Applications of machine learning for reference evapotranspiration modeling | Aplicações de aprendizado de máquina para a modelagem de evapotranspiração de referência

Reliable estimates of reference evapotranspiration (ETo) are of great importance in areas such as irrigation scheduling, hydrological studies, water resources management, among others. However, in scenarios of limited availability of meteorological data, estimating ETo becomes challenging. In addition, it is also important to predict future ETo values, which can help, for example, in irrigation scheduling. Therefore, in the present thesis, several approaches were studied, which were mainly based on machine learning techniques, aiming to estimate ETo under limited availability of meteorological data, in addition to predicting future ETo daily values. Strategies for evaluating the performance of alternative ETo models when used in irrigation management were also evaluated. It was observed that the application of traditional machine learning techniques and deep learning models showed great potential for modeling ETo in the different conditions evaluated. The use of hourly temperature and relative humidity data measured throughout the day, combined with hourly extraterrestrial solar radiation, has shown to be a very promising approach to estimate daily ETo. In this approach, 1D convolutional neural networks (1D CNN) had better results than the other models evaluated. Thus, the combination of hourly data and 1D CNN models resulted in markedly superior performances than those observed estimating ETo based on daily data (conventional approach). When predicting ETo values for the next seven days, in general, the MIMO (multiple input multiple output) prediction strategy was the best alternative, offering good performance and lower computational cost. The deep learning models evaluated performed slightly better than the traditional machine learning models evaluated, and both approaches resulted in better results than using historical monthly means as a prediction of future ETo values. By employing machine learning models to estimate ETo and some commonly unavailable meteorological data (relative humidity, solar radiation and wind speed), superior performances were observed in relation to the performance obtained with traditional methodologies. The use of multi-task learning to estimate, in a combined way, missing meteorological data and ETo resulted in performances similar to those observed considering individual estimations (single-task learning). Finally, it was found that, in addition to using error metrics, such as root mean square error (RMSE), the evaluation of ETo models must also consider the behavior of the models throughout the year. Furthermore, simulating the application of ETo models in irrigation scheduling can provide valuable information for choosing the most appropriate model. Keywords: Deep learning. CNN. Irrigation. LSTM. Time series.

Estimar a evapotranspiração de referência (ETo) de forma confiável é de grande valia para áreas como manejo da irrigação, estudos hidrológicos, gestão de recursos hídricos, dentre outros. No entanto, em cenários de limitada disponibilidade de dados meteorológicos, estimar a ETo torna- se desafiador. Além disso, é também importante prever valores de ETo futuros, o que pode auxiliar, por exemplo, na programação das irrigações. Assim, na presente tese, foram estudadas diversas abordagens, baseadas, principalmente, em técnicas de aprendizado de máquina, visando estimar a ETo sob limitada disponibilidade de dados meteorológicos, além de prever valores futuros de ETo diária. Avaliou-se ainda estratégias para a avaliação do desempenho de modelos alternativos de ETo quando empregados no manejo da irrigação. Foi observado que a aplicação de técnicas de aprendizado de máquina tradicionais e modelos de aprendizado profundo apresentou amplo potencial para a modelagem da ETo nas diversas condições avaliadas. O uso de dados de temperatura e umidade relativa horários medidos ao longo do dia, combinados com a radiação solar no topo da atmosfera horária, mostrou-se uma abordagem bastante promissora para estimar a ETo diária. Nesta abordagem, as redes neurais convolucionais 1D (1D CNN) apresentaram resultados superiores aos demais modelos avaliados. Assim, a combinação de dados horários e modelos 1D CNN resultou em desempenhos destacadamente superiores aos observados estimando a ETo com base em dados diários (abordagem convencional). Ao prever a ETo dos sete dias futuros, em geral, a estratégia de previsão MIMO (multiple input multiple output) foi a melhor alternativa, oferecendo boa performance e menor custo computacional. Os modelos de aprendizado profundo avaliados apresentaram desempenho ligeiramente superior do que os modelos de aprendizado de máquina tradicionais avaliados e, ambas as abordagens, resultaram em performances melhores do que as obtidas com o uso de médias mensais históricas como previsão de valores futuros de ETo. Ao empregar modelos de aprendizado de máquina para estimar a ETo e alguns dados meteorológicos comumente indisponíveis (umidade relativa, radiação solar e velocidade do vento), foram observados desempenhos superiores do que os obtidos com metodologias tradicionais. O uso de multi-task learning para estimar, de forma combinada, os dados meteorológicos faltantes e a ETo resultou em performances similares às observadas realizando as estimativas de forma individual (single-task learning). Por fim, verificou-se que além de utilizar métricas de erro, como a raiz do erro quadrático médio (RMSE), a avaliação de modelos de ETo deve também considerar o comportamento dos modelos ao longo do ano. Ademais, simular a aplicação de modelos ETo no manejo da irrigação pode fornecer informações valiosas para a escolha do modelo mais adequado. Palavras-chave: Aprendizado profundo. CNN. Irrigação. LSTM. Série temporal.

Conselho Nacional de Desenvolvimento Científico e Tecnológico