Evapotranspiración de referencia estimada con Fao-Penman-Monteith, Priestley-Taylor, Hargreaves y RNA

• Autores: Sandra Santiago Rodríguez, Ramón Arteaga Ramírez, Dora María de Jesús Sangerman Jarquín, Rocío Cervantes Osornio, Agustín Navarro Bravo
• Localización: Revista mexicana de ciencias agrícolas, ISSN 2007-0934, ISSN-e 2007-9230, Vol. 3, Nº. 8, 2012, págs. 1535-1549
• Idioma: varios idiomas
• Títulos paralelos:
  • Reference evapotranspiration estimated by Fao-Penman-Monteith, Priestley-Taylor, Hargreaves y RNA
• Enlaces
  • Texto completo
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Las necesidades de agua de riego de los cultivos se basan en la estimación de la evapotranspiración de referencia (ETo) de cada zona en particular, están sujetas a la limitación de información meteorológica existente. El objetivo fue calcular ETo con FAO-Penman-Monteith (FAO-P-M), Hargreaves (H), Priestly-Taylor (P-T) y redes neuronales artificiales (RNA). Se utilizaron datos de la estación meteorológica de la Universidad Autónoma Chapingo para el periodo 2003-2009. En los métodos de H y P-T, se utilizaron cuatro variables climáticas para su cálculo y en RNA se construyeron diferentes escenarios para evaluar el comportamiento de la red, al cambiar las variables climáticas de entrada y la cantidad de neuronas en la capa oculta. Los resultados del coeficiente de determinación (r2) y raíz cuadrada del cuadrado medio del error (RMSE) de H y P-T son: 0.5378, 0.8553 y 0.6977, 0.6501 respectivamente. Para RNA se encontró que con el mayor número de variables y de neuronas en la capa oculta se obtuvo una r2 0.9986, y RMSE 0.0297 y en el escenario con el menor número de variables y de neuronas en la capa oculta fueron: 0.7549 y 0.5555. Si se tienen todas las variables climáticas es mejor RNA debido a que los resultados RMSE son cercanos a cero y su r2 se aproxima a uno. Si en RNA decrece el número de neuronas en la capa oculta y las variables, da mayor error la estimación de ETo, pero menor a los obtenidos por H y P-T.

  • English

    The irrigation water is a requirement of crops and is based on the estimation of reference evapotranspiration (ETo) of each particular area, are subject to the limitation of existing meteorological data. The objective was to calculate ETo with FAO-Penman-Monteith (FAO-PM), Hargreaves (H), Priestly-Taylor (PT) and artificial neural networks (ANN). We used data from the weather station of Chapingo for the period 2003-2009. In the H and PT methods, four climatic variables were used for their calculation and in ANN were constructed different scenarios to evaluate the performance of the network, by changing the input climatic variables and the number of neurons in the hidden layer. The results of the coefficient of determination (r2) and root mean square error (RMSE) of H and PT are: 0.5378, 0.8553 and 0.6977, 0.6501 respectively. For ANN was found that with the largest number of variables and neurons in the hidden layer was obtained an r2 0.9986, and RMSE 0.0297 and in the scenario with the least number of variables and neurons in the hidden layer were 0.7549 and 0.5555. If you count with all the climatic variables ANN is better because the RMSE results are close to zero and its r2 approaches to one. If ANN decreases the number of neurons in the hidden layer and the variables, gives the greatest error estimate of ETo, but lower than those obtained by H and PT.