Estimação da evapotranspiração de referência no Estado do Rio de Janeiro usando redes neurais artificiais

Ano: 2008 | Volume: 12 | Número: 2

Autores: Sidney S Zanetti, Elias F Sousa, DANIEL F DE CARVALHO, SALASSIER BERNARDO

Palavras-chave: elementos climáticos, inteligência artificial, modelos empíricos

Resumo Português:

Propor uma rede neural artificial (RNA) para estimar a evapotranspiração de referência (ETo) em função das coordenadas
de posição geográfica e da temperatura do ar no Estado do Rio de Janeiro, motivou a realização do presente estudo.
Os dados utilizados no treinamento da rede foram obtidos de 17 séries históricas de elementos climáticos localizadas
nesse Estado. A ETo diária calculada pelo método de Penman-Monteith (FAO-56) foi utilizada como referência para treinar
as redes. As RNAs, do tipo perceptron de múltiplas camadas, foram treinadas para estimar a ETo em função da latitude,
longitude, altitude, temperatura média do ar, amplitude térmica diária e dia do ano. Após o treinamento com várias
configurações de rede, selecionou-se a que apresentou o melhor desempenho, a qual é composta de apenas uma
camada intermediária (com vinte neurônios e função de ativação do tipo sigmóide logística) e uma camada de saída
(com um neurônio e função de ativação linear). Pelos resultados obtidos conclui-se que, levando-se em consideração
apenas as coordenadas de posição geográfica e a temperatura do ar, pode-se estimar a ETo (valores diários) em 17 localidades
do Estado do Rio de Janeiro usando uma RNA.

Resumo Inglês:

This work was performed with the aim of proposing an artificial neural network (ANN) to estimate the reference
evapotranspiration (ETo) as a function of geographic position coordinates and air temperature in the State of Rio de Janeiro.
Data used for the network training were collected from 17 historical time series of climatic elements located in the State
of Rio de Janeiro. The daily ETo calculated by Penman-Monteith (FAO-56) method was used as a reference for network
training. ANNs of multilayer perceptron type were trained to estimate ETo as a function of latitude, longitude, altitude,
mean air temperature, thermal daily amplitude and day of the year. After training with different network configurations,
the one showing best performance was selected, and was composed by only one intermediary layer (with twenty neurons
and sigmoid logistic activation function) and one output layer (with one neuron and linear activation function). According
to the results obtained it can be concluded that, considering only geographical positioning coordinates and air temperature,
it is possible to estimate daily ETo in 17 places of Rio de Janeiro State by using an ANN.