Estimación de Evapotranspiración de Referencia con Aprendizaje Automático y Datos Meteorológicos Limitados

Tabla de Contenidos

1 Introducción

La estimación de la evapotranspiración de referencia (ETo) es crucial para la planificación del riego y la gestión de recursos hídricos, particularmente en regiones propensas a sequías como Marruecos. La ecuación FAO-56 Penman-Monteith, aunque precisa, requiere datos meteorológicos extensos que incluyen temperatura, humedad, radiación solar y velocidad del viento, lo que la hace poco práctica para regiones con infraestructura limitada de sensores.

Las ecuaciones empíricas tradicionales como Hargreaves-Samani, Romanenko y Jensen-Haise ofrecen enfoques simplificados pero sufren de variabilidad de rendimiento en diferentes condiciones climáticas. Esta investigación aborda estas limitaciones explorando modelos de aprendizaje automático que pueden lograr una estimación precisa de ETo con parámetros de entrada mínimos.

2 Metodología

2.1 Recopilación y Preprocesamiento de Datos

Se recopilaron datos meteorológicos de múltiples estaciones en la región de Meknes, incluyendo mediciones de temperatura, humedad, radiación solar y velocidad del viento. El preprocesamiento de datos involucró el manejo de valores faltantes, normalización y alineación temporal entre diferentes estaciones.

2.2 Modelos de Aprendizaje Automático

Se implementaron y compararon tres modelos de aprendizaje automático:

• XGBoost: Framework de gradient boosting conocido por su alto rendimiento y eficiencia
• Máquina de Vectores de Soporte (SVM): Efectivo para tareas de regresión con datos limitados
• Bosque Aleatorio (RF): Método de ensemble robusto contra sobreajuste

2.3 Configuración Experimental

Se implementaron dos escenarios de validación:

• Escenario 1: División aleatoria de todos los datos disponibles
• Escenario 2: Entrenamiento en una estación, validación en otra (validación cruzada espacial)

3 Resultados y Discusión

3.1 Comparación de Rendimiento

Todos los modelos de aprendizaje automático superaron a las ecuaciones empíricas tradicionales en ambos escenarios de validación. XGBoost demostró la mayor precisión con valores R² superiores a 0.92, seguido de cerca por Bosque Aleatorio y SVM.

3.2 Análisis de Importancia de Características

La temperatura y la radiación solar surgieron como las características más críticas en todos los modelos. El análisis reveló que con solo estos dos parámetros, los modelos de aprendizaje automático podrían alcanzar el 85-90% del rendimiento obtenido con conjuntos completos de parámetros.

4 Implementación Técnica

4.1 Formulaciones Matemáticas

La ecuación estándar FAO-56 Penman-Monteith sirve como referencia:

$$ET_0 = \frac{0.408\Delta(R_n - G) + \gamma\frac{900}{T + 273}u_2(e_s - e_a)}{\Delta + \gamma(1 + 0.34u_2)}$$

Donde $\Delta$ es la pendiente de la curva de presión de vapor, $R_n$ es la radiación neta, $G$ es el flujo de calor del suelo, $\gamma$ es la constante psicrométrica, $T$ es la temperatura del aire, $u_2$ es la velocidad del viento, $e_s$ es la presión de vapor de saturación y $e_a$ es la presión de vapor real.

4.2 Implementación de Código

import xgboost as xgb
from sklearn.ensemble import RandomForestRegressor
from sklearn.svm import SVR
import numpy as np

class EToEstimator:
    def __init__(self, model_type='xgb'):
        if model_type == 'xgb':
            self.model = xgb.XGBRegressor(
                max_depth=6,
                learning_rate=0.1,
                n_estimators=100,
                objective='reg:squarederror'
            )
        elif model_type == 'rf':
            self.model = RandomForestRegressor(
                n_estimators=100,
                max_depth=10,
                random_state=42
            )
        elif model_type == 'svm':
            self.model = SVR(kernel='rbf', C=1.0, epsilon=0.1)
    
    def train(self, X_train, y_train):
        self.model.fit(X_train, y_train)
    
    def predict(self, X_test):
        return self.model.predict(X_test)

# Selección de características: solo temperatura y radiación solar
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Aplicaciones Futuras

La investigación demuestra un potencial significativo para implementación práctica en varias áreas:

• Sistemas de Riego Inteligente: Integración con controladores de riego basados en IoT para gestión hídrica en tiempo real
• Adaptación al Cambio Climático: Mejora en la planificación de recursos hídricos en regiones propensas a sequías
• Tecnología Agrícola: Desarrollo de aplicaciones móviles para pequeños agricultores
• Política Hídrica: Soporte para decisiones basadas en datos para asignación y precios del agua

Las direcciones futuras de investigación incluyen aprendizaje por transferencia entre diferentes zonas climáticas, integración con datos satelitales y desarrollo de soluciones de edge computing para áreas remotas.

6 Referencias

1. Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop evapotranspiration: Guidelines for computing crop water requirements. FAO Irrigation and drainage paper 56.
2. Landeras, G., Ortiz-Barredo, A., & López, J. J. (2008). Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country. Agricultural Water Management, 95(5), 553-565.
3. Maestre-Valero, J. F., Martínez-Alvarez, V., & González-Real, M. M. (2013). Evaluation of SVM and ELM for daily reference evapotranspiration estimation in semi-arid regions. Computers and Electronics in Agriculture, 89, 100-106.
4. López-Urrea, R., Martín de Santa Olalla, F., Fabeiro, C., & Moratalla, A. (2006). Testing evapotranspiration equations using lysimeter observations in a semiarid climate. Agricultural Water Management, 85(1-2), 15-26.
5. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27.

7 Análisis Experto