Previsão da evapotranspiração de referência utilizando redes neurais | Predition of the reference evapotranspiration utilizing neural networks

Este trabalho consta de uma investigação acerca da aplicabilidade das redes neurais na previsão da evapotranspiração de referência. As redes neurais como modelo de reconhecimento de padrão teriam a capacidade de entender o comportamento do clima local, podendo, a partir dos dados climáticos do passado próximo inferir sobre seu comportamento futuro. As melhores predições obtidas promoveram um erro padrão de estimativa de 0,8mm e um erro percentual relativo médio de 20% para valores da evapotranspiração. A utilização de mais 10 anos no aprendizado das redes mostrou-se irrelevante. O valor 0,01 para a taxa de aprendizagem e para o fator momentum promove u a obtenção do menor erro em um menor número de épocas. A inclusão de camadas intermediárias ou o aumento do número de seus neurônios não favoreceu melhores ajustes. O aumento do número dias de previsão diminuiu a precisão dos resultados gerando um erro médio de 1mm por dia para períodos de até 10 dias. A utilização das variáveis climáticas ao invés da evapotranspiração calculada não promoveu melhorias dos resultados. O presente inspira estudos da utilização das redes neurais neste e em outros campos da engenharia agrícola.

This report is on an investigation about the neural networks applicability at prediction of the reference evapotranspiration. The neural networks, as standard recognition model, would have the capacity of understanding the climate behavior, being able to, starting by climate data of the near past, infer about their future behavior. The best predictions obtained promote a standard square error around 0.8mm and a perceptual error around 20% to evapotranspiration values. The use of more than 10 years in learning phase is shown unimportant. The value 0.01 to the learning rate and to momentum factor promoted the smallest error on smallest number of epochs. The inclusion of the intermediaries layers or the increase of the number of their neurons did not favor better adjusts. The increase of the prediction days decreased the accuracy of the results produces standard errors of 1mm by day to periods until 10 days. The use of climate variables in place of the calculated evapotranspirations did not promote better results. The present inspire studies of the use of the neural networks in this and others fields of the agricultural engineer.