Modelos de machine learning na previsão da evapotranspiração de referência em curto prazo

Abstract

A obtenção da evapotranspiração de referência (ETo) é útil em diversos processos relacionados com planejamento e gestão dos recursos hídricos, zoneamento agroclimático, projeto e manejo de irrigação, dentre outros. A possibilidade de se estimar a ETo antes de sua ocorrência, abre grandes margens para a otimização dos diversos processos que dependem desta variável. Pensando nisso, objetivou-se com o presente trabalho analisar o desempenho do modelo Facebook Prophet e do framework Auto-sklearn na previsão de ETo de curto prazo. Para isso, valores históricos de ETo foram calculados com dados obtidos da estação meteorológica do Instituto Nacional de Meteorologia localizada no município de Viçosa (MG), e os modelos foram treinados com base em dados climáticos registrados no dia anterior à ocorrência da ETo. Além disso, para verificar o potencial da utilização de variáveis que podem ser obtidas a partir de modelos de previsão do tempo, fez-se a adição de variáveis climáticas reais do dia de ocorrência da evapotranspiração ao conjunto de treinamento. Os melhores modelos de regressão obtidos com a execução do Auto-sklearn foram também treinados individualmente para cada uma das estações e meses do ano. Para o cenário de treinamento de um modelo anual, a adição das variáveis reais do dia de ocorrência da ETo propiciou a diminuição da variação da raiz quadrada do erro médio (RMSE) de 0,73 para 0,47 (35,6%), e aumento do coeficiente de determinação (R²) de 0,61 para 0,84 (37,7%). Quando os modelos foram treinados mensalmente, a adição dessas variáveis levou à melhoria de desempenho em alguns meses e piora em outros. Para o treinamento baseado nas estações do ano, todos os indicadores apresentaram melhoria com a adição das variáveis do dia de previsão. Em todos os cenários de treinamentos anuais, os modelos de regressão encontrados com o Auto-Sklearn apresentaram melhores valores RMSE e R² que o modelo de time series Facebook Prophet. A utilização de um único modelo para todos os dias do ano apresentou resultados mais satisfatórios que os modelos treinados de forma mensal e modelos com base nas quatro estações do ano. Palavras-chave: Auto-sklearn. Facebook Prophet. Dados climáticos, Evaporação,Transpiração.

The knowledge of the reference evapotranspiration (ETo) is useful in many processes involving water resources planning and management, climate zoning, irrigation operation, and sizing, among others. The possibility to estimate the ETo before its occurrence opens opportunities for optimizing the many processes that depend on this variable. Thinking about that, this work has the objective to analyze the performance of the Facebook Prophet model and the framework Auto-sklearn at short-term ETo prediction. This way, historical values of ETo were calculated, using the meteorological data obtained from the Brazilian National Institute of Meteorology station located in the municipality of Viçosa, Minas Gerais, Brazil, and the models have been trained with the weather data from the day before ETo occurrence. Besides that, to look into the applicability of variables that can be obtained from weather prediction models, climate data from the evapotranspiration day of occurrence was added to the training set. The best regression models obtained with the Auto-sklearn application were trained as well individually for each of the stations and months of the year. For the training of the annual model, the addition of the evapotranspiration day variables has contributed to the decrease of root-mean-square deviation (RMSE) from 0,73 to 0,46 (35,6%) and the increase of coefficient of determination (R²) from 0,61 to 0,84 (37,7%). When the models were trained monthly, the addition of these variables led to improved performance on some months and worse on others. At training based on seasons, all the indicators showed improvement with the addition of prediction day variables. Considering all annual model training scenarios, the regression models encountered by Auto- sklearn presented better values of RMSE and R² than the Facebook Prophet time series model. Using only one model for all the days of the year presented more satisfying results than the models trained monthly and based on the four seasons models. Keywords: Auto-sklearn. Facebook Prophet. Climatic data, Evaporation, Transpiration.