Estimación de la evapotranspiración de referencia con datos de temperatura: una comparación entre técnicas de cálculo convencionales y de inteligencia artificial en una región cálida-subhúmeda

espanolLa evapotranspiracion de referencia (ETo) es un parametro agro-meteorologico de gran importancia para muchas areas de estudio como la geotecnia, climatologia e hidrologia, donde su mayor importancia recae en el calculo de la evapotranspiracion de cultivo (ETc). En el presente estudio, utilizando solamente datos de temperatura, se evaluo el desempeno de tres modelos de inteligencia artificial y dos ecuaciones convencionales para predecir la evapotranspiracion de referencia (ETo) en un clima calido subhumedo en Mexico. Los modelos de inteligencia artificial evaluados fueron maquinas de soporte vectorial (SVM), programacion de expresion genetica (GEP) y XGBoost, asi como los modelos convencionales de Hargreaves- Samani y Camargo. El desempeno de los modelos se evaluo de acuerdo con los indices estadisticos error absoluto medio (MAE); raiz cuadrada media del error (RMSE); coeficiente de determinacion (R2), y el error medio de sesgo (MBE). Se construyeron intervalos de confianza para cada indice estadistico utilizando la tecnica de remuestreo bootstrap, con el proposito de evaluar la incertidumbre de los mismos. Los resultados demuestran que entre los modelos convencionales evaluados la ecuacion de Camargo obtuvo un mejor desempeno en la estimacion de la ETo en comparacion con la ecuacion de Hargreaves. Respecto a los modelos de inteligencia artificial, el modelo SVM obtuvo mejor desempeno entre las tecnicas evaluadas. De manera general, se recomienda utilizar el modelo SVM para estimar valores de ETo al superar a las demas tecnicas. EnglishReference evapotranspiration (ETo) is an agro-meteorological parameter of great importance for many areas of study such as geotechnics, climatology and hydrology, where its greatest importance falls in the calculation of the crop’s evapotranspiration (ETc). In this study, using only temperature data, the performance of three artificial intelligence models and two conventional equations to predict the reference evapotranspiration (ETo) was evaluated in a warm sub-humid climate in Mexico. The artificial intelligence models evaluated were: support vector machines (SVM), Gene Expression Programming (GEP) and XGBoost, and the conventional models were those by Hargreaves-Samani and Camargo. The performance of the models was evaluated according to the statistical indexes: Mean Absolute Error (MAE); Root Mean Square Error (RMSE); Coefficient of Determination (R2), and Mean Bias Error (MBE). Confidence intervals were constructed for each statistical index using the technique of bootstrap resampling with the purpose of evaluating their uncertainty. The results show that among the conventional models evaluated, the equation by Camargo obtained a better performance in the estimation of ETo compared to the equation by Hargreaves. Regarding the artificial intelligence models, the SVM model obtained the best performance among the techniques evaluated. In general, it is recommended to use the SVM model to estimate the ETo values since it outperforms the other techniques.