Actual evapotranspiration estimates in arid regions using machine learning algorithms with in-situ and remote sensing data.
Loading...
Date
2020
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
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.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2020