Previsão da evapotranspiração de referência utilizando redes neurais *

RESUMO

O objetivo deste trabalho é analisar o potencial uso das redes neurais como ferramenta de previsão da evapotranspiração de referência. As redes neurais, tomadas como um modelo de reconhecimento de padrão, deveriam ser capazes de inferir sobre o comportamento futuro da evapotranspiração, a partir de uma série histórica de dados climáticos recentes. Os dados climáticos foram coletados na estação Climatológica Principal de Viçosa-MG (83642), no período de 1992 a 2001 e foram divididos em 3 parcelas: de 1992 a 1997, utilizada para treinamento; de 1998 a 1999, para teste; e de 2000 a 2001, para validação. As melhores predições obtidas na estimativa da evapotranspiração de referência apresentaram um erro padrão de estimativa de 0,8mm e um erro percentual relativo médio de 20%, quando se utilizou 10 dias da série história para prever a evapotranspiração ocorrida no dia seguinte. A estrutura 10-10-1, utilizando o valor 0,01 para a taxa de aprendizagem e também para o fator momentum, promoveu a obtenção do menor erro durante um aprendizado de 1000 épocas. O aumento no número de neurônios da camada intermediária, assim como, a inclusão de uma segunda camada não favoreceu melhores ajustes, enquanto o aumento no número de dias para a previsão reduziu a precisão dos resultados.

Palavras-chave: previsão, evapotranspiração, redes neurais.

ABSTRACT

Reference Evapotranspiration Prediction using Neural Networks

The objective of this paper is to study the potential use of the neural networks on predicting reference evapotranspiration. The neural networks, as standard recognition model, would have the capacity to understand the climate behavior, being able to, starting by climate data of the near past, infer about their future behavior. The best obtained predictions showed a standard square error around 0.8mm and a perceptual error around 20% to the evapotranspiration values, when using 10 days to predict the following one. The structure 10-10-1, by using the value 0.01 for the learning rate as well as the momentum factor has promoted the lowest error during 1000 learning epochs. The increase in the number of neurons in the intermediary layer, as much as, the inclusion of a second layer did not favor better adjustments, whereas the increase in the prediction days reduced the accuracy of the results.

Keywords: prediction, evapotranspiration, neural networks.

Anderson Francisco da Silva (1)
anderson[arroba]vicosa.ufv.br

Luiz Cláudio Costa (2)
l.costa[arroba]ufv.br

Gilberto Sediyama (3)
sediyama[arroba]ufv.br

* Parte da dissertação de mestrado do primeiro autor.
1 Bacharel em Ciência da Computação e Doutorando em Meteorologia Agrícola UFV – Bolsista CAPES – Campus Universitário CEP 36.570-000.
2 Licenciado em Matemática e Professor Adjunto IV do Departamento de Engenharia Agrícola UFV, Universidade Federal de Viçosa.
3 Engenheiro Agrônomo e Professor Titular UFV.