Development of relative humidity models by using optimized neural network structures | Desarrollo de modelos de humedades relativas mediante el uso de redes neuronales optimizadas

Español; castellano. El clima ha tenido siempre un gran impacto en la vida en la Tierra, la salud, actividad y cultura del hombre. La influencia de la humedad relativa (HR) tiene especial relevancia en ambientes controlados (por ejemplo, procesos industriales de elaboración y conservación de productos agroalimentarios, o el control en invernaderos). En el ámbito agrario también es un elemento fundamental, ya que puede modificar el rendimiento de los cultivos y la incidencia de plagas y enfermedades, sin olvidar su influencia directa en la demanda evaporativa de la atmósfera. El objetivo principal de este estudio es estimar valores de HRs ambientales (máximas, medias, y mínimas) en un territorio concreto, en este caso aplicado a Castilla-La Mancha (España) a partir de registros disponibles en estaciones termopluviométricas. Para ello, se ha planteado el uso de herramientas basadas en redes neuronales artificiales (RNAs), que permitan generar datos de HRs a partir de registros de temperaturas máximas y mínimas, y datos de radiación solar extraterrestre. Para generar y validar estos modelos se utilizan registros de los años 2000-2008, procedentes de 44 estaciones agroclimáticas completas ubicadas en esta comunidad autónoma. La metodología propuesta ofrece errores relativos espaciales del 11,30%, 6,80% y 10,27%, y temporales del 10,34%, 6,59% y 9,77% para las HRs mínimas, máximas y medias, respectivamente. El uso de las RNAs es efectivo para la generación de parámetros climáticos a partir de otros datos disponibles. La determinación de una estructura óptima de RNA para estimar valores de HRs requiere la calibración y validación de los modelos considerando la variabilidad espacial y temporal de los datos.

Inglés. Climate has always had a very important role in life on earth, as well as human activity and health. The influence of relative humidity (RH) in controlled environments (e.g. industrial processes in agro-food processing, cold storage of foods such as fruits, vegetables and meat, or controls in greenhouses) is very important. Relative humidity is a main factor in agricultural production and crop yield (due to the influence on crop water demand or the development and distribution of pests and diseases, for example). The main objective of this paper is to estimate RH [maximum (RHmax), average (RHave), and minimum (RHmin)] data in a specific area, being applied to the Region of Castilla-La Mancha (C-LM) in this case, from available data at thermo-pluviometric weather stations. In this paper Artificial neural networks (ANN) are used to generate RH considering maximum and minimum temperatures and extraterrestrial solar radiation data. Model validation and generation is based on data from the years 2000 to 2008 from 44 complete agroclimatic weather stations. Relative errors are estimated as 1) spatial errors of 11.30%, 6.80% and 10.27% and 2) temporal errors of 10.34%, 6.59% and 9.77% for RHmin, RHmax and RHave, respectively. The use of ANNs is interesting in generating climate parameters from available climate data. For determining optimal ANN structure in estimating RH values, model calibration and validation is necessary, considering spatial and temporal variability.