Abstract

ZHANG, Yubin et al. Máquina de aprendizaje extremo secuencial en línea mejorada para la simulación de la evapotranspiración de referencia diaria. Tecnol. cienc. agua [online]. 2017, vol.8, n.2, pp.127-140. ISSN 2007-2422.  https://doi.org/10.24850/j-tyca-2017-02-12.

La máquina de aprendizaje extremo tradicional tiene desventajas significativas, tales como entrenamiento lento, dificultad en la selección de parámetros y dificultad en establecer la singularidad y la muestra de datos. Por lo tanto, en el presente artículo se examina un modelo de predicción de una máquina de aprendizaje extremo secuencial en línea mejorada (IOS-ELM) de la evapotranspiración de referencia diaria de cultivos. La diferente manipulación de la inversa de la matriz se hace de acuerdo con la solución óptima y utilizando un factor de regularización al mismo tiempo en el modelo. La flexibilidad de la IOS-ELM en la modelación de la ET0 se evaluó empleando los datos meteorológicos originales (Tmax, Tm, Tmin, n, Uh, RHm, φ, Z) de los años 1971-2014 en Yulin, Ankang, Hanzhong, y Xi’an en Shaanxi, China. Estos ocho parámetros se usaron como insumos o datos de entrada, mientras que los valores de la evapotranspiración de referencia fueron los datos de salida o el producto. Asimismo, se probaron los modelos ELM, LSSVM, Hargreaves, Priestley-Taylor, Mc Cloud y IOS-ELM contra el modelo FAO-56 PM mediante los criterios de desempeño. Los resultados experimentales demuestran que el desempeño de IOS-ELM fue mejor que le de ELM y LSSVM y significativamente mejor que los demás modelos empíricos. Más aún, al comparar la estimación total de ET0 de los modelos mediante el error relativo, los resultados de los algoritmos inteligentes fueron mejores que los modelos empíricos a índices inferiores a 5%, pero los modelos empíricos de ET0 bruta tuvieron un error relativo de 12 a 64.60%. Esta investigación podría proporcionar una referencia para la estimación precisa de ET0 mediante datos meteorológicos y proporcionar predicciones precisas de los requerimientos de agua de los cultivos, lo cual resultaría en decisiones de riego inteligentes en Shaanxi.

Keywords : evapotranspiración de referencia diaria; máquina de aprendizaje extremo; aprendizaje en línea; singularidad de la matriz.