@article{Salazar-Moreno_López-Cruz_Fitz-Rodríguez_2023, title={Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales}, volume={17}, url={https://revistaciencia.uat.edu.mx/index.php/CienciaUAT/article/view/1708}, DOI={10.29059/cienciauat.v17i2.1708}, abstractNote={<p class="TextogeneralconalieandoderenglonTextoengeneral" style="text-align: justify;"><span lang="ES-TRAD">La evapotranspiración de referencia (ETo) es una variable hidrológica de gran importancia en <span style="letter-spacing: .1pt;">el manejo del riego. Su estimación se realiza</span> con la ecuación de Penman-Montieth (PM), que requiere de muchas variables meteorológicas, las c<span style="letter-spacing: .1pt;">uales, a veces, no se encuentran disponible</span>s. Dado que la ETo es una variable no lineal <span style="letter-spacing: -.1pt;">y compleja, en los últimos años han surgido mé</span>todos alternativos para su estimación, como las redes neuronales artificiales (RNA). <span style="letter-spacing: -.1pt;">El objetivo del presente trabajo fue estimar la evapotrans</span><span style="letter-spacing: .1pt;">piración de referencia (ETo) usando la ecua</span>ción de Penman-Montieth, a fin de desarrollar modelos de redes neuronales artificiales (RNA) <span style="letter-spacing: .1pt;">que permitan predecir la ETo en regiones con</span> <span style="letter-spacing: .1pt;">información climatológica limitada, y su vez </span><span style="letter-spacing: -.1pt;">comparar el desempeño de tres modelos de RNA</span><span style="letter-spacing: -.05pt;">:</span> <span style="letter-spacing: .1pt;">FFNN, ERNN y NARX. Se utilizó información </span><span style="letter-spacing: -.1pt;">di</span>aria durante el periodo 1 de enero de 2007 al 31 de diciembre de 2018, de<span style="letter-spacing: -.1pt;"> las estaciones meteorológicas ENP8 y ENP4 de </span>la CDMX. Se rea<span style="letter-spacing: .1pt;">lizó un análisis de correlación y el análisis de</span> <span style="letter-spacing: -.1pt;">s</span><span style="letter-spacing: .1pt;">ensibilidad de Garson para estudiar 2 caso</span>s (red estática FFNN y redes di<span style="letter-spacing: .1pt;">námicas: ERNN</span> <span style="letter-spacing: .1pt;">y NARX) usando 3 modelos de </span>RNA: 1) RNA con 6 entradas: radiación solar (Rad), temperatura máxima<span style="letter-spacing: -.1pt;"> y mínima (Tmax, </span><span style="letter-spacing: .1pt;">Tmin), humedad relativa máxima y mínima </span><span style="letter-spacing: -.1pt;">(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</span> <span style="letter-spacing: -.1pt;">RNA entrenadas, únicamente con Rad y Tmax </span><span style="letter-spacing: .1pt;">como entradas, fueron capaces de predecir la</span> <span style="letter-spacing: -.1pt;">ETo en el largo plazo, durante 440 d, en otra es</span><span style="letter-spacing: .1pt;">tación meteorológica cercana (ENP4), con eficiencias</span> mayores<span style="letter-spacing: -.1pt;"> al 90 %.</span></span></p>}, number={2}, journal={CienciaUAT}, author={Salazar-Moreno, Raquel and López-Cruz, Irineo Lorenzo and Fitz-Rodríguez, Efrén}, year={2023}, month={ene.}, pages={181-196} }