Evapotranspiration Estimation in the Brazilian Semiarid

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/375887053 Evapotranspiration Estimation in Brazil’s Semiarid Climate Zone Chapter · March 2023 DOI: 10.37423/230908141 CITATIONS 0 READS 7 10 authors, including: Jean Firmino Cardoso Federal University of Pernambuco 137 PUBLICATIONS4 CITATIONS SEE PROFILE Ingrid Karoline Vasconcelos da Silva Federal University of Pernambuco 16 PUBLICATIONS0 CITATIONS SEE PROFILE All content following this page was uploaded by Jean Firmino Cardoso on 26 June 2025. The user has requested enhancement of the downloaded file. ESTIMATIVA DE EVAPOTRANSPIRAÇÃO NO SEMIÁRIDO BRASILEIRO Jean Firmino Cardoso 1; Ingrid Karoline Vasconcelos da Silva 2; Eduarda Luciana Larissa de Lima 3& Artur Paiva Coutinho 4 Palavras-Chave – Estimativa Pluviométrica, Aprendizado de Máquina, Recursos Hídricos INTRODUÇÃO O semiárido brasileiro é caracterizado por um conjunto de períodos com balanços hídricos negativos, resultantes da precipitação média anual inferior a 800 mm, insolação média de 2.800 horas por ano e umidade relativa anual média em torno de 50% (MOURA et al., 2007). Diante deste cenário, se faz necessário a constante preocupação com meios de implementação para um futuro mais imediatista e menos utópico, pois em decorrência variações hidrológicas extremas como estiagem (classificação COBRADE como 1.4.1.1.0) ou chuvas intensas (classificação COBRADE como 1.3.2.1.4) prejudicam a continuidade das famílias que dependem inteiramente do uso constante de água nesta região. Sendo assim, foram utilizadas métricas para estimativas que caracterizam a quantidade de hídrica para desastres ambientais, de modo que não se tornem ações comuns, e que possam prever esses eventos extremos, por parte dos órgãos gestores e meteorológicos. As precipitações intensas ou precipitações prolongadas causam danos nos municípios, como: erosões no solo, inundações (classificação COBRADE como 1.2.1.0.0), danos à agricultura e sérias dificuldades para o armazenamento de água. Dessa forma, este artigo tem o propósito de estimar a evapotranspiração no semiárido brasileiro utilizando o aprendizado de máquina (machine learning), aplicando como base mudanças no comportamento pluvial de períodos antecedentes do ambiente de estudo analisado. Validando o método, também pode ser possível estimar a pluviometria na região, sendo necessário apenas mais testes e mais dados. METODOLOGIA Os dados foram coletados na fazenda Buenos Aires, área de pastagem de Serra Talhada-PE, obtidos a partir da torre de monitoramento hidrometeorológicos do Observatório Nacional da Água e do Carbono no Bioma Caatinga (ONDACBC). A série histórica de dados utilizada neste estudo compreende o período entre o ano de 2014 e o início de 2015, tendo 12 mil registros de informações, registrados em intervalos de trinta minutos. Para o cálculo da evapotranspiração de referência foi utilizado o método de Penman-Monteith-FAO (EToPMF) (CONCEIÇÃO, 2006). Para a construção e desenvolvimento do aprendizado de máquina, o modelo de regressão oferecido pela Scikit-Learn, biblioteca gratuita do python (Pedregosa et al., 2011), chamado floresta aleatória (FA). A princípio, foi necessário calcular as correlações entre todos os registros presentes no conjunto de dados a partir da função da biblioteca “pandas” (MCKINNEY, 2012), na busca de entender quais parâmetros de entrada(s) e saída possuem melhor desempenho, esses valores de correlação podem variar de -1 até 1, sendo 1 e -1 as combinações perfeitas, após o processamento foi possível constatar que a melhor combinação com base nas correlações foram para a evapotranspiração potencial (0.900), a precipitação pluviométrica (0.470) como dados de entrada e a evapotranspiração potencial 60 minutos (1.000) após os registros de entrada como parâmetro de 3) Afiliação: Universidade Federal de Pernambuco, Av. Marielle Franco, s/n - Km 59 – Nova Caruaru, PE, [email protected] 4) Afiliação: Universidade Federal de Pernambuco, Av. Marielle Franco, s/n - Km 59 – Nova Caruaru, PE, arthur[email protected] 2) Afiliação: Universidade Federal de Pernambuco, Av. Marielle Franco, s/n - Km 59 – Nova Caruaru, PE, [email protected] 1) Afiliação: Universidade Federal de Pernambuco, Av. Marielle Franco, s/n - Km 59 – Nova Caruaru, PE, [email protected] III Encontro Nacional de Desastres (ISSN 2764-9040) saída. Devido ao longo tempo e consumo de processamento, o modelo preliminar de aprendizado de máquina focou em tentar prever apenas os valores da evapotranspiração potencial no septuagésimo minuto com relação aos registros de entrada. No modelo da FA foi aplicado o método da validação cruzada (VC) (Cunha, 2019). A VC consiste em encontrar o valor da profundidade ideal, ou seja, um nível em que os resultados dos dados de treino e teste apresentem os melhores resultados em ambos com eficácia, assim evitando que o algoritmo fique viciado para os dados de treino, ou seja, apresenta resultados ótimos para os dados de treino e não satisfatório para os dados de teste. A avaliação de desempenho do modelo foi realizada considerando as seguintes métricas estatísticas: a Raiz do Erro Quadrático Médio (equação 1), sendo melhor valor 0 no espaço entre [0,+inf). A eficiência de Nash e Sutcliffe (NASH e SUTCLIFFE, 1970) (equação 2), melhor valor sendo 1 no espaço entre (-inf,1]. O coeficiente de Kling–Gupta (equação 3), melhor valor é 1 no espaço entre (-inf,1]. O coeficiente de determinação (equação 4), melhor valor é 1 no espaço entre [0,1]. O coeficiente de correlação de Pearson (equação 5), melhor valor é 1 no espaço entre [-1,1]. O índice de concordância de Willmott (equação 6), melhor valor é 1 no espaço entre [0,1]. Por fim, o índice de desempenho do modelo (equação 7), melhor valor é 1 no espaço entre (-inf,1]. 𝑅𝑀𝑆𝐸(𝑦,ŷ) = 𝑖=0 𝑁−1 ∑( 𝑦𝑖 − ŷ𝑖 )2 𝑁(𝑒𝑞𝑢𝑎çã𝑜 1) 𝑁𝑆𝐸(𝑦,ŷ) =1− 𝑖=0 𝑁−1 ∑( 𝑦𝑖 − ŷ𝑖 )2 𝑖=0 𝑁−1 ∑( 𝑦𝑖 − µ𝑦)2(𝑒𝑞𝑢𝑎çã𝑜 2) 𝐾𝐺𝐸(𝑦,ŷ) = 1 − ((𝑟(𝑦,ŷ)−1)2+(µŷ µ𝑦−1)2+(σŷ µŷ σ𝑦 µ𝑦−1)2 )2(𝑒𝑞𝑢𝑎çã𝑜 3) 𝑅²(𝑦,ŷ) = 𝑖=0 𝑁−1 ∑ 𝑦𝑖−µ𝑦 ( ) ×𝑦𝑖−µŷ ( )( ) 𝑖=0 𝑁−1 ∑ 𝑦𝑖−µ𝑦 ( ) 2×𝑦𝑖−µŷ ( ) 2 ⎡⎢⎢⎢⎣⎤⎥⎥⎥⎦ 2(𝑒𝑞𝑢𝑎çã𝑜 4) 𝑟(𝑦,ŷ) = 𝑖=0 𝑁−1 ∑ 𝑦𝑖−µ𝑦 ( ) ×𝑦𝑖−µŷ ( )( ) 𝑖=0 𝑁−1 ∑ 𝑦𝑖−µ𝑦 ( ) 2×𝑦𝑖−µŷ ( ) 2(𝑒𝑞𝑢𝑎çã𝑜 5) 𝑑(𝑦,ŷ) = 1 − 𝑖=0 𝑁−1 ∑ 𝑦𝑖 −𝑦𝑖 ( ) 2 𝑖=0 𝑁−1 ∑ |𝑦𝑖 −µ𝑦| + |𝑦𝑖 −µ𝑦| ( ) 2(𝑒𝑞𝑢𝑎çã𝑜 6) 𝑐(𝑦,ŷ) = 𝑑. 𝑟 (𝑒𝑞𝑢𝑎çã𝑜 7) Onde y é os valores medidos, ŷ os valores estimados, N o número de elementos, a média µ𝑦 dos valores medidos, a média dos valores estimados, o desvio padrão dos valores medidos, µŷσ𝑦σŷ o desvio padrão dos valores estimados. Portanto, para a aplicação do algoritmo de floresta aleatória (FA), foi necessário apenas realizar a importação do algoritmo da biblioteca scikit-learn, realizar a divisão entre os dados de treino e teste, onde 70% dos dados foram utilizados para o treinamento do modelo e 30% dos dados III Encontro Nacional de Desastres (ISSN 2764-9040) para teste, por fim foi comparado a precisão entre os dados de teste e seus respectivos valores estimados a partir das métricas selecionadas para validação do modelo. RESULTADOS E DISCUSSÕES A partir da figura 1 pode-se analisar o quão precisa foi a estimativa de evapotranspiração potencial utilizando o algoritmo de floresta aleatória comparado com seu valor medido respectivo, obtido a partir da torre do ONDACBC. Figura 1: Dispersão gráfica para o modelo FA. Fonte: autoria própria. Segundo a figura 1, quanto mais pontos vermelhos estiverem sobre a diagonal preta marcada no gráfico, mais fiel o modelo de floresta aleatória apresenta ser se comparado com os dados reais medidos, ou seja, é possível observar que uma grande parte dos dados seguiram a linha de tendência desejada, porém muitos dados estão distantes da linha diagonal, demonstrando dessa forma que não são muito precisos. Na figura 2, foi plotado um intervalo temporal dos dados medidos e seus respectivos valores estimados, pode-se verificar que a figura 1 sendo analisada de forma isolada pode induzir ao erro, pois mesmo que os dados estejam dispersos e gerando a impressão de pouca precisão, na figura 2 vemos que esse problema não é muito intenso, sendo melhor avaliado a partir das métricas selecionadas. Além disso, vemos que a o modelo possui dificuldade em interpretar os picos, vezes subestimando ou superestimando. Figura 2: Comparativo entre os dados estimados. Fonte: autoria própria. Temos os seguintes resultados para o modelo de floresta aleatória desenvolvido: para o NSE o seu resultado foi de 0.816. O índice de concordância de Willmott(d) foi de 0.947, o coeficiente de correlação de Pearson(r) igual a 0.903. O índice de desempenho do modelo(c) resultante foi o valor de 0.855, ou seja, de acordo com a tabela de desempenho apresentada por Camargo e Sentelhas III Encontro Nacional de Desastres (ISSN 2764-9040) (1997), temos que o modelo com base no c teve a precisão classificada como "Muito Bom". Ao verificar o coeficiente de Kling-Gupta, vemos que o cálculo resultou em 0.859. O R² calculado foi o valor de 0.816, ou seja, existe forte correlação entre as variáveis de entrada e saída utilizadas, por fim, o RMSE encontrado igual a 12.265. Podemos definir a partir das métricas que o modelo foi muito bom, sendo o RMSE a única métrica que sofreu um impacto maior causado pelos pequenos resíduos gerados entre as pequenas imprecisões dos valores estimados, além dos altos resíduos gerados pela não capacidade do modelo com relação aos picos de evapotranspiração potencial. CONCLUSÕES De forma geral, a estimativa de evapotranspiração potencial pode ser orientada a partir da aplicação de códigos de aprendizagem de máquina e dos conhecimentos técnicos da área de recursos hídricos, no entanto, requer uma demanda maior de dados para aplicabilidade e melhor execução, principalmente com relação aos picos de valores que podem ser corrigidos com base em mais valores de picos no conjunto de dados para treinamento. Também podemos notar que é necessário sempre realizar uma análise ampla dos resultados, com pelo menos dois gráficos dos dados,além das métricas de validação, para entender a real situação pois dependendo de como o gráfico é desenvolvido pode gerar uma informação superestimada, portanto é necessário ter sempre atenção com essa fase da análise. REFERÊNCIAS CAMARGO, AP de; SENTELHAS, Paulo Cesar. Avaliação do desempenho de diferentes métodos de estimativa da evapotranspiração potencial no Estado de São Paulo, Brasil. Revista Brasileira de Agrometeorologia, v. 5, n. 1, p. 89-97, 1997. CONCEIÇÃO, Marco AF. Roteiro de cálculo da evapotranspiração de referência pelo método de Penman-Monteith-FAO. Embrapa Uva e Vinho. Circular Técnica, 2006. SANTOS, Sergio Rodrigo Quadros dos; CUNHA, Ana Paula Martins do Amaral; RIBEIRO-NETO, Germano Gondim; Avaliação de dados de precipitação para o monitoramento do padrão espaço - temporal da seca do nordeste do Brasil. Revista Brasileira de Climatologia. Ano 15 –Vol. 25– jul/dez 2019. MCKINNEY, Wes. Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. " O'Reilly Media, Inc.", 2012. MOURA, M. S. B. de; ESPÍNOLA SOBRINHO, J.; SILVA, T. G. F. da; SOUZA, W. M. de; Aspectos meteorológicos do semiárido brasileiro. Embrapa semiárido. 2019. NASH, J. Eamonn; SUTCLIFFE, Jonh V. River flow forecasting through conceptual models part I - A discussion of principles. Journal of hydrology, v. 10, n. 3, p. 282-290, 1970. PEDREGOSA, Fabian et al. Scikit-learn: Machine learning in Python. the Journal of machine Learning research, v. 12, p. 2825-2830, 2011. AGRADECIMENTOS Os autores agradecem ao apoio do Observatório Nacional da Dinâmica da Água e de Carbono no Bioma Caatinga (ONDACBC) pelos dados fornecidos, à Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco (FACEPE), pela concessão da bolsa de pós-graduação, por meio do Processo Nº IBPG-1083-3.01/21. Além do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), pela concessão da bolsa de iniciação tecnológica, por meio do Processo Nº 181077/2022-1, pela bolsa de iniciação científica, por meio do processo Nº 156553/2022-8 e a Universidade Federal de Pernambuco pela concessão das passagens aéreas. III Encontro Nacional de Desastres (ISSN 2764-9040) View publication stats