UTILIZAÇÃO DE REDES NEURAIS COM REGULARIZAÇÃO BAYESIANA NA MODELAGEM DE EVAPOTRANSPIRAÇÃO DE REFERÊNCIA EM AGROECOSSISTEMAS SEMIÁRIDOS
DOI:
https://doi.org/10.18011/bioeng2020v14n1p73-84Palavras-chave:
modelagem, R, Bayes, inteligência artificial na agriculturaResumo
A equação de Penman-Monteith (PM) é amplamente recomendada pela Food and Agriculture Organization (FAO) como método para calcular a evapotranspiração de referência (ET0), no entanto, os dados climatológicos detalhados exigidos pelo PM frequentemente não estão disponíveis. O presente estudo objetivou desenvolver modelos de ET0 baseados em redes neurais de regularização bayesiana (RNRB) e comparar seus resultados com a abordagem PM. As 14 estações meteorológicas selecionadas para este estudo estão localizadas nos municípios de Juazeiro (BA) e Petrolina (PE). RNRBs foram treinadas com diferentes opções
de parâmetros e obtiveram R² entre 0,96 e 0,99 durante o treinamento e entre 0,95 e 0,98 com
_________________________
cesaroliveira.f.silva@gmail.com
comparação ao PM mostrando que a rede apresentou bom desempenho utilizando apenas a temperatura do ar, radiação solar e velocidade do vento em valores diários médios como dado de entrada. As incertezas epistêmica e aleatória foram avaliadas e identificou-se a chuva como a variável de maior incerteza, sendo por isso não utilizada.
Downloads
Referências
ABEDI-KOUPAI, J.; AMIRI M. J.; ESLAMIAN, S. S. Comparison of artificial neural network and physically based models for estimating of reference evapotranspiration in greenhouse. Australian Journal of Basic and Applied Sciences, v.3, p. 2528-2535, 2009.
ALLEN, R. G.; PEREIRA, L. S.; RAES, D.; SMITH, M. Guidelines for computing crop water requirements. Rome: FAO, 1998. (FAO Irrigation and Drainage Paper, 56)
ALVES SOBRINHO, T.; RODRIGUES, D. B. B.; OLIVEIRA, P. T. S. DE; REBUCCI, L. C. S.; PERTUSSATTI, C. A. Estimativa da evapotranspiração de referência através de redes neurais artificiais. Revista Brasileira de Meteorologia, v.26, p. 197-203, 2011.
ALVES SOBRINHO, T.; RODRIGUES, D. B. B.; OLIVEIRA, P. T. S.; REBUCCI, L. C. S.; PERTUSSATTI, C. A. Estimativa da evapotranspiração de referência através de redes neurais artificiais. Revista Brasileira de Meteorologia, v.26, p. 197-203, 2011.
BLANEY, H. F.; CRIDDLE, W. D. Determing water requirements in irrigated areas from climatological and irrigation data. Washington: Soil Conservation Service, 1950. (Technical Publication, 96).
DOORENBOS, J.; PRUITT, W. O. Guidelines for predicting crop water requirements, Roma: FAO, 1984. (FAO Irrigation and Drainage Paper, 24).
GAL, Y., GHAHRAMANI, Z. Dropout as a Bayesian Approximation: Representing Model Uncertainty in Deep Learning. Proceedings of the 33nd International Conference on Machine Learning, 2016, New York City, 2016, pp. 1050-1059. 2016.
HAGAN, M.T.; MENHA, M. Training feedforward networks with the Marquardt Algorithm, IEEE Transactions on Neural Networks, v. 5, n.6, p. 989-993, 1994.
HARGREAVES, G. H.; SAMANI, Z. A. Reference crop evapotranspiration from temperature. Applied Engineering in Agriculture, v. 1, n. 2, p. 96-99, 1985.
HAYKIN, S. Neural Network - A Comprehensive Foundation. New Jersey: Prentice-Hall, p.23-57, 1999.
KENDALL, A., GAL, Y. What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision? Advances in Neural Information Processing Systems, v. 30, pp. 5574-5584. Curran Associates, Inc. 2017.
KUMAR, M.; RAGHUWANSHI, N. S.; SINGH, R.; WALLENDER, W. W.; PRUITT, W. O. Estimating evapotranspiration using artificial neural network. Journal of Irrigation and Drainage Engineering, v.128, n.4, p. 224-233, 2002.
MAKKINK, G. F. Ekzamento de la formulo de Penman. Netherlands Journal of Agricultural Science, v. 5, n. 1, p. 290-305, 1957.
PEREIRA, A. R.; ANGELOCCI, L. R.; SENTELHAS, P. C. Agrometeorologia: Fundamentos e aplicações práticas. Guaíba: Agropecuária, 2002. 478p.
PRIESTLEY, C. H. B.; TAYLOR, R. J. On the assessment of surface heat flux and evapotranspiration using large scale parameters. Monthly Weather Review, v. 100, n. 1, p. 81-92, 1972.
RAHIMIKHOOB, A. Estimation of evapotranspiration based on only air temperature data using artificial neural networks for a subtropical climate in Iran. Theoretical and Applied Climatology, v.101, p. 83- 90, 2010.
TICKNOR, J. L. A Bayesian regularized artificial neural network for stock market forecasting. Expert Systems with Applications, v. 40, n. 14, p. 5501-5506, 2013.
TURC, L. Evaluation des besoins en eau d'irrigation, l'evapotranspiration potentielle. Annals of Agronomy, v. 12, n. 1, p. 13-49, 1961.
WANG, L. et al. Pan evaporation modeling using six different heuristic computing methods in different climates of China. Journal of Hydrology, v. 544, p. 407-427, 2017.
ZANETTI, S. S.; SOUSA, E. F.; OLIVEIRA, V. P. S.; ALMEIDA, F. T.; BERNARDO, S. Estimating evapotranspiration using artificial neural network and minimum climatological data. Journal of Irrigation and Drainage Engineering, v.133, p. 83-89, 2007.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Revista Brasileira de Engenharia de Biossistemas
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
b) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
