Machine Learning per la Stima dell'Evapotraspirazione di Riferimento con Dati Meteorologici Limitati

Indice

1 Introduzione

La stima dell'evapotraspirazione di riferimento (ETo) è cruciale per la pianificazione dell'irrigazione e la gestione delle risorse idriche, specialmente in regioni soggette a siccità come il Marocco. L'equazione FAO-56 Penman-Monteith, sebbene precisa, richiede un'ampia gamma di dati meteorologici inclusi temperatura, umidità, radiazione solare e velocità del vento, rendendola impraticabile per regioni con infrastrutture di sensori limitate.

Le equazioni empiriche tradizionali come Hargreaves-Samani, Romanenko e Jensen-Haise offrono approcci semplificati ma soffrono di variabilità delle prestazioni in diverse condizioni climatiche. Questa ricerca affronta queste limitazioni esplorando modelli di machine learning in grado di ottenere stime ETo accurate con parametri di input minimi.

2 Metodologia

2.1 Raccolta e Preelaborazione dei Dati

Sono stati raccolti dati meteorologici da più stazioni nella regione di Meknes, inclusi misurazioni di temperatura, umidità, radiazione solare e velocità del vento. La preelaborazione dei dati ha coinvolto la gestione di valori mancanti, la normalizzazione e l'allineamento temporale tra le diverse stazioni.

2.2 Modelli di Machine Learning

Sono stati implementati e confrontati tre modelli di machine learning:

• XGBoost: Framework di gradient boosting noto per alte prestazioni ed efficienza
• Support Vector Machine (SVM): Efficace per task di regressione con dati limitati
• Random Forest (RF): Metodo ensemble robusto contro l'overfitting

2.3 Configurazione Sperimentale

Sono state implementate due scenari di validazione:

• Scenario 1: Suddivisione casuale di tutti i dati disponibili
• Scenario 2: Addestramento su una stazione, validazione su un'altra (cross-validazione spaziale)

3 Risultati e Discussione

3.1 Confronto delle Prestazioni

Tutti i modelli di machine learning hanno superato le equazioni empiriche tradizionali in entrambi gli scenari di validazione. XGBoost ha dimostrato la massima accuratezza con valori R² superiori a 0,92, seguito da vicino da Random Forest e SVM.

3.2 Analisi dell'Importanza delle Feature

Temperatura e radiazione solare sono emerse come le feature più critiche in tutti i modelli. L'analisi ha rivelato che con solo questi due parametri, i modelli di machine learning potevano raggiungere l'85-90% delle prestazioni ottenute con set di parametri completi.

4 Implementazione Tecnica

4.1 Formulazioni Matematiche

L'equazione standard FAO-56 Penman-Monteith serve come benchmark:

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

Dove $\Delta$ è la pendenza della curva di pressione di vapore, $R_n$ è la radiazione netta, $G$ è il flusso di calore del suolo, $\gamma$ è la costante psicrometrica, $T$ è la temperatura dell'aria, $u_2$ è la velocità del vento, $e_s$ è la pressione di vapore saturo e $e_a$ è la pressione di vapore effettiva.

4.2 Implementazione del Codice

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)

# Selezione delle feature: solo temperatura e radiazione solare
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Applicazioni Future

La ricerca dimostra un potenziale significativo per l'implementazione pratica in diverse aree:

• Sistemi di Irrigazione Intelligente: Integrazione con controller di irrigazione basati su IoT per la gestione idrica in tempo reale
• Adattamento al Cambiamento Climatico: Miglioramento della pianificazione delle risorse idriche in regioni soggette a siccità
• Tecnologia Agricola: Sviluppo di applicazioni mobili per piccoli agricoltori
• Politica Idrica: Supporto decisionale basato sui dati per l'allocazione e la tariffazione dell'acqua

Le direzioni di ricerca future includono il transfer learning tra diverse zone climatiche, l'integrazione con dati satellitari e lo sviluppo di soluzioni di edge computing per aree remote.

6 Riferimenti

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 Analisi Esperta