Redes neuronales artificiales para estimar y predecir variables climatológicas relacionadas con la evapotranspiración de referencia

Abstract

El objetivo general del presente trabajo fue realizar una comparación de metodologías convencionales con modelos de RNA para estimar presión real de vapor de agua, radiación global diaria y evapotranspiración de referencia. Los datos usados para dicha comparación fueron de cuatro estaciones del DR075 Valle del Fuerte, estado de Sinaloa, México. También se llevó a cabo una revisión de literatura del uso de redes neuronales artificiales (RNA) en la estimación de variables climáticas relacionadas con la agricultura. La cantidad de agua requerida para compensar la pérdida por evapotranspiración del cultivo se define como necesidades hídricas del cultivo. Sobreestimar la evapotranspiración resulta en desperdicio de grandes cantidades de agua que repercuten en los rendimientos de los cultivos, por otro lado, subestimar la evapotranspiración repercute en estrés hídrico para las plantas. Por tanto, se necesita conocer con precisión cuanto regar anticipadamente. Los agentes meteorológicos que afectan a la ET0 son las variables temperatura, radiación global, humedad relativa y velocidad del viento, donde la ET0 se calcula a partir de estos. En el desarrollo de este trabajo de tesis se observó que las redes neuronales artificiales mostraron ser una excelente herramienta de estimación y/o predicción de las variables: presión real de vapor de agua, radiación global y evapotranspiración de referencia. Específicamente la red neuronal radial basis function mostró sistemáticamente mejor desempeño que la feedforward backpropagation. En la revisión de literatura se observó que se ha hecho bastante trabajo en estimación y/o predicción de las variables mencionadas previamente con las RNA feedforward backpropagation y radial basis function, pero durante el desarrollo de este trabajo, se observó también que existe carencia de investigación en la estimación de variables climáticas con redes neuronales dinámicas, y es ahí donde se vislumbra el futuro de la investigación, y la investigación se encamina también en la mejora de algoritmos para no desperdiciar espacio de almacenamiento en la terminal cuando se trabaja con redes neuronales artificiales.