Aprendizado de Máquina para Estimativa de Evapotranspiração de Referência com Dados Meteorológicos Limitados

Índice

1 Introdução

A estimativa da evapotranspiração de referência (ETo) é crucial para o planejamento de irrigação e gestão de recursos hídricos, particularmente em regiões propensas à seca como o Marrocos. A equação de Penman-Monteith da FAO-56, embora precisa, requer dados meteorológicos extensos incluindo temperatura, umidade, radiação solar e velocidade do vento, tornando-a impraticável para regiões com infraestrutura limitada de sensores.

Equações empíricas tradicionais como Hargreaves-Samani, Romanenko e Jensen-Haise oferecem abordagens simplificadas, mas sofrem com variabilidade de desempenho em diferentes condições climáticas. Esta pesquisa aborda essas limitações explorando modelos de aprendizado de máquina que podem alcançar estimativas precisas de ETo com parâmetros de entrada mínimos.

2 Metodologia

2.1 Coleta e Pré-processamento de Dados

Dados meteorológicos de múltiplas estações na região de Meknes foram coletados, incluindo medições de temperatura, umidade, radiação solar e velocidade do vento. O pré-processamento de dados envolveu tratamento de valores ausentes, normalização e alinhamento temporal entre diferentes estações.

2.2 Modelos de Aprendizado de Máquina

Três modelos de aprendizado de máquina foram implementados e comparados:

• XGBoost: Framework de gradient boosting conhecido por alto desempenho e eficiência
• Máquina de Vetores de Suporte (SVM): Eficaz para tarefas de regressão com dados limitados
• Random Forest (RF): Método de ensemble robusto contra sobreajuste

2.3 Configuração Experimental

Dois cenários de validação foram implementados:

• Cenário 1: Divisão aleatória de todos os dados disponíveis
• Cenário 2: Treinamento em uma estação, validação em outra (validação cruzada espacial)

3 Resultados e Discussão

3.1 Comparação de Desempenho

Todos os modelos de aprendizado de máquina superaram as equações empíricas tradicionais em ambos os cenários de validação. O XGBoost demonstrou a maior precisão com valores R² superiores a 0,92, seguido de perto por Random Forest e SVM.

3.2 Análise de Importância de Características

Temperatura e radiação solar emergiram como as características mais críticas em todos os modelos. A análise revelou que com apenas esses dois parâmetros, os modelos de aprendizado de máquina poderiam alcançar 85-90% do desempenho obtido com conjuntos completos de parâmetros.

4 Implementação Técnica

4.1 Formulações Matemáticas

A equação padrão de Penman-Monteith da FAO-56 serve como referência:

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

Onde $\Delta$ é a inclinação da curva de pressão de vapor, $R_n$ é a radiação líquida, $G$ é o fluxo de calor do solo, $\gamma$ é a constante psicrométrica, $T$ é a temperatura do ar, $u_2$ é a velocidade do vento, $e_s$ é a pressão de vapor de saturação e $e_a$ é a pressão de vapor real.

4.2 Implementação 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)

# Seleção de características: apenas temperatura e radiação solar
features = ['temp_max', 'temp_min', 'solar_rad']
target = 'ETo_FAO56'

5 Aplicações Futuras

A pesquisa demonstra potencial significativo para implementação prática em várias áreas:

• Sistemas de Irrigação Inteligente: Integração com controladores de irrigação baseados em IoT para gestão de água em tempo real
• Adaptação às Mudanças Climáticas: Melhor planejamento de recursos hídricos em regiões propensas à seca
• Tecnologia Agrícola: Desenvolvimento de aplicativos móveis para pequenos agricultores
• Política Hídrica: Suporte à decisão baseado em dados para alocação e precificação de água

Direções futuras de pesquisa incluem aprendizado por transferência entre diferentes zonas climáticas, integração com dados de satélite e desenvolvimento de soluções de computação de borda para áreas remotas.

6 Referências

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 Análise de Especialista