Actual evapotranspiration estimates in arid regions using machine learning algorithms with in-situ and remote sensing data.

dc.contributor.advisorSuárez Poch, Francisco Ignacio
dc.contributor.authorMosre Poller, Josefina Amanda
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2020-06-04T16:02:29Z
dc.date.available2020-06-04T16:02:29Z
dc.date.issued2020
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2020
dc.description.abstractLa 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.extentiv, 57 páginas
dc.identifier.doi10.7764/tesisUC/ING/29294
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/29294
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/29294
dc.language.isoen
dc.nota.accesoTexto completo
dc.rightsacceso abierto
dc.subject.ddc551.572
dc.subject.deweyCiencias de la tierraes_ES
dc.subject.otherEvapotranspiración - Regiones áridas - Percepción remotaes_ES
dc.subject.otherAprendizaje de máquinaes_ES
dc.titleActual evapotranspiration estimates in arid regions using machine learning algorithms with in-situ and remote sensing data.es_ES
dc.typetesis de maestría
sipa.codpersvinculados15891
sipa.codpersvinculados223219
Files
Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Thesis_Josefina Mosre_Final.pdf
Size:
3.45 MB
Format:
Adobe Portable Document Format
Description:
License bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.31 KB
Format:
Item-specific license agreed upon to submission
Description: