EVAPOTRANSPIRACIN DE REFERENCIA ESTIMADA CON FAO- 1

PENMAN-MONTEITH Y SU COMPARACIN CON LAS OBTENIDAS 2

CON PRIESTLEY-TAYLOR, HARGREAVES Y RNA 3
EVAPOTRANSPIRATION REFERENCE ESTIMATED WITH FAO-PENMAN-MONTEITH AND ITS
4
COMPARED WITH THE OBTAINED WITH PRIESTLEY-TAYLOR, HARGREAVES AND ANN
5
Ramn Arteaga-Ramrez
1
; Santiago Rodrguez-Sandra
1*

6
7
1
Departamento de Irrigacin, Universidad Autnoma Chapingo. Carretera Mxico-Texcoco, km 38.5, Chapingo,
8
Estado de Mxico, C.P. 56230.
9
Correo-e: ssantiagor@hotmail.com (*Autor responsable).
10
RESUMEN
11
La determinacin de las necesidades de agua de riego de los cultivos se basa en la estimacin precisa de la evapotranspiracin de
12
referencia (ETo) de cada zona en particular, y a su vez, las posibles alternativas para la estimacin estn sujetas a la limitacin de la
13
informacin meteorolgica existente en el pas. En este trabajo se analizaron varias metodologas disponibles para realizar
14
estimaciones de ETo, a partir de datos de la estacin meteorolgica de Chapingo, se calcul la evapotranspiracin de referencia
15
(ETo) con cuatro diferentes mtodos que son: FAO-Penman-Monteith, Hargreaves, Priestly-Taylor y redes neuronales artificiales
16
(RNA). El mtodo con la estimacin ms precisa de ETo es FAO-Penman-Monteith, la desventaja de ste es que necesita siete
17
variables climticas para su clculo. En los mtodos de Hargreaves, Priestley-Taylor, y RNA se utilizaron cuatro variables
18
climticas para el clculo de ETo y de stos se defini que el mtodo de RNA tuvo una mayor aproximacin al mtodo de FAO-
19
Penman-Monteith, con un coeficiente de determinacin de 0.9763 y con una raz cuadrada del cuadrado medio del error (RMSE) de
20
0.1319. En el mtodo de RNA se utiliz la radiacin solar, temperatura media, velocidad del viento y dficit de presin de vapor, el
21
nmero de neuronas en la capa oculta fue de seis.
22

23
PALABRAS CLAVE ADICIONALES: Evapotranspiracin, FAO-Penman-Monteith, Hargreaves, Priestley-
24
-----------------------------------------------------Taylor, RNA, pronstico.
25
ABSTRACT
26
The determination of the irrigation water needs of crops is based on the accurate estimation of reference evapotranspiration (ETo)
1
for each particular zone and in turn, possible alternatives to the estimate are subject to the limitation of meteorological information
2
in the country. In this work was to analyze several methodologies available for estimating ETo data from the meteorological station
3
at Chapingo calculated reference evapotranspiration (ETo) with four different methods are: FAO-Penman-Monteith, Hargreaves,
4
Priestley- Taylor and artificial neural networks (ANN). The method with the more precise estimate of ETo is FAO-Penman-
5
Monteith, the downside of this is that seven weather variables needed for calculation. In the methods of Hargreaves, Priestley-
6
Taylor, and ANN used four climatic variables for the calculation of ETo and they determined that the method of RNA had a greater
7
approximation to the method of FAO-Penman-Monteith, with a coefficient determination of 0.9763 and a root mean square error
8
(RMSE) of 0.1319. In the method of ANN was used solar radiation, mean temperature, wind speed and vapor pressure deficit, the
9
number of neurons in the hidden layer was six.
10

11
ADDITIONAL KEYWORDS: Evapotranspiration, FAO-Penman-Monteith, Hargreaves, Priestley-Taylor, ------------------------
12
-----------------RNA, prognosis.
13

14
INTRODUCCIN
15
La evapotranspiracin es una variable clave para estimar la prdida de agua de los 16
cultivos por transpiracin y del suelo por evaporacin, en la prctica se utiliza para la 17
elaboracin de calendarios de riego y as poder optimizar el recurso hdrico durante el 18
ciclo de un cultivo, obteniendo los rendimientos deseados. Las posibles alternativas 19
para la estimacin estn sujetas a la limitacin de la informacin meteorolgica 20
existente en el pas. 21
El planteamiento de enfoque es calcular la evapotranspiracin de referencia, que es la 22
tasa de evapotranspiracin de una superficie de referencia, que ocurre sin restricciones 23
de agua y se conoce como evapotranspiracin del cultivo de referencia, (ETo). La 24
superficie de referencia corresponde a un cultivo hipottico de pasto con caractersticas 25
especficas (Allen et al., 2006). 26
Es importante sealar que el mtodo FAO-Penman- Monteith (FAO-P-M) necesita 1
siete variables climticas para poder estimar la evapotranspiracin de referencia, con 2
esta ecuacin se obtienen resultados muy significativos de la zona en la cual se est 3
trabajando, por lo que con los mtodos Hargreaves (H), Priestley-Taylor (P-T), y redes 4
neuronales artificiales (RNA), se pueden estimar tambin la evapotranspiracin de 5
referencia al utilizar cuatro variables. Se desea saber cul de los mtodos de H, P-T y 6
RNA tiene una estimacin semejante al mtodo de FAO-P-M para aplicarlo al clculo 7
de la evapotranspiracin de referencia. 8
En el presente trabajo se compar la Evapotranspiracin de referencia del mtodo 9
FAO-Penman- Monteith, con la obtenida con los siguientes mtodos Hargreaves, 10
Priestley-Taylor y el modelo de red neuronal artificial (RNA) tipo feedforward 11
backpropagation, para el rea de Chapingo 12
MATERIALES Y MTODOS 13
El anlisis se hizo con datos de la Estacin Meteorolgica Chapingo los cuales fueron 14
tomados de la estacin automtica, los datos son de cada media hora correspondientes 15
al periodo (2003-2009), La informacin fue analizada con las cuatro ecuaciones de los 16
mtodos indirectos para la estimacin de la evapotranspiracin de referencia: FAO- 17
Penman-Monteith, Hargreaves, Priestley-Taylor y RNA, para determinar que mtodo 18
que se aproxim con un menor error al primer mtodo. 19
Se utiliz el software de (Matlab) versin 7.8.0.347 (R2009), copyright 1984-2009 The 20
Mathworks, Inc. en la cual se recurri a la herramienta de Toolbox feedforwad 21
Backpropagation para poder estimar la ETo. 22
Determinacin de la evapotranspiracin de referencia 1
Mtodo de FAO-Penman-Monteith 2
El mtodo FAO Penman-Monteith fue desarrollado haciendo uso de la definicin del 3
cultivo de referencia como un cultivo hipottico con una altura asumida de 0.12 m, con 4
una resistencia superficial de 70 s m
-1
y un albedo de 0.23 y que representa a la 5
evapotranspiracin de una superficie extensa de pasto verde de altura uniforme, 6
creciendo activamente y adecuadamente regado, (Allen et al., 2006). 7
Se trabaj con datos de radiacin solar diaria, temperatura mxima, temperatura 8
mnima, humedad relativa mxima, humedad relativa mnima y velocidad de viento, 9
para estimar la evapotranspiracin de referencia, se utiliz la ecuacin 1. 10

( ) ( )
( )
2
2
34 . 0 1
273
900
408 . 0
u
e e u
T
G R
ET
a s n
o
+ + A

+
+ A
=

(1)
donde:
11
=
o
ET
evapotranspiracin de referencia, mm da
-1

=
n
R
radiacin neta en la superficie del cultivo, MJ m
-2
da
-1

= G flujo del calor de suelo, MJ m
-2
da
-1

= T temperatura media del aire a 2 m de altura, C
=
2
u velocidad del viento a 2 m de altura, m s
-1

=
s
e
presin de vapor de saturacin, kPa
=
a
e
presin real de vapor, kPa
( ) =
a s
e e
dficit de presin de vapor, kPa
= A pendiente de la curva de presin de vapor, kPa C
-1

=
constante psicromtrica, kPa C
-1
.
Para asegurar la precisin del clculo, los datos de velocidad del viento deben ser
1
medidos o ser convertidos a 2 m de altura, sobre una superficie extensa de pasto verde
2
(Allen et al., 1998).
3
Mtodo Hargreaves 4
La frmula de Hargreaves (Hargreaves y Sumani, 1985) para evaluar la
5
Evapotranspiracin de referencia

necesita datos de temperaturas y de radiacin solar,
6
en la ecuacin 2 se muestra la expresin simplificada para la estimacin de sta.
7

( ) ( )
5 . 0
min max
78 . 17 * 0023 . 0 t t R t ET
a med o
+ =
(2)
donde: 8
=
o
ET
evapotranspiracin de referencia, mm/da
=
med
t
temperatura media diaria, C
=
a
R
Radiacin solar extraterrestre , en mm/da
=
max
t temperatura diaria mxima C
=
min
t temperatura diaria mnima, C
Mtodo Priestley-Taylor 9
Cuando en la superfcie evaporante no hay limitacin de agua (por ejemplo, despus de 10
un riego o de precipitacin) y la atmsfera se mantiene en equilibrio con la superfcie, 11
el gradiente del dficit de presin de vapor puede considerarse nulo por lo que 12
(Priestley y Taylor, 1972) concluyeron que raramente se obtena la situacin de 1
equilibrio, incluso sobre superficies de agua lquida, y en consecuencia propusieron la 2
ecuacin 22 para la estimacin de ETo: 3


o
) ( G R
ET
n
o

+ A
A
=
(3)
donde: 4
=
o
ET
evapotranspiracin de referencia, mm h
-1
,mm dia
-1

= A pendiente de la curva de presin de vapor de saturacin en
funcin de la temperatura, kPa C
-1

=
constante psicromtrica, kPa C
-1

=
n
R
radiacin neta, Wm
-2
, MJ m
-2
dia
-1
, mm dia
-1

= G flujo de calor en el suelo, Wm
-2
, MJ m
-2
dia
-1
, mm dia
-1

= o parmetro ecuacin de Priestley-Taylor, adim.
=

Calor latente de vaporizacin a 20C, 2.45MJ/kg
5
En este caso o tiene un valor de 1.26 para superficies saturadas. Muchos autores 6
reportan diferentes valores e intervalos debido a que depende del flujo vertical de calor 7
sensible (Pereira y Villa, 1992), de la adveccin (Jury y Tanner, 1975) y tambin de la 8
temperatura o de la velocidad de viento (De Bruin, 1983), por lo que es aconsejable 9
calibrar el parmetro en alguna localidad de la zona climtica. 10
11
12
Mtodo de redes neuronales artificiales (RNA) 13
Las redes neuronales se componen de elementos simples que funcionan en paralelo. 1
Estos elementos estn inspirados en un sistema biolgico nervioso. Al igual que en la 2
naturaleza, las conexiones entre los elementos determinan en gran medida la funcin de 3
red. Se puede entrenar una red neuronal para realizar una funcin particular, al ajustar 4
los valores de las conexiones (pesos) entre los elementos. 5
Una RNA est compuesta de neuronas artificiales que constituyen los elementos de 6
procesamiento. Las neuronas reciben entradas, procesan las entradas, y envan una sola 7
salida por medio de una funcin de transferencia o activacin (Demuth y Beale, 2008). 8
Una neurona es una unidad de procesamiento de informacin que es fundamental para 9
la operacin de una red neuronal, la Figura 1 muestra el modelo para una neurona. Se 10
pueden identificar tres elementos bsicos del modelo de una neurona a continuacin se 11
describe, (Haykin, 2005). 12
a) Un conjunto de sinapsis o links conectores, cada uno del cual es caracterizado por un 13
peso o proporcin propia. Especficamente, una seal x
j
en la entrada de la sinapsis j 14
conectada a la neurona k es multiplicada por el peso sinptico w
kj
,

es importante 15
hacer notar la manera en la cual los subndices del peso sinptico w
kj
estn escritos. 16
El primer subndice se refiere a la neurona y el segundo subndice alude a la entrada 17
de la sinapsis a la cual el peso se refiere 18
b) Un adicionador para sumar las seales de entrada, ponderadas por las respectivas 19
sinapsis de la neurona; las operaciones descritas constituyen una combinacin lineal. 20
c) Una funcin de activacin para limitar la amplitud de la salida de la neurona 21
1
Figura 1. Esquema general de una neurona. 2
Los datos de entrada se tienen que normalizar en la amplitud o rango descrito entre el
3
intervalo de [0,1] o [-1,1].
4
Para poder estimar la evapotranspiracin de referencia con el mtodo de RNA se utiliz 5
los datos de evapotranspiracin calculados con el mtodo de FAO-Penman-Monteith. 6
La forma en que se realiz es la siguiente: 7
Se entren, valid y evalu con datos de entrada: Da juliano, Radiacin solar, 8
Temperatura mxima, Temperatura mnima, Humedad mxima, Humedad mnima, 9
Velocidad del viento, Dficit de presin de vapor y como target la ETo de FAO-P-M, 10
con el periodo 2003-2008, posteriormente se dej el ao 2009 para pronstico en el 11
cual se dio las mismas variables de entrada pero sin ningn target ya que se 12
pronosticara con el vector de datos aprendido por la red de los datos de entrada con el 13
entrenamiento realizado. Esto se realiz para cada uno de los cinco escenarios 14
propuestos. 15
De los datos correspondientes al periodo (2003-2008) con el 25 % se evalu, 25% 16
valid y 50% se entren. 17
Los diferentes escenarios con los cuales se prob la red neuronal se identificaran como 1
se muestra en la Figura 2 manera: 2
3
Figura 2. Esquema de identificacin de cada escenario. 4
Los datos para el clculo de ETo fueron introducidos al software Matlab y se
5
procesaron para obtener el resultado de la red neuronal, esta red itera, lo que
6
comnmente se le denomina aprendizaje de la red, al finalizar este procedimiento se
7
procede a cargar los datos para el pronstico, introduciendo el mismo nmero de
8
variables de entrada, pero esta vez sin ningn target, ya que la red utiliza los pesos ya
9
obtenidos en el entrenamiento, validacin y evaluacin, al finalizar este procesamiento
10
se obtienen los resultados de ETo pronosticados con la red neuronal.
11
Se presentan las Cuadros del 1 a la 5, donde se observan las combinaciones de
12
variables de entrada, nmero de capas ocultas, nmero de salida y el arreglo que se les
13
proporcion para su identificacin.
14
En el Cuadro 1 se observan las variables de entrada, en este caso fueron ocho 15
correspondientes al periodo (2003-2008), y como target la ETo
FAO-P-M
del mismo 16
periodo. 17
En el Cuadro 2 se observan las variables de entrada, en este caso son cuatro 1
correspondientes al periodo (2003-2008), y como target la ETo
FAO-P-M
del mismo 2
periodo 3
El Cuadro 3 muestra las variables de entrada, en este caso son cuatro correspondientes 4
al periodo (2003-2008), y como target la ETo
FAO-P-M
del mismo periodo. 5
Cuadro 1. Resumen del escenario uno con ocho variables de entrada, combinaciones propuestas en la neurona de la capa 6
oculta y Pronstico de ETo. 7
ESCENARIO 1
Variables de entrada Target Pronstico
Da juliano
Radiacin solar
Temperatura mxima
Temperatura mnima
Humedad mxima
Humedad mnima
Velocidad del viento
Dficit de presin de vapor

ETo FAO-
Penman-
Monteith






Da juliano
Radiacin solar
Temperatura mxima
Temperatura mnima
Humedad mxima
Humedad mnima
Velocidad del viento
Dficit de presin de vapor
Variables
de
entrada
Neuronas
en la capa
oculta
Nmero
de
salidas
Arreglo
E1810 8 10 1 8x10x1
E1808 8 8 1 8x8x1
E1806 8 6 1 8x6x1
1
Cuadro 2. Resumen del escenario dos con cuatro variables de entrada, combinaciones propuestas en la neurona de la capa oculta y 2
Pronstico de ETo. 3
ESCENARIO 2
Variables de entrada target Pronstico
Radiacin solar
Temperatura media
Humedad media
Velocidad del viento

ETo FAO-
Penman-
Monteith


Radiacin solar
Temperatura media
Humedad media
Velocidad del viento

Variables
de entrada
Neuronas
en la capa
oculta
Nmero
de
salidas
Arreglo
E2406 4 6 1 4x6x1
E2404 4 4 1 4x4x1
E2402 4 2 1 4x2x1
4
5
6
7
8
Cuadro 3. Resumen del escenario tres con cuatro variables de entrada, combinaciones propuestas en la neurona de la capa oculta y 9
Pronstico de ETo. 10
ESCENARIO 3
Variables de entrada target Pronstico
Radiacin solar
Temperatura media
Velocidad del viento
Dficit de presin de vapor

ETo FAO-
Penman-
Monteith


Radiacin solar
Temperatura media
Velocidad del viento
Dficit de presin de vapor
Variables
de
entrada
Neuronas
en la capa
oculta
Nmero
de
salidas
Arreglo
E3406 4 6 1 4x6x1
E3404 4 4 1 4x4x1
E3402 4 2 1 4x2x1
1
El Cuadro 4 muestra las variables de entrada, en este caso son tres, correspondientes al 2
periodo (2003-2008), y como target la ETo
FAO-P-M
del mismo periodo. 3
En el Cuadro 5 se observan las variables de entrada, en este caso son tres, 4
correspondientes al periodo (2003-2008), y como target la ETo
FAO-P-M
del mismo 5
periodo. 6
7
Cuadro 4. Resumen del escenario cuatro con tres variables de entrada, combinaciones propuestas en la neurona de la capa oculta y 8
Pronstico de ETo. 9
ESCENARIO 4
Variables de entrada target Pronstico
Radiacin solar
Temperatura media
Dficit de presin de vapor

ETo FAO-
Penman-
Monteith

Radiacin solar
Temperatura media
Dficit de presin de vapor
Variables
de
entrada
Neuronas
en la capa
oculta
Nmero
de
salidas
Arreglo
E4304 3 4 1 3x4x1
E4303 3 3 1 3x3x1
E4302 3 2 1 3x2x1
1
2
Cuadro 5. Resumen del escenario cinco con tres variables de entrada, combinaciones propuestas en la neurona de la capa oculta y 3
Pronstico de ETo. 4
5
ESCENARIO 5
Variables de entrada Target Pronstico
Radiacin solar
Temperatura media
Humedad media

ETo FAO-
Penman-
Monteith

Radiacin solar
Temperatura media
Humedad media

Variables
de
entrada
Neuronas
en la
capa
oculta
Nmero
de
salidas
Arreglo
E5304 3 4 1 3x4x1
E5303 3 3 1 3x3x1
E5302 3 2 1 3x2x1
El estadstico de prueba que se utiliz fue la raz cuadrada del cuadrado
1
medio del error (RMSE)
2
En las estadsticas, RMSE de un estimador es una de las muchas maneras de cuantificar 3
la diferencia entre un estimador y el valor real de la cantidad que se estima. RMSE es 4
una funcin de riesgo, que corresponde al valor esperado de la prdida de error al 5
cuadrado o prdida cuadrtica. RMSE mide el promedio del cuadrado del error. El error 6
es la cantidad en que el estimador difiere de la cantidad que se estima. La diferencia se 7
produce por azar o porque el estimador no tiene en cuenta la informacin que podra 8
producir una estimacin ms precisa. 9
10

2
) (
1
i M P
ETo ETo
n
RMSE =


(4)
Donde n es el nmero total de observaciones, ETo es el estimado por la ecuacin de
11
FAO-Penman-Monteith y ETo
i
son los datos calculados con las Hargreaves, Priestley-
12
Taylor y RNA.
13

14

1
RESULTADOS
2
La Figura 3 muestra las grficas de la diferencia de ETo de FAO-P-M vs el mtodo de 3
Hargreaves, Priestley-Taylor y RNA, donde A representa a FAO-P-M, B Hargreaves, C 4
Priestley-Taylor y D RNA. 5
La Figura 3 a) muestra la diferencia del valor estimado entre A y B, para el ao 2009, 6
grficamente la ETo calculada con B sobrestima el valor de A, esto se observa en casi 7
todo el ao. 8
La Figura 3 b) muestra la diferencia del valor estimado entre A y C, para el ao 2009, 9
grficamente la ETo calculada con C subestima el valor de A, esto se observa para el 10
mes de enero a marzo y de abril a diciembre el valor es sobrestimado. 11
En la Figura 3 c) se observa la diferencia del valor de ETo entre A y D, para el ao 12
2009, la ETo estimada con D (perteneciente al escenario tres con cuatro variables de 13
entrada y seis neuronas en la capa oculta, identificada con E3406 tiene una tendencia 14
ms uniforme y parecida al mtodo de A, esto se observa en la mayora del ao, los 15
meses en los que tuvo una desviacin son de febrero a abril, pero no es muy 16
significativa. Se eligi el escenario E3406 ya que es el que present mejores 17
resultados. 18

a)



b)



c)



1
Figura 3. Comportamiento de la evapotranspiracin presentando las diferencias 2
entre FAO-P-M vs Hargreaves, Priestley-Taylor y RNA del ao 2009. a) 3
Hargreaves, b) Priestley-Taylor y c) RNA. 4
5
6
-4
-2
0
2
0 100 200 300
Da juliano
Evapotranspiracin de
referencia 2009
A-B
-2
-1
0
1
2
0 100 200 300
Da juliano
Evapotranspiracin de
referencia 2009
A-C
-1
0
1
0 100 200 300
Da juliano
Evapotranspiracin de
referencia 2009
A-D
Comparacin grfica para el ao 2009 de la ETo FAO-Penman-Monteith 1
con la ETo calculada con los mtodos de Hargreaves, Priestley-Taylor y 2
RNA. 3

4
En la Figura Figura 4 se comparan los tres mtodos con el de FAO-Penman-Monteith,
5
Hargreaves, Priestley-Taylor y RNA, para definir cul es el que estima con un menor
6
error la evapotranspiracin de referencia.
7

8
La Figura 4 a) muestra la comparacin de resultados de Hargreaves vs FAO-P-M, se 9
puede observar que tiene un coeficiente de determinacin de 0.5378, este valor es el 10
ms bajo en comparacin de todos los mtodos empleados, adems se aprecia el 11
comportamiento de la lnea ajustada que no tiene una tendencia 1:1, lo que da un 12
RMSE de 0.8553. 13
En la Figura 4 b) se observa la grfica de P-T vs FAO-P-M, sta muestra una lnea de 14
tendencia 1:1, los valores sobrestiman el valor de FAO-P-M, tiene un coeficiente de 15
determinacin de 0.6977 mayor que el valor obtenido por H y su RMSE es de 0.6501 16
mejorando con respecto al anterior. 17
En los incisos de la Figura 4 c), d) y e) se observan las grficas del mtodo de RNA, 18
estas grficas muestran resultados muy buenos ya que su coeficiente de determinacin 19
es mayor de 0.9914, adems de que su RMSE es menor a 0.07339, estos escenarios son 20
de ocho variables de entrada. Debido a que el objetivo es determinar que mtodo se 21
aproxima con un menor error al de FAO-Penman-Monteith, pero con un nmero menor 1
de variables, por lo que estos escenarios no sern considerados como los ptimos 2
debido al gran nmero de variables de entrada que tienen. Estos escenarios fueron 3
nicamente para saber si la funcin que se utiliz en el mtodo de RNA acotaba los 4
datos dentro del rango de este mtodo y as poder estimar un valor de ETo. 5
En la Figura 4 f), g) y h) el mejor resultado se obtuvo con el mtodo E2404, ya que su 6
RMSE tuvo un valor de 0.1328 menor que los escenarios E2406 y E2402. 7
En la Figura 4 i), j) y k) el mejor resultado se obtuvo con el mtodo E3406, ya que su 8
RMSE tuvo un valor de 0.1319 menor que los escenarios E3404 y E3402. 9
En la Figura 4 l), m) y n) el mejor resultado se obtuvo con el mtodo E4302, ya que su 10
RMSE tuvo un valor de 0.5379 menor que los escenarios E4304 y E4303. 11
En la Figura 4 ), o) y p) el mejor resultado se obtuvo con el mtodo E5302, ya que su 12
RMSE tuvo un valor de 0.5555 menor que los escenarios E5304 y E5303. 13

a)

b)

c)

d)

e)

y = 0.7413x + 1.6586
R = 0.5378
1.5
3
4.5
6
1 2 3 4 5 6
E
T
o


F
A
O
-
P
-
M

(
m
m
/
d

a
)

ETo Hargreaves (mm/da)
y = 1.0339x + 0.2864
R = 0.6977
1.5
3
4.5
6
1 2 3 4 5 6
E
T
o


F
A
O
-
P
-
M

(
m
m
/
d

a
)

ETo Priestly-Taylor (mm/da)
Figura 4. Representacin grafica del comportamiento de datos para cada uno de los mtodos utilizados en la estimacin de
ETo 2009, FAO-P-M vs a) H. b) P.-T., c), d), e) escenario 1, f), g), h) escenario 2, i), j), k) escenario 3, l), m), n) escenario 4 y
), o), p) escenario 5.

f)

g)

h)

i)


j)

k)
Figura 4. Continuacin

l)


m)

n)


Figura 4. Continuacin
) o) p)

Resultados de los mtodos utilizados para el ao 2009
En la Cuadro 6 se muestra los resultados de los parmetros estadsticos que ayudaron a
definir cul de los mtodos de Hargreaves, Priestley-Taylor y RNA estim mejor la
ETo, para esto se calcularon diversos estadsticos, los cuales son: r coeficiente de
correlacin, R
2
coeficiente de determinacin, RMSE, raz cuadrada del cuadrado medio
del error, m pendiente y b ordenada al origen.
Los resultados de RMSE muestran que el mtodo que mejor resultados tuvo fue el de
RNA, en este mtodo se emplearon 5 escenarios en los cuales se abordo diversos
nmeros de variables de entrada y neuronas en la capa oculta.
El escenario denotado por E3406 da un valor de RMSE 0.1319, en este escenario se
utilizaron cuatro variables de entrada, las cuales son: radiacin solar, temperatura
media, velocidad del viento y dficit de presin de vapor, por lo que se concluye que
este escenario est en primer lugar para la estimacin de ETo.
Cuadro 1. Resultados de los parmetros estadsticos de cada uno de los mtodos para la estimacin de ETo.
Hargreaves ETo
r R
2
RMSE m b
H 0.7333 0.5378 0.8553 1.6586 0.7413
Priestley-Taylor ETo
r R
2
RMSE m b
P-T 0.8352 0.6977 0.6501 1.0339 0.2864
RNA Pronstico ETo
r R
2
RMSE m b
E1810 0.9993 0.9986 0.0297 1.0096 -0.0425
E1808 0.9982 0.9964 0.0457 1.0100 -0.0426
E1806 0.9957 0.9914 0.0733 1.0146 -0.0726
RNA Pronstico ETo
r R
2
RMSE m b
E2406 0.9879 0.9759 0.1373 1.0701 -0.2539
E2404 0.9876 0.9753 0.1328 1.0554 -0.2046
E2402 0.9485 0.8996 0.2946 1.0945 -0.2807
RNA Pronstico ETo
r R
2
RMSE m b
E3406 0.9881 0.9763 0.1319 1.0593 -0.2190
E3404 0.9836 0.9674 0.1485 1.0455 -0.1899
E3402 0.9846 0.9694 0.1608 1.0919 -0.3510
RNA Pronstico ETo
r R
2
RMSE m b
E4304 0.8643 0.7470 0.5659 1.1222 -0.1997
E4303 0.8596 0.7389 0.5694 1.1047 -0.1262
E4302 0.8761 0.7675 0.5379 1.1039 -0.1228
RNA Pronstico ETo
r R
2
RMSE m b
E5304 0.8642 0.7468 0.5802 1.1301 -0.2091
E5303 0.8603 0.7401 0.5874 1.1231 -0.1761
E5302 0.8689 0.7549 0.5555 1.1028 -0.1097

En el caso del mtodo de RNA los parmetros estadsticos fueron definidos por el
software Matlab, y el de los mtodos de Hargreaves y Priestley-Taylor con una hoja de
clculo.
CONCLUSIONES
Se calcul la ETo, con los mtodos de FAO-Penman-Monteith, Hargreaves, Priestley-
Taylor y RNA con sus respectivas variables, en el caso del mtodo de RNA se estim
utilizando diferentes variables de entrada y diferentes nmeros de neuronas en la capa
oculta, con el fin de saber cul de los mtodos utilizando el menor nmero de variables
se aproxima a la ETo calculada con FAO-Penman-Monteith.
Con los mtodos de Hargreaves y Priestley-Taylor al compararlos con FAO-Penman-
Monteith se observ que el mtodo de P-T estima mejor la ETo ya que tiene un
coeficiente de determinacin de 0.6977, siendo mayor que el de Hargreaves con valor
de 0.5378.
Al comparar el mtodo de FAO-Penman-Monteith vs Hargreaves y Priestley-Taylor y
RNA, se obtuvo un mejor resultado con el mtodo de RNA ya que se observ que sus
valores de r
2
son muy buenos para el escenario tres denotado por E3406 con cuatro
variables de entrada y seis neuronas en la capa oculta. Las variables de entrada de este
mtodo son: radiacin solar, temperatura media, velocidad del viento y dficit de
presin de vapor, dando un valor de RMSE 0.1319.
Los resultados obtenidos y el buen ajuste logrado, demuestra la versatilidad que ofrece
la modelacin en redes neuronales, considerando adems que el xito de la modelacin
depende en gran medida de la calidad y cantidad de datos disponibles para los procesos
de entrenamiento, validacin y evaluacin.
LITERATURA CITADA
Allen, R. G.; Pereira, L. S.; Raes, D. y Smith, M. 2006. Evapotranspiracin del cultivo.
Organizacin de las Naciones Unidas para la Agricultura y la Alimentacin.
Bulletin 56. 298 p.
Allen, R. G.; Pereira, L. S.; Raes, D. y Smith, M. 1998. Crop evapotranspiration-
Guidelines for computing crop water requirements - FAO Irrigation and drainage
paper 56. 1-15 p.
De Bruin, H. A. 1983. A model for the Priestley-Taylor parameter. Journal of Climate
and Applied Meteorology. 572-578 p.
Demuth, H. y Beale, M. 2008. Neural network toolbox 6. U. S. The MathWorks, Inc.
Hargreaves, G. H. y Sumani, Z. A. 1985. Reference crop evapotranspiration from
temperatura. Applied Eng. in Agric. 96-99 p.
Haykin, S. 1995, Neural Networks: A comprehensive foundation, Pearson, Canada 823
p.
Jury, W. A. y Tanner, C. B. 1975. Advection modification of the Priestley and Taylor
evapotranspiration formula. Agron. J. 840-842 p.
Pereira, A. R. y Villa, N. 1992. Analysis of the Priestley-Taylor parameter. Agric. For.
Meteoeol. , 1-10 p.
Priestley, C. H., y Taylor, R. H. (1972). On the assessment of surface heat flux and
Evaporation using large scale parameters. Monthly Wea. Rev , 81-92.
Sumani, Z. 2000. Estimating solar radiation and evapotranspiration using mininum
climatological data. Journal of irrigation and drainage engineering Vol. 126 ,
265-267 p.