Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales

La evapotranspiración de referencia (ETo) es una variable hidrológica de gran importancia en el manejo del riego. Su estimación se realiza con la ecuación de Penman-Montieth (PM), que requiere de muchas variables meteorológicas, las cuales, a veces, no se encuentran disponibles. Dado que la ETo es u...

Full description

Saved in:

Bibliographic Details
Main Authors:	Raquel Salazar, EFREN FITZ RODRIGUEZ
Format:	Artículo
Language:	Español[ 65]
Published:	2023
Subjects:	redes neuronales evapotranspiración FFNN ERNN NARX CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA [6]
Online Access:	https://riuat.uat.edu.mx/handle/123456789/2341
Tags:	Add Tag No Tags, Be the first to tag this record!

id	riuat-123456789-2341
record_format	dspace
spelling	riuat-123456789-23412023-02-28T18:11:02Z Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales Raquel Salazar EFREN FITZ RODRIGUEZ redes neuronales evapotranspiración FFNN ERNN NARX CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA [6] La evapotranspiración de referencia (ETo) es una variable hidrológica de gran importancia en el manejo del riego. Su estimación se realiza con la ecuación de Penman-Montieth (PM), que requiere de muchas variables meteorológicas, las cuales, a veces, no se encuentran disponibles. Dado que la ETo es una variable no lineal y compleja, en los últimos años han surgido métodos alternativos para su estimación, como las redes neuronales artificiales (RNA). El objetivo del presente trabajo fue estimar la evapotranspiración de referencia (ETo) usando la ecuación de Penman-Montieth, a fin de desarrollar modelos de redes neuronales artificiales (RNA) que permitan predecir la ETo en regiones con información climatológica limitada, y su vez comparar el desempeño de tres modelos de RNA: FFNN, ERNN y NARX. Se utilizó información diaria durante el periodo 1 de enero de 2007 al 31 de diciembre de 2018, de las estaciones meteorológicas ENP8 y ENP4 de la CDMX. Se realizó un análisis de correlación y el análisis de sensibilidad de Garson para estudiar 2 casos (red estática FFNN y redes dinámicas: ERNN y NARX) usando 3 modelos de RNA: 1) RNA con 6 entradas: radiación solar (Rad), temperatura máxima y mínima (Tmax, Tmin), humedad relativa máxima y mínima (HRmax, HRmin) y velocidad del viento (u); y 2) RNA con 2 entradas (Rad y Tmax). La variable de salida fue la ETo calculada con la ecuación de PM. En todos los casos, las 3 RNA fueron muy parecidas, la diferencia más notable es que las redes dinámicas (ERNN y NARX) requieren de menor número de iteraciones para llegar al desempeño óptimo. Las RNA entrenadas, únicamente con Rad y Tmax como entradas, fueron capaces de predecir la ETo en el largo plazo, durante 440 d, en otra estación meteorológica cercana (ENP4), con eficiencias mayores al 90 %. 2023-02-22T19:22:38Z 2023-02-22T19:22:38Z 2023-01-31 Artículo https://riuat.uat.edu.mx/handle/123456789/2341 Español[ 65] Salazar-Moreno, R. ., López-Cruz, I. L., & Fitz-Rodríguez, E. (2023). Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales. CienciaUAT, 17(2), 181-196. https://doi.org/10.29059/cienciauat.v17i2.1708 https://revistaciencia.uat.edu.mx/index.php/CienciaUAT/article/view/1708 Acceso Abierto BY NC SA México[ 143] Revista CienciaUAT, (2007-7521) Vol. 17 (2023)
institution	RIUAT
collection	DSpace
language	Español[ 65]
topic	redes neuronales evapotranspiración FFNN ERNN NARX CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA [6]
spellingShingle	redes neuronales evapotranspiración FFNN ERNN NARX CIENCIAS AGROPECUARIAS Y BIOTECNOLOGÍA [6] Raquel Salazar EFREN FITZ RODRIGUEZ Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales
description	La evapotranspiración de referencia (ETo) es una variable hidrológica de gran importancia en el manejo del riego. Su estimación se realiza con la ecuación de Penman-Montieth (PM), que requiere de muchas variables meteorológicas, las cuales, a veces, no se encuentran disponibles. Dado que la ETo es una variable no lineal y compleja, en los últimos años han surgido métodos alternativos para su estimación, como las redes neuronales artificiales (RNA). El objetivo del presente trabajo fue estimar la evapotranspiración de referencia (ETo) usando la ecuación de Penman-Montieth, a fin de desarrollar modelos de redes neuronales artificiales (RNA) que permitan predecir la ETo en regiones con información climatológica limitada, y su vez comparar el desempeño de tres modelos de RNA: FFNN, ERNN y NARX. Se utilizó información diaria durante el periodo 1 de enero de 2007 al 31 de diciembre de 2018, de las estaciones meteorológicas ENP8 y ENP4 de la CDMX. Se realizó un análisis de correlación y el análisis de sensibilidad de Garson para estudiar 2 casos (red estática FFNN y redes dinámicas: ERNN y NARX) usando 3 modelos de RNA: 1) RNA con 6 entradas: radiación solar (Rad), temperatura máxima y mínima (Tmax, Tmin), humedad relativa máxima y mínima (HRmax, HRmin) y velocidad del viento (u); y 2) RNA con 2 entradas (Rad y Tmax). La variable de salida fue la ETo calculada con la ecuación de PM. En todos los casos, las 3 RNA fueron muy parecidas, la diferencia más notable es que las redes dinámicas (ERNN y NARX) requieren de menor número de iteraciones para llegar al desempeño óptimo. Las RNA entrenadas, únicamente con Rad y Tmax como entradas, fueron capaces de predecir la ETo en el largo plazo, durante 440 d, en otra estación meteorológica cercana (ENP4), con eficiencias mayores al 90 %.
format	Artículo
author	Raquel Salazar EFREN FITZ RODRIGUEZ
author_facet	Raquel Salazar EFREN FITZ RODRIGUEZ
author_sort	Raquel Salazar
title	Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales
title_short	Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales
title_full	Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales
title_fullStr	Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales
title_full_unstemmed	Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales
title_sort	predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales
publishDate	2023
url	https://riuat.uat.edu.mx/handle/123456789/2341
work_keys_str_mv	AT raquelsalazar predicciondelaevapotranspiraciondereferenciautilizandoredesneuronalesartificiales AT efrenfitzrodriguez predicciondelaevapotranspiraciondereferenciautilizandoredesneuronalesartificiales
_version_	1779057832286486528

Predicción de la evapotranspiración de referencia utilizando redes neuronales artificiales

Similar Items