [En línea]. Disponible en: https://www.archdaily.mx/mx/963873/ciudad-de-mexico-la-segunda-ciudad-con-mas-huertos-urbanos-en-latinoamerica. Fecha de consulta: 8 de diciembre de 2022.

Rahimi-Khoob, A. (2008). Artificial neural network estimation of reference evapotranspiration from pan evaporation in a semi-arid environment. Irrigation Science. 27(1): 35-39.

Ruiz, A. O., Martínez, D. G., Corrales, S. A., González, J. L. A. y Galindo, R. M. A. (2015). La evapotranspiración de referencia en la república mexicana: tres años de 440 evaluación. Reporte No. 64.

Sudheer, K. P., Gosain, A. K., and Ramasastri, K. S. (2003). Estimating actual evapotranspiration from limited climatic data using neural computing technique. Journal of Irrigation & Drainage Engineering. 129(3): 214-218.

Walls, S., Binns, A. D., Levison, J., and MacRitchie, S. (2020). Prediction of actual evapotranspiration by artificial neural network models using data from a bowen ratio energy balance station. Neural Computing and Applications. 32(17): 14001-14018.

Yohanani, E., Frisch, A., Lukyanov, V., Cohen, S., Teitel, M., and Tanny, J. (2022). Estimating evapotranspiration of screenhouse banana plantations using artificial neural network and multiple linear regression models. Water. 14(7): 1130-1130.

Yun, K., Qiang, H., and Ma, Y. (2021). Construction of Network Security Perception System Using Elman Neural Network. In 2021 2nd International Conference on Computer Communication and Network Security (CCNS) (pp. 187-190). IEEE.

Zanetti, S. S., Sousa, E. F., Oliveira, V. P., Almeida, F. T., and Bernardo, S. (2007). Estimating evapotranspiration using artificial neural network and minimum climatological data. Revista de Ingeniería de Riego y Drenaje. 133(2): 83-89.

Zhao, L., Zhao, X., Pan, X., Shi, Y., Qiu, Z., Li, X., ..., and Bai, J. (2022). Prediction of daily reference crop evapotranspiration in different Chines eclimate zones: combined application of key meteorological factors and elman algorithm. Journal of Hydrology. 610: 1-18.

Publicado

2023-01-31

Cómo citar

Salazar-Moreno, R. ., López-Cruz, I. L., & Fitz-Rodríguez, E. (2023). Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales. CienciaUAT, 17(2), 181-196. https://doi.org/10.29059/cienciauat.v17i2.1708

Número

Sección

Biotecnología y Ciencias Agropecuarias