Resumen

WALKER, E.; MORA, D. C. Fonnegra; FAGIOLI, G.  y  VENTURINI, V. Effect of the net radiation substitutes on maize and soybean evapotranspiration estimation using machine learning methods. Agriscientia [online]. 2022, vol.39, n.2, pp.2-2. ISSN 1668-298X.  http://dx.doi.org/10.31047/1668.298x.v39.n2.37104.

La estimación precisa de la evapotranspiración (ET) es esencial para gestionar el riego en cultivos, pero no es una tarea fácil. Las metodologías empíricas de ET requieren mediciones precisas de la radiación neta (Rn) para obtener resultados confiables. Sin embargo, estas mediciones no son rutinarias en las estaciones meteorológicas. Este trabajo exploró el uso de aprendizaje automático para estimar la ET diaria con dos sustitutos de Rn: la radiación solar extraterrestre (Ra) y la Rn modelada (RnM). Se utilizó Support Vector Machine (SVM), Kernel Ridge (KR), Decision Tree (DT), Adaptive Boosting (AB) y Multilayer Perceptron (MLP) para modelar observaciones de FLUXNET. Adaptive Boosting brindó los mejores resultados con observaciones de Rn (RnO), con un valor para la raíz del error cuadrático medio de aproximadamente el 16 % de Rn medio observado. La Rn resultante (AB RnM) se utilizó para modelar la ET, usando RnO, AB RnM y Ra, junto a variables meteorológicas y el índice NDVI. Los métodos evaluados estimaron adecuadamente la ET, arrojando errores similares a los obtenidos con RnO, cuando se contrastan con las observaciones de ET. Estos resultados demuestran que AB y KR son aplicables con datos rutinarios meteorológicos y de satélite para estimar la ET.

Palabras clave : estrés hídrico; radiación neta; cultivos; aprendizaje automático; acelerador adaptativo.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )