Actual evapotranspiration estimates in arid regions using machine learning algorithms with in-situ and remote sensing data.
| dc.contributor.advisor | Suárez Poch, Francisco Ignacio | |
| dc.contributor.author | Mosre Poller, Josefina Amanda | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2020-06-04T16:02:29Z | |
| dc.date.available | 2020-06-04T16:02:29Z | |
| dc.date.issued | 2020 | |
| dc.description | Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2020 | |
| dc.description.abstract | La evapotranspiración (ET) es un proceso hidrológico relevante en regiones áridas, donde el agua es vital para el desarrollo de comunidades locales y ecosistemas. Históricamente, realizar estimaciones de ET ha sido un gran desafío en estas áreas, debido a que sus paisajes se componen principalmente de vegetación dispersa adaptada a las condiciones de sequía, lo que se contradice con muchas de las suposiciones usadas en los métodos tradicionales de estimación de ET. Sin embargo, existen varios estudios realizados en zonas áridas que han mostrado buenos resultados cuando se implementan fórmulas empíricas de regresión que, a pesar de su simplicidad, son comparables en exactitud con modelos más complejos. Aunque existen muchos tipos de fórmulas de regresión para estimar ET, no existe un consenso respecto a qué variables se deben considerar en el análisis. En esta investigación se usaron algoritmos de aprendizaje automático para encontrar las principales variables que predicen la ET diaria y mensual en regiones áridas mediante el uso de ecuaciones de regresión lineal. Se utilizó como datos de entrada en las estimaciones mensuales solo información meteorológica y luego combinada con índices vegetacionales de percepción remota (VI's). Se recolectaron datos meteorológicos y flujos de ET de 10 sitios en Chile, Australia y Estados Unidos. Las estimaciones diarias y mensuales fueron evaluadas en tres sitios de validación, uno por país, en donde se obtuvo desempeños diferentes. Los resultados obtenidos indican que la energía disponible es la principal variable que predice la ET en los sitios de estudio, incluso cuando las regiones áridas son típicamente descritas como ambientes con agua limitada. El VI que representa mejor la ET es el Índice de Agua de Diferencia Normalizada (NDWI) que, a diferencia de otros VI, representa la la disponibilidad de agua en plantas y el suelo en vez de la actividad de la vegetación. El mejor desempeño obtenido en las ecuaciones de regresión se obtuvo en la estimación mensual con la incorporación de un VI el sitio de validación de E.E.U.U. (R2 = 0.82), mientras que el peor se obtuvo en la estimación mensual del sitio de validación de Australia cuando solo se consideró el uso de información meteorológica. Incorporar información de percepción remota resulta en mejores estimaciones de ET, en contraste a cuando solo se incluye información meteorológica en el análisis. | |
| dc.format.extent | iv, 57 páginas | |
| dc.identifier.doi | 10.7764/tesisUC/ING/29294 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/29294 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/29294 | |
| dc.language.iso | en | |
| dc.nota.acceso | Contenido completo | |
| dc.rights | acceso abierto | |
| dc.subject.ddc | 551.572 | |
| dc.subject.dewey | Ciencias de la tierra | es_ES |
| dc.subject.other | Evapotranspiración - Regiones áridas - Percepción remota | es_ES |
| dc.subject.other | Aprendizaje de máquina | es_ES |
| dc.title | Actual evapotranspiration estimates in arid regions using machine learning algorithms with in-situ and remote sensing data. | es_ES |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 15891 | |
| sipa.codpersvinculados | 223219 |